三维激光点云特征提取及配准算法改进

【摘要】：三维激光点云数据因获取途径广、扫描速度快和精度高等优点被广泛应用于现代工程中的各个领域。但点云数据也存在抗干扰性差、鲁棒性差、单次采集数据范围小等缺点,为三维点云数据的应用增加了一定的难度。因此,针对点云数据的特性,本文采用特征属性象限分割法及深度学习自动编辑器覆盖集算法,尝试解决点云要素提取和配准精度问题,论文完成的主要工作如下:(1)针对三维点云数据结构复杂性和点云密度分布不均等特性,提高匹配点对的检索速率,本文采用了一种新的特征属性象限分割法。此方法首先基于法向量对点云数据进行特征属性提取,确保整体点云数据的压缩和局部特征不变性,然后将提取的特征分割到空间象限内,将点云数据进行分块处理,提高对应点点对的正确匹配率。(2)针对三维点云数据配准精度的问题,本文改进了深度学习自动编辑器覆盖集(LORAX)的算法,首先基于随机球体覆盖集(RSCS)将象限分割的特征点云转化为为超点,利用各个象限内的超点来描述物体的三维局部特征信息,然后利用自动编码器特征向量(SAF)对超点进行几何信息描述,并将属性相同的超点点组进行配对,最后基于超点求出的配准参数完成粗配准。改进的算法增强了超点点组在描述物体属性信息时的相似性,提高了点云粗配准的精度。(3)针对最近点迭代法(ICP)的局限性,本文采用了判别优化(DO)算法,DO算法将对粗配准中获取的点云数据进行学习方向搜索,并不断将搜索空间中的序列进行迭代更新,从而获取点云配准最佳变换值的静止点,完成点云数据的最终配准。ICP算法往往会受到多余点云的干扰,而DO算法即使在重叠度遮挡或结构异常值下,也能够精确地跟踪和估计物体的姿态。