基于三维网格模型的点云分割方法

基于三维网格模型数据和三维点云模型数据正逆向结合的数据处理方法在科学研究和工程实践中得到了广泛的应用与发展。三维网格模型提供模型结构、语义和几何等方面的先验知识,指导点云数据进行分割、建模等逆向处理,可极大提高数据处理效率和精度。基于以上思路,本文提出了首先基于混合聚类的网格模型初分割,然后以模型的这种先验信息指导点云数据进行精细分割的算法。并通过一系列的程序实现和数据实验,验证了算法的适用性和稳健性。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

三维激光点云配电房结构及设备语义分割方法

针对配电房点云场景的三维重建需求问题,该文提出了一种配电房结构及设备点云的自动化语义分割方法。对于配电房主体结构点云,先采用区域增长的方法获取所有结构面的点云块,再基于随机采样一致性平面拟合的方法,对属于同一结构面的点云进行精准合并;对配电房内部设备点云,先采用欧式聚类的方法对每个设备点云进行聚类分割,再采用点云投影与栅格化的方法生成每个设备的主面图像,最后基于深度残差网络搭建深度神经网络对每个设备主面图像进行分类,得到每个设备点云的语义信息。实验证明,该文提出的方法对配电房点云分割的正确率优于0.9,设备识别的正确率优于96%,能够满足后续配电房及设备三维重建的要求。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

基于深度残差网络与梯度优化的室内点云语义分割

三维点云语义分割是大型场景点云数据理解和分析的关键步骤之一。为实现室内场景点云更高精度的分割,提出一种基于深度残差网络与梯度优化的语义分割方法(DRN-GO),通过加深集抽象模块与特征传递模块的层数,加强对点云的特征学习,并在网络层之间引入残差网络进行特征链接。为防止网络层次的增加导致模型过拟合,在编解码后的全连接层部分加入Dropout结构,并在每层网络输入前对数据进行批量归一化处理,从而确保模型的稳定性。本文选用斯坦福大型室内数据集S3DIS设计实验,结果表明,DRN-GO方法相比PointNet++在精度上得到了大幅度提升。     

基于语义推理的城区机载LiDAR分割点云分类

目前,机载LiDAR系统获取的点云数据具有多回波的特性,回波特性可以揭示地物的类型信息。本文在排除粗差、首次回波和中间次回波后,对单次回波和尾次回波形成的点云子集进行基于3DHough变换分割和滤波处理以区分地面点和非地面点(包括墙面点),然后合并首次回波、中间次回波和非地面点再次进行点云分割,利用分割面片的尺寸大小、单次回波激光脚点比例、首次回波和中间次回波激光脚点比例等三个指标区分建筑物激光脚点和植被激光脚点。实验证明,上述方法可以很好地将点云数据分类为墙面点、地面点、建筑物点和植被点。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

基于点云卷积的点云分类方法研究

基于深度学习方法,借鉴二维图像卷积的思想,设计了一种适合三维点云的卷积操作。点云卷积的作用域是局部球形邻域,输入为三维坐标和空间几何关系。通过点云卷积提取局部特征,使用最远点采样算法采集邻域中心点,根据半径构建球形局部邻域,使用多层感知器（multi-layer perceptron,MLP）网络学习空间关系权重,将学习到的关系权重和输入特征相乘,实现卷积操作。基于三维点云卷积,构建了一个多层分类网络模型实现点云分类。使用道路场景的黄石路数据集进行分类实验,结果证明了所提方法的有效性。     

顾及法向量的点云语义分割方法

针对在复杂场景下激光雷达点云数据的语义分割研究中,存在点云特征损失大、点云语义挖掘不足和分割精度不高等问题,该文提出了一种将法向量和RandLA-Net相结合的点云语义分割方法。把点云法向量与RandLA-Net网络的局部特征聚合模块融合,提取局部语义聚合特征,利用softmax分类器对每个点进行分类。实现了复杂场景下LiDAR点云数据的语义分割。通过对Oakland点云数据集和德国Vaihingen城市语义数据集进行实验分析,验证了本文算法具有较强的泛化能力,本文算法在Oakland点云数据集和Vaihingen城市语义数据集上的平均交并比分别为96.38%和92.49%,与RandLA-Net网络相比,该算法充分利用了激光点云数据的语义特征,有效地提高了点云语义分割的准确性。     

利用3D Voronoi图的兔子点云聚类分割

利用基于3D Voronoi多面体分割三维空间,并将其应用于具有典型三维特征的点云数据的聚类分割。通过对点云数据的离散体元表示,透过Voronoi单元的特征参数实现了三维点集的度量、提取和结构分析,揭示了点集间存在的相互关系,并通过3D Voronoi图所确定的空间邻近关系完成点集间相似度的测度和聚类。以三维兔子点云为样本数据的实验分析表明,本文所提出的思路聚类分割特征明显。     

