基于多判据的散乱点云特征点提取算法

为了有效获取散乱点云中的尖锐特征点和边界特征点,提出一种利用多判据融合的特征点提取算法。首先利用一种改进的k-d tree构建点云拓扑,搜索样点的K局部邻域;然后利用法向夹角判定准则、核密度判定准则、场力和判定准则分别求取各个样点局部邻域的三个特征参数,最后通过加权计算特征参数得到每个样点的特征值与全局判定阈值,特征值比阈值大的点即为特征点。实验证明,该算法能有效的获取散乱点云中边沿特征点与尖锐特征点。     

基于动态网格k邻域搜索的激光点云精简算法

由非接触式扫描方法获得的点云数据存在大量的冗余点,为便于模型重构, 提出一种新的基于动态网格k邻域搜索的点云精简方法.首先,对点云进行k邻域搜索,在k邻域搜索过程中采用动态网格的方法快速寻找k邻域点;然后,根据数据点的k邻域计算点的曲率、点与邻域点法向夹角的平均值、点与邻域点的平均距离,并利用这3个参数定义特征判别参数和特征阈值,比较大小,对特征点进行提取;最后,利用包围盒法对非特征点进行二次精简,将精简后的点云与特征点拼接,实现精简目的.实验结果表明,所提出方法与其他k邻域搜索方法相比,提高了计算效率,并且将特征提取与二次精简方法相结合,既可保留模型的几何特征,又能避免空洞区域的产生,在精度和速度上都取得了较好的效果.     

保留边界的点云简化方法

针对点云简化算法中边界点丢失的问题,提出了一种保留边界的三维散乱点云的非均匀简化算法。首先利用kd-tree建立散乱数据点云的空间拓扑关系,计算出每个数据点的k邻域;然后针对目前依据点云分布均匀性算法提取边界效率低的问题,提出一种改进的点云边界点判定算法;最后保留所有边界点,对非边界点,根据曲面变分值和k邻域点已保留比例,进行点云的非均匀简化。实验结果表明,该算法精度高,空间复杂度低,而且简化后点云边界保留完整。     

一种邻域自适应的双阈值点云特征提取方法

点云数据的特征提取是点云数据处理环节中的一项重要内容,对几何分析、数据分割、点云配准、模型重建等研究起关键作用。研究了基于法向量和曲率的点云特征提取技术,阐明了特征提取过程中邻域选取与单一参数计算存在的问题,提出了邻域自适应的双阈值点云特征提取方法。通过实验对比了该算法与基于曲率的特征提取算法的提取效果,验证了本算法的稳定性、准确性。该算法对于几何特征复杂的点云具有较好的提取效果,对提高点云特征点提取的精度及效率具有重要的意义。     

自适应K-means聚类的散乱点云精简

目的 点云精简是曲面重建等点云处理的一个重要前提,针对以往散乱点云精简算法的精简结果存在失真较大、空洞及不适用于片状点云的问题,提出一种自适应K-means聚类的点云精简算法。方法 首先,根据k邻域计算每个数据点的曲率、点法向与邻域点法向夹角的平均值、点到邻域重心的距离、点到邻域点的平均距离,据此运用多判别参数混合的特征提取方法识别并保留特征点,包括曲面尖锐点和边界点;然后,对点云数据建立自适应八叉树,为K-means聚类提供与点云密度分布相关的初始化聚类中心以及K值;最后,遍历整个聚类,如果聚类结果中含有特征点则剔除其中的特征点并更新聚类中心,计算更新后聚类中数据点的最大曲率差,将最大曲率差大于设定阈值的聚类进行细分,保留最终聚类中距聚类中心最近的数据点。结果 在聚类方面,将传统的K-means聚类和自适应K-means聚类算法应用于bunny点云,后者在聚类的迭代次数、评价函数值和时间上均优于前者;在精简方面,将提出的精简算法应用于封闭及片状两种不同类型的点云,在精简比例为1/5时fandisk及saddle模型的精简误差分别为0.29×10^-3、-0.41×10^-3和0.037、-0.094,对于片状的saddle点云模型,其边界收缩误差为0.030 805,均小于栅格法和曲率法。结论 本文提出的散乱点云精简算法可应用于封闭及片状点云,精简后的数据点分布均匀无空洞,对片状点云进行精简时能够保护模型的边界数据点。     

多阈值提取平面点云边界点的方法

针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。     

基于频率直方图的K邻域稀疏离群点移除算法

在点云预处理阶段,传统的基于k邻域的稀疏离群点移除算法尚存在一些不足。在点云的处理过程中,关于k邻域的大小以及所要滤去的稀疏离群点的噪声阈值方面,没有给出合理的选取方案。通过对散乱点云传统k近邻稀疏离群点移除算法的分析与研究,提出一种基于k邻域平均距离的频率直方图的分析方法,对传统基于k邻域的离群点移除算法进行了改进。通过该方法可以有效选取合理的k值与噪声阈值。该方法通过对散乱点云设置依次增大的k值,生成k邻域平均距离的统计直方图,分析统计直方图来确定k邻域值的适当大小。针对适当的k值,选取合理的噪声阈值对其进行去噪处理。通过这种方法,为稀疏离群点移除算法中k值和噪声阈值的选取提供了理论依据,提高了点云搜索效率的同时有效防止了离群点的过度删除。     

