激光点云粗配准方法实验对比与分析

点云粗配准要为点云精细配准提供良好的初始参数,其精度和效率是当今研究的热点问题.本文基于四组不同的激光点云数据,实现并对比分析了超级四点全等集算法(Super 4 Points Congruent Sets,Super4PCS)、四点全等集算法(4 Points Congruent Sets,4PCS)和基于软件Geomagic Studi0 12的粗配准方法.实验结果表明,Super4PCS算法对于重叠率高,噪声大且特征明显的点云数据能够较好地配准;4PCS算法不适用于重叠率低的点云数据配准;软件Geomagic Studi0 12适用于各种特点的点云模型,但该方法配准精度受人为因素的影响,配准效率低.     

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。     

一种低重叠率激光点云的配准方法北大核心CSCD

针对点云数据采集过程中因扫描仪设站数少导致相邻的两片激光点云重叠率低,且难以高精度进行配准的问题,该文提出了一种基于重叠区域的点云配准方法。首先利用加入距离权重的法线夹角及曲率特征将点云分割成块,构建每一点云块的多维特征描述符,通过比较各点云块间的方差分布相似性提取相邻点云的重叠区域,然后将重叠区域的点云带入超四点快速鲁棒匹配(Super4PCS)算法中进行配准,根据一致性约束将最优的刚性变换矩阵应用于原始数据,得到最终的点云配准模型,最后与直接利用Super4PCS算法配准后的效果进行对比分析。实验结果表明,通过增加点云间重叠区域的提取,可以有效提高对低重叠率激光点云的配准精度,从而更有利于点云三维模型构建等后续数据处理。     

点云数据的多几何面片特征自动识别

针对人工构筑物丰富的面片特征,提出一种基于局部采样优化的多种几何面片（平面、柱面、球面）点云数据分割方法。该方法首先利用三维格网建立点云数据的空间划分,然后根据随机采样点确定局部格网单元,在格网单元内部拟合多种几何模型,通过局部打分确定局部候选模型（集）,利用统计推断估算候选模型集的全局打分区间,最终获得当前最优模型及其一致集,从而实现点云数据分割。试验结果表明：该方法能够对富含规则几何特征的人工构筑物进行有效分割。     

基于特征点法向量的点云配准算法

在传统的迭代最近点算法（ICP）中,需要两片点云具有良好的初始位置,否则在配准时容易陷入局部最优。针对该问题,本文提出了一种基于特征点提取与配对的粗配准方法,以调整两片点云重叠部分的初始位置。首先,利用SIFT算法提取两片点云公共部分的特征点;其次,根据特征点法向量之间的欧氏距离将两片点云的特征点两两配对;然后,利用法向量的夹角对特征点对进行提纯;最后,通过单位四元数法,求解出旋转及平移矩阵,完成粗配准。试验表明,本文基于特征点法向量的粗配准方法可为精配准提供良好的初始位置,在一定程度上避免配准时陷入局部最优的现象。     

三维点云初始配准方法的比较分析

针对多种多样的三维点云自动初始配准算法,该文依照配准过程中侧重点的不同将其分为基于局部特征描述、基于全局搜索策略和基于统计学概率3个算法类别,对其中具有代表性的FPFH、4PCS、NDT 3种算法进行了配准效率和数据适应性的比较分析。采用4组数据分别使用这3种算法进行配准实验,提出了算法中相关参数的设置方法,验证了它们用于最近点迭代精配准的适用性,并记录相应的配准耗时。实验结果表明不同算法适用的数据不同,初始配准时可以依据数据的特点选取合适的方法。     

三维点云初始配准方法的比较分析

针对多种多样的三维点云自动初始配准算法,该文依照配准过程中侧重点的不同将其分为基于局部特征描述、基于全局搜索策略和基于统计学概率3个算法类别,对其中具有代表性的FPFH、4PCS、NDT 3种算法进行了配准效率和数据适应性的比较分析。采用4组数据分别使用这3种算法进行配准实验,提出了算法中相关参数的设置方法,验证了它们用于最近点迭代精配准的适用性,并记录相应的配准耗时。实验结果表明不同算法适用的数据不同,初始配准时可以依据数据的特点选取合适的方法。     

三维点云初始配准方法的比较分析

针对多种多样的三维点云自动初始配准算法,该文依照配准过程中侧重点的不同将其分为基于局部特征描述、基于全局搜索策略和基于统计学概率3个算法类别,对其中具有代表性的FPFH、4PCS、NDT 3种算法进行了配准效率和数据适应性的比较分析。采用4组数据分别使用这3种算法进行配准实验,提出了算法中相关参数的设置方法,验证了它们用于最近点迭代精配准的适用性,并记录相应的配准耗时。实验结果表明不同算法适用的数据不同,初始配准时可以依据数据的特点选取合适的方法。     

顾及局部特征的深度学习点云分类研究

针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路.     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

