發(fā)布時間：2020-11-10 03:20

　　 三維激光掃描(Light Detection And Ranging,簡稱LiDAR)憑借其非接觸性、高效、高精度等優(yōu)良特性在文物保護、測繪以及土木工程等領(lǐng)域得到了廣泛的應(yīng)用。由于目標(biāo)實體的高空間復(fù)雜度,通常需要沿著多個不同的方位布設(shè)測站并對目標(biāo)實體進行掃描,為了獲得被測目標(biāo)實體表面完整的點云數(shù)據(jù),需要利用點云配準(zhǔn)來實現(xiàn)不同測站LiDAR點云相互之間的拼接與融合,正因為如此,配準(zhǔn)結(jié)果的優(yōu)劣對點云后期處理的結(jié)果有著直接影響。根據(jù)配準(zhǔn)過程中所選的配準(zhǔn)基元的不同,可將現(xiàn)有的LiDAR點云配準(zhǔn)算法分為基于點特征、直線特征以及平面特征的LiDAR點云配準(zhǔn)算法等三類�，F(xiàn)有的大部分算法僅選擇上述三類配準(zhǔn)基元中的一類作為約束,然而,在城市等人工建構(gòu)筑物密集地區(qū),單純選擇一類特征作為配準(zhǔn)基元可能會存在約束條件不足的情況。作為描述空間相似變換的基本模型,布爾莎模型在LiDAR點云的配準(zhǔn)中得到了廣泛應(yīng)用,根據(jù)對空間相似變換模型中所選擇數(shù)學(xué)描述工具的不同,可將現(xiàn)有的LiDAR點云配準(zhǔn)算法分為基于向量代數(shù)描述與基于Clifford代數(shù)描述的配準(zhǔn)算法等兩類。當(dāng)前,大部分算法選擇向量代數(shù)作為數(shù)學(xué)描述的基本工具,通過旋轉(zhuǎn)角或旋轉(zhuǎn)矩陣來實現(xiàn)對空間旋轉(zhuǎn)變換的描述,并據(jù)此實現(xiàn)LiDAR點云配準(zhǔn)參數(shù)的求解,然而,此類方法存在如下不足:1)對空間旋轉(zhuǎn)變換的描述較為復(fù)雜;2)對待求參數(shù)的初始值依賴性較大�；谏鲜龇治�,本文針對城市建構(gòu)筑物密集地區(qū)遮擋嚴(yán)重的特點,開展基于點、直線與平面等多種類型特征共同約束的LiDAR點云配準(zhǔn)模型構(gòu)建與算法實現(xiàn)研究,具體工作如下:1)點/直線/平面特征約束下基于對偶四元數(shù)描述的LiDAR點云配準(zhǔn)以布爾莎模型作為配準(zhǔn)的基本模型,引入對偶四元數(shù)作為空間旋轉(zhuǎn)變換描述的數(shù)學(xué)工具,針對點、直線與平面特征,分別選擇空間三維坐標(biāo)、Plücker直線坐標(biāo)和六參數(shù)法(法向量和經(jīng)過點的組合)等進行描述,以配準(zhǔn)后同名點、直線和平面特征之間的重合作為前提條件,構(gòu)建相應(yīng)的目標(biāo)函數(shù),在對目標(biāo)函數(shù)進行線性化的基礎(chǔ)上,通過迭代計算的方式實現(xiàn)了不同種類的特征約束的LiDAR點云配準(zhǔn)參數(shù)的求解。2)基于多種類型特征聯(lián)合約束的LiDAR點云配準(zhǔn)以點、直線以及平面特征的共同約束作為前提,先利用提取的同名點特征進行粗配準(zhǔn)來實現(xiàn)模型參數(shù)的迭代初值求解,在此基礎(chǔ)上,加入配準(zhǔn)后直線特征重合以及平面特征的法向量平行等兩個約束條件來構(gòu)建相應(yīng)的目標(biāo)函數(shù),將粗配準(zhǔn)得到的轉(zhuǎn)換參數(shù)作為待求參數(shù)的初始值,基于最小二乘準(zhǔn)則實現(xiàn)LiDAR點云配準(zhǔn)參數(shù)的迭代求解。通過上述研究,實現(xiàn)了相鄰測站LiDAR點云相互之間約束關(guān)系的綜合利用,為LiDAR點云的高精度配準(zhǔn)提供了充分的約束條件,有效地保障了相鄰測站LiDAR點云配準(zhǔn)結(jié)果的精度。
【學(xué)位單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：P237
【部分圖文】：

