分享到:

面向室内装修环境的3D点云语义分割方法研究

装修机器人的推广应用是房地产行业提质增效、解决人力资源短缺的重要手段,同时,3D点云是一种获取环境信息的重要数据形式,在机器人、自动驾驶等领域应用广泛。有效理解环境语义信息是装修机器人工作的基础,3D点云数据的语义分割方法研究具有重要的理论价值和现实意义。由于点云数据的非结构化特性以及获取成本高,传统点云处理技术的研究局限于单一领域,点云深度学习研究方兴未艾,现有方法通用性不强,难以实现装修机器人的自主性,不适用于动态变化的装修环境。因此,本文提出一种面向室内装修环境的点云语义分割方法,能够提高数据利用效率,应对装修环境的动态变化。具体工作如下:1.实地获取环境点云数据,经预处理后得到信息完整、密度均匀的室内装修环境点云数据。结合数据特点,基于PCL中的优秀算法,提出一种基于PCL库的点云语义分割方法,将点云语义分割任务分为点云分割和语义匹配两个阶段,充分利用传统方法不需要标注数据的优点,降低了室内装修环境点云语义分割任务的实现  (本文共81页) 本文目录 | 阅读全文>>

电子科技大学
电子科技大学

基于元学习的3D点云语义分割方法研究

近年来,随着人工智能技术的飞速发展与我国人口老龄化进程的加快,机器人已经逐渐被应用于各个领域,尤其是一些从事简单工作的劳动力行业。房屋装修作为房地产相关服务的重要组成部分,装修质量和周期至关重要。同时,随着生活质量的高和国家对未来绿色建筑的倡导,人们对房屋装修的要求越来越高。在此背景下我国房屋装修行业逐渐向机械化、专业化、智能化方向转变。随着数据获取技术的发展,语义分割对象已经由二维图像转向体素、点云等三维数据,并且使用海量数据进行基于深度学习的语义分割方法的相关研究已经十分成熟,越来越多的学者希望可以将模型现有学习特征应用于新环境中。元学习方法是继深度学习之后的一种新兴算法,旨在通过少量数据样本让模型快速应用到新环境中。基于上述背景,本文对自主装修机器人在装修场景中的语义分割进行研究。首先,在实际装修环境中使用Faro Focus扫仪获取3D点云数据并进行预处理;然后,为了高模型的泛化能力,本文根据点网络模型(PointNet...  (本文共78页) 本文目录 | 阅读全文>>

东南大学
东南大学

基于深度学习的大场景激光点云环境识别研究

人们的交通出行发展从传统的燃油汽车转向新能源汽车,并向共享化和智能化发展,特别近年来以深度学习为主的人工智能技术的发展带动了自动驾驶汽车技术的发展和落地,深度学习算法在图像和自然语言处理等领域展现出强大的性能和泛化能力,为自动驾驶汽车的感知定位系统提供了强有力的解决方案。同时激光雷达器件的发展,感知距离越来越远,激光雷达线束也越来越多,分辨率也越来越高,赋予了自动驾驶汽车等智能移动机器人系统直接感知三维环境的能力,提高了感知定位系统的智能化,但同时也带了更多的技术挑战。自动驾驶汽车等智能移动机器人的感知定位系统不仅需要检测周围环境中的车辆、行人等物体信息,还需要准确的自身定位能力。同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)是移动机器人实现自主导航定位的基础和关键技术之一,其中闭环检测和重定位是修正建图位姿和定位应用的关键环节,传统方法主要依靠GPS等进行辅助,但在树...  (本文共76页) 本文目录 | 阅读全文>>

上海交通大学
上海交通大学

三维大规模点云场景下的感知算法研究

随着无人驾驶、高精地图、智慧城市等新概念的提出,许多场景都需要进行以点云数据为基础的3D环境感知和交互,大规模点云场景下的感知算法的研究具有广泛的应用前景。点云是一种重要的三维几何数据结构,其可以准确、直接的反应真实的世界,因此本文以三维点云数据为载体,研究大规模点云场景下的分类、点云分割以及3D目标检测三个场景感知挑战任务。在大规模点云场景下的分类任务中,考虑到由于采样不均匀,传感器精度等因素的影响,提出了两种大规模场景下的点云滤波算法,旨在提高数据质量;因为点云数据在空间中具有高度的稀疏性和无序性,为此将点云结构特点与图的特点联系起来,提出了一种新颖的用于提取点云空间的局部几何关系算子——图嵌入式网络,利用点与点之间的相似性作为3D特征筛选依据,加强点云空间局部特征;为了全面的描述点云特征,根据点云空间分布的特点,设置了14个不同的点云观测视角对点云数据进行投影,补充点云2D特征信息,加强点云网络的局部特征表达能力;基于点云...  (本文共96页) 本文目录 | 阅读全文>>

