中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
三維點云:原理、方法與技術(上) 版權信息
- ISBN：9787030671868
- 條形碼：9787030671868 ; 978-7-03-067186-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
三維點云:原理、方法與技術(上) 本書特色
該書是關于三維點云核心技術原理與方法的一部專著，其重點是基于點云模型的三維空間感知、識別理解與重建。全書共上下冊兩本，包含四大部分15章。
三維點云:原理、方法與技術(上) 內容簡介
本書是關于三維點云核心技術原理與方法的一部專著，其重點是基于點云模型的三維空間感知、識別理解與重建。全書共上下冊兩本，包含四大部分15章。該上冊包含章節為：**部分點云獲取與預處理(點云獲取、點云去噪簡化與重采樣、點云補缺)、第二部分點云特征分析與計算(點云特征分析、點云物體骨架提取、點云物體脊骨線提取)、第三部分點云識別與理解(點云物體分割)。該書不僅全面介紹了三維點云模型的基本概念和相關知識，力求突破三維點集幾何學的范疇，更專注于三維點云模型在三維識別和空間認知方面的算法闡述，力求涵蓋相關的前沿進展。
三維點云:原理、方法與技術(上) 目錄
目錄
前言
**部分 點云獲取與預處理
第1章 點云數據獲取 3
1.1 點云數據的直接獲取 3
1.1.1 接觸法 4
1.1.2 非接觸法 4
1.2 點云數據的間接獲取 8
1.2.1 圖像融合技術 8
1.2.2 圖像融合算法 9
1.2.3 基于多圖像融合的點云獲取 11
1.3 點云數據獲取方法評價 13
1.4 點云數據的格式 14
1.4.1 obj文件格式 15
1.4.2 off文件格式 16
1.4.3 ply文件格式 17
1.4.4 wrl文件格式 20
1.5 本章小結 22
參考文獻 23
第2章 點云去噪、精簡與重采樣 24
2.1 點云數據的噪聲處理 24
2.1.1 點云數據噪聲分析 24
2.1.2 有序點云去噪算法 25
2.1.3 無序點云去噪算法 30
2.2 點云數據的精簡 36
2.2.1 單一直接精簡方法 36
2.2.2 優化組合精簡方法 38
2.3 點云數據重采樣 41
2.3.1 WLOP重采樣法 41
2.3.2 EAR算法 43
2.3.3 基于切片的重采樣法 46
2.4 本章小結 51
參考文獻 51
第3章 點云補缺 53
3.1 點云孔洞整體補缺方法 53
3.1.1 基于脊、谷線的整體補缺方法 53
3.1.2 基于投影的整體補缺方法 64
3.2 點云孔洞細分補缺方法 70
3.2.1 基于脊、谷線的細分補缺方法 70
3.2.2 基于切片的細分補缺方法 75
3.3 本章小結 80
參考文獻 81
第二部分 點云特征分析與計算
第4章 點云特征分析 85
4.1 點的鄰域 85
4.1.1 球形鄰域 85
4.1.2 k近鄰 86
4.1.3 BSP近鄰 86
4.1.4 Voronoi近鄰 88
4.2 法矢 89
4.2.1 主成分分析法 89
4.2.2 平面擬合法 90
4.2.3 曲面擬合法 91
4.3 曲率 92
4.3.1 曲率定義 92
4.3.2 曲率分類 93
4.3.3 曲率估算方法 95
4.4 脊、谷特征 96
4.4.1 脊、谷點 96
4.4.2 脊、谷線 98
4.5 輪廓特征 99
4.5.1 輪廓點提取 99
4.5.2 輪廓線 100
4.6 邊界特征 101
4.6.1 基于積分不變量的邊界提取算法 102
4.6.2 基于k鄰域的邊界提取算法 103
4.6.3 基于動態空間索引的邊界提取算法 104
4.7 測地距離 106
4.7.1 基于*小二乘支持向量機的測地距離 106
4.7.2 基于快速跟蹤的測地距離 107
4.8 本章小結 108
參考文獻 109
第5章 點云物體骨架提取 110
5.1 骨架概述 110
5.1.1 骨架定義 110
5.1.2 骨架性質 111
5.2 骨架提取方法 113
5.2.1 體方法 113
5.2.2 幾何方法 119
5.3 典型應用 144
5.4 本章小結 147
參考文獻 147
第6章 點云物體脊、谷線提取 150
6.1 脊、谷點提取 150
6.1.1 相關概念 150
