散乱点云

摘要： 针对目前铆钉孔特征提取方法的限制多、自动化程度低等问题,提出了一种基于散乱点云的铆钉孔自动识别与特征参数提取算法。通过每个点的k邻域点分布情况提取点云边界点,利用欧式距离聚类对其进行分割得到属于不同边界特征的点云块,随后依据椭圆拟合结果提取铆钉孔边界。借助k近邻搜索算法寻找铆钉孔边界邻域点云,进而构造铆钉孔的实际定位面,并将边界点投影至定位面以拟合端面圆。试验验证表明,本文提出的方法能够精确识别并提取铆钉孔,孔位提取精度可达0.029mm。

摘要： 针对目前处理大量散乱点云数据体积计算算法效率低下且时间较长的情况,提出了一种基于散乱点云数据的高效率体积计算算法。此算法对散乱的点云数据进行三角剖分,利用最小二乘法计算三角面片的各个顶点与其法向量,根据法向量进行疵点去除及方向调整,再将三角面片投影形成的凸五面体分割成两个三棱锥和一个三棱柱,最后积分计算出各分割体的体积之和从而得到总体积。结果表明,该算法在降低运算时间的同时具有更高的准确性。

摘要： 点云孔洞修补作为点云数据处理中的关键技术,直接影响点云的质量和完整性.利用遗传算法(genetic algorithm,GA)优化的BP(back propagation,反向传播)神经网络(简称GA-BP神经网络)是一种修补效果较好的散乱点云孔洞修补方法.但基于GA-BP神经网络的散乱点云孔洞传统修补方法的多个步骤需借助逆向软件通过人机交互的方式完成,导致修补过程繁琐且耗时较长.为此,提出了一种基于GA-BP神经网络的散乱点云孔洞自动修补方法.通过计算机编程将孔洞识别、孔洞区域插值和孔洞修补相结合,实现从残缺点云模型直接到完整点云模型的自动修补,无须进行复杂的人机交互和数据转换.实验结果表明,所提出的方法可有效避免因数据转换而造成的数据失真,减少了人机交互工作量,方便而高效地修补了散乱点云的孔洞,且得到的修补点云密度均匀,这对提高点云孔洞修补效率和质量具有重要意义.

摘要： 提出一种三维散乱点云边界特征提取算法,该算法采用R*-tree建立散乱点云的空间索引结构,基于该结构快速获取任意点的k近邻点集X,计算该点集的型心,依据型心及任意点构建向量v,建立经过点P且垂直于v的基准平面L,若点集X中各点均位于平面L的同侧,则点P为边界点,否则为非边界点.实例表明该算法运行速度快,且在快速准确提取点云边框特征点外,可同时提取孔洞处的边界特征点.

摘要： 基于实体服装的散乱点云数据提出一种快速生成三维服装模型的方法。通过深度相机扫描设备实现服装表面三维点云数据的快速提取,并进行预处理;结合区域生长算法和Delaunay三角剖分算法,提出一种以无向点云为输入,通过三角剖分的形式生成插值曲面的重建算法对服装模型进行重建;将基于散乱点云的三维服装建模方法与贪婪投影三角化法和泊松法对比分析。结果表明:该方法重建的服装模型更好,得到的网格分布均匀,面片光滑,并且保留了服装点云原有的形状。

摘要： 基于实体服装的散乱点云数据提出一种快速生成三维服装模型的方法.通过深度相机扫描设备实现服装表面三维点云数据的快速提取,并进行预处理;结合区域生长算法和Delaunay三角剖分算法,提出一种以无向点云为输入,通过三角剖分的形式生成插值曲面的重建算法对服装模型进行重建;将基于散乱点云的三维服装建模方法与贪婪投影三角化法和泊松法对比分析.结果 表明:该方法重建的服装模型更好,得到的网格分布均匀,面片光滑,并且保留了服装点云原有的形状.

