室内点云包括墙壁、天花板、地板和房间内的许多物体。室内墙壁、天花板、地板等多种物体的提取是室内导航、设施管理、建筑改造等多种应用的关键。针对此，本文根据截止距离内的局部密度，采用指数函数构建密度聚类模型。首先，利用边界点云与室内点云之间的距离构造墙壁面密度聚类的约束条件；其次，根据z值的指数函数和局部密度模型提取天花板和地板；然后，构建不同对象的局部密度模型，根据局部密度的大小确定约束距离；最后，根据点到聚类中心(聚类中心被认为是局部密度与约束距离乘积异常大的点)的距离，得到每个点归属于聚类中心的聚类；最后，通过判断相邻聚类之间的距离实现室内物体点云的提取，从而完成对不同类型场景室内点云的提取，并将本文方法与快速搜索密度峰值聚类(CFDP)算法、基于密度的空间聚类(DPC)算法进行比较。对比结果表明，DPC方法不如本文方法但优于CFDP方法。计算了本文方法提取不同类型室内点云的精确度、召回率和F1分数，结果表明，物体间的靠近程度会影响本文方法的性能。

针对图像拼接过程中传统算法存在特征点匹配正确率低和图像融合过程中出现重影、色差及拼接缝隙等问题,提出一种融合改进SURF(Speeded Up Robust Feature)和Cell加速的幂函数加权图像拼接方法。首先利用余弦相似度初步判断特征点的相似性,然后结合双向一致性算法和MSAC算法对粗匹配点进行精匹配,最后使用Cell加速的幂函数权重对图像进行融合,从而完成图像拼接。实验结果表明,相比于其他算法,所提算法的特征点匹配正确率高出约为11个百分点,均方误差缩小约为1.32%~1.48%,信息熵提升约为0.98%~1.70%,拼接总时间消耗减少约为2 s。所提算法在匹配正确率和融合效果上有较好的效果,且同时拥有较好的拼接图像质量,具有更好的普适性。

混凝土结构在施工与使用的过程中易产生各种形式的裂缝,由此会产生诸多安全问题。传统的人工安全检测方法,不仅耗费财力和时间,而且无法保障其检测精度。为了提高混凝土表面裂缝的识别效率,提出了一种基于卷积神经网络结合聚类分割的识别方法,实现了对较复杂背景下混凝土表面裂缝图像的准确识别。研究结果显示,该方法不仅能够高效地分类,还能够高精度地对较复杂背景下的裂缝进行识别,这为降低混凝土表面裂缝识别的工作量、维护混凝土结构,对其进行安全检测提供了理论依据,同时也为以后更高精度和更复杂条件下的裂缝识别研究提供了一些参考。

提出一种融合RGB、YCbCr和区域生长的火焰前景提取算法。首先,在YCbCr算法的基础上,从反光和非反光区域考虑R通道和Y通道之间的关系,避免反光和非反光区域中过多噪声对初始分割的干扰;然后,计算连通区域质心权重,自动确定种子点,对完成颜色分割的图像进行区域生长,达到精细分割的目的;最后,全面分析火焰的静态和动态特征,给出面积和周长变异系数及质心运动距离变化比等,进而将火焰与路灯、蜡烛等干扰源区分开。实验结果表明:所提方法克服了单个算法对火焰场景分析中出现的识别精度不高的缺点,同时能识别出反光和非反光区域并快速排除干扰物,减少误判。

针对目前散乱点云特征提取算法存在计算量大且不能规则化提取的问题,提出一种融合改进Canny算法的点云特征规则化提取算法。根据散乱点云的距离分辨率进行重采样,将点云进行规则栅格化;通过优化替代法对网格矩阵进行灰度值赋值,散乱点云被投影成二维影像;利用改进Canny算法从二维影像中进行特征规则化提取。对比实验结果表明:该方法噪声少、可操作性强,可以高效地对直线边界或复杂的曲线边界进行特征规则化提取。对点云与图像的配准以及后期三维重建等有重大作用。

提出了一种基于高斯映射的K均值方法,先对目标点进行k近邻搜索,再对由目标点及其近邻点组成的三角形集合的单位法向量进行高斯映射。选用轮廓系数作为聚类有效性指标,确定出最佳聚类数,根据不同曲面聚类分布的规律,得到三维激光点云模型的特征线。对比实验结果表明,所提方法评价指标简单易用且噪声少,可以完整高效地提取出规则点云以及不规则点云的特征线。

提出了一种基于深度学习的车位智能检测方法。利用TensorFlow深度学习平台对车辆目标识别模型进行了训练,提取了有效车辆图像的优化间隔,给出了车辆分布的精准识别结果,实现了对车辆分布识别结果的有序编号和车位空缺状况的准确判断。利用模拟数据和实际采集数据,分别验证了车位分布的智能识别、车位智能编号和空车位判断的可靠性。

为了快速有效地获取散乱点云中的边界特征点和边界线,提出了一种融合改进场力和判定准则的点云特征规则化算法。利用改进的k-d(k-dimensional)树搜索k邻域,以采样点及其k邻域为参考点集拟合微切平面并向该平面投影,在微切平面上建立局部坐标系以将三维坐标转化成二维坐标,利用场力和判定准则识别边界特征点;依据矢量偏转角度和距离对边界特征点进行排序连接;通过改进的三次B样条拟合算法对边界线进行平滑拟合。实验结果表明,该算法能够快速有效地提取边界特征点,且拟合后的边界线偏差量级为10 ^-5 m,具有较高的精度。

利用激光扫描技术进行变形监测的原理,针对所监测的区域通过对比分析不同时段所测得的点云数据,确定监测对象中的变形区域与变形量。与传统的单点测量技术相比,三维激光扫描技术具有效率高、精度高、测量数据量大等优点,然而在应用该技术进行变形监测时,对于监测结果的可靠性并未作出评价。因此,需要对点云误差进行分析,并由此确定点云变形可监测指标。在确定点云误差空间时,引入误差熵来消除相邻点之间的误差影响,以及控制误差空间不确定性的影响。根据误差熵与误差极值的关系,最终确定点云变形可监测指标。利用平面板模拟实验,验证该指标的可行性,然后将其应用于桥梁的变形监测中。

针对点云简化很难完全保证精度和速度上达到最优的问题，提出了基于法向量夹角信息熵的点云简化算法。利用经典的主成分分析方法来估计点的法向量，计算法向量与参考平面的夹角，利用最邻近点搜索算法，确定每个点的K 个最邻近点，并根据信息熵的定义，提出法向量夹角局部熵模型，局部熵的大小直接反映了表面的特征状况；针对不同区域局部熵大小，进行逐步的点云简化，从而可以保留凸变区域较多的点，精简较多平面区域的点，实现点云的非均匀简化。实验结果表明，该方法在简化精度和速度上都能达到较优。