6.1.2 點云的脊、谷點提取 152
6.1.3 網格的脊、谷點提取 154
6.2 脊、谷線提取 155
6.2.1 脊、谷線連接 155
6.2.2 脊、谷線優化 155
6.3 輪廓線提取 156
6.3.1 輪廓點提取 156
6.3.2 輪廓線連接 157
6.4 脊、谷線與輪廓線整合 158
6.4.1 可見性判定 158
6.4.2 特征線整合 159
6.5 本章小結 160
參考文獻 160
第三部分 點云識別與理解
第7章 點云分割方法評價標準 165
7.1 傳統的評價標準 165
7.1.1 CE方法 166
7.1.2 CD方法 167
7.1.3 HD方法 167
7.1.4 RI方法 168
7.2 新的評價標準 168
7.2.1 SHD準則 168
7.2.2 AEI準則 170
7.3 評價標準實驗對比 171
7.3.1 極限分割 172
7.3.2 層次分割 172
7.4 本章小結 173
參考文獻 174
第8章 點云構件識別與提取 175
8.1 基本形狀識別與提取 175
8.1.1 Hough變換算法 176
8.1.2 RANSAC算法 177
8.1.3 高斯球算法 178
8.2 單目標物體構件識別與提取 183
8.2.1 k-means聚類分割算法 183
8.2.2 光譜聚類算法 187
8.2.3 特征層次分割算法 188
8.2.4 多分辨率層次分割算法 192
8.2.5 基于骨架的層次分割算法 196
8.2.6 基于徑向反射的分割算法 201
8.2.7 基于臨界點的分割算法 202
8.2.8 基于感知信息的形狀分割算法 205
8.2.9 基于切片的分割算法 210
8.2.10 基于骨架點與脊、谷點的分割算法 213
8.3 本章小結 220
參考文獻 221
第9章 點云物體識別與提取 224
9.1 物體識別與提取的基本方法 224
9.1.1 基于局部特征的物體識別與提取 224
9.1.2 基于圖匹配的物體識別與提取 225
9.1.3 基于幾何不變性的物體識別與提取 229
9.1.4 基于邊界特征分類的物體識別與提取 230
9.1.5 基于種子擴張的物體識別與提取 232
9.2 基于形狀與拓撲的物體識別與提取 238
9.2.1 基本形狀的提取 239
9.2.2 拓撲結構屬性圖的構造 239
9.2.3 目標對象庫的構造 243
9.2.4 基本形狀組合與目標對象識別 245
9.3 基于知識表示的物體識別與提取 247
9.3.1 空間場景的特征描述 248
9.3.2 基于知識的場景特征表示 249
9.3.3 基于知識的目標識別 254
9.3.4 場景知識的不確定性分析 256
9.4 基于構件的物體識別與提取 257
9.4.1 場景拓撲關系提取 257
9.4.2 物體的識別與提取 266
9.5 基于機器學習的物體識別與提取 271
9.6 本章小結 272
參考文獻 273
第10章 點云場景表達與理解 275
10.1 點云物體表達 275
10.1.1 基于形狀體的物體表達 276
10.1.2 基于骨架的物體表達 281
10.1.3 基于語義圖的物體表達 288
10.1.4 基于知識規則的物體表達 290
10.2 點云場景表達 290
10.2.1 基于結構的場景表達 290
10.2.2 基于知識規則的場景表達 291
10.2.3 基于知識圖譜的場景表達 292
10.3 點云場景理解 296
10.3.1 基于形狀語義圖的物體識別與理解 296
10.3.2 基于知識圖譜的場景識別與理解 300
10.4 本章小結 309
參考文獻 309
前言
**部分 點云獲取與預處理
第1章 點云數據獲取 3
1.1 點云數據的直接獲取 3
1.1.1 接觸法 4
1.1.2 非接觸法 4
1.2 點云數據的間接獲取 8
1.2.1 圖像融合技術 8
1.2.2 圖像融合算法 9
1.2.3 基于多圖像融合的點云獲取 11
1.3 點云數據獲取方法評價 13
1.4 點云數據的格式 14
1.4.1 obj文件格式 15
1.4.2 off文件格式 16
1.4.3 ply文件格式 17
1.4.4 wrl文件格式 20
1.5 本章小結 22
參考文獻 23
第2章 點云去噪、精簡與重采樣 24
2.1 點云數據的噪聲處理 24
