激光点云的混合流形谱聚类自适应分割方法

将激光点云视为分布于三维欧氏空间的线性与非线性混合流形,提出一种基于混合流形谱聚类的自适应点云分割方法。由混合概率主成分分析法构造的M个主成分分析器组成混合概率模型,得到描述点云的邻接矩阵;将点云分割的几何特征在谱空间进行降维嵌入,利用N-cut方法得到描述点云分割特征的多维向量;结合类间类内划分算法自适应分割点云。实验结果表明,对于三种受测点云,所提出的算法能在较宽预设参数范围内以80%以上概率得到收敛于几何特征的分割结果,参数稳定性较好。在对点云添加均值为0,标准差为0.01的高斯噪声与0.25倍数量的离群点复合噪声的情况下,算法表现出良好的抗噪性;将该算法应用于切片式激光三维成像的卫星模型点云中也取得了理想分割结果。     

一种散乱点云的均匀精简算法

针对散乱点云数据密度大、重建时间长、效率低等问题,提出了一种散乱点云的均匀精简算法。该算法基于开源C++编程库点云库(PCL),利用PCL的体素化栅格类创建一个K邻域三维体素栅格,结合包围盒法对输入的点云数据进行K邻域距离计算和法线估计,确定每个小立方栅格的重心,并以其来近似显示这个小立方栅格内所有的数据点,达到精简点云的目的,最后利用贪婪三角投影类对精简后的点云实现三角网格面重建并显示其效果。实验结果表明,该算法在充分保留点云数据几何特征的前提下,能有效滤除部分点云数据冗余量,且精简结果比较均匀,避免了大规模精简所出现的空白区域,提高了重建效率。     

基于Kinect深度数据的移动机器人障碍检测方法研究

（北方工业大学,机械与材料工程学院,北京,100144） 摘要： 未知室内环境中的障碍检测是室内移动机器人领域的热点问题。在低成本条件下为更加准确的对环境中的障碍进行检测,提出一种基于低成本Kinect传感器点云数据进行环境障碍检测的有效方法。首先通过Kinect三维点云数据,对点云数据进行去燥处理,并进行三维数据到二维平面的投影的转换并通过DBSCAN聚类算法对投影的二维点云数据进行聚类分析。通过设置相邻顶点间最大距离阈值对convex-hull凸包算法进行改进,试验结果表明改进的凸包算法能够对障碍进行有效识别。该方法在Matlab中进行了方法验证,并在P3-DX移动机器人平台上进行了试验验证,结果表明该方法能够有效对环境中的障碍进行有效识别。     

基于改进八叉树的三维点云压缩算法

针对大数据环境下,三维模型的传输和存储需求,提出了一种基于八叉树的三维点云有损压缩算法。该算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。同时在分割的基础上通过建立K邻域,利用简单有效的统计方法去除原始点云的离群点。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。该算法可以有效地移除离群点和表面杂点,并在区间编码上提高了点云压缩效率。实验结果表明,该算法较完整地保留了三维点云数据的关键信息,取得了良好的压缩率并缩短了压缩时间。     

基于多尺度虚拟格网的LiDAR点云数据滤波改进方法

机载激光雷达(LiDAR)点云数据滤波是目前点云数据处理领域研究的重点。针对目前点云数据滤波的难点,提出了一种基于多尺度虚拟格网和并行计算的改进滤波方法。该方法通过点云数据构建多级虚拟格网,对格网进行多尺度分解,剔除LiDAR数据中的粗差点,获取初始地面点及地物点;根据双向阈值滤波原理,以网格尺度由大到小的顺序逐层进行滤波处理,得到较为精细的地面点,并结合点云数据的并行编程处理,减少了滤波算法的误差积累。实验结果表明:改进算法与其他经典滤波算法相比,滤波精度有了较大的提高,在不同的地形条件下能有效地控制第II类误差,同时减少了总误差,提高了滤波处理的效率和数字高程模型(DEM)的可靠性。     

基于灰色预测和KID离群点检测的AUV故障诊断

提高故障诊断能力对于确保水下机器人AUV系统的稳定运行具有重要意义。针对水下机器人推进器系统,提出一种基于离群点检测的AUV故障检测方法。首先,将传感器采集的数据进行灰色预测处理;然后,提出了一种结合K-mean和DBSCAN的改进迭代聚类(Iterative K-mean DBSCAN,IKD)算法进行离群点检测;最后,与K-mean和DBSCAN算法相比,仿真实验结果表明基于灰色预测和KID离群点检测算法的故障检测准确率高,能够有效地实现水下机器人AUV的无监督故障诊断。     