青铜器纹饰特征增强及自动提取

目的 青铜器是我国的文化瑰宝,然而出土青铜器大多破损、变形,需要修复以进行保护。随着3维激光扫描技术及数字几何处理研究的发展,文物数字化修复技术得到了广泛的重视。在青铜器修复过程中需要将相邻碎片的纹饰对准,以保证纹饰的连续性,从而保证修复质量。因此,青铜器纹饰特征的有效提取是青铜器修复过程中的一项重要工作,鉴于青铜器纹饰特征一般具有比较明显的尖锐边,本文提出并实现了一种青铜器尖锐特征增强及自动提取算法。方法 首先,为了减少网格均匀度对特征提取的不利影响,提出一种加权法向距离;其次,为了增强尖锐特征提取效果,提出一种逆双边滤波算法,并利用该算法获得反锐化掩膜,增强法向距离间的差异性,使得大的更大,小的更小;最后,采用Otsu算法自动确定分割阈值,依据该阈值把网格顶点分为特征点集和非特征点集,实现青铜器纹饰特征的提取。结果 对实际3维激光扫描获得的青铜器模型,分别采用本文算法和Tran等人提出的尖锐特征自动提取算法进行了纹饰特征提取,包括采用两种算法进行了纹饰特征增强前后纹饰特征提取实验,本文使用的3个模型点数在6 000至80万之间,这些模型都可以在1 s到10 s之间得到最终的提取结果,具有较高的效率。同时,本文算法可以更为准确地提取尖锐特征点,且得到的特征点更为连续,有利于进一步的处理。结论 采用本文提出的青铜器纹饰提取算法,能够自动、高效地提取青铜器纹饰特征。     

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,...     

自适应邻域选择的FPFH特征提取算法

在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时 加快了运算速度,具有指导价值。     

一种邻域自适应半监督局部Fisher判别分析算法

针对利用局部化思想解决多模数据的判别分析问题时,根据经验对局部邻域大小进行全局统一设定无法体现局部几何结构的差异性的不足,提出一种邻域自适应半监督局部Fisher判别分析（neighborhood adaptive semi-supervised local Fisher discriminant analysis,NA-SELF）算法。该算法在半监督局部Fisher判别分析算法的基础上,结合马氏距离和余弦相似度确定初始近邻数,并根据样本空间概率密度估计调整近邻数。通过人工数据集和5组UCI标准数据集对该算法的特征降维性能进行验证,并与典型的维数约简算法和采用传统k近邻方法的判别分析算法进行比较,实验结果表明该算法具备更高的有效性。     

支持k-离群度的边界点检测方法

边界是一种有用的模式,为了有效识别边界,根据边界点周围密度不均匀,提出了一种边界点检测算法——BDKD。该算法用数据对象的k-近邻距离与其邻域内数据对象的平均k-近邻距离之比定义其k-离群度,当k-离群度超过阈值时即确定为边界点。实验结果表明,BDKD算法可以准确检测出各种聚类边界,并能去除噪声,特别是对密度均匀的数据集效果理想。     

Point cloud simplification for the boundary preservation based on extracted four features

This paper proposes a simplification algorithm based on four feature parameters, aiming at solving the problem that the edge features cannot be retained due to the incompletely extracted sharp features during point cloud simplification. Firstly, K neighborhood searching is carried out for point cloud, and K neighborhood points are quickly found by a dynamic grid method. Then, four features including: the curvature of the point, the average of the normal angle of a point from a neighborhood point, the average distance between the point and the neighborhood point and the distance between the point and the center of gravity of the neighborhood point, are calculated according to the K neighborhood of the data point. The four parameters are used to define the feature discrimination parameters and feature thresholds, to compare the size and extract the feature points; finally, the non-feature points are reduced twice by the method of the bounding box, and the reduced point cloud and feature points are spliced to achieve the purpose of simplification. The experimental results show that the distance between the point and the center of gravity of the neighborhood has a great influence on the simplified model boundary, which effectively guarantees the accuracy of the simplified model.     

一种局部二值模式图像特征点匹配算法

针对图像匹配问题进行了研究,提出了一种改进BRIEF算法的特征点匹配算法。该算法利用随机点与特征点之间的差分大小和差分幅值关系来生成特征点描述算子。针对BRIEF对噪声敏感问题,因为小的像素幅值差分更易受到噪声影响,为了抑制噪声,通过设置小像素差分阈值,差分在阈值内的设置为不确定位,然后通过其邻域均值来决定不确定位的值。特征点匹配使用描述算子之间的汉明距离进行比较来完成。实验与BRIEF和ORB算法进行了比较,证明该算子具有更高的判别性,计算简单且具有很好的噪声抑制性能,运行速度快,匹配准确率更高。     

基于类别平均距离的加权KNN分类算法

本文提出了一种改进的KNN分类算法,利用样本集合中同类别样本点间距离都十分接近的特点辅助KNN算法分类．将待分类样本点的K个最近邻样本点分别求出样本点所属类别的类别平均距离和样本点与待分类样本点距离的差值比,如果大于一个阈值,就将该样本点从K个最近邻的样本点中删除,再用此差值比对不同类别的样本点个数进行加权后执行多数投票,来决定待分类样本点所属的类别．改进后的KNN算法提高了分类的精度,并且时问复杂度与传统KNN算法相当．     

一种基于降采样后关键点优化的点云配准方法

针对工件点云数据多而导致点云配准耗时长的问题,提出一种基于降采样后关键点优化的点云配准方法。计算点云若干体素的重心,利用kd-tree快速遍历重心的邻近点来代替该体素;提出自适应的点云平均距离计算方法,对降采样后的点云提取ISS3D关键点,并采用基于球邻域的边界点判断方法对其优化;对优化后的关键点进行FPFH特征描述,利用SAC-IA求解近似变换阵,使用ICP算法精配准而解得工件的精确位姿信息。实验结果表明,相较于其他四种配准算法,配准精度分别提高了96.9%、98.1%、93.3%和3.5%,配准速度分别提高了77.2%、77.7%、76.9%和85.4%,表明了该方法的有效性。