改进的张量投票及其在点云特征估计中的应用研究

发布时间：2021-08-20 06:11

　　随着三维测量技术的发展,点云处理越来越多的被成功应用于产品逆向设计、测量辅助数字化医疗、无人驾驶自主导航等诸多领域,点云逐渐成为继时间序列、图像之后的又一种新兴数据形式。特征估计作为点云数据处理的重要分支,对点云数据的平滑滤波、场景分割、参数识别等后处理均有重要影响。本课题以张量投票理论为基础,探索各向异性解析张量投票新机制,提出基于各向异性解析张量投票算法的点云特征快速、精确估计的方法。课题研究内容如下:首先,针对传统张量投票算法计算过程复杂、算法效率低的问题,提出一种解析张量投票新机制。设计一种新的张量投票衰减函数,为张量投票解析求解奠定基础;应用新的张量投票衰减函数求取棒张量投票解析解;探索棒张量向板张量和球张量的演化机制,通过构建参数可控的向量函数,求取板张量和球张量投票的解析解,为点云特征的快速、鲁棒估计奠定基础。其次,针对解析张量投票衰减函数角度敏感性差,点云局部结构对投票过程影响不足的问题,提出一种各向异性解析张量投票新机制。分析张量特征与点云曲面微分几何特征间的映射关系;构建新的各向异性张量投票衰减函数;基于各向异性张量投票衰减函数,构建各向异性解析张量投票新机制,求取... 

【文章来源】：燕山大学河北省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

经典张量投票理论流程

图 2-2 三维空间中的张量投票描述图过，本文进行推理实验所假设的输入数据是只有位置阶段编码处理时，每个散乱点云数据点都被认为是量中的球张量表示，所以这一次的张量投票只是进行，散乱点云数据中的所有点的张量信息已经粗略提取量投票从而实现对每个数据点张量信息的准确提取。维点云数据的张量投票结构图，这是对第二阶段第图在散乱点云数据中的一个数据点进行结构估计。通有近邻点的张量信息也就是一些对称的张量矩阵1T ，矩阵进行特征分解得到SiT ，PiT 和BiT 三个张量分量，矩阵T 是三维空间下的，其具体的结构示意图如下图行特征分解的结果为：

燕山大学工程硕士学位论文投票公式推导时，其张量矩阵T 也可以用 1 2 3T , , , , , 中1 2 3 , , 就是上述显著性值， 是向量3e 在 z 轴方向上的偏 y 方向上的偏差角度，而 就是向量1e 在 x 方向上的偏差角票计算时，T 的表达式为 1 2T , , , 。


本文编号：3352971