亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        點云數(shù)據(jù)精簡與配準(zhǔn)研究

        2019-07-08 03:41:08龐正雅周志峰錢莉
        軟件導(dǎo)刊 2019年6期
        關(guān)鍵詞:means聚類

        龐正雅 周志峰 錢莉

        摘 要:由于激光雷達等掃描設(shè)備得到的點云存在數(shù)據(jù)量大、數(shù)據(jù)中摻雜噪聲較多等一系列問題,提出一種基于特征點保持的點云精簡與配準(zhǔn)方法。首先利用K-means算法對所有點云數(shù)據(jù)聚類,濾除掉噪聲點云,再進行精簡化處理;隨后在精簡的基礎(chǔ)上用KD-tree對數(shù)據(jù)進行最近鄰搜索以加快對應(yīng)點查找速度,從而為配準(zhǔn)節(jié)省一定的時間;最后根據(jù)歐氏距離選擇合適的初值減少匹配誤差。實驗結(jié)果表明,精簡后的點云數(shù)據(jù)保持了基本特征,一定程度上減少了配準(zhǔn)時間和誤差。

        關(guān)鍵詞:K-means聚類;kd-tree;點云精簡;點云配準(zhǔn)

        DOI:10. 11907/rjdk. 182261

        中圖分類號:TP301

        文獻標(biāo)識碼:A文章編號:1672-7800(2019)006-0025-04

        Abstract: Because of ?the point cloud obtained by scanning equipment such as laser radar has a series of problems, such as large data volume and high doping noise in data, a point cloud simplification and registration method based on feature point preservation is proposed. Firstly, K-means algorithm is used to cluster all point cloud data, filter out noise point cloud, and then simplify the processing.Then, on the basis of simplification, KD-tree is used to search the nearest neighbor of data to speed up the search speed of corresponding points, so as to save some time for registration. Finally, the matching error is reduced by selecting the appropriate initial value according to Euclidean distance.The experimental results show that the simplified point cloud data maintain basic characteristics and reduce the registration time and error to some extent.

        Key Words: K-means clustering;KD-tree;point cloud simplification;point cloud registration

        0 引言

        無人駕駛汽車是人工智能的重要應(yīng)用,激光雷達技術(shù)對無人駕駛安全技術(shù)起著關(guān)鍵作用。由于激光雷達等掃描設(shè)備得到的點云存在數(shù)據(jù)量大、數(shù)據(jù)中摻雜噪聲較多等一系列問題,因而在獲取點云時無法從一個角度獲取完整的點云數(shù)據(jù)。實際應(yīng)用中通常通過多角度采集點云數(shù)據(jù),然后將多個視角下的數(shù)據(jù)整理到同一個坐標(biāo)系下通過配準(zhǔn)技術(shù)獲得完整的點云。因此,如何對數(shù)據(jù)密度大且噪聲多的數(shù)據(jù)實現(xiàn)去噪、精簡、提高匹配精度和減少匹配時間是研究重點。

        Hao Song[1]提出最小化輸入和簡化數(shù)據(jù)集之間的幾何偏差,本質(zhì)上是將輸入數(shù)據(jù)集劃分為固定數(shù)量的點集群,每個點集群中選取一個點作為點集群代表,然后將這些代表的集合視為簡化的數(shù)據(jù)集,并根據(jù)每個集群的輸入數(shù)據(jù)集對結(jié)果的幾何偏差進行評估,但是當(dāng)點數(shù)越來越小時這種方法可能失效。文獻[2]首先采用表面法向估計方法處理數(shù)據(jù)中幾何奇異性點云,然后基于改進的主成分分析法將點云去噪問題約束為非線性最小二乘法問題,從而實現(xiàn)點云去噪。Benhabiles等 [3]提出了一種基于聚類和由粗到細方法結(jié)合的快速點云簡化算法,可簡化尖角點密度高、平坦點密度低的點云。在點云的配準(zhǔn)算法中,應(yīng)用最廣泛的是1992年提出的ICP算法[4]。但是傳統(tǒng)的ICP算法存在明顯缺陷,對運算初值的選擇非常嚴(yán)格,并且需要遍歷模型上所有的點,不僅配準(zhǔn)消耗時間長,并且很難得到全局最優(yōu)解[5]。文獻[6]、[7]基于一種新的低重疊率多視點集配準(zhǔn)方法,通過對點對的曲面分類、曲率和鄰域曲率的匹配,選擇重疊區(qū)域并利用重疊區(qū)域中的點搜索最優(yōu)配準(zhǔn)參數(shù)。

