针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中...针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。展开更多
文摘针对三维点云数据中存在的异常点会对平面拟合过程产生不利的影响,提出了一种将最小平方中值算法(Least Median of Squares,LMedS)与特征值法相结合的点云平面拟合新方法。首先,通过LMedS算法进行多次迭代确定最佳阈值并剔除点云数据中的异常点。然后,采用特征值法对剔除完异常点后的点云数据进行平面拟合,以获得更加精确的拟合平面参数解。最后,分别采用最小二乘法、特征值法、RANSAC+主成分分析法与所提出方法对仿真和实测点云数据进行平面拟合计算。实验结果表明,相比于其他方法,该方法的平面拟合精度更高,适用于对含有异常点的点云数据进行平面拟合,具有较高的鲁棒性。