为解决目前点云精简算法适应性差的问题,提出一种基于特征显著性的自适应精简算法。通过对点云FPFH(fast point feature histograms)特征聚类生成特征单词;在考虑单词间差异的基础上,融合单词内部的特征分散程度,形成显著性词典,由词典...为解决目前点云精简算法适应性差的问题,提出一种基于特征显著性的自适应精简算法。通过对点云FPFH(fast point feature histograms)特征聚类生成特征单词;在考虑单词间差异的基础上,融合单词内部的特征分散程度,形成显著性词典,由词典软编码单点特征,得到点云特征显著性;在均匀网格基础上,若网格内的特征显著性越强,则配置越高的采样率,由此实现点云的自适应精简。实验结果表明,所提算法能够区分出点云中的特征明显区域,在精简不同尺寸、形状点云时具有适应性。展开更多
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
文摘为解决目前点云精简算法适应性差的问题,提出一种基于特征显著性的自适应精简算法。通过对点云FPFH(fast point feature histograms)特征聚类生成特征单词;在考虑单词间差异的基础上,融合单词内部的特征分散程度,形成显著性词典,由词典软编码单点特征,得到点云特征显著性;在均匀网格基础上,若网格内的特征显著性越强,则配置越高的采样率,由此实现点云的自适应精简。实验结果表明,所提算法能够区分出点云中的特征明显区域,在精简不同尺寸、形状点云时具有适应性。
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。