摘要： 针对当前基于深度学习的散乱点云语义特征提取方法通用性差以及特征提取不足导致的分割精度和可靠性差的难题,提出了一种散乱点云语义分割深度残差?特征金字塔网络框架.首先,针对当前残差网络在卷积方式上的局限性,定义一种立方体卷积运算,不仅可以通过二维卷积运算实现三维表示点的高层特征的抽取,还可以解决现有的参数化卷积设计通用性差的问题;其次,将定义的立方体卷积计算与残差网络相结合,构建面向散乱点云语义分割的深度残差特征学习网络框架;进一步,将深度残差网络与特征金字塔网络相结合,实现三维表示点高层特征多尺度学习与散乱点云场景语义分割.实验结果表明,本文提出的立方体卷积运算具有良好的适用性,且本文提出的深度残差?特征金字塔网络框架在分割精度方面优于现存同类方法.

摘要： 针对目前处理大量散乱点云数据体积计算算法效率低下且时间较长的情况,提出了一种基于散乱点云数据的高效率体积计算算法.此算法对散乱的点云数据进行三角剖分,利用最小二乘法计算三角面片的各个顶点与其法向量,根据法向量进行疵点去除及方向调整,再将三角面片投影形成的凸五面体分割成两个三棱锥和一个三棱柱,最后积分计算出各分割体的体积之和从而得到总体积.结果表明,该算法在降低运算时间的同时具有更高的准确性.

摘要： 针对散乱点云特征识别结果存在噪声及特征遗漏的问题,提出一种基于曲面局部形貌标架的点云特征识别方法.基于点云局部中轴对样点的隔离作用,剔除样点欧氏邻域内的非测地邻域点,为曲面构造优化的局部样本模型.析取局部离散样本中的准共法截线点对集合,构造散乱点云的局部形貌标架.基于标架夹角的差异性,对曲面样本形貌进行量化分析,区分平滑、边界、棱边及尖角等特征区域,实现对中心样点属性的稳健判别.实验结果表明,该方法适用于不同采样密度的点云,可显著降低点云特征识别结果中的噪声点规模,且能有效减少特征遗漏现象.

摘要： 为解决采集点云数据时存在冗余、噪声及空洞因素影响其快速高质量重建问题,给出一种新的点云重建方法.该方法首先使用体素栅格对点云进行精简,然后利用改进的移动最小二乘法对精简后的点云进行平滑处理,最后利用投影三角化对点云进行快速重建.结果表明,该方法可以有效地对点云局部的空洞进行修补并获得平滑的流形面,使重建结果更接近于现实,最终实现对点云数据高质量的重建.%The redundancy, noise and hole in the acquisition of point cloud data will affect the rapid and high-quality reconstruction. To solve this problem, a new point cloud reconstruction method is proposed. Firstly, the point cloud data was simplified by VoxelGrid, and then the improved minimum moving squares were used to make point cloud become smooth. Finally a multilateral local projection triangulation was used to rapidly reconstruct the point cloud. The experimental results show that this method can repair local holes in point cloud and obtain a smooth manifold, so that the reconstruction result is closer to the reality and finally gets the high-quality reconstruction of point cloud data.

摘要： 针对大数据散乱点云精简问题,提出基于平均曲率为判断依据的精简算法，采用KD树结构对点云数据建立k领域，在散乱点参数化的基础上,对k领域内的点进行二次曲面拟合，求出拟合平面的平均曲率，进而得出领域内所有数据点的平均曲率均值,以此为判断依据精简,构造曲率差函数,识别出边界数据点,对边界数据进行保护,试验结果表明,该算法对曲率变化大的点云数据精简有一定的理论和应用价值。

摘要： 利用工业CT图像转化为三维散乱点云数据，对数据预处理算法进行研究，包括：精简、分层排序、统一各截面点数、平滑。对处理后数据进行NURBS曲面插值，完成了对NURBS曲面的重构。以某工件工业CT图像为例，通过VG软件转化为点云数据，利用VC++和OpentGL编程实现数据顶处理算法和NURBS曲面拟合，通过实例验证了该曲面造型方法的正确性。

