基于深度学习的点云匹配研究
发布时间：2021-02-15 09:06
点云匹配在计算图形学和视觉中具有重要的意义,为了改变目前部分三维点云数据集存在分辨率低、有噪声干扰和只有部分三维数据的问题,并且受最近神经网络成功的启发,本文主要研究基于深度学习的点云匹配,其主要核心处理可以分为三个步骤:关键点的获取、关键点的描述和用描述子进行匹配。针对这三个步骤,本文提出了一种获取关键点的方法,来获取进行深度学习的数据集,从而获取关键点;然后利用卷积神经网络进行深度学习训练,得出匹配对对应的描述子,最后使用了RANSAC算法完成点云匹配,使点云的匹配更加准确。本文主要工作与成果如下:（1）针对目前三维数据分辨率低、有噪声干扰、不完整的问题,提出了一种获取点云中关键点对的方法,并基于关键点对建立了数据集。首先,将两张RGB-D图片重建成三维点云,从中随机采样获取关键点,将关键点在重建中的3D位置映射到其位于摄像机视锥体内且未被遮挡的两幅RGB-D帧中,直接将该关键点在两幅RGB-D帧中的相应位置,作为关键点对。实验结果表明:该方法获取的关键点对,省时省力,并且精度较高,可以很好地作为深度学习训练的数据集。（2）针对目前描述子大部分是人为手工定义,从而精度、准确度较低的...
【文章来源】：中北大学山西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
初始图
中北大学学位论文8三个对应点才可求解出该问题，匹配的过程可以表示为以下方程：ptpsRt式（2-1）公式（2-1）中的pt代表目标点云中的关键点，ps代表的是与目标点云中关键点相匹配的源点云中的关键点。而求解点云匹配的过程需要求出矩阵R与向量t，匹配关系如图2-2中的蓝色线所示：图2-2匹配关系图Figure2-2Matchingrelationshipdiagram在以上的步骤计算出两片点云之间的旋转平移矩阵后，把源点云经过该旋转平移矩阵变换后，得到两片点云的匹配结果图，结果如图2-3所示：图2-3匹配结果图Figure2-3Matchingresults上面所述的三维点云经过旋转平移矩阵变换匹配在一起的例子，即为三维点云匹配的一般情况，即将两片点云经过刚体变换匹配在一起。点云匹配在应用中经常
匹配结果图
【参考文献】：
期刊论文
[1]基于点对特征的三维点云匹配算法[J]. 易杰,李蹊,易辉成,刘苗,钟凯,胡兴. 传感器与微系统. 2019(09)
[2]基于关键点提取与优化迭代最近点的点云配准[J]. 彭真,吕远健,渠超,朱大虎. 激光与光电子学进展. 2020(06)
[3]基于机器学习的光刻坏点检测研究进展[J]. 盖天洋,粟雅娟,陈颖,韦亚一. 微纳电子技术. 2019(06)
[4]基于样本协方差矩阵最大特征值的低信噪比环境电网异常状态检测[J]. 周忠强,韩松. 电力系统保护与控制. 2019(08)
[5]一种非结构环境下目标识别和3D位姿估计方法[J]. 任秉银,魏坤,代勇. 哈尔滨工业大学学报. 2019(01)
[6]基于MATLAB三种滤波算法的图像去噪技术研究[J]. 李宸鑫. 通讯世界. 2018(06)
[7]基于运动平滑约束项的快速误匹配剔除算法[J]. 李为,李为相,张璠,揭伟. 计算机应用. 2018(09)
[8]直线簇约束下的地面LiDAR点云配准方法[J]. 盛庆红,张斌,肖晖,陈姝文,王青,柳建峰. 武汉大学学报(信息科学版). 2018(03)
[9]基于两层策略的SAR图像局部不变特征点的匹配方法[J]. 赵爱罡,范小虎,赵乾,王建永,葛春. 电光与控制. 2019(01)
[10]基于卷积神经网络Caffe框架的图像分类[J]. 杨晓旭,高巍,顾颋. 电子技术与软件工程. 2017(24)
博士论文
[1]三维点云配准技术研究[D]. 熊风光.中北大学 2018
[2]地面三维激光扫描点云场景重建方法研究[D]. 龚珍.中国地质大学 2017
[3]基于点法向量姿态估计的激光雷达距离像目标识别算法研究[D]. 吕丹.哈尔滨工业大学 2016
[4]基于特征点的图像配准及其在稳像中的应用[D]. 易盟.西安电子科技大学 2013
硕士论文
[1]基于卷积神经网络的点云配准方法研究[D]. 李丹煜.中北大学 2018
[2]基于特征点匹配的点云粗配准算法研究[D]. 霍旺.中北大学 2018
