由于激光雷達等掃描設備得到的點云存在數(shù)據(jù)量大、數(shù)據(jù)中摻雜噪聲較多等一系列問題,提出一種基于特征點保持的點云精簡與配準方法。首先利用K-means算法對所有點云數(shù)據(jù)聚類,濾除掉噪聲點云,再進行精簡化處理;隨后在精簡的基礎上用KD-tree對數(shù)據(jù)進行最近鄰搜索以加快對應點查找速度,從而為配準節(jié)省一定的時間;最后根據(jù)歐氏距離選擇合適的初值減少匹配誤差。實驗結果表明,精簡后的點云數(shù)據(jù)保持了基本特征,一定程度上減少了配準時間和誤差。 

【文章來源】：軟件導刊. 2019,18(06)

【文章頁數(shù)】：6 頁

【部分圖文】：

聚類過程1.2點云去噪

驕嗬耄??k-1個歐式距離的平均值，記為該點的K鄰近點距離di；③計算所有pi的K鄰近點距離的均值μ=1Ni=1Ndi和標準方差σ=1Ni=1N（di-μ）2；④通過均值和標準方差共同決定閾值，當點的K鄰近距離比閾值大時則判斷為噪聲點。1.3點云精簡隨著市場上激光雷達掃描系統(tǒng)掃描速度和精度的迅猛發(fā)展，快速獲取目標物體的高精度海量點云已不是問題。但是如果直接對海量數(shù)據(jù)進行點云重建，會因為數(shù)據(jù)量密集而影響處理效率，嚴重阻礙特征信息的提齲為加圖1K-means聚類流程··26

氏距離選擇合適的初值減少匹配誤差。算法流程：①減少初始點云數(shù)據(jù)量，讀取精簡后的目標點集Xt和參考點集Yt，并對Yt建立KD-Tree；②通過點的曲率特征，從目標點集Xt隨機選取N個特征點記為X′t；③計算特征點集X′t中的每一點xi到Yt中每一點yj的距離，找出xi到Yt距離最短的點yj作為匹配點對，并計算匹配點對的曲率相似度；④根據(jù)最小二乘法計算得到的旋轉(zhuǎn)和平移矩陣，進行特征點坐標轉(zhuǎn)換；⑤迭代直到滿足誤差最小為止。坐標系旋轉(zhuǎn)變換原理如圖3所示。設目標點集Xt里某一點在XOY坐標系下的坐標為(x?y)，直角坐標系旋轉(zhuǎn)θ角度后在X′OY′坐標系下的坐標為(x1?y1)，通過點(x?y)和旋轉(zhuǎn)角度可得到x1、y1的值。{x1=xcosθ+ysinθy1=ycosθ+xsinθ（2）圖3坐標系旋轉(zhuǎn)變換3實驗結果及分析本文基于Windows7系統(tǒng)進行實驗平臺搭建，首先在Windows下安裝VMware-workstation并在虛擬機VMWare上運行Ubuntu14.04，然后在Ubuntu14.04下安裝一些必要的環(huán)境工具，如CMAKE、QT、VTK、boost庫等，最后安裝PCL1.8.1、MicrosoftVisualStudio2013。仿真實驗主要利用C與C++語言，結合PCL庫，在虛擬機環(huán)境下利用MicrosoftVisualStudio2013開發(fā)平臺進行編程開發(fā)實現(xiàn)。首先濾除桌子點云數(shù)據(jù)中的噪聲點，如圖4所示。圖4（a）中初始點云共有460400個數(shù)據(jù)，圖4（b）中經(jīng)過去噪后的點云共有451410個數(shù)據(jù)，圖4（c）為被去掉的噪聲點云，共8990個數(shù)據(jù)。圖4點云數(shù)據(jù)去噪然后對濾除噪聲數(shù)據(jù)的點云進行精簡化

【參考文獻】：
期刊論文
[1]一種散亂點云的均勻精簡算法[J]. 李仁忠,楊曼,劉陽陽,張緩緩.  光學學報. 2017(07)
[2]改進ICP算法的點云配準[J]. 邱世聰,羅意.  河南科技. 2017(07)
[3]基于自適應布谷鳥搜索算法的K-means聚類算法及其應用[J]. 楊輝華,王克,李靈巧,魏文,何勝韜.  計算機應用. 2016(08)
[4]機器人輔助的三維點云自動配準[J]. 孫威,黃惠.  集成技術. 2015(06)
[5]ICP算法在3D點云配準中的應用研究[J]. 楊現(xiàn)輝,王惠南.  計算機仿真. 2010(08)
[6]ICP算法在點云配準中的應用[J]. 戴靜蘭,陳志楊,葉修梓.  中國圖象圖形學報. 2007(03)

碩士論文
[1]散亂點云配準技術優(yōu)化研究[D]. 陳杰.西南科技大學 2018



本文編號：3123579