空间边界缓冲区切片曲线拟合在点云空洞修补中的应用

针对现存的点云空洞修补算法中先精确提取空洞边界,再根据边界邻域点集信息修补空洞的过程,提出了一种基于空洞边界缓冲区切片曲线拟合的空洞修补方法。该方法首先基于不同K邻域内点集的重心变化和密度聚类提取空洞边界缓冲区点集,建立提取点集的局部坐标系;然后采用Householder变换使点集局部坐标系z轴与全局坐标系Z轴平行;最后沿着两个正交的方向切片,根据切片上的点进行曲线拟合并插值出空洞区域点。采用斯坦福大学三维扫描库中的bunny点云数据进行计算分析,基于修补后新增点集到原始空洞内被裁剪点集拟合曲面的距离来定量分析空洞的修补精度,其中闭合空洞和岛屿空洞修补后新增点集到曲面的平均距离分别为0.001 7和0.001 2 m。将本文方法与商用软件Geomagic的修补效果进行对比,结果表明本文方法在闭合空洞类型和岛屿空洞类型中的修补结果可以更好地保存局部区域特征。     

三维点云初始配准方法的比较分析

针对多种多样的三维点云自动初始配准算法,该文依照配准过程中侧重点的不同将其分为基于局部特征描述、基于全局搜索策略和基于统计学概率3个算法类别,对其中具有代表性的FPFH、4PCS、NDT 3种算法进行了配准效率和数据适应性的比较分析。采用4组数据分别使用这3种算法进行配准实验,提出了算法中相关参数的设置方法,验证了它们用于最近点迭代精配准的适用性,并记录相应的配准耗时。实验结果表明,不同算法适用的数据不同,初始配准时可以依据数据的特点选取合适的方法。     

顾及地形特征的LiDAR点云数据抽稀算法

针对现有的LiDAR点云数据抽稀算法存在无法有效保留地形特征点或地形分类精度不高等问题,文章提出一种顾及地形特征的点云数据抽稀算法:利用点云中的局部极值点与点云边界点作为种子点构建不规则三角网(TIN);利用一定原则逐渐选取非种子点中的地形特征点加密TIN;然后采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。测试结果表明:该算法在保证地形精度的前提下,能够有效地减少冗余点数量;同时,为了提高算法的实用性,该文通过大量试验给出了算法中所需参数的最优配置。     

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。     

一种高压输电走廊机载激光点云分类方法

针对输电线路现有点云分类方法存在的分类效率较低及精度不高等问题,该文从高压输电走廊的地物分布特点出发,提出一种基于JointBoost的高压输电走廊点云分类方法。该方法将三维点云转换为二维影像并基于Hough变换在影像上检测输电走廊候选区域;对候选区域每个点定义并计算多尺度局部特征向量,包括高程特征、连通特征、张量特征和平面特征;根据多尺度局部特征用JointBoost分类器将待分类点云分为地面、植被、电力线和电力塔4类。实验数据表明,该方法能有效地减少高压输电走廊的点云处理数量,提高分类效率,且选取的多尺度特征能有效地表达输电走廊内地物的分布特点,具有较高的分类精度。     

基于RANSAC算法的隧道点云横断面提取

针对最小二乘法对所有点（包括"局外点"）拟合难以得到最佳线性参数的问题,本文基于RANSAC算法对观测值随机抽样进行参数估算,判断符合模型的"内部点"为一致集,并通过迭代得到足够的一致集,最后设计试验验证该算法的适用性;对隧道点云采用基于中轴线方法进行边界提取,以及三维激光扫描用于生产实践提供参考意义。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

三维散乱点云的Voronoi拓扑近邻点集查询算法

提出一种三维散乱点云的Voronoi拓扑近邻点集查询算法,该算法改进R*-tree建立三维散乱点云的空间索引结构,采用动态扩展空心球算法获取样点的k近邻点集,通过偏心扩展和自适应扩展获取样点拓扑近邻参考数据,生成该局部点集的Voronoi图,查询样点Voronoi邻域获取样点拓扑近邻点集。通过算法时间复杂度分析及相关实验,证明该算法可快速、准确地获取任意复杂散乱点云的Voronoi拓扑近邻点集。     

结合超体素与区域增长的LiDAR点云屋顶面分割

针对传统区域增长算法易受噪声影响且局部分割性能不稳定的问题,提出了一种结合超体素与区域增长的屋顶面片点云分割算法。利用八叉树组织初始点云数据,基于点云的欧氏距离和法向量信息两个约束分割点云获得超体素。结合超体素结构特征,改进种子点选取准则,在超体素的光滑性和表面几何特征约束下进行点云区域增长,提取屋顶面片点云。选取不同复杂程度的建筑物LiDAR点云进行实验,结果表明,结合超体素与区域增长算法能有效提取复杂建筑物屋顶面片点云,提取率高且具有较好的适应性,可以为基于机载LiDAR的建筑物三维模型重建提供可靠的屋顶面信息。