植株点云超体聚类分割方法

针对传统的超体聚类分割对植株存在过分割率高、实时性差的问题,提出一种融合显著性特征图的超体聚类分割方法。首先,采用Kinect V2实时获取目标植株的彩色图像和深度图像,将RGB彩色空间图像转换为CIELab彩色空间图像,计算每个像素的显著性特征值,获取彩色特征图,并融合亮度特征图和方向特征图构建显著性特征图;然后,将显著性特征图和深度图像同步对齐,获得显著性点云,八叉树网格初始化点云,并通过Mean-Shift算法获取满足概率密度阈值的网格点云,取最大概率密度点作为种子点,基于点对之间的欧氏距离和特征相似度作为区域生长相似性准则,生成超体素块;最后,通过LCCP算法对显著性点云进行聚类分割。实验结果表明,改进的显著性超体聚类分割方法可以大幅提高目标前景分割的准确性和快速性,有效克服背景噪声和离群点。

基于ISS特征点结合改进ICP的点云配准算法

针对迭代最近点(ICP)配准算法易陷入局部最优、迭代收敛速度慢等问题,提出基于内部描述子(ISS)特征点结合改进ICP点云配准算法,先对基准点云和待配准点云进行体素网格下采样,随后选用ISS算法提取特征点,采用点特征直方图(FPFH)对特征点进行特征描述,并寻找两片点云特征点的对应点对,之后利用随机采样一致性算法(RANSAC)算法去除错误对应点对,最后对已有良好初始位姿的两片点云采用基于Nanoflann加速的点到平面ICP算法进行精配准,将配准精度和配准效率进一步提高。试验结果表明,该算法比传统ICP算法迭代次数减少,在精度与速度方面均有显著提升;比尺度不变特征(SIFT)的ICP算法在欧氏适合度评分和配准用时上分别平均减少了64.4%和73.75%。