基于TOF深度传感的植物三维点云数据获取与去噪方法

为提高植物三维重建的精度,更好地实现植物数字化研究,提出了基于TOF(time of flight)深度传感的植物三维点云数据获取与去噪方法。首先通过TOF深度传感来获取植物点云数据,采用直通滤波器对点云数据进行预处理,减少背景噪声;其次采用改进密度分析的离群点去噪算法,该算法通过结合邻近点平均距离和邻域点数数量2个特征参数,对点云数据中的离群点噪声进行检测和去除;最后采用双边滤波算法对点云内部的小尺寸噪声进行检测和去除。以番茄植株进行相关试验,试验结果表明:与传统双边滤波算法比较,该文算法最大误差降低了11.2%,平均误差降低了23.2%;与拉普拉斯滤波算法比较,最大误差降低了20.6%,平均误差降低了39.2%,表明该文提出的算法在保持点云特征的情况下,能简单高效地去除植物三维点云数据中的不同尺度噪声。

TOF相机实时高精度深度误差补偿方法

TOF(Time-Of-Flight)相机获取的深度值存在着边角畸变和精度偏移,目前主要是通过误差查找表或曲线拟合等技术进行误差补偿,计算量大且补偿速度慢。通过对TOF相机在不同距离的深度误差分布规律的分析,提出了一种实时、高精度的误差补偿方法。该方法利用TOF深度图像的旋转对称性以及误差分布的特性,简化了误差补偿模型、降低参数数量级,有效提升了补偿的精度和速度。将算法应用于基于TOF原理的Kinect v2深度传感器进行深度补偿,使得有效距离内平面度误差下降到0.63 mm内,平均误差下降到0.7040 mm内,单帧数据补偿时间在90 ms内。由于该算法仅基于光径差进行补偿,因此适用于所有TOF原理的相机。实验结果表明,该算法能够快速有效减少TOF相机的深度误差,适用于实时、高精度的大视场三维重建。