據(jù)模擬的點云數(shù)據(jù)，利用本算法進行轉(zhuǎn)換參數(shù)的解算。轉(zhuǎn)換參數(shù)求解 3-3 所示。表 3-3 點云配準(zhǔn)結(jié)果Table 3-3 Registration results次數(shù) п п п 3 1.50003 0.50003 0.99992 1.00005 1.99996 2.99998 16 29.99999 37.00002 40.00003 1.00002 2.00001 2.99996 12 82.99997 78.99999 85.00002 1.00000 2.00002 2.99999 1表 3-3 所示的配準(zhǔn)結(jié)果可知，該算法所求得的轉(zhuǎn)換參數(shù)與設(shè)定參數(shù)基度誤差最大為 0.00003п，平移量誤差最大為 0.00005m，因此，可以認(rèn)為是正確的，使用該算法能得到正確的轉(zhuǎn)換參數(shù)；與采用歐拉角來描述比，該算法不受角度大小的限制，并且在未提供近似的初始值的情況在較少的迭代次數(shù)的基礎(chǔ)上求解正確的旋轉(zhuǎn)角、平移量以及縮放系數(shù)驗二：使用 MATLAB 隨機產(chǎn)生 100 個三維點坐標(biāo)，作為待配準(zhǔn)站的點其繞 X 軸、Y 軸和 Z 軸分別旋轉(zhuǎn) 10п、20п和 30п，設(shè)定縮放系數(shù)為 3標(biāo)軸平移 1m、2m和 3m。得到的新的點云作為基準(zhǔn)站的點云。

工程碩士專業(yè)學(xué)位論文表 3-4 不同標(biāo)準(zhǔn)差下求得的轉(zhuǎn)換參數(shù)的誤差Table 3-4 Error of parameters under different standard deviations х п х п х п х х х х 0.0332 0.0080 0.0274 0.0045 0.0182 0.0160 0.0023 0.190.0664 0.0162 0.0547 0.0090 0.0365 0.0319 0.0047 0.390.0996 0.0243 0.0821 0.0136 0.0547 0.0479 0.0070 0.590.1328 0.0324 0.1094 0.0181 0.0730 0.0639 0.0093 0.790.1660 0.0405 0.1368 0.0226 0.0912 0.0798 0.0116 0.99表 3-4 所示的實驗結(jié)果可知，隨著噪聲水平的不斷提高，角度誤差和距在不斷變大，所求得的配準(zhǔn)精度與加入相應(yīng)噪聲的標(biāo)準(zhǔn)差差別不大，符況；另一方面，說明特征點的誤差對點云配準(zhǔn)精度有明顯的影響。驗三：為了研究特征點對的數(shù)量和計算精度之間的關(guān)系，利用實驗二中為零標(biāo)準(zhǔn)差為 0.2 的高斯噪聲的待配準(zhǔn)站的點云和基準(zhǔn)站的點云，特征量從 0 到 100 之間變化，每次增加 5 對同名特征點來求解轉(zhuǎn)換參數(shù)并進定。計算精度如圖 3-2。

3 點/線/面特征約束下基于對偶四元數(shù)描述的 LiDAR 點云配準(zhǔn) 、矩陣 以及矩陣 。未知參數(shù)的改正數(shù)并更新初始值。根據(jù)相應(yīng)的平差模型行求解，求解改正數(shù)的過程就是優(yōu)化初始值的過程，通過近理想值。一定條件來終止迭代。通過對改正數(shù)設(shè)定閾值來判斷是正數(shù)均小于閾值則停止更新并輸出最終結(jié)果，否則，重足要求。結(jié)果與分析實驗利用 MATLAB 模擬出四條直線，作為待配準(zhǔn)站的點云提位置如下圖所示。將待配準(zhǔn)站的直線依次繞三個坐標(biāo)軸放系數(shù)為 1，再將其沿各坐標(biāo)軸平移 1m得到新的直線，取出的直線特征。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王雯;任小玲;陳逍遙;;一種改進的區(qū)域增長彩色3D點云分割算法[J];國外電子測量技術(shù);2018年11期

