本文關(guān)鍵詞：三維點(diǎn)云場景中對象識別技術(shù)研究　出處：《南京大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 三維物體識別 點(diǎn)云庫 局部特征 全局特征 圖匹配

【摘要】：在復(fù)雜的場景中進(jìn)行物體識別是計(jì)算機(jī)視覺一個很重要的研究領(lǐng)域。在過去的幾十年里,2D物體識別已經(jīng)被廣泛研究,成為一個相對成熟的領(lǐng)域。相比較于2D圖像,3D點(diǎn)云可以提供更多幾何信息,因此在三維點(diǎn)云中估計(jì)物體的姿態(tài)比二維圖像中估計(jì)的姿態(tài)更加準(zhǔn)確。同時,廉價3D獲取設(shè)備(如：Kinect)的快速發(fā)展也使得點(diǎn)云數(shù)據(jù)更容易獲取。基于這些優(yōu)勢,三維點(diǎn)云物體識別逐漸成為一個研究熱點(diǎn),在機(jī)器人導(dǎo)航、虛擬現(xiàn)實(shí)、人機(jī)交互、場景理解、激光遙感測量等眾多領(lǐng)域都有廣泛應(yīng)用。現(xiàn)有的3D點(diǎn)云物體識別方法主要分為兩大類：基于局部特征的方法和基于全局特征的方法�；诰植刻卣鞯姆椒ㄊ窃陉P(guān)鍵點(diǎn)上提取局部特征描述符進(jìn)行匹配,所以對場景的遮擋更加魯棒,但是特征點(diǎn)的錯配問題非常嚴(yán)重�；谌痔卣鞯姆椒ㄔ谧R別過程中將物體作為一個整體來處理,所以速度非�？�,但是物體的姿態(tài)估計(jì)卻成為另一個技術(shù)難點(diǎn)。針對上述問題,本文將圖匹配應(yīng)用于特征點(diǎn)匹配問題,并充分發(fā)揮局部特征和全局特征方法的優(yōu)勢,基于點(diǎn)云庫(Point Cloud Library,PCL)實(shí)現(xiàn)了上述問題的解決方案,主要工作包括以下幾個方面：1.提出了一種基于圖匹配的局部特征對象點(diǎn)云識別技術(shù)�；诰植刻卣鞣椒P(guān)鍵的一步就是特征點(diǎn)匹配中如何去篩選出正確的匹配對。幾何一致性算法是經(jīng)典的解決特征點(diǎn)匹配的方法,但是它每次迭代只考慮一組匹配對,這樣只能達(dá)到局部最優(yōu)的結(jié)果。我們將圖匹配應(yīng)用到點(diǎn)云識別中來,并且采用一種快速地近似圖匹配策略,從全局的角度來解決點(diǎn)云識別中的特征點(diǎn)匹配問題,并且用實(shí)驗(yàn)驗(yàn)證取得了不錯的效果。2.提出了一種全局特征和局部特征融合的點(diǎn)云識別技術(shù)。以機(jī)器人場景理解為導(dǎo)向的點(diǎn)云對象識別對實(shí)時性和定位的準(zhǔn)確性要求都比較高,所以我們綜合了全局特征和局部特征識別的特點(diǎn),使用全局特征進(jìn)行對象的快速識別,并用局部特征進(jìn)行目標(biāo)定位。最后對實(shí)驗(yàn)結(jié)果進(jìn)行了分析,實(shí)時性和準(zhǔn)確性都得到滿足。3.開發(fā)了點(diǎn)云識別原型系統(tǒng)。以對象識別技術(shù)為主體,結(jié)合一系列點(diǎn)云處理算法,基于Qt開發(fā)了點(diǎn)云識別原型系統(tǒng)。系統(tǒng)實(shí)現(xiàn)了點(diǎn)云數(shù)據(jù)和特征直方圖的可視化、預(yù)處理、模型訓(xùn)練、特征計(jì)算、分割、對象識別等功能。
[Abstract]:In a complex scene object recognition is an important research field of computer vision. In the past few decades, 2D object recognition has been studied extensively, and has become a relatively mature field. Compared with 2D images, 3D point cloud can provide more geometric information, the 3D point cloud object estimation the attitude estimation is more accurate than the two-dimensional image attitude. At the same time, cheap 3D acquisition equipment (such as: Kinect) the rapid development of the point cloud data easier to access. Based on these advantages, 3D point cloud object recognition has become a hotspot in robot navigation, virtual reality, human-computer interaction, scene understanding in many areas, the laser remote sensing measurements are widely used. The existing methods of object recognition 3D point cloud is mainly divided into two categories: methods based on local features and method based on global features based on local features. The method is the key point in the extraction of local feature descriptor matching, so the scene is more robust to occlusion, but the problem of mismatch points is very serious. Methods based on global features as a whole in the process of identifying objects to deal with, so the speed is very fast, but the object pose estimation has become another technology the difficulty. To solve the above problems, this paper will be applied to the graph matching feature point matching problem, and give full play to local and global feature method advantage, point cloud based on Library (Point Cloud Library, PCL) to achieve solutions to the above problems, the main work includes the following aspects: 1. propose a local feature recognition technology the object point cloud based on graph matching algorithm based on local feature method. The key step is feature matching to filter out the correct matching. Geometric consistency algorithm is Method to solve the feature point matching code, but it only considers each iteration a set of matching, it can only achieve the local optimal results. We will identify the point cloud in the application of graph matching, and by using a fast approximate graph matching strategy, from a global perspective to solve the matching problem of feature recognition in point cloud and the experiment is used to validate the achieved good results of the proposed.2. point cloud recognition technology is a fusion of global and local features. The robot scene understanding accuracy of point cloud object recognition based on real-time and positioning are high, so we combined the global feature and local feature recognition. Fast recognition using global features of an object, and the target localization with local features. Finally, the experimental results were analyzed, real-time and accuracy have been developed to meet the.3. point cloud The prototype system is identified. Taking object recognition technology as the main body and combining with a series of point cloud processing algorithms, a point cloud recognition prototype system is developed based on Qt. The system realizes the visualization of point cloud data and feature histogram, preprocessing, model training, feature computation, segmentation, object recognition and so on.

