基于点云边界质心的粗配准方法

点云配准的质量直接影响着三维重建的质量。针对传统K-4PCS耗时长且易出现错误匹配等问题,文中提出一种基于边界质心的点云粗配准方法。通过对点云进行边界提取,既保留点云外表特征,又减少了点云数据的大小,提高了粗配准速度。为了加快边界点的提取速度,使用K-D tree算法完成对k近邻点的搜索。通过配准边界点的质心,减少点云初始距离并增加重叠度,保证了粗配准的精度。实验结果证明,文中方法在粗配准速度和精度方面都优于传统K-4PCS算法,其速度约为传统K-4PCS算法的2倍,平移和旋转精度也比传统K-4PCS高了40%以上。文中所提方法对提高点云粗配准的速度和精度具有一定的参考价值。

基于固定数采样法的人体行为模式分类方法研究

在视频序列中信息量较大时,当前人体行为模式分类方法存在分类效率低下,分类误差较大的弊端。通过对目标轮廓信息的分析和处理,获取人体目标轮廓精确的位置信息并建立坐标系,在质心-边界距离法对人体轮廓进行描述的基础上,通过固定数采样法平均选取轮廓像素点,消除不必要的像素点,对轮廓像素点的选取进行优化,生成更加准确的质心-边界距离描述子。在人体行为模式分类中,首先使用前期数据进行学习,生成一系列的行为数据集,再通过本文的固定数采样法筛选得到的轮廓点,生成质心-边界距离描述子,与行为数据集中的数据进行相似性度量,得到行为识别结果。所设计方法大大降低了分类的时间,并且提高了识别的准确性;实验证明本文的方法能够对人体行为模式进行较好、高快地识别与分类。