        國內(nèi)對點云數(shù)據(jù)的精簡與配準(zhǔn)研究比國外晚,成果相對較少。文獻[8]利用K-means聚類算法在空間域內(nèi)聚集相似點,利用最大法向量偏差作為聚類散度的度量,將聚類點集劃分為特征域中的一系列子簇。但由于采用的是最大法向量,所以當(dāng)噪聲較為嚴(yán)重時該方法存在誤差。文獻[9]、[10]基于法線角和信息熵理論推導(dǎo)出點的重要性,刪除其中最不重要的點并逐步更新法向量和重要值,直到達到用戶指定的還原比率。文獻[11]利用體素內(nèi)部和外部的斥力約束,基于一種迭代重采樣方法將重采樣點投射到所有可能的表面。該方法基于幾何處理,無法判斷是否存在孔洞,也無法確定孔洞是否由于遮擋或掃描問題造成。文獻[12]是基于熵準(zhǔn)則遺傳算法的點云粗配準(zhǔn)算法,即使只有少部分的點云數(shù)據(jù)重合或含有噪聲點云數(shù)據(jù),配準(zhǔn)效果也不錯。文獻[13]提出了基于點云特征的ICP算法,利用待測點云的曲率、面法線、點云密度等幾何特征,尋找兩點云的相關(guān)性,將幾何特征引入誤差函數(shù)中,實現(xiàn)兩點云的精確配準(zhǔn)。文獻[14]、[15]在ICP算法基礎(chǔ)上提出一種迭代最近線算法,利用兩點云之間的連線作為配準(zhǔn)依據(jù),但是無法保證線段之間的對應(yīng)關(guān)系。

        綜上所述,為有效提高點云數(shù)據(jù)處理效率,本文利用K-means聚類算法對點云數(shù)據(jù)聚類,濾除掉噪聲點云,再進行精簡化處理。在精簡的基礎(chǔ)上用KD-tree對數(shù)據(jù)最近鄰進行搜索,加快對應(yīng)點查找速度,從而為配準(zhǔn)節(jié)省一定的時間,最后根據(jù)歐氏距離選擇合適的初值減少匹配誤差。經(jīng)過驗證,本文算法穩(wěn)定,在大規(guī)模的點云數(shù)據(jù)精簡后點云數(shù)據(jù)仍保持基本特征,且精簡后的數(shù)據(jù)配準(zhǔn)效果較理想。

        1 點云去噪與精簡

        1.1 K-means聚類算法

        1.2 點云去噪

        在激光雷達采集點云數(shù)據(jù)過程中,由于設(shè)備精度、人為因素、環(huán)境因素等影響,最終得到的點云數(shù)據(jù)有密度不規(guī)則、數(shù)據(jù)中摻雜噪聲較多等一系列問題。點云數(shù)據(jù)還存在離散點,這是由于外部干擾如視線遮擋、障礙物等因素影響而產(chǎn)生的離被測物點云較遠的點。這些點有兩個特點:①遠離表面點云;②與相鄰點云連接形成的區(qū)域不平坦,因此通過計算歐式距離和曲率作為判斷噪聲點的標(biāo)準(zhǔn)。

        算法流程:①設(shè)聚類后得到的一個點云集合為:[S=][{pi,i=1,2,?n}],求每個點[pi]的K-1個[pj]鄰近點集;②計算[pi]到其K-1個鄰近點集的歐式距離,求k-1個歐式距離的平均值,記為該點的K鄰近點距離[di];③計算所有[pi]的K鄰近點距離的均值[μ=1Ni=1Ndi]和標(biāo)準(zhǔn)方差[σ=][1Ni=1N(di-μ)2];④通過均值和標(biāo)準(zhǔn)方差共同決定閾值,當(dāng)點的K鄰近距離比閾值大時則判斷為噪聲點。