【學(xué)位授予單位】：南京大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葉愛芬;龔聲蓉;王朝暉;劉純平;;基于隨機(jī)分布估計(jì)的點(diǎn)云密度提取[J];計(jì)算機(jī)工程;2009年04期

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

3 孟凡文;吳祿慎;;用繼承與優(yōu)化算法精密拼接無序點(diǎn)云[J];光學(xué)精密工程;2009年04期

4 李海亮;鄧非;李剛;;攝影測量激光點(diǎn)云空洞修補(bǔ)[J];測繪科學(xué);2010年05期

5 張晶;楊云生;豐少偉;;基于點(diǎn)云法矢變化的點(diǎn)云簡化方法研究[J];計(jì)算機(jī)與數(shù)字工程;2011年12期

6 李曉久;景曉寧;;基于非接觸式測量的人體點(diǎn)云簡化方法[J];紡織學(xué)報;2012年07期

7 高恩陽;鄭昊鴻;;點(diǎn)云數(shù)據(jù)濾波方法綜述[J];科技資訊;2012年33期

8 范然;金小剛;;大規(guī)模點(diǎn)云選擇及精簡[J];圖學(xué)學(xué)報;2013年03期

9 李偉;李旭東;趙慧潔;張穎;;基于姿態(tài)標(biāo)準(zhǔn)化的線特征點(diǎn)云提取方法[J];北京航空航天大學(xué)學(xué)報;2013年08期

10 錢偉春;3DSMAX中動態(tài)云的制作[J];多媒體世界;1999年03期

相關(guān)會議論文 前10條

1 李文濤;韋群;楊海龍;;基于圖像的點(diǎn)云生成和預(yù)處理[A];2011年全國通信安全學(xué)術(shù)會議論文集[C];2011年

2 蔡來良;李儒;;點(diǎn)云數(shù)據(jù)處理算法與實(shí)現(xiàn)初步研究[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

3 馬國慶;陶萍萍;楊周旺;;點(diǎn)云空間曲線的微分信息計(jì)算及匹配方法[A];第四屆全國幾何設(shè)計(jì)與計(jì)算學(xué)術(shù)會議論文集[C];2009年

4 江倩殷;劉忠途;李熙瑩;;一種有效的點(diǎn)云精簡算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