[3]三维点云模型的自动配准算法研究[D]. 李羿辰.西北大学 2017
[4]基于三维激光扫描点云数据特征点提取及建筑物重建[D]. 杨明珠.昆明理工大学 2017
[5]一种增强现实几何一致性算法的优化研究[D]. 杨阳.北京理工大学 2016
[6]基于计算机视觉的平面特征点定位与多分辨率分析研究[D]. 徐凯.东南大学 2016
[7]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
本文编号：3034578
【文章来源】：中北大学山西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
初始图
中北大学学位论文8三个对应点才可求解出该问题，匹配的过程可以表示为以下方程：ptpsRt式（2-1）公式（2-1）中的pt代表目标点云中的关键点，ps代表的是与目标点云中关键点相匹配的源点云中的关键点。而求解点云匹配的过程需要求出矩阵R与向量t，匹配关系如图2-2中的蓝色线所示：图2-2匹配关系图Figure2-2Matchingrelationshipdiagram在以上的步骤计算出两片点云之间的旋转平移矩阵后，把源点云经过该旋转平移矩阵变换后，得到两片点云的匹配结果图，结果如图2-3所示：图2-3匹配结果图Figure2-3Matchingresults上面所述的三维点云经过旋转平移矩阵变换匹配在一起的例子，即为三维点云匹配的一般情况，即将两片点云经过刚体变换匹配在一起。点云匹配在应用中经常
匹配结果图
【参考文献】：
期刊论文
[1]基于点对特征的三维点云匹配算法[J]. 易杰,李蹊,易辉成,刘苗,钟凯,胡兴. 传感器与微系统. 2019(09)
[2]基于关键点提取与优化迭代最近点的点云配准[J]. 彭真,吕远健,渠超,朱大虎. 激光与光电子学进展. 2020(06)
[3]基于机器学习的光刻坏点检测研究进展[J]. 盖天洋,粟雅娟,陈颖,韦亚一. 微纳电子技术. 2019(06)
[4]基于样本协方差矩阵最大特征值的低信噪比环境电网异常状态检测[J]. 周忠强,韩松. 电力系统保护与控制. 2019(08)
[5]一种非结构环境下目标识别和3D位姿估计方法[J]. 任秉银,魏坤,代勇. 哈尔滨工业大学学报. 2019(01)
[6]基于MATLAB三种滤波算法的图像去噪技术研究[J]. 李宸鑫. 通讯世界. 2018(06)
[7]基于运动平滑约束项的快速误匹配剔除算法[J]. 李为,李为相,张璠,揭伟. 计算机应用. 2018(09)
[8]直线簇约束下的地面LiDAR点云配准方法[J]. 盛庆红,张斌,肖晖,陈姝文,王青,柳建峰. 武汉大学学报(信息科学版). 2018(03)
[9]基于两层策略的SAR图像局部不变特征点的匹配方法[J]. 赵爱罡,范小虎,赵乾,王建永,葛春. 电光与控制. 2019(01)
[10]基于卷积神经网络Caffe框架的图像分类[J]. 杨晓旭,高巍,顾颋. 电子技术与软件工程. 2017(24)
博士论文
[1]三维点云配准技术研究[D]. 熊风光.中北大学 2018
[2]地面三维激光扫描点云场景重建方法研究[D]. 龚珍.中国地质大学 2017
[3]基于点法向量姿态估计的激光雷达距离像目标识别算法研究[D]. 吕丹.哈尔滨工业大学 2016
[4]基于特征点的图像配准及其在稳像中的应用[D]. 易盟.西安电子科技大学 2013
硕士论文
[1]基于卷积神经网络的点云配准方法研究[D]. 李丹煜.中北大学 2018
[2]基于特征点匹配的点云粗配准算法研究[D]. 霍旺.中北大学 2018
[3]三维点云模型的自动配准算法研究[D]. 李羿辰.西北大学 2017
[4]基于三维激光扫描点云数据特征点提取及建筑物重建[D]. 杨明珠.昆明理工大学 2017
[5]一种增强现实几何一致性算法的优化研究[D]. 杨阳.北京理工大学 2016
[6]基于计算机视觉的平面特征点定位与多分辨率分析研究[D]. 徐凯.东南大学 2016
[7]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
本文编号：3034578
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3034578.html
