论文部分内容阅读
随着三维点云技术的发展和普及,三维点云图像处理技术在三维重建、医疗成像、虚拟现实、无人驾驶等领域扮演着无可替代的角色。由于三维扫描设备无法一次性获得待扫描对象的全部点云图像,因此需要将不同方向获得的点云配准到公共的坐标系中获取全部的点云数据,这一过程叫做点云配准。三维点云配准是三维点云图像处理过程中最为基础和重要的部分,由粗配准和精配准组成。本文分别对粗配准和精配准算法进行了研究,分析了目前配准算法中存在的不足,从配准精度和配准时间两个方面优化了算法。本文主要工作如下:首先,介绍了三维点云配准技术的研究意义,从粗配准和精配准两个方面概述了国内外的研究现状,总结目前配准算法技术中的不足之处,并阐述了点云配准相关过程与方法。然后,对基于FPFH(Fast Point Feature Histogram)特征的粗配准算法进行了深入研究,提出了一种基于曲率和FPFH特征的粗配准算法,从配准误差和时间两个角度优化了算法。首先利用曲率特征确定点云的关键点集,降低了数据冗余和计算量;然后计算关键点的FPFH特征并以此确定对应点集;引入RANSAC(Random Sample Consensus)算法代替 SAC-IA(Sample Consensus Initial Aligment)算法优化对应点集,以此得到准确的变换矩阵从而提高配准精度;并在Stanford数据集和Kinect采集的数据上开展了实验,实验显示该算法有效地降低了配准误差和加快了配准速度。其次,针对ICP(Iterative Closest Point)算法点对搜索缓慢,错误对应点多,配准效率差的问题,提出了一种基于几何特征的ICP算法。首先利用法向量特征进行点云精简,降低了配准过程的计算量;然后利用kd-tree加快点对间的搜索速度;最后引入FPFH特征确定对应点集,提高正确点对的占比。在Stanford数据集和Kinect采集的数据上进行了实验,证明了该算法比传统ICP算法在配准性能上有大幅度提升。最后,总结了本论文开展的工作内容,对论文工作的不足之处进行了思考并对未来的研究工作进行了展望。