重庆交通大学
重庆交通大学

桥梁结构点云的自动化处理与应用研究

三维激光扫描技术是一种能够快速、高效采集物体对象表观信息的技术,已被广泛应用于地形测绘、文物保护、矿业工程等领域,目前正被逐步应用于桥梁工程。尽管三维激光扫描技术硬件发展已经相当成熟,但点云自动化处理的理论和方法仍处于探索阶段,许多问题有待解决。点云数据的分割、特征提取、偏差检测和逆向创建BIM模型是三维激光扫描技术后处理中的几个关建问题。本文以桥梁结构点云自动化分割为出发点,在对比分析几种点云分割算法的基础上,结合桥梁点云数据结构特点提出了一种基于点云投影的滤波自动化分割算法,并深入探索和研究了点云和BIM的融合应用。主要研究内容如下:(1)系统介绍了点云数据格式及其结构组成,分析并总结了几种点云格式的特点,以及点云分割的定义和不同场景下的应用,为后续算法的研究提供基本的理论支撑。(2)针对平面模型分割算法、形态学地物分割算法、区域生长分割算法进行了实际点云的分割处理,依据分割效果分析总结了三种算法的分割优势及现存问题。并对点...  (本文共113页) 本文目录 | 阅读全文>>

中国地质大学(北京)
中国地质大学(北京)

基于候选区深度学习的机载森林点云单木提取

森林资源是当前世界最为重要的资源之一,对其进行调查是森林管理与保护中一项重要基础性工作。因此,精准的单木提取对森林调查发挥着重要作用。目前,基于机载Li DAR点云的单木提取方法主要通过手工设计规则在栅格化冠层高度模型(CHM)或点云中寻找种子点,依据找到的种子点进行后续分割,然而这类方法存在规则普适性不够导致特征性能低,设计规则无法充分利用点云空间信息,下层木因上层木遮蔽难获取导致下层木提取困难等问题。为了解决当前方法局限性,本文提出自动提取单木候选框进行单木提取的思路。通过借鉴深度学习目标检测方法,设计单木提取深度学习模型,达到精准单木提取的结果。本文使用公开数据集,对单木提取网络进行理论验证与实验分析。针对传统基于CHM单木提取精度受限于种子点选取,本文将Faster RCNN应用于CHM中进行单木提取,网络通过自动建立单木候选框的方法,对每一个可能存在树的位置建立外包框,并提取包含树的外包框完成单木提取,解决了单木提取依...  (本文共85页) 本文目录 | 阅读全文>>

西安电子科技大学
西安电子科技大学

静态点云压缩算法研究与优化

随着虚拟现实设备的进一步普及,人们越来越追求更具沉浸感的视觉体验,点云作为三维场景的主要表示方式,被视为下一代沉浸式媒体中最为关键的内容之一。现有的三维激光扫描设备可以轻易获得高精度的点云模型,海量的点云数据在为用户提供细腻逼真的场景呈现的同时,也为传输带宽和存储空间带来了更大的压力,因此针对点云数据压缩算法的研究是非常必要的。然而,当前常用的静态点云压缩方案并没有充分考虑到点云模型自身在三维空间中的分布特征,其编码性能仍存在一定的提升空间。本文针对点云的几何信息编码提出了一种基于率失真优化的自适应trisoup几何信息压缩算法,针对点云的属性信息编码提出了一种基于点云分布的区域自适应分层变换优化编码算法,提升了点云数据的压缩性能。针对基于表面近似方法的trisoup几何信息压缩算法中slice划分导致间隙以及几何参数选择的问题分别展开研究。通过分析slice划分对trisoup重建过程产生影响的原因,提出了一种适用于triso...  (本文共92页) 本文目录 | 阅读全文>>