三维点云模型中特征点描述子及其匹配算法研究

特征点的描述在三维物体识别中具有非常重要的意义,针对一般描述子维数过大导致特征点匹配所需的时间、空间消耗过大等问题,提出一种协方差描述子,通过计算特征点邻域的几何特征的协方差矩阵来描述特征点,并将该描述子应用到特征点匹配中.实验结果表明,此描述子不仅能大大减少匹配时间,同时对刚性变换、噪声、采样密度的变化也具有鲁棒性.最后,本文还利用典型相关分析对误匹配点对进行了剔除,获得了良好的特征点匹配效果.

基于散乱点云的多尺度特征点提取算法

针对物体的尺度不变性特征以及传统算法对噪声敏感等问题,本文提出一种基于散乱点云的多尺度特征提取算法。通过改变局部邻域的大小,构造尺度空间,进行多尺度分析,在不同的尺度下,通过对局部邻域的协方差分析,计算曲面变化值,找到具有尺度不变性的特征点;引入基于形状索引值的点签名方法,增强对噪声的鲁棒性。