        1.3 點云精簡

        隨著市場上激光雷達掃描系統(tǒng)掃描速度和精度的迅猛發(fā)展,快速獲取目標(biāo)物體的高精度海量點云已不是問題。但是如果直接對海量數(shù)據(jù)進行點云重建,會因為數(shù)據(jù)量密集而影響處理效率,嚴(yán)重阻礙特征信息的提取。為加快配準(zhǔn)、曲面重建、形狀識別等算法速度,必須在盡量保留點云數(shù)據(jù)特征信息的前提下,濾除大量冗余數(shù)據(jù)以減少點云數(shù)據(jù)量[17]。

        本文使用體素化網(wǎng)格方法對點云進行精簡化處理。首先對聚類去噪后的點云數(shù)據(jù)創(chuàng)建一個三維立方體集合,其體積按照具體情況設(shè)定;然后用三維立方體的重心近似表示立方體范圍內(nèi)的其它點,這樣該三維立方體內(nèi)所有點均可通過一個重心點最終表示。對所有三維立方體都進行處理后則可得到過濾后的點云。

        2 點云配準(zhǔn)技術(shù)

        激光雷達采集點云數(shù)據(jù)過程中,由于采集環(huán)境光照不均勻、掃描物體的角度、被測物體被遮擋等因素,無法從一個角度得到完整的點云數(shù)據(jù),因此實際應(yīng)用中通常是多次、多角度采集點云數(shù)據(jù),然后將多個視角下的數(shù)據(jù)根據(jù)變換矩陣整理到同一個坐標(biāo)系下,通過配準(zhǔn)技術(shù)獲得完整的點云[18]。

        點云配準(zhǔn)方法包括兩兩配準(zhǔn)、對應(yīng)估計、迭代最近點算法、采樣一致性初始配準(zhǔn)算法等,經(jīng)常使用的是迭代最近點算法。迭代最近點算法是基于最小二乘法的最優(yōu)配準(zhǔn)算法[19],主要是將兩個不同坐標(biāo)系下的點云經(jīng)最小二乘法提供的變換矩陣,旋轉(zhuǎn)、平移后得到二者重疊部分。雖然傳統(tǒng)的迭代最近點算法配準(zhǔn)時精度可達到一定要求,但效率較低。

        ICP處理流程如下:①減少初始點云數(shù)據(jù)數(shù)量;②確定初始對應(yīng)點集;③去除錯誤對應(yīng)點對;④坐標(biāo)變換求解。這4個步驟中求最近點集耗費的時間較多[20]。本文首先在目標(biāo)點云中尋找若干特征點,采用kd-tree對數(shù)據(jù)最近鄰搜索以加快對應(yīng)點查找速度,從而為配準(zhǔn)節(jié)省一定的時間;然后根據(jù)歐氏距離選擇合適的初值減少匹配誤差。

        算法流程:①減少初始點云數(shù)據(jù)量,讀取精簡后的目標(biāo)點集[Xt]和參考點集[Yt],并對[Yt]建立KD-Tree;②通過點的曲率特征,從目標(biāo)點集[Xt]隨機選取N個特征點記為[Xt];③計算特征點集[Xt]中的每一點[xi]到[Yt]中每一點[yj]的距離,找出[xi]到[Yt]距離最短的點[yj]作為匹配點對,并計算匹配點對的曲率相似度;④根據(jù)最小二乘法計算得到的旋轉(zhuǎn)和平移矩陣,進行特征點坐標(biāo)轉(zhuǎn)換;⑤迭代直到滿足誤差最小為止。

        坐標(biāo)系旋轉(zhuǎn)變換原理如圖3所示。設(shè)目標(biāo)點集[Xt]里某一點在[XOY]坐標(biāo)系下的坐標(biāo)為[(x,y)],直角坐標(biāo)系旋轉(zhuǎn)[θ]角度后在[XOY]坐標(biāo)系下的坐標(biāo)為[(x1,y1)],通過點[(x,y)]和旋轉(zhuǎn)角度可得到[x1]、[y1]的值。

        3 實驗結(jié)果及分析

        本文基于Windows7系統(tǒng)進行實驗平臺搭建,首先在Windows下安裝VMware-workstation并在虛擬機VMWare上運行Ubuntu 14.04,然后在Ubuntu 14.04下安裝一些必要的環(huán)境工具,如CMAKE、QT、VTK、boost庫等,最后安裝PCL 1.8.1、Microsoft Visual Studio 2013。仿真實驗主要利用C與C++語言,結(jié)合PCL庫,在虛擬機環(huán)境下利用Microsoft Visual Studio 2013開發(fā)平臺進行編程開發(fā)實現(xiàn)。