2.1.1 點云數據噪聲分析 24
2.1.2 有序點云去噪算法 25
2.1.3 無序點云去噪算法 30
2.2 點云數據的精簡 36
2.2.1 單一直接精簡方法 36
2.2.2 優化組合精簡方法 38
2.3 點云數據重采樣 41
2.3.1 WLOP重采樣法 41
2.3.2 EAR算法 43
2.3.3 基于切片的重采樣法 46
2.4 本章小結 51
參考文獻 51
第3章 點云補缺 53
3.1 點云孔洞整體補缺方法 53
3.1.1 基于脊、谷線的整體補缺方法 53
3.1.2 基于投影的整體補缺方法 64
3.2 點云孔洞細分補缺方法 70
3.2.1 基于脊、谷線的細分補缺方法 70
3.2.2 基于切片的細分補缺方法 75
3.3 本章小結 80
參考文獻 81
第二部分 點云特征分析與計算
第4章 點云特征分析 85
4.1 點的鄰域 85
4.1.1 球形鄰域 85
4.1.2 k近鄰 86
4.1.3 BSP近鄰 86
4.1.4 Voronoi近鄰 88
4.2 法矢 89
4.2.1 主成分分析法 89
4.2.2 平面擬合法 90
4.2.3 曲面擬合法 91
4.3 曲率 92
4.3.1 曲率定義 92
4.3.2 曲率分類 93
4.3.3 曲率估算方法 95
4.4 脊、谷特征 96
4.4.1 脊、谷點 96
4.4.2 脊、谷線 98
4.5 輪廓特征 99
4.5.1 輪廓點提取 99
4.5.2 輪廓線 100
4.6 邊界特征 101
4.6.1 基于積分不變量的邊界提取算法 102
4.6.2 基于k鄰域的邊界提取算法 103
4.6.3 基于動態空間索引的邊界提取算法 104
4.7 測地距離 106
4.7.1 基于*小二乘支持向量機的測地距離 106
4.7.2 基于快速跟蹤的測地距離 107
4.8 本章小結 108
參考文獻 109
第5章 點云物體骨架提取 110
5.1 骨架概述 110
5.1.1 骨架定義 110
5.1.2 骨架性質 111
5.2 骨架提取方法 113
5.2.1 體方法 113
5.2.2 幾何方法 119
5.3 典型應用 144
5.4 本章小結 147
參考文獻 147
第6章 點云物體脊、谷線提取 150
6.1 脊、谷點提取 150
6.1.1 相關概念 150
6.1.2 點云的脊、谷點提取 152
6.1.3 網格的脊、谷點提取 154
6.2 脊、谷線提取 155
6.2.1 脊、谷線連接 155
6.2.2 脊、谷線優化 155
6.3 輪廓線提取 156
6.3.1 輪廓點提取 156
6.3.2 輪廓線連接 157
6.4 脊、谷線與輪廓線整合 158
6.4.1 可見性判定 158
6.4.2 特征線整合 159
6.5 本章小結 160
參考文獻 160
第三部分 點云識別與理解
第7章 點云分割方法評價標準 165
7.1 傳統的評價標準 165
7.1.1 CE方法 166
7.1.2 CD方法 167
7.1.3 HD方法 167
7.1.4 RI方法 168
7.2 新的評價標準 168
7.2.1 SHD準則 168
7.2.2 AEI準則 170
7.3 評價標準實驗對比 171
7.3.1 極限分割 172
7.3.2 層次分割 172
7.4 本章小結 173
參考文獻 174
第8章 點云構件識別與提取 175
8.1 基本形狀識別與提取 175
8.1.1 Hough變換算法 176
8.1.2 RANSAC算法 177
8.1.3 高斯球算法 178
8.2 單目標物體構件識別與提取 183
8.2.1 k-means聚類分割算法 183
8.2.2 光譜聚類算法 187
8.2.3 特征層次分割算法 188
8.2.4 多分辨率層次分割算法 192
8.2.5 基于骨架的層次分割算法 196
8.2.6 基于徑向反射的分割算法 201
8.2.7 基于臨界點的分割算法 202
8.2.8 基于感知信息的形狀分割算法 205
8.2.9 基于切片的分割算法 210
8.2.10 基于骨架點與脊、谷點的分割算法 213
8.3 本章小結 220
參考文獻 221
第9章 點云物體識別與提取 224
9.1 物體識別與提取的基本方法 224
9.1.1 基于局部特征的物體識別與提取 224
9.1.2 基于圖匹配的物體識別與提取 225