面向机器人磨抛的激光点云获取及去噪算法

为了保证工业机器人磨抛的加工质量,利用激光扫描技术对机器人夹持工件的形状误差以及装夹误差进行测量和评估,包括点云数据的获取和去噪。采用条纹式激光扫描仪配合直线匀速运动对机器人末端夹持工件进行扫描,通过调节测量和运动参数,获取近似网格点云。为了去除点云中存在的大尺度噪点,在K近邻均值滤波(KNNMF)算法基础上,提出了基于局部均值的K近邻均值滤波(LMKMF)算法对偏大的数据点进行局部预先滤波,并建立相关数学模型。以峰值信噪比作为评价标准,以实际测量点云样本为测试对象进行去噪测试。结果表明,相比标准的KNNMF算法,结合LMKMF预先滤波的KNNMF算法在30%噪点密度下去噪能力提升了53.78%,证实了其在高密度噪点下具有更好的去噪能力和特征保持能力。     

云环境下的高效K-Medoids并行算法

传统聚类算法K-Medoids对初始点的选择具有随机性,容易产生局部最优解;替换聚类中心时采用的全局顺序替换策略降低了算法的执行效率;同时难以适应海量数据的运算。针对上述问题,提出了一种云环境下的改进K-Medoids算法,该改进算法结合密度法和最大最小原则得到优化的聚类中心,并在Canopy区域内对中心点进行替换,再采用优化的准则函数,最后利用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展。实验结果表明,该改进算法与传统算法相比对初始中心的依赖降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间。     

基于SR-Context的激光雷达点云闭环检测算法

针对传统激光雷达闭环检测算法受动态障碍物干扰较大、关键帧搜索以及特征匹配耗时较长的问题,采用MF-RANSAC算法并改进ScanContext,提出一种鲁棒性更强、耗时更短的SR-Context激光雷达闭环检测算法.首先,利用区域生长算法对扇形栅格化后的点云进行分割;随后,不依赖于目标识别和跟踪,借助动态区域多点选取和多属性查询对应点,提出一种MF-RANSAC算法快速实现动态目标剔除;最后,通过简化特征匹配计算和删除闭环历史匹配帧的方式改进ScanContext算法,对去除动态目标后的栅格提取特征实现闭环检测.分别在KITTI数据集与实车数据集下进行测试,实验结果表明,本文算法在城市动态环境下能够快速准确实现闭环检测进而提高激光雷达建图精度,且平均耗时仅为ScanContext算法耗时的40％.     

基于局部结构模型库的建筑物LiDAR点云去噪

通过研究建筑物结构中点、线基本结构模型,构建了相应的基本结构模型库。为了验证该模型库的有效性,利用模型库产生的仿真数据构造训练数据实现了一种在K-SVD框架下的建筑物屋顶LiDAR点云数据去噪方法。实验结果表明,所构建的建筑物模型库对建筑物点云数据具有非常好的表示能力,能够有效地应用于点云数据的去噪。     

基于自适应阈值的三维点云分段式去噪方法

激光雷达探测点云数据中存在大量噪声点,导致三维图重建精度下降,无法完全复现物体结构,本文针对此问题提出了一种基于自适应阈值的三维点云分段式去噪方法.根据噪声点与非噪声点之间的欧式距离,将其划分为远信号噪声点和近信号噪声点两类,先后对两类噪声点分别采用基于非线性函数的阈值自适应去噪算法和基于曲率的去噪算法.基于非线性函数...     

基于三维点云匹配的手掌静脉识别

针对现有手掌静脉认证系统误拒率较高以及不支持大数据集匹配的问题,设计了基于透射式光源的双目视觉静脉三维点云重建装置,提出了基于三维点云匹配的手掌静脉认证算法。系统使用850 nm透射式发光二极管(LED)光源作为照明装置,由双目摄像机拍摄静脉视差图像进行三维重建。选择手掌静脉作为特征点描述其空间三维结构,提出了一种改进的内核相关性分析方法匹配三维点云。针对200组点云数据的实验结果验证了该方法的可行性和有效性,识别率达到了98%,误拒率2%,误识率0%,总特征维数约8000至12000维,高于尺度不变特征变换(SIFT),支持对大数据集的认证识别。     

基于元胞储存的小波聚类转子故障诊断

针对传统小波聚类高维空间复杂度高,提出基于元胞储存的改进小波聚类算法;通过对转子故障模拟实验采集的数据,对其聚类分析,结果表明:元胞储存能够降低算法的空间复杂度,提高算法的效率;将改进的小波聚类算法应用于转子故障诊断,与常见的几种转子故障诊断方法相比,结果表明:基于元胞储存的小波聚类转子故障诊断方法具有自动聚类,处理速度快,精度高,适合应用在高维数据空间中等优点,对转子故障状态能够很好地进行区分。     

基于MapReduce的K-means聚类算法的优化

针对传统的聚类算法K-means对初始中心点的选择非常依赖,容易产生局部最优而非全局最优的聚类结果,同时难以满足人们对海量数据进行处理的需求等缺陷,提出了一种基于MapReduce的改进K-means聚类算法。该算法结合系统抽样方法得到具有代表性的样本集来代替海量数据集;采用密度法和最大最小距离法得到优化的初始聚类中心点;再利用Canopy算法得到粗略的聚类以降低运算的规模;最后用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展,使之能够充分利用集群的计算和存储能力,从而适应海量数据的应用场景。文中对该改进算法和传统聚类算法进行了比较,比较结果证明其性能优于后者。这表明该改进算法降低了对初始聚类中心的依赖,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间,而且在处理海量数据时表现出较大的性能优势。     

