基于不可见结构光的车辆三维建模技术
发布时间:2024-05-12 19:05
结构光三维建模技术重建效率高,更适用于缺乏纹理特征的物体,是计算机领域的一个研究与应用热点,但存在投影图案易被场景中光线干扰,同时建模尺寸受限的问题。本文设计红外结构光及点云拼接的方案,实现室外场景下实体车辆的三维建模。本方案包括车辆点云采集、精简及三角网格化三个步骤:⑴车辆三维点云采集。设计制造了一台刚性龙门架,用以搭载红外深度传感器,采集车辆头部、尾部、顶部及两侧的点云数据,依据空间直角坐标系下的旋转及平移变换,完成点云坐标归一化,拼接获得完整车辆的三维点云。⑵车辆点云精简与去噪。本文首先提出一种曲率精简算法,其以栅格内K-means聚类结果构造三角形,以相邻三角形法线夹角平均值作为局部曲率估计值,在车辆高曲率区域保留更多三维数据点,与均匀精简相比,对车辆轮廓细节描述更加精确。之后针对人为设定精简规则可能存在误采样的缺陷,本文又设计了一种用于车辆点云采样的多层卷积神经网络,将栅格内点云输入卷积神经网络进行通道伸缩与特征映射,用以挖掘车辆点云的空间结构共性,在完成训练后依据前馈神经网络进行点云采样,增强了点云精简过程中的非线性表征能力。最后依据空间位置滤除地表密集噪点,沿三个坐标轴向...
【文章页数】:79 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景及意义
1.2 研究现状
1.2.1 车辆建模及其应用
1.2.2 结构光三维测量
1.3 本文研究内容
1.4 本文章节安排
第二章 结构光三维测量基础理论
2.1 结构光编码方式
2.1.1 时间编码
2.1.2 邻域编码
2.1.3 直接编码
2.2 相机成像模型与参数标定
2.2.1 相机成像模型
2.2.2 相机参数标定
2.3 结构光解码
2.4 三维坐标计算
2.5 本章小结
第三章 车辆三维点云采集
3.1 点云采集设备
3.1.1 红外深度传感器
3.1.2 刚性龙门架
3.2 坐标归一化推导
3.2.1 平移变换
3.2.2 旋转变换
3.2.3 多采集位置坐标归一化
3.3 室外场景下车辆点云采集
3.3.1 采集过程
3.3.2 数据记录
3.4 数据处理与实验结果
3.4.1 数据预处理
3.4.2 坐标归一化
3.4.3 实验结果
3.5 本章小结
第四章 车辆点云精简与去噪
4.1 点云栅格存储
4.1.1 栅格存储定义
4.1.2 栅格存储步骤
4.2 点云均匀精简
4.2.1 算法原理
4.2.2 实验结果及分析
4.3 点云曲率精简
4.3.1 K-means聚类算法
4.3.2 曲率估计
4.3.3 实验结果及分析
4.4 基于卷积神经网络的点云精简
4.4.1 采样网络结构
4.4.2 损失函数设计
4.4.3 训练及验证过程
4.5 车辆外部点云去噪
4.5.1 地面高密度噪点清除
4.5.2 车辆外部低密度噪点清除
4.5.3 去噪结果及分析
4.6 本章小结
第五章 车辆点云三角网格化
5.1 相关概念
5.1.1 三角网格
5.1.2 Delaunay三角剖分
5.1.3 空间生长法
5.2 车辆点云三角网格化方法
5.2.1 邻近点搜索
5.2.2 构造种子三角形
5.2.3 扩展点约束条件
5.2.4 顶点评价函数
5.3 三角网格化结果及分析
5.4 本章小结
第六章 总结与展望
6.1 研究工作总结
6.2 问题与展望
参考文献
致谢
作者简介
本文编号:3971761
【文章页数】:79 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景及意义
1.2 研究现状
1.2.1 车辆建模及其应用
1.2.2 结构光三维测量
1.3 本文研究内容
1.4 本文章节安排
第二章 结构光三维测量基础理论
2.1 结构光编码方式
2.1.1 时间编码
2.1.2 邻域编码
2.1.3 直接编码
2.2 相机成像模型与参数标定
2.2.1 相机成像模型
2.2.2 相机参数标定
2.3 结构光解码
2.4 三维坐标计算
2.5 本章小结
第三章 车辆三维点云采集
3.1 点云采集设备
3.1.1 红外深度传感器
3.1.2 刚性龙门架
3.2 坐标归一化推导
3.2.1 平移变换
3.2.2 旋转变换
3.2.3 多采集位置坐标归一化
3.3 室外场景下车辆点云采集
3.3.1 采集过程
3.3.2 数据记录
3.4 数据处理与实验结果
3.4.1 数据预处理
3.4.2 坐标归一化
3.4.3 实验结果
3.5 本章小结
第四章 车辆点云精简与去噪
4.1 点云栅格存储
4.1.1 栅格存储定义
4.1.2 栅格存储步骤
4.2 点云均匀精简
4.2.1 算法原理
4.2.2 实验结果及分析
4.3 点云曲率精简
4.3.1 K-means聚类算法
4.3.2 曲率估计
4.3.3 实验结果及分析
4.4 基于卷积神经网络的点云精简
4.4.1 采样网络结构
4.4.2 损失函数设计
4.4.3 训练及验证过程
4.5 车辆外部点云去噪
4.5.1 地面高密度噪点清除
4.5.2 车辆外部低密度噪点清除
4.5.3 去噪结果及分析
4.6 本章小结
第五章 车辆点云三角网格化
5.1 相关概念
5.1.1 三角网格
5.1.2 Delaunay三角剖分
5.1.3 空间生长法
5.2 车辆点云三角网格化方法
5.2.1 邻近点搜索
5.2.2 构造种子三角形
5.2.3 扩展点约束条件
5.2.4 顶点评价函数
5.3 三角网格化结果及分析
5.4 本章小结
第六章 总结与展望
6.1 研究工作总结
6.2 问题与展望
参考文献
致谢
作者简介
本文编号:3971761
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3971761.html
最近更新
教材专著