9.1.3 基于幾何不變性的物體識別與提取 229
9.1.4 基于邊界特征分類的物體識別與提取 230
9.1.5 基于種子擴張的物體識別與提取 232
9.2 基于形狀與拓撲的物體識別與提取 238
9.2.1 基本形狀的提取 239
9.2.2 拓撲結構屬性圖的構造 239
9.2.3 目標對象庫的構造 243
9.2.4 基本形狀組合與目標對象識別 245
9.3 基于知識表示的物體識別與提取 247
9.3.1 空間場景的特征描述 248
9.3.2 基于知識的場景特征表示 249
9.3.3 基于知識的目標識別 254
9.3.4 場景知識的不確定性分析 256
9.4 基于構件的物體識別與提取 257
9.4.1 場景拓撲關系提取 257
9.4.2 物體的識別與提取 266
9.5 基于機器學習的物體識別與提取 271
9.6 本章小結 272
參考文獻 273
第10章 點云場景表達與理解 275
10.1 點云物體表達 275
10.1.1 基于形狀體的物體表達 276
10.1.2 基于骨架的物體表達 281
10.1.3 基于語義圖的物體表達 288
10.1.4 基于知識規則的物體表達 290
10.2 點云場景表達 290
10.2.1 基于結構的場景表達 290
10.2.2 基于知識規則的場景表達 291
10.2.3 基于知識圖譜的場景表達 292
10.3 點云場景理解 296
10.3.1 基于形狀語義圖的物體識別與理解 296
10.3.2 基于知識圖譜的場景識別與理解 300
10.4 本章小結 309
參考文獻 309
展開全部
三維點云:原理、方法與技術(上) 節選
**部分點云獲取與預處理 第1章點云數據獲取 通過測量設備對物體進行密集掃描，測量獲得的表示物體表面形狀的數據，被形象地稱為“點云”。點云數據是指通過三維掃描設備（激光3D掃描儀、RGB-D相機等）所測量獲得的數據。在三維坐標系中，其形式通常表現為若干向量的集合，這些向量一般以(，，XYZ)三維坐標點的基本形式表示，部分攜帶了物體反射面的強度（intensity）或色彩（R，G，B）等信息，這種向量的集合主要用于描述場景物體的外表面形狀。 激光3D掃描儀得到的點云數據不僅包含被測物體的位置信息，還包含其強度信息。一般地，強度信息被視為一種回波強度，利用激光3D掃描儀接收裝置采集得到，通常與被測物體的表面材質、粗糙度，以及儀器的發射能量、激光波長和入射角方向有關。 在長期的研究和應用實踐中，針對不同的應用場合，出現了許多獲取三維信息的技術方法。大多數點云數據是由三維掃描設備產生，如激光雷達（2D/3D）、立體攝像機（stereo camera）、飛行時間相機（time of flight camera）等。這些設備用自動化的方式將復雜形狀物體的表面按照點的形式進行測量，然后用某種數據文件格式，將測得的信息輸出到該文件中，并以點云數據的形式存儲。本章對點云數據的獲取方式，特別是對點云數據的各種存儲格式進行全面描述。 1.1點云數據的直接獲取 點云數據的獲取方式總體分為兩種，即直接獲取方式和間接獲取方式。直接獲取方式分為接觸法和非接觸法兩大類：接觸法指在進行測量的過程中，需要直接接觸被測物體；非接觸法指利用飛行時間法、光學法和計算機視覺法等方法，無需接觸被測物體，獲取被測物體的三維信息，具體分類如圖1-1所示。 1.1.1接觸法 接觸法在測量過程中利用探針對物體的表面進行精確定位，進而得到相應的空間坐標。這類方法在使用過程中需要接觸物體表面，對文物古董類物品容易造成接觸損壞。早期測量時通常采用接觸法，其中比較有代表性的是三坐標測量機。近年來，測量方法與數據處理方法不斷發展，通過隨機式多關節機械臂的相關參數，基于D-H（Denavit-Hartenberg）坐標系理論[1]，可得到探頭的空間坐標，進而獲取被測物體表面的三維結構數據。 1.1.2非接觸法 非接觸法在測量過程中利用光電、電磁、超聲波等技術，得到物體表面的三維信息，無需接觸被測物體的表面。 下面僅就飛行時間法、光學法和計算機視覺法，分別給予介紹。 1．飛行時間法 飛行時間（time of flight，ToF）法基于信號的飛行速度，計算發射信號到接收信號之間的飛行時間間隔，進而通過路程公式實現距離度量，可描述為如下形式： （1-1） 其中，s表示待測距離；v表示信號的飛行速度；t表示飛行的時間間隔。 圖1-2為飛行時間法的基本原理圖。