实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式(OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。

基于聚类分析的航空图像地物分类研究

利用航空摄影CCD相机采集地面影像,对地物进行识别,在耕地面积计算和森林覆盖率计算方面有重要的应用。采用K-means(快速均值)聚类分析,对所获图像处理,实现图像中地物分类,如建筑物、绿地、道路等;通过地物分类验证,证明聚类分析正确性。最后,采用聚类分析山体测量影像,获得了山体破坏情况和绿植比例。

基于无损卡尔曼辅助粒子滤波的目标跟踪算法研究

为实现非线性运动目标的实时跟踪和状态估计,采用和验证了一种无损卡尔曼辅助粒子滤波算法。通过无损卡尔曼滤波算法求取重要性函数,实现对辅助粒子滤波算法的优化,从而进一步提高了辅助粒子滤波的性能。本文通过MAT⁃LAB软件进行仿真实验,证明了该算法能够更好地缓解粒子滤波中多样性的问题,其性能优于辅助粒子滤波。

基于激光雷达的料堆特征提取方法优化

对料堆表面和形态进行特征提取是实现仓储自动化、智能化的前提与基础,为货料的自动存、取控制提供判断依据。为了提取料堆的形态与覆盖面特征,首先,采用激光雷达对料堆进行扫描,获取三维点云后使用融合算法进行预处理;其次,基于表面法向量的差异和空间距离差异对点云进行超体素聚类;最后,利用曲面凹凸判断方法对聚类后的三维点云曲面提取出凸面,从而实现了料堆表面形态的判断。实验结果表明,该方法可较好地识别料堆表面特征,识别误差小于3.11%,且不需要针对场景进行训练,可直接应用于不同料堆场景。

基于激光雷达的空间物体三维建模与体积计算

求取体积参数是空间体对象形态分析的基本内容。采用激光雷达对空间物体进行扫描获得激光点云并求得其体积。首先使用三维激光雷达扫描物体获得原始点云;点云经过三维空间变换后,对点云进行缺失数据修补;再通过滤波和下采样处理进行点云去噪和点云数据的精简;最后采用一种隐式曲面重建算法构建三维点云的mesh网格模型,进而由网格模型求取体积。通过实验验证,使用激光雷达分别扫描了两个实验对象,将实验体积结果与实际的体积数据相比,误差分别仅为0.456%和0.394%,表明该体积计算方法有良好的曲面重建效果和体积计算精度。