        首先濾除桌子點云數(shù)據(jù)中的噪聲點,如圖4所示。圖4(a)中初始點云共有460 400個數(shù)據(jù),圖4(b)中經(jīng)過去噪后的點云共有451 410個數(shù)據(jù),圖4(c)為被去掉的噪聲點云,共8 990 個數(shù)據(jù)。

        然后對濾除噪聲數(shù)據(jù)的點云進行精簡化處理,在保留點云數(shù)據(jù)特征信息的前提下,對過密的點云數(shù)據(jù)進行精簡,去除大量冗余數(shù)據(jù),如圖5所示。圖5(a)中白色為初始點云共451 410個數(shù)據(jù),綠色為經(jīng)過精簡后的點云共 ?36 993個數(shù)據(jù),雖然只保留了原來數(shù)據(jù)的1/12,但從圖5(b)中可以看出,點云的邊緣和特征信息得到很好的保留。最后對精簡后的數(shù)據(jù)進行配準(zhǔn)處理,如圖6所示。圖6中白色點云為原始點云,綠色點云為經(jīng)過一定轉(zhuǎn)換后的目標(biāo)點云,紅色為配準(zhǔn)后的點云。經(jīng)過24次迭代后完成配準(zhǔn),誤差值達到最?。ㄒ姺舛蕡D)。

        本文還對不同數(shù)據(jù)量的點云進行配準(zhǔn)比較。圖7、圖8、圖9分別是對bunny、horse、dragon數(shù)據(jù)的配準(zhǔn)。表1為以上數(shù)據(jù)的配準(zhǔn)結(jié)果。

        4 結(jié)語

        本文對點云數(shù)據(jù)進行了聚類、去噪和精簡化處理,并對精簡后的數(shù)據(jù)進行配準(zhǔn)。通過上述實驗結(jié)果可知,基于特征點保持的點云精簡與配準(zhǔn)方法對于大規(guī)模的點云數(shù)據(jù)去噪和精簡效果都很好,且減少了配準(zhǔn)時間。

        本文雖然一定程度上提升了配準(zhǔn)速度和精度,但點云配準(zhǔn)算法本身具有一定的復(fù)雜性,使得在配準(zhǔn)數(shù)據(jù)量龐大的點云時沒有明顯效率優(yōu)勢,這是下一步工作改進方向。

        參考文獻:

        [1] HAO S,HIS Y F. A global clustering approach to point cloud simplification with a specified data reduction ratio[J]. Computer-aided Design,2008,40(3):281-292.

        [2] CASTILLO E,LIANG J,ZHAO H. Point cloud segmentation and denoising via constrained nonlinear least squares normal estimates[M]. Germany:Springer Berlin Heidelberg ,2013.

        [3] BENHABILES H, AUBRETON O, BARKI H, et al. Fast simplification with sharp feature preserving for 3D point clouds[J]. International Symposium on Programming and Systems (ISPS),2013(11): 47-52.

        [4] BESL P,MCKAY N D. A method for registration of 3D shapes[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1992:239-256.

        [5] 楊現(xiàn)輝,王惠南. ICP算法在3D點云配準(zhǔn)中的應(yīng)用研究[J]. 計算機仿真,2010,27(8):235-238.

        [6] LI Q D,GRIFFITHS J G. Iterative closest geometric objects registration[J]. Computers and Mathematics with Applications,2000,40(10):1171-1188.

        [7] GE X M. Non-rigid registration of 3D point clouds under isometric deformation[J]. ?ISPRS Journal of Photogrammetry and Remote Sensing,2016(121):192-202.

        [8] SHI B Q,LIANG J,LIU Q. Adaptive simplification of point cloud using K-means clustering[J]. Computer-aided Design,2011,43(8):910-922.

        [9] HAN H Y,HAN X,SUN F S,et al. Point cloud simplification with preserved edge based on normal vector[J]. Optik - International Journal for Light and Electron Optics,2015,126(19):2157-2162.

        [10] WEI X,HUA X G,CHEN X J. A new progressive simplification method for point cloud using local entropy of normal angle[J]. Journal of the Indian Society of Remote Sensing,2018,46(4):581-589.

