针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图(fast point...针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图(fast point feature histogram,FPFH)描述子初步获取最邻近匹配对;通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比例不变的特性获取精确的匹配对;利用奇异值分解算法(singular value decomposition,SVD)求解配准目标函数。实验表明,算法策略合理可靠,参数设置相对简易,具有显著的效率及稳定性优势,能够为后续精配准提供稳定精确的初始参数。展开更多
设r≥0,称赋范空间X中的序列{x n}是粗I-收敛(亦记r-I-收敛)的,若I-LIM r x n={x∈X:I-lim n→∞sup‖x n-x‖≤r}是非空集合,对具有可加性质的理想I,证明了当X是一致凸时,I-LIM r x n是严格凸的,并分别讨论了{x n}的粗I-聚点与粗I-极...设r≥0,称赋范空间X中的序列{x n}是粗I-收敛(亦记r-I-收敛)的,若I-LIM r x n={x∈X:I-lim n→∞sup‖x n-x‖≤r}是非空集合,对具有可加性质的理想I,证明了当X是一致凸时,I-LIM r x n是严格凸的,并分别讨论了{x n}的粗I-聚点与粗I-极限点、粗I-聚点与I-聚点之间的关系.展开更多
文摘针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图(fast point feature histogram,FPFH)描述子初步获取最邻近匹配对;通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比例不变的特性获取精确的匹配对;利用奇异值分解算法(singular value decomposition,SVD)求解配准目标函数。实验表明,算法策略合理可靠,参数设置相对简易,具有显著的效率及稳定性优势,能够为后续精配准提供稳定精确的初始参数。
文摘设r≥0,称赋范空间X中的序列{x n}是粗I-收敛(亦记r-I-收敛)的,若I-LIM r x n={x∈X:I-lim n→∞sup‖x n-x‖≤r}是非空集合,对具有可加性质的理想I,证明了当X是一致凸时,I-LIM r x n是严格凸的,并分别讨论了{x n}的粗I-聚点与粗I-极限点、粗I-聚点与I-聚点之间的关系.