點云配準的目標是計算點云之間相對變換,將兩個或者多個點云轉換到同一坐標系下完成對齊。點云在掃描過程中往往會存在噪聲、異常點、缺失等問題,這些問題加大了配準難度。本文對目前剛性點云配準算法核心思想進行歸納總結,分析低質量點云在配準時精度降低的主要原因。對于剛性點云配準,多對多對應關系的算法已經比一對一對應關系的算法表現(xiàn)的更加魯棒。但是當點云數據出現(xiàn)大量異常點和嚴重缺失情況下,會導致不正確的多對多對應關系,造成錯誤的匹配。最優(yōu)傳輸理論是一種更通用的多對多點云配準方法,傳統(tǒng)最優(yōu)傳輸理論在不完整點云配準時,由于質量守恒準則導致配準結果不準確。本文提出基于非平衡最優(yōu)傳輸理論的點云配準框架,當點云中存在大量異常點和缺失情況時仍然能完成魯棒的配準。本文內容包括:1.提出一種基于非平衡最優(yōu)傳輸理論的點云配準算法。將點云表示成兩個概率測度,根據最優(yōu)傳輸理論建立目標函數。本文使用的非平衡最優(yōu)傳輸將傳統(tǒng)最優(yōu)傳輸中的質量守恒準則進行松弛并且對傳輸總質量的范圍進行約束,得到配準時的精確部分質量最優(yōu)傳輸計劃。總質量的約束提供顯式參數來調整兩點云之間最大精確匹配比例,提供了一種高效策略來縮小求解空間,避免在點云中在... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

點云配準在自動駕駛的應用[2]

重慶郵電大學碩士學位論文第1章引言2由于點云配準在各個領域的廣泛應用，在大量噪聲、異常點、缺失情況下仍然能夠完成精準魯棒配準的點云算法是目前研究的重點和難點。圖1.1點云配準在自動駕駛的應用[2]圖1.2點云配準在三維重建的應用[3]1.2點云配準算法的關鍵問題點云是一種無結構的數據，點與點之間沒有連接關系和對應關系。點云配準過程是根據兩個點云之間的距離度量建立配準的目標函數，在優(yōu)化目標函數的過程中求解兩個點云之間相對變換，當目標函數優(yōu)化到最小值時得到點云的相對變換，從而完成點云配準。點云配準的目的在于求解兩個點云之間的相對變換。變換可以是剛性的，它保持了每一對對應點之間的距離，剛性變換包括：平移、旋轉和縮放；也可以是非剛性的，它需要考慮形變，最簡單的非剛性變換即仿射變換，包括：各向異性的縮放和傾斜[13]。

失在求解點云對應距離時往往會引發(fā)錯誤的對應關系，大規(guī)模的缺失通常會導致局部特征的丟失，使得配準的難度大大提升。非剛性配準是一個更具有挑戰(zhàn)性的問題，因為它不僅面臨上述低質量點云的問題，還需要考慮到物體的形變。在非剛性配準中，不像剛性配準，僅僅需要少數對應關系就能確定相對變換，它需要大量的對應關系來確定相對變換，如何獲得這些對應關系就是一個具有挑戰(zhàn)性的任務。在剛性配準過程中，往往會涉及對應關系T和變換參數(R,t)的求解，R表示旋轉矩陣，t表示平移向量。點云配準的目標函數是一個非凸函數[14]，如圖1.3所示。在一個非凸函數中同時優(yōu)化多個未知參數是非常困難的事情，所以往往采用固定兩個點云的位置，根據兩個點云的初始位置來求解初始化對應關系T，再根據當前求解得到的對應關系T計算點云之間的相對變換參數(R,t)，將源點云P進行對應的變換，得到新的點云P。將上述過程繼續(xù)迭代下去，從而不斷最小化目標函數，設置一個合理的收斂條件，當滿足條件時，求解得到的變換參數(R,t)即為點云配準的最佳變換參數，此時源點云和目標點云完成配準。圖1.3點云配準的非凸函數[14]上述配準過程可以歸納出點云配準的兩個步驟：求解兩點云之間的對應關系和求解變換參數。在剛性變換中，利用奇異值分解(SingularValueDecomposition，SVD)的方法來計算變換參數(R,t)的顯式解[15]。在點云配準過程中，最重要是計算出精確的對應關系，減少錯誤對應關系的數量會增加配準算法的精確度[16]。如下圖1.4所

【參考文獻】：
期刊論文
[1]基于信息論的KL-Reg點云配準算法[J]. 秦紅星,徐雷.  電子與信息學報. 2015(06)

碩士論文
[1]應用于無人駕駛的視覺定位關鍵技術研究[D]. 陳哲.吉林大學 2019



本文編號：3589602