        [11] LI M L,SUN C M. Refinement of lidar point clouds using a super voxel based approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2018(143):213-221.

        [12] 陳杰. 散亂點云配準(zhǔn)技術(shù)優(yōu)化研究[D]. 綿陽:西南科技大學(xué),2018.

        [13] HE Y,LIANG B,YANG J,et al. An iterative closest points algorithm for registration of 3D laser scanner point clouds with geometric features[J]. Sensors (Basel, Switzerland),2017,17(8):1862-1865.

        [14] WU Y F,WANG W,LU K Q,et al. A new method for registration of 3D point sets with low overlapping ratios[J]. Procedia CIRP,2015(27):202-206.

        [15] JOAQUIM SALVI,MATABOSCH C,DAVID FOFI,et al. A review of recent range image registration methods with accuracy evaluation[J]. ?Image and Vision Computing,2006,25(5):578-596.

        [16] 楊輝華,王克,李靈巧,等. 基于自適應(yīng)布谷鳥搜索算法的K-means聚類算法及其應(yīng)用[J]. 計算機應(yīng)用,2016,36(8):2066-2070.

        [17] 李仁忠,楊曼,劉陽陽,等. 一種散亂點云的均勻精簡算法[J]. 光學(xué)學(xué)報,2017,37(7):97-105.

        [18] 孫威,黃惠. 機器人輔助的三維點云自動配準(zhǔn)[J]. 集成技術(shù),2015,4(6):37-45.

        [19] 邱世聰,羅意. 改進ICP算法的點云配準(zhǔn)[J]. 河南科技,2017(7):40-42.

        [20] 戴靜蘭,陳志楊,葉修梓. ICP算法在點云配準(zhǔn)中的應(yīng)用[J]. 中國圖象圖形學(xué)報,2007(3):517-521.

        (責(zé)任編輯:杜能鋼)

        猜你喜歡
        means聚類
        基于改進FCM聚類醫(yī)學(xué)圖像配準(zhǔn)
        基于改進的K—means算法研究家庭環(huán)境對中學(xué)生認知能力的影響
        一個基于超像素的圖像分割算法
        改進模擬退火算法的K—means聚類方法在學(xué)生成績上的應(yīng)用
        基于用戶偏好和K—means聚類的可信云資源選擇算法
        基于改進的K—Means視頻分類
        基于“粉絲經(jīng)濟”的自媒體社群用戶消費意愿研究
        人工神經(jīng)網(wǎng)絡(luò)在聚類分析中的運用
        雹云圖像的識別指標(biāo)設(shè)計
        基于QPSO聚類算法的圖像分割方法
        科技視界(2016年12期)2016-05-25 11:54:25
        麻豆文化传媒精品一区观看| 亚洲国产视频精品一区二区| 日韩精品自拍一区二区| 免费亚洲一区二区三区av| 人妻少妇精品中文字幕av| 午夜AV地址发布| 丝袜美腿爆炒国产在线观看| 中文字幕精品亚洲字幕| 欧美狠狠入鲁的视频777色| 内射交换多p国产| 白白视频在线免费观看| 国产成人自拍视频播放| 99爱在线精品免费观看| 领导边摸边吃奶边做爽在线观看 | 全免费a敌肛交毛片免费| 无码毛片aaa在线| 国产主播一区二区在线观看 | 成人免费无码视频在线网站| 人妻少妇偷人精品一区二区| 日韩人妻ol丝袜av一二区 | 久久久久久久极品内射| 免费av片在线观看网站| 国产又粗又猛又黄色呦呦| 亚洲色图专区在线视频| 小sao货水好多真紧h无码视频| 成年女人免费v片| 一区二区三区日本久久| 精品国产一区二区三区2021| 亚洲欧洲中文日韩久久av乱码| 少妇特殊按摩高潮惨叫无码| 国产一区白浆在线观看| 国产三级精品三级在线观看| 亚洲VA中文字幕无码毛片春药| 91羞射短视频在线观看| 大ji巴好深好爽又大又粗视频| 最近中文av字幕在线中文| 精品粉嫩国产一区二区三区| 久久日日躁夜夜躁狠狠躁| 狠狠色噜噜狠狠狠狠色综合久| 国产成人香蕉久久久久| 亚洲大片一区二区三区四区|