室内SLAM点云的快速分割研究

建筑物内部结构和环境复杂,由此产生的噪声等影响使其无法直接运用于室外建模中已经成熟的点云分割算法。为降低噪声带来的影响,本文提出利用直方图统计法,分别对点云进行Z轴方向和X-Y轴方向上的直方图统计,从而分割出地板面,天花板面以及墙面的"候选点"。以K-D树构建空间数据索引,计算点云中各点的法向量以及曲率,将"候选点"中面与面相交处曲率"突变"的点去除,利用区域生长算法分割出建筑物的地板面、墙面以及天花板面。以NavVis公司的M3三维激光扫描车获取的室内SLAM点云数据,对本文方法检验,实验结果表明该方法能有效地降低噪声带来的影响,并且可以对平面点云数据进行分割提取。     

基于点云和高清影像数据的文化遗产多分辨率三维重建

以不同类型的文化遗产为研究对象,提出了基于点云和高清影像数据的文化遗产多分辨率三维重建方法。该方法首先阐述了基于三维点云和高清影像数据的文化遗产三维重建的流程,然后提出了一种基于地理位置的不同分辨率遗址文物模型融合与展示方法。本文将该方法用于世界文化遗产——唐崖土司城遗址的虚拟展示,按照文物虚拟化方法精细重建了石人、石马、牌坊等文物模型,并且实现了文物模型和遗址模型的融合展示。     

定标器表面点云的格网构建分割方法

机载激光雷达安置角偏差对测量结果影响较大。针对安置角偏差标定中的同名点获取问题,设计了一种金字塔形状的定标器和提取定标器顶点的算法流程。对算法流程中的点云分割问题,结合定标器模型参数和格网法向量,提出了一种基于格网构建的分割方法。对实验数据进行处理,得到了很好的点云分割效果。     

三维点云多尺度等值线模型Morphing变换方法研究

借鉴Morphing技术思想,提出了一种三维点云多尺度等值线模型Morphing变换方法。首先,分析了三维点云的空间分布情况,并按一定间隔在某一坐标轴方向(如犣轴）将其分层,建立点云的分层模型,以分层点云为单元生成等值线。其次,以分层数据生成的凸包多边形作为最小尺度等值线折线,按一定准则将剩余的离散点集归类到对应的凸包边,引入尺度参数狋,通过计算离散点的选取时机参数对其进行选取,生成连续变化的中间尺度等值线折线。最后,将等值线折线拟合成平滑曲线,构成三维点云的多尺度等值线模型。结果表明,本文方法能够处理规则点云数据和散乱点云数据,生成的等值线符合一般等值线的特性,不会产生边缘交叉等问题,而且运算效率高。     

双目视觉三维点云重建的误差度量模型

从图像中快速提取并构建三维模型是GIS空间数据获取的重要途径之一,作为智慧城市建设的基础数据,如何度量和控制图像三维模型质量成为阻碍智慧城市发展的首要问题。本文以立体像对为数据源,在研究三维点云重建模型的基础上,结合矩阵微分理论和协方差传播律构建了双目视觉三维点云误差度量模型及量化表达方法,为图像三维建模质量控制和精度评估提供理论依据。     

树木三维点云的枝叶分割方法

利用地面三维激光扫描点云构建树木模型时,对树木点云进行枝叶分割,可以提高单木分割、骨架提取、模型构建等步骤的准确性。针对现有枝叶分割方法参数设置复杂、需要训练样本、依赖颜色强度等不足,提出了一种新的基于邻域点分布规律的枝叶分割方法。该方法遍历树木点云中的激光点,首先利用K纬树算法搜索激光点的所有R邻域点,构成邻域点集;接着对邻域点集进行主成分分析,得到三对特征值和特征向量,利用特征值计算邻域点集的分布散乱度;然后将分布散乱度与预定义阈值比较,区分枝干和叶片的候选点;最后对枝干候选点实施欧氏聚类,利用聚类的点数和尺寸获取可靠的枝干点。使用江阴大桥公园的树木点云数据进行测试。结果表明:本文提出的树木点云枝叶分离方法准确率高、点云属性要求低、简单易用,可应用于多测合一绿化测量、城市绿地生物量统计、实景三维树木模型构建等领域。     

融合BIM特征约束点自增长模型的室内外三维模型构建研究

针对室内外复杂场景一体化建模的精度高、难度大、效率低下等特点,本文以地面三维激光扫描技术(TSL)和建筑信息模型(BIM)重构技术为核心支撑,提出了融合BIM特征约束的点自增长模型重构方法.利用该方法以西安市五路口地铁站室内外真实场景构建为案例分析,验证了基于TSL和BIM技术融合构建高精度室内外一体化真三维场景的可行...     

基于残差改正模型的三维激光扫描点云坐标转换

通过多个已知点上的转换坐标值与已知坐标值之差(称为坐标转换残差)来建立残差改正模型,对测区内的点云数据施加残差改正,从而提高三维激光扫描点云数据的精度。同时,以Leica Scanstation C10型扫描仪为例,通过实验探讨了点云高程精度与扫描距离及倾角的关系,分析了该仪器扫描时配准标靶至仪器的合理距离,以促进维激光扫描技术在DEM建模中的应用。