基于非平衡最优传输的不完整点云配准

发布时间：2022-01-15 01:18

　　点云配准的目标是计算点云之间相对变换,将两个或者多个点云转换到同一坐标系下完成对齐。点云在扫描过程中往往会存在噪声、异常点、缺失等问题,这些问题加大了配准难度。本文对目前刚性点云配准算法核心思想进行归纳总结,分析低质量点云在配准时精度降低的主要原因。对于刚性点云配准,多对多对应关系的算法已经比一对一对应关系的算法表现的更加鲁棒。但是当点云数据出现大量异常点和严重缺失情况下,会导致不正确的多对多对应关系,造成错误的匹配。最优传输理论是一种更通用的多对多点云配准方法,传统最优传输理论在不完整点云配准时,由于质量守恒准则导致配准结果不准确。本文提出基于非平衡最优传输理论的点云配准框架,当点云中存在大量异常点和缺失情况时仍然能完成鲁棒的配准。本文内容包括:1.提出一种基于非平衡最优传输理论的点云配准算法。将点云表示成两个概率测度,根据最优传输理论建立目标函数。本文使用的非平衡最优传输将传统最优传输中的质量守恒准则进行松弛并且对传输总质量的范围进行约束,得到配准时的精确部分质量最优传输计划。总质量的约束提供显式参数来调整两点云之间最大精确匹配比例,提供了一种高效策略来缩小求解空间,避免在点云中在... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

点云配准在自动驾驶的应用[2]

重庆邮电大学硕士学位论文第1章引言2由于点云配准在各个领域的广泛应用，在大量噪声、异常点、缺失情况下仍然能够完成精准鲁棒配准的点云算法是目前研究的重点和难点。图1.1点云配准在自动驾驶的应用[2]图1.2点云配准在三维重建的应用[3]1.2点云配准算法的关键问题点云是一种无结构的数据，点与点之间没有连接关系和对应关系。点云配准过程是根据两个点云之间的距离度量建立配准的目标函数，在优化目标函数的过程中求解两个点云之间相对变换，当目标函数优化到最小值时得到点云的相对变换，从而完成点云配准。点云配准的目的在于求解两个点云之间的相对变换。变换可以是刚性的，它保持了每一对对应点之间的距离，刚性变换包括：平移、旋转和缩放；也可以是非刚性的，它需要考虑形变，最简单的非刚性变换即仿射变换，包括：各向异性的缩放和倾斜[13]。

失在求解点云对应距离时往往会引发错误的对应关系，大规模的缺失通常会导致局部特征的丢失，使得配准的难度大大提升。非刚性配准是一个更具有挑战性的问题，因为它不仅面临上述低质量点云的问题，还需要考虑到物体的形变。在非刚性配准中，不像刚性配准，仅仅需要少数对应关系就能确定相对变换，它需要大量的对应关系来确定相对变换，如何获得这些对应关系就是一个具有挑战性的任务。在刚性配准过程中，往往会涉及对应关系T和变换参数(R,t)的求解，R表示旋转矩阵，t表示平移向量。点云配准的目标函数是一个非凸函数[14]，如图1.3所示。在一个非凸函数中同时优化多个未知参数是非常困难的事情，所以往往采用固定两个点云的位置，根据两个点云的初始位置来求解初始化对应关系T，再根据当前求解得到的对应关系T计算点云之间的相对变换参数(R,t)，将源点云P进行对应的变换，得到新的点云P。将上述过程继续迭代下去，从而不断最小化目标函数，设置一个合理的收敛条件，当满足条件时，求解得到的变换参数(R,t)即为点云配准的最佳变换参数，此时源点云和目标点云完成配准。图1.3点云配准的非凸函数[14]上述配准过程可以归纳出点云配准的两个步骤：求解两点云之间的对应关系和求解变换参数。在刚性变换中，利用奇异值分解(SingularValueDecomposition，SVD)的方法来计算变换参数(R,t)的显式解[15]。在点云配准过程中，最重要是计算出精确的对应关系，减少错误对应关系的数量会增加配准算法的精确度[16]。如下图1.4所

【参考文献】：
期刊论文
[1]基于信息论的KL-Reg点云配准算法[J]. 秦红星,徐雷.  电子与信息学报. 2015(06)

硕士论文
[1]应用于无人驾驶的视觉定位关键技术研究[D]. 陈哲.吉林大学 2019



本文编号：3589602