從激光器向被測物體發射脈沖信號，由于物體表面的材質等因素，信號會發生漫反射，隨后接收器會收到一部分漫反射信號。測量設備通過光束掃描被測物體的整個表面，同時記錄下脈沖信號從發射到接收相應的時間延遲，進而實現距離度量，形成物體表面三維坐標數據。 部分激光干涉儀在精度上能夠達到光波波長數量級，如利用相位差原理進行檢測的干涉儀，但物體上的反射體需要專門安置，因此極大程度上限制了其應用。無導軌測量可直接借助物體的表面發射探測信號，無需安裝專門的反射體。通常，應用這類方法的裝置以超聲波或激光作為探測脈沖。由于超聲波的速度、方向易受環境影響，一般應用在對精度沒有特殊要求的場景；對于精度要求較高的測量，探測脈沖一般使用激光。然而，由于光速很快，能否準確地得到飛行時間決定了達到何種程度的系統精度。在小尺度場合，通常利用調制的激光，通過計算調制波的相位變化，進而得到相應的距離，實現被測物體表面三維數據信息的獲取，而非直接測量信號的飛行時間。 2．光學法 光學法利用光學原理、光學技術等對被測物體進行測量，直接或間接得到被測對象的點云數據信息。一般可將其分為幾何光學法、莫爾條紋法和全息干涉法等。 1）幾何光學法 幾何光學法又稱幾何光學聚焦法，其基本內容是費馬原理、折反射定律，以及平面反射光學系統、平面折射光學系統、球面反射光學系統、球面折射光學系統、共軸球面光學系統和復合光具組等的成像規律。這些各不相同的光學系統都有它們自己的成像規律，雖然從形式上看各不相同，但它們之間存在內在聯系，具體原理可參閱文獻[2]。 2）莫爾條紋法 莫爾條紋是一種光學現象，也可視為一種視覺效果，在18世紀由法國學者莫爾發現并提出，隨后得到廣泛應用[3]。理論上，在兩個周期性結構圖案重疊或兩個物體之間以固定的角度與頻率發生干涉時會出現這一現象。例如，兩個周期或者頻率相同的光柵，以一個小角度相互傾斜重疊時，就會出現莫爾條紋，如圖1-3所示。 對于莫爾條紋的研究，研究者大多青睞于投影型方法。通過采用平行光對光柵進行照射，并在被測物體表面成像，形成變形光柵，進而被測物體的形貌信息被該變形光柵捕獲。在觀察側，通過透鏡對變形光柵成像，并將參考光柵放置于變形光柵像的位置，則在參考光柵表面即可觀察到莫爾條紋。然后，通過對莫爾條紋進行處理、分析，獲取物體表面的信息。 3）全息干涉法 全息干涉法在測量過程中無需接觸物體，是一種全場檢測方法。對于被測物體的狀態和所處的場景，如載荷、溫度、壓強等，均沒有嚴格的限制，其不僅具備較高的檢測靈敏度，而且達到了光波波長數量級的精度。由于物光波陣面的三維性質，在全息圖再現時，能夠以不同的視角對復雜的物體進行全息干涉測量。此外，在所用光學元件的質量及安裝調試方面，全息干涉法的要求也遠低于普通光學干涉法。1966年，Heflinger等[4]分析振動問題時用波陣面再現了干涉現象，并開始了全息干涉法的實驗研究，從此全息干涉法作為一種新的干涉度量方法得到迅速發展。 基于全息照相術，可以顯示出沿同一光路而時間不同的兩個光波波陣面間的相互干涉。在物體變形之前，記錄**個波陣面；在物體變形之后，記錄第二個波陣面。那么，兩個波陣面重疊在一起的全息圖中便攜帶了物體變形前后散射的物光信息。通過激光技術再現全息圖，可以同時顯示出物體變形前后的兩個波陣面。一般地，利用相干光記錄波陣面，因而兩個波陣面再現時幾乎在同一區域，其振幅和相位分布可隨之確定，通過相干可以產生具有明暗相間變化的干涉條紋圖。常見的全息干涉法有雙曝光法、實時法和均時法。 （1）雙曝光法又稱兩次曝光法，是一種簡單易行的常用方法，可獲得高反差的干涉條紋圖，如圖1-4所示。在全息光路布局中，用一張全息底片分別對變形前后的物體進行兩次全息照相。這時，物體在變形前后的兩個光波波陣面相互重疊，若全息圖用拍攝時的參考光照明，再現的干涉條紋圖表征物體在兩次曝光之間的變形或位移。該方法通過在全息底片上兩次曝光模型加載前和加載后的兩種狀態，進而在一張全息底片上同時記錄模型不受應力時的物光，以及承受應力后的物光和。然后，用參考光照射這張全息底片，便可以同時再現物光
書友推薦
- >
煙與鏡
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我與地壇
- >
有舍有得是人生
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
李白與唐代文化
- >
二體千字文
本類暢銷