5 解輝;張愛武;孟憲剛;;機(jī)載激光點(diǎn)云快速繪制方法[A];第二十五屆全國空間探測學(xué)術(shù)研討會摘要集[C];2012年

6 李凱;張愛武;;基于激光點(diǎn)云的糧倉儲糧數(shù)量測量方法[A];第二屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

7 朱曉強(qiáng);余燁;劉曉平;袁曉輝;Bill P.Buckles;;基于航拍圖像和LiDAR點(diǎn)云的城市道路提取[A];全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

8 劉虎;;基于線性八叉樹的點(diǎn)云簡化與特征提取研究[A];促進(jìn)科技經(jīng)濟(jì)結(jié)合，，服務(wù)創(chuàng)新驅(qū)動發(fā)展——蚌埠市科協(xié)2012年度學(xué)術(shù)年會論文集[C];2012年

9 李濱;王佳;;基于點(diǎn)云的建筑測繪信息提取[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

10 楊雪春;;反求工程建模中點(diǎn)云切片技術(shù)研究[A];全國先進(jìn)制造技術(shù)高層論壇暨第八屆制造業(yè)自動化與信息化技術(shù)研討會論文集[C];2009年

相關(guān)重要報紙文章 前2條

1 曹裕華 高化猛 江鴻賓;激光點(diǎn)云 亦真亦幻[N];解放軍報;2013年

2 中國工程院院士 劉先林;四維遠(yuǎn)見的裝備創(chuàng)新[N];中國測繪報;2012年

相關(guān)博士學(xué)位論文 前10條

1 彭檢貴;融合點(diǎn)云與高分辨率影像的城區(qū)道路提取與表面重建研究[D];武漢大學(xué);2012年

2 劉涌;基于連續(xù)序列自動快速拼接的全方位三維測量技術(shù)研究[D];西南交通大學(xué);2013年

3 袁小翠;產(chǎn)品表面缺陷視覺檢測數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];南昌大學(xué);2015年

4 韓峰;基于點(diǎn)云信息的既有鐵路狀態(tài)檢測與評估技術(shù)研究[D];西南交通大學(xué);2015年

5 金龍存;3D點(diǎn)云復(fù)雜曲面重構(gòu)關(guān)鍵算法研究[D];上海大學(xué);2012年

6 李揚(yáng)彥;基于點(diǎn)云的三維重建與形變事件分析[D];中國科學(xué)院深圳先進(jìn)技術(shù)研究院;2013年

7 楊德賀;面向虛擬測方系統(tǒng)的點(diǎn)云聚類與擬合理論[D];中國礦業(yè)大學(xué)（北京）;2014年

8 何朝明;離散點(diǎn)云處理的關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2007年

9 孟凡文;面向光柵投影的點(diǎn)云預(yù)處理與曲面重構(gòu)技術(shù)研究[D];南昌大學(xué);2010年

10 李寶;三維點(diǎn)云的魯棒處理技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 龔碩然;基于Delaunay三角剖分的點(diǎn)云三維網(wǎng)格重構(gòu)[D];河北大學(xué);2015年

2 楊紅粉;頻域技術(shù)應(yīng)用于點(diǎn)云配準(zhǔn)研究[D];北京建筑大學(xué);2015年

3 段紅娟;點(diǎn)云圖像交互式曲線骨架提取技術(shù)及其應(yīng)用[D];西南交通大學(xué);2015年

4 張永恒;散亂點(diǎn)云數(shù)據(jù)配準(zhǔn)方法研究[D];長安大學(xué);2015年

5 吳愛;面向特征擬合的點(diǎn)云簡化方法研究[D];中國地質(zhì)大學(xué)(北京);2015年

6 薛廣順;基于立體視覺的牛體點(diǎn)云獲取方法研究與實(shí)現(xiàn)[D];西北農(nóng)林科技大學(xué);2015年

7 胡誠;精度約束下地表LiDAR點(diǎn)云抽稀方法研究[D];西南交通大學(xué);2015年

8 余明;三維離散點(diǎn)云數(shù)據(jù)處理技術(shù)研究[D];南京理工大學(xué);2015年

9 陳星宇;基于三維彩色點(diǎn)云的地形分類方法研究[D];南京理工大學(xué);2015年

10 朱東方;基于復(fù)雜拓?fù)浣Y(jié)構(gòu)點(diǎn)云的曲線擬合研究與應(yīng)用[D];山東大學(xué);2015年

本文編號：1367084