2 陳華臻;高健;;面向反光工件點云缺陷的點云增強算法[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2019年07期

3 馬東嶺;王曉坤;李廣云;;一種基于高度差異的點云數(shù)據(jù)分類方法[J];測繪通報;2018年06期

4 楊澤鑫;程效軍;丁瓊;程小龍;;面向室內(nèi)場景點云的對象重建[J];測繪通報;2017年06期

5 翁福洲;黃鶴;;快速點云定向數(shù)學(xué)模型實際精度分析[J];北京測繪;2017年04期

6 琚俏俏;王令文;;基于自適應(yīng)切片的點云壓縮算法[J];工程勘察;2017年09期

7 許寧;鐘友玲;;地面三維激光掃描點云重建技術(shù)研究[J];數(shù)碼世界;2017年08期

8 龔書林;;三維激光點云處理軟件的若干關(guān)鍵技術(shù)[J];測繪通報;2014年06期

9 徐守乾;朱延娟;;稀疏點云的曲面重構(gòu)[J];中國制造業(yè)信息化;2011年03期

10 梁新合;梁晉;郭成;曹巨明;;法向約束的多幅點云數(shù)據(jù)融合算法[J];西安交通大學(xué)學(xué)報;2009年05期

相關(guān)博士學(xué)位論文 前10條

1 趙宗澤;基于數(shù)學(xué)形態(tài)學(xué)的機載LiDAR點云建筑物區(qū)域提取[D];武漢大學(xué);2016年

2 魏崇陽;城市環(huán)境中基于三維特征點云的建圖與定位技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

3 奚以成;基于機載LiDAR技術(shù)的城市智能感知與變化檢測技術(shù)研究[D];沈陽農(nóng)業(yè)大學(xué);2018年

4 宋孟肖;LiDAR點云輔助的城區(qū)航空影像空中三角測量[D];武漢大學(xué);2018年

5 李明磊;激光掃描點云的線結(jié)構(gòu)提取與應(yīng)用研究[D];戰(zhàn)略支援部隊信息工程大學(xué);2017年

6 曹如軍;基于機載LiDAR點云的建筑屋頂三維重建[D];武漢大學(xué);2017年

7 黃鵬頔;三維激光掃描點云典型場景可見性分析方法研究[D];廈門大學(xué);2017年

8 羅歡;高分辨率激光掃描點云語義標(biāo)注研究[D];廈門大學(xué);2017年

9 付瑋;基于攝影測量系統(tǒng)的標(biāo)定與表面數(shù)據(jù)融合算法研究[D];南昌大學(xué);2018年

10 黃旭;LiDAR點云約束下的多視影像密集匹配與融合方法研究[D];武漢大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 汪霞;融合序列影像的激光點云三維實景建模[D];中國礦業(yè)大學(xué);2019年

2 段志鑫;三維激光掃描數(shù)據(jù)精簡、表面重構(gòu)方法及應(yīng)用研究[D];中國礦業(yè)大學(xué);2019年

3 帥煒;基于多種類型特征約束的LiDAR點云配準(zhǔn)算法研究[D];中國礦業(yè)大學(xué);2019年

4 崔紹臣;三維點云數(shù)據(jù)處理系統(tǒng)設(shè)計與開發(fā)[D];吉林大學(xué);2019年

5 陳哲;應(yīng)用于無人駕駛的視覺定位關(guān)鍵技術(shù)研究[D];吉林大學(xué);2019年

6 楊禮;融合UAV遙感影像與SFM點云的樹木識別及參數(shù)提取[D];河南理工大學(xué);2018年

7 郭海晨;基于低秩分解方法的激光掃描點云修復(fù)研究[D];南京大學(xué);2019年

8 鮑娣;基于數(shù)據(jù)驅(qū)動的點云參數(shù)化建模方法研究[D];武漢大學(xué);2017年

9 楊幸彬;雙目視覺生成道路稠密點云地圖的關(guān)鍵算法研究[D];北京建筑大學(xué);2019年

10 劉明蕾;基于點云的室內(nèi)導(dǎo)航元素提取和網(wǎng)絡(luò)構(gòu)建研究[D];北京建筑大學(xué);2019年

本文編號：2877397