如何对一片散乱点云进行坐标变换
发布网友
发布时间：2022-04-30 04:13
共2个回答
热心网友
时间：2022-06-06 11:02
目前,解决不同点云数据集配准问题的直接方法有在被测物体上贴固定球和使用高精度的旋转工作台[1]1固定球会使部分物体不可见,一般应贴在相对较平坦的区域1流动式光学扫描仪Atos是在物体上或固定物体的工具上贴特制的圆形标签,其作用相当于固定球1根据前后2个视角观察的3个或3个以上不共线的公共标签来对数据进行配准,利
用旋转工作台可直接对测量数据进行配准,但是物体底部和下部的数据点是无法采集的1
在三维点云数据的自动配准中,运用最为广泛的是由Besl等提出的最近点迭代(iterativeclosestpoint,ICP)算法[2]1但是ICP算法要求2个匹配点
集中的一个点集是另外一个点集的子集,即2个点集之间存在着包含关系,当这个条件不满足时,将影响ICP的收敛结果,产生错误的匹配1显然,对于2个点云数据之间的部分配准问题,这种包含关系是不存在的1另外,ICP算法对2个点云相对初始位置要求较高,点云之间的的初始位置不能相差太大;否则,ICP的收敛方向是不确定的,因而配准结果也是不可靠的1
Chen[3]等运用2个曲面在法矢方向的距离来
代替某一点到其最近点的距离,并将其作为匹配的目标评价函数1这一设想最初是由Potmesil[4]于1983年提出的,在文献[3]的工作中它被推广为最
优加权的最小二乘方法1但文献[3]的方法需要求解非线性最小二乘问题,速度较慢1Masuda等[5]对点集进行随机采样,用最小中值平方误差作为度量准则,该方法在每一次迭代后都需要进行重新采样1Johnson等
[6]
使用特征提取策略去除没有启发信息
的平面点来提高配准速度,在点云数据法矢变化连续、突变比较少的情况下,其速度没有明显的提高1文献[728]通过引入参考点的方法来实现三维点云数据的配准,这些参考点其实也是一种标签点,需要在测量前贴在被测物体上1
本文提出了一种更为通用的空间散乱点云的配准算法,该算法不需要在被测物体上附加任何参考点或标签点,仅利用点云数据自身所具有的几何信息,对待配准散乱点云的相对位置没有要求,可以处在空间任意位置上;而且本文算法能够实现散乱点云的部分配准和整体配准1
1 算法概述
散乱点云的整体配准是一个点云数据与另一个
点云数据进行整体的数据融合,而部分配准是将一个点云数据的子集与另一个点云或其子集进行数据融合1本文算法的基本思想是首先估算出散乱点云数据中每一个测点的法矢和曲率,并根据一个点集中每个测点的曲率来寻找其在另一个点集中的曲率相近点,所有的曲率相近点构成一系列点对1计算将每个点对的法矢方向映射为一致的三维空间变换,每个点对间所有可能的三维变换构建一个哈希列表,找出列表中使得最多数量的点对法矢一致的变换,该变换能够将2个点云数据进行粗略配准1将粗略配准后2个点云的位置作为新的初始位置,用统计出的曲率相近点对作为初始的配准点对集合,运用ICP算法对散乱点云的初始配准结果做进一步地优化,从而实现散乱点云的精确配准1
2 算法原理及步骤
211 散乱点云数据微分几何特性估算
光学扫描设备采集到的点云数据密度很高,存在大量的冗余数据,严重影响后续算法的效率,因此在对散乱点云的微分几何特性估算前,应先按照一定要求减少测量点的数量1
对简化后的点云数据进行空间划分,并在点集中寻找每个测点的k2近邻1设测点pi的k2近邻且包括该点记为Nbhd(pi),为计算该点的法矢和曲率,借鉴文献[9]的方法,采用参数二次曲面来*近散乱数据点,设二次曲面的参数方程。
热心网友
时间：2022-06-06 11:02
目前,解决不同点云数据集配准问题的直接方法有在被测物体上贴固定球和使用高精度的旋转工作台[1]1固定球会使部分物体不可见,一般应贴在相对较平坦的区域1流动式光学扫描仪Atos是在物体上或固定物体的工具上贴特制的圆形标签,其作用相当于固定球1根据前后2个视角观察的3个或3个以上不共线的公共标签来对数据进行配准,利
用旋转工作台可直接对测量数据进行配准,但是物体底部和下部的数据点是无法采集的1
在三维点云数据的自动配准中,运用最为广泛的是由Besl等提出的最近点迭代(iterativeclosestpoint,ICP)算法[2]1但是ICP算法要求2个匹配点
集中的一个点集是另外一个点集的子集,即2个点集之间存在着包含关系,当这个条件不满足时,将影响ICP的收敛结果,产生错误的匹配1显然,对于2个点云数据之间的部分配准问题,这种包含关系是不存在的1另外,ICP算法对2个点云相对初始位置要求较高,点云之间的的初始位置不能相差太大;否则,ICP的收敛方向是不确定的,因而配准结果也是不可靠的1
Chen[3]等运用2个曲面在法矢方向的距离来
代替某一点到其最近点的距离,并将其作为匹配的目标评价函数1这一设想最初是由Potmesil[4]于1983年提出的,在文献[3]的工作中它被推广为最
优加权的最小二乘方法1但文献[3]的方法需要求解非线性最小二乘问题,速度较慢1Masuda等[5]对点集进行随机采样,用最小中值平方误差作为度量准则,该方法在每一次迭代后都需要进行重新采样1Johnson等
[6]
使用特征提取策略去除没有启发信息
的平面点来提高配准速度,在点云数据法矢变化连续、突变比较少的情况下,其速度没有明显的提高1文献[728]通过引入参考点的方法来实现三维点云数据的配准,这些参考点其实也是一种标签点,需要在测量前贴在被测物体上1
本文提出了一种更为通用的空间散乱点云的配准算法,该算法不需要在被测物体上附加任何参考点或标签点,仅利用点云数据自身所具有的几何信息,对待配准散乱点云的相对位置没有要求,可以处在空间任意位置上;而且本文算法能够实现散乱点云的部分配准和整体配准1
1 算法概述
散乱点云的整体配准是一个点云数据与另一个
点云数据进行整体的数据融合,而部分配准是将一个点云数据的子集与另一个点云或其子集进行数据融合1本文算法的基本思想是首先估算出散乱点云数据中每一个测点的法矢和曲率,并根据一个点集中每个测点的曲率来寻找其在另一个点集中的曲率相近点,所有的曲率相近点构成一系列点对1计算将每个点对的法矢方向映射为一致的三维空间变换,每个点对间所有可能的三维变换构建一个哈希列表,找出列表中使得最多数量的点对法矢一致的变换,该变换能够将2个点云数据进行粗略配准1将粗略配准后2个点云的位置作为新的初始位置,用统计出的曲率相近点对作为初始的配准点对集合,运用ICP算法对散乱点云的初始配准结果做进一步地优化,从而实现散乱点云的精确配准1
2 算法原理及步骤
211 散乱点云数据微分几何特性估算
光学扫描设备采集到的点云数据密度很高,存在大量的冗余数据,严重影响后续算法的效率,因此在对散乱点云的微分几何特性估算前,应先按照一定要求减少测量点的数量1
对简化后的点云数据进行空间划分,并在点集中寻找每个测点的k2近邻1设测点pi的k2近邻且包括该点记为Nbhd(pi),为计算该点的法矢和曲率,借鉴文献[9]的方法,采用参数二次曲面来*近散乱数据点,设二次曲面的参数方程