基于SIFT算法及阈值筛选的点云配准技术研究

随着三维测量技术应用领域的逐渐拓宽，点云数据处理技术的需求日益迫切，而多视点点云配准，是其中的基础技术环节。在此针对传统ICP算法鲁棒性差、对迭代初值敏感、计算效率低等缺点，提出一种SIFT算法与阈值筛选相结合的点云配准算法。在参考点云和待配准点云中，通过计算SIFT关键点及各点主曲率，获得初始匹配点集；然后根据相似三角形阈值和法向量夹角阈值，进一步优化点对间的旋转平移关系。实验结果证明，相对于传统算法，改进算法能够以更短的时间来获得准确的配准效果，并且其自动化程度高以及能有效提高点云配准的效率和精度。     

三维点云中关键点误匹配剔除方法

三维点云关键点配准与识别过程中存在寻找匹配对不理想、大量误匹配对及配准与识别准确率下降等问题,提出了一种新颖的关键点误匹配剔除方法。在关键点检测阶段,基于边缘点及其邻域点大多分布在同侧的特性,提出了一种边缘点检测算法,剔除处于边缘的关键点,以提高关键点的可重复性和可匹配性,并降低关键点特征匹配的误匹配率。在关键点特征匹配阶段,对经由最近邻算法得到的初始关键点匹配对,通过Kmeans算法和分裂法,剔除掉大量错误的关键点匹配对,从而提高三维点云之间关键点的匹配率。实验结果表明,该方法能够剔除完整三维点云匹配完整三维点云、完整三维点云匹配杂乱且有遮挡的三维点云、部分点云匹配部分点云所产生的大量关键点误匹配对,提升了关键点匹配效果;同时在时间上,本文算法较随机取样一致性算法更有效率,是最邻近算法的有益补充。     

基于ODDD水下机器人故障诊断方法

近年来数据挖掘技术的快速发展使得利用水下机器人作业过程中积累的大量数据进行故障诊断成为可能。基于数据挖掘的故障诊断技术能够从数据中获取潜在的诊断知识。针对水下机器人推进器系统数据特征,提出一种基于聚类和距离的离群点检测方法(Outlier Detection based on DBSCAN and Distance,ODDD)。首先,对数据进行粗聚类,然后采用剪枝规则进行离群点检测,来实现故障诊断。仿真实验结果表明算法能够实现水下机器人快速有效的故障检测。     

基于NDT匹配和改进回环检测的SLAM研究

在利用即时定位与建图(SLAM)来对周围的环境进行三维建模的应用场景中,提出了一种改进的检测回环的方法。利用深度相机获得的三维点云数据进行正态分布变换(NDT)匹配,得到各个时刻间的初始相对位姿,之后利用随机抽样一致(RANSAC)算法来进一步提高初始匹配的精度。混合回环检测方法是利用空间位置的方法来锁定初始的候选匹配对象,减少全局搜索的耗时;利用基于外观相似性的方法对候选对象进行最后的判别,选择具有强鲁棒性的回环。对公开数据集及室内采集的数据进行实验,并与RGBD-SLAM和RTAB-MAP两种算法进行对比。结果表明,提出的方法原理正确,并在运行一段时间后,可获得比其他两种算法更快的闭环检测速度。     

基于l~p空间力学模型的三维点云配准算法

为了提高三维激光扫描点云的配准效率和精度,提出一种基于l~p空间力学模型的点云配准算法。针对待配准的两组点云数据,首先计算两片点云的重心,通过重心化将两组点云移到以重心为原点的同一坐标系下,然后利用l~p空间力学模型将复杂的两组点云数据分别简化为三个特征向量表示的模型,再根据两点云特征向量的对应关系利用奇异值分解方法求解刚体变换旋转矩阵,得到初始配准参数,最后使用改进的最近点迭代(ICP)算法实现两组点云的精确配准。本文算法可以处理无序散乱点云样本。相比于经典ICP算法,本文算法对Bunny点云数据的配准效率提高了72%,对Dragon点云数据的配准速度提高了4倍。实验表明,本文算法收敛速度较快,效果优良。     

基于改进的局部表面凸性算法三维点云分割

点云分割是点云分类、识别以及三维重建等处理的基础,分割结果对后续应用影响巨大。本文提出利用连通点集改进局部表面凸性算法中邻近点关系的方法,解决目前激光三维成像系统点云分割算法在处理复杂环境散乱点云时存在分割过度及分割不充分的问题,通过主顶点与周围点构成连通集,作为分割判断局部子点集,形成有效分割区域。该方法解决了常用点云分割方法无法对形状不规则物体进行有效分割的问题,提高了分割精度。算法实验结果表明,相比于最小切割算法和区域生长算法,基于连通点集的改进局部表面凸性算法对实际路面环境信息的分割效果更好,并能在一定程度上避免分割过度和分割不充分的情况,证明该方法适用于复杂环境散乱点云数据分割。