摘要： 将光学测量设备在不同视角测得的点云数据配准到一个统一的坐标系下,是采用局部测量获得被测物体整体数据的关键.本文提出了一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行数据点云配准的算法。该算法针对待配准的两组点云数据,首先根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整使其指向曲面的同一侧,然后计算各个测点的曲率。根据每个测点的曲率来识别出两组点云数据中可以匹配的点对集合,计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准.以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了两组散乱数据的精确配准.应用实例表明算法效果良好。

摘要： 本发明提供了一种基于改进欧式聚类的散乱工件点云分割方法，涉及点云分割领域，该方法考虑到散乱工件点云固有的杂乱性和无序性，提出相应的场景分割方案，具体步骤为：对点云进行预处理，包括使用RANSAC法去除背景点、迭代半径滤波法去除离群点；采用线下模板点云的信息注册方法为线上分割提供参数选取依据，从而提高了线上分割的速度；提出先去除边缘点、再聚类分割、最后补齐边缘点的思想，避免了聚类过程中出现欠分割或过分割的现象，在聚类分割时，提出基于自适应邻域搜索半径的聚类方法，大大提高了分割速度，边缘点补齐则保留了工件的表面特征，有利于提高后续位姿定位准确性。

摘要： 本发明提供了一种基于凸性区域生长的堆叠散乱目标点云分割方法，主要包括以下步骤：采用移动最小二乘算法对深度相机获取的堆叠散乱目标点云进行平滑处理，然后对平滑后的点云基于主成分分析法求取点云中所有点的法向量和曲率信息，最后根据点云的法向量、曲率和凹凸性特征进行聚类实现点云分割。本发明中点云分割算法只依赖于点云内部各个点的特征，在无需预先训练目标模型的情况下可以实现堆叠散乱目标点云的良好分割效果，并且具备较高的运行效率，对于不同场景下的点云分割均具有很好的适应性和鲁棒性。

摘要： 一种非迭代单一物体散乱点云数据的噪声处理方法，涉及计算机图形学和三维点云数据去噪领域，解决现有迭代过程因迭代中心点设定而带来的迭代收敛慢的问题，获取含有噪声的初始点云数据，并将所述初始点云数据进行归一化处理，估算归一化后的点云数据的密度，按照估算的密度在直角坐标系中按z轴将归一化点云数据进行分层；对每一层按照包围长方形的形式，去除距离点云数据主体较远的噪声点；将去除噪声点的点云数据再次进行密度估算及点云数据进行分层；再对每一层按照包围盒方法，去除噪声点用采用双边滤波方法进行光顺，获得双边滤波后的点云数据；将点云数据的坐标分别乘以归一化系数的倒数，完成点云数据的噪声处理。

摘要： 本发明公开了一种基于八叉树的散乱点云压缩方法，该方法针对无任何预知信息下的三维点云数据；本发明的方法改进了八叉树分割的停止条件,可以在适当的深度停止分割并确保体素大小合适；在分割的基础上建立k邻域,利用简单有效的统计方法去除原始点云的离群点；而在数据结构上，对每个节点分配位掩码，通过操纵位掩码，在遍历时对数据查询和操作，并优化随后的点位置编码。该方法有效的移除了离群点和表面杂点，并在区间编码提高了点云压缩效率。

摘要： 本发明提供一种散乱点云孔洞边界的判别方法，包括以下步骤：S1、对点云进行切割分层和划分立方格，再对点云进行精简；S2、搜索与点云所在的立方格空间相邻的26个立方格中是否存在邻接点，邻接点数目小于8的点初步判别为边界点，将边界点和邻接点的数目存储到边界点集BP_Group中；S3、根据边界点之间的距离对边界点集BP_Group中的点进行聚类划分，得到初步的孔洞和边界点；S4、将孔洞所包含边界点的数目和相邻边界点的平均距离作为阈值，对步骤S3得到的孔洞和边界点进行筛选，剔除错误的边界点后，得到具有实际意义的孔洞和边界点。解决了孔洞边界点判别时存在误判的问题，提高了计算效率。

