论文部分内容阅读
近几年来,随着计算机视觉、无人驾驶、三维城市、智能机器人等领域的蓬勃发展,三维点云数据以其特有的空间结构优势,在这些领域得到了广泛的应用。对扫描设备获取的原始点云数据进行高质量快速的重建和有效的分割,是当前三维点云数据处理技术中关键部分。有效的点云预处理可以大大提高重建的速度和精度,高质量的分割是机器视觉技术的基础,本文主要对点云数据的精简、平滑、重建、配准、分割做了如下研究:(1)为了解决采集点云数据时存在的冗余,噪声及空洞等因素影响其快速高质量重建的问题,提出了一种新的点云重建方法。该方法对于初步去噪的点云数据,首先使用体素栅格对点云进行精简,然后利用改进的移动最小二乘法对精简后的点云进行平滑处理,最后利用投影三角化对点云进行快速重建。实验结果表明,该方法可以有效的对点云的局部空洞进行修补及获得平滑的流形面,使重建结果更接近于现实,最终实现对点云数据高质量的重建。(2)在点云的精配准过程中,迭代最近点算法(Iterative Closest Points,ICP)因配准精度高,成为目前点云配准中常用的算法。但传统的ICP算法随着迭代次数的增加,运行时间较长,且存在的偏差较大的最近点对,影响误差的收敛。在此基础上提出,通过kd-tree快速对点云数据建立拓扑结构,加快对点云的搜索速度,并通过欧式距离判断,对偏差较大的最近点对进行剔除。实验结果表明,该方法相比传统的ICP算法在迭代次数,运行时间,配准误差上均得到了一定优化。(3)点云分割是点云数据处理的关键环节,区域生长因在三维点云分割中易于实现且使用便捷而得到了广泛应用,然而由于点云特征的不确定性及种子点选取不合理导致传统区域生长法存在局部分割性能不稳定。针对于此问题,提出一种改进的区域生长分割方法,该方法通过估算点云数据曲率大小,将曲率最小点设置为种子节点,然后根据点云数据的局部特征确定生长准则。实验结果表明,该方法不仅能有效的对点云数据进行分割,并且解决了传统区域生长分割不稳定的问题,提高了点云分割的精确性和可靠性。本文共有图32幅,表8个,参考文献72篇。