摘要： 本发明公开了基于散乱点云交叉注意学习的三维场景运动趋势估计方法，涉及深度学习和三维点云场景理解领域，以三维场景的运动趋势估计为目标，该网络模型在利用卷积神经网络提取前后帧点云特征的基础上，通过构建关联特征提取模块，捕捉前后帧点云间的联合信息，以提升点云特征刻画的丰富度；通过构建三维场景运动趋势的校准模块，在初步得到点云运动趋势后进行微调，进一步提高三维场景运动趋势估计的精度和可靠性。

摘要： 本发明基于散乱点云有序化分层精简的孔洞填补算法，属于人工智能的机器视觉领域。本发明主要是对获取的散乱点云记性孔洞填补。首先，基于KD‑tree对散乱点云进行降噪并建立空间拓扑关系，并通过K领域算法提取边界点，其次，对点云进行分层和确定投影面，然后基于局部二次曲面拟合将散乱点云投影到投影面上，在z轴方向上有序化分布，获取在投影面上的二维坐标信息，之后基于NURBS曲线对各投影面上的点进行拟合插值，最后，合并点云完成空洞填补。本发明基于散乱点云，通过切片有序化分层精简实现孔洞填补算法孔洞填补的方法，通过局部拟合投影点使得投影点更接近实际位置，能够降低运算时间，提高运算速度与重建精度。

摘要： 本发明属于航空发动机叶片加工曲面精确评价领域，对于曲面重构非网格数据，已有的NURBS拟合方法过程复杂，且很难兼顾拟合的精度与速度，本发明提出了一种航空发动机叶片准散乱点云数据曲面重构方法，分行NURBS曲线拟合，输出拟合曲线，利用拟合曲线的曲率特征进行参数重采样，结合分层拟合思想与投影迭代求精思想的重采样数据NURBS曲面拟合，构建k次迭代的NURBS曲面，本发明保证数据参数化的质量，也大大缩短投影点的计算时间，重采样方法将参数化的结果、局部峰值、轮廓曲率快速综合，兼具参数采样与曲率采样的优点，通过传递上次迭代中的参数化结果，能够高效准确的获得投影点。

摘要： 本发明涉及一种基于支持向量机的散乱点云三角化方法，该方法先求出原始点云数据在平面内的最小矩形包围盒，在此包围盒内以原始数据中的最小点云密度均值进行数据点重采样，并生成平面三角网格；用原始点云边界多边形对平面四边域内的三角网格进行裁剪，得到实际边界域内的三角网格；然后应用最小二乘支持向量机对经过压缩的原始三维点云进行拟合，并通过此拟合模型将平面域内的三角网格向空间映射，得到三维空间的三角网格。通过实例验证表明，该方法在处理冗余或局部残缺数据时仍能生成较规则的三角网格，不易生成奇异网格或空洞。

摘要： 本发明为基于法向修正与位置滤波两步法的散乱点云去噪方法，包括以下步骤：初估点云法线；计算采样点与邻域点的空间欧式距离和法向偏差，进而求得空间欧氏距离核函数和法向偏差核函数；进行法向滤波修正，输出修正后的点云法向；将修正后的点云法向作为散乱点云的位置迭代方向，并结合滤波参数自适应的高斯核函数改进点云滤波数学模型，以采样点与邻域点的平均距离来控制平滑因子，采样点与邻域点的距离偏差在采样点上投影的标准差来控制特征保持因子，将修正后的法向、平滑因子和特征保持因子的值代入模型获得采样点沿修正后法向移动的距离，最后进行滤波迭代，输出去噪后的点云数据。实现了模型的保特征去噪，有效地避免了模型特征细节失真。