基于K近邻的点云数据处理研究

发布时间：2016-03-15 09:14

第一章绪论

1.1地面三维激光扫描技术概况
基于地面的激光扫描仪主要包括激光测距系统和激光扫描系统,王维激光扫描系统,主要由三维激光扫描仪、汁算机、电源供应系统、支架以及系统配套软件构成。而三维激光扫描仪作为三维激光扫描系统主要组成部分之一,又由激光发射器、接收器、时间计数器、马达控制可旋转的滤光镜、控制电路板、微电脑、CCD相机及软件等組成。除以上部件外,主流厂商的扫描仪通常带有数码相机,数码相机一般与扫描仪一起内置或者单独外置,数码相机可以采集扫描物体的纹理信息,这其中包括点云颜色信息,送些信息是对三维坐标信息的重要补充,在信息提取,三维建模中应用非常广泛。为了获取扫描仪在大地坐标系中的坐标,有的扫描仪还配有GPS天线,这样扫描仪自身的站也坐标系就能和大地坐标系统一起来,实现自主定位功能,使后续的数据处理过程更为方便。虽然不同的王维激光系统内部软硬件结构细节上有所不同,但是一些激光扫描系统的工作原理的差别却常常是大相径庭。主要分为脉冲式测量原理、相位式测量原理、三角测量式原理以。地面激光扫描仪主要有三类观测值:一是目标点与激光扫描仪的距离,二是激光束基于仪器站也坐标系的水平和竖直方向上的角度值,三是经目标点反射回来的激光强度。为了获得扫描对象的表面纹理信息,大部分的激光扫描仪配置了高分辨率数码照相机。
........

1.2国内外研究现状
地面三维激光扫描仪获得的点云数据集通常是散亂无序的,点与点之间缺乏明显的拓扑关系,通过计算采样点的K近邻来确定散乱点云的几何拓扑关系是点云数据处理过程中最常见的方法,它被广泛应用于估算采样点的法向量大小,噪声点的滤波处理,曲面光顺处理等过程中,是进行图形图像数据预处理的关键技术之一。K近邻搜索首先在给定的二维或王维散乱数据集中找到K个与该点距离最近的点,距离的度量一般采用欧式距离。计算某点的K个近邻点的一般方法是求出查询点与点云数据集中除自身外所有点的距离,并按升序排列,前面的K个点即为查询点的K近邻。地面三维激光扫描仪获得的原始点云数据量非常庞大,数以万计,遍历点云数据集中所有点计算查询点的K近邻时间开销过大,不利于大规模点云数据的处理。
.........

第二章K近邻搜索

2.1K近邻的概念
陈杰根据函数连续性的定义,阐述了对于给定的空间形状表面的一点,其局部邻域范围之内是连续的。因此可以采用K近邻来计算物体表面的几何信息。数学K近邻是一种理论上的概念,即对点集中给定一点,到该点A个距离最近的点就是给定点的数学K近邻。通常采用的距离度量方式为欧式距离,欧式距离计算比较简便直观,但点云数据分布和密度具有不均匀性,只采用欧式距离升算出的A近邻的空间分布通常不均匀,而后续的处理需要A近邻较为准确和均匀的反映某点周围的空间信息,过于集中的分布使得同一区域的点表示的信息有限且重复,而分布较稀疏的区域点很难完整的表达该区域的空间信息,这样会带来空间表示的冗余和缺失。如图2.1所示,在某点处选择数学意义上的K近邻的过程中,如果给定了K值(K=12),选择的近邻点主要集中于该点的左侧,该点右侧的近邻点分布较为稀疏。��
........

2.2空间索引
为了提高K近邻搜索算法的效率,首先需要建立对点云数据集的空间索引P93,根据空间对象属性的特征,给出相应的方法对空间对象属性进行重新排列,这种数据结构称为空间索引,为了处理复杂的空间对象,空间索引通常会简化对象信息,突出重点对象或对象属性,删除与研究无关的对象或对象属性。虽然空间索引只是辅助性的数据结构,但简化了這算操作过程,提高了效率。对于大量的散乱点云数据,合适的空间索引可以提高对点云数据空间操作的效率,其中包括对点云数据的查询、删除、插入等。数据结构重组法引入树状数据结构,将整个数据集分成多层次子空间,然后根据分支规则,递巧的用子空间建立节点。迭类方法用到的数据结构是二叉树或多叉树,分支规则保证了树中的节点各不相同,分支规则也决定了送类方法的搜索效率。空间分割法将点集的包画盒分成子空间,分割过程和数据结构重组法类似,但空间分割法不会将点重组为树的形式,只记录哪个子连间包含哪些点,子空间通常为立方体。算法首先计算出子立方体边长,根据边长将包围念分成许多边长一致的子立方体,然后先确定查询点在哪个子立方体,接着计算子立方体中每个点和查询点的距离,按升序排列,如果子立方体中有足够的点,并且第A个最近距离小于查询点和子立方体的最近面,就停止捜索。否者,就对附近的一个或多个子立方体进行捜索,当查询点改变时,重复上面的过程。
.........

第三章回光强度与测距误差........30
3.1回光强度........30
3.2点云测距误差产生原因和回光强度的关系........31
3.3实验与分析........35
3.4结语........36
第四章法向量估算和定向........37
4.1法向量估算方法........37
4.2K值的确定........39
4.3离群点和尖锐持征的处理........41
4.4法向量的重定向........42
4.5实验和分析........45
4.6结语........46
第五章基于曲率特征的点君数据配准........47
5.1数据配准基本问题........47
5.2转换矩阵和平移矩阵的求解........51
5.3同名点的选取........52��
5.4基于曲率的特征点提取........55��
5.5匹配点对的提取........56
5.6实验与分析........60
5.7结语........60

第五章基于曲率特征的点云数据配淮

5.1数据配准基本问题

如图5.1所示,同一三维模型数据在不同的观察坐标系下得到的两种形式。这两种形式之间的关系,可以通过一个三维射影变换矩阵好来确定。一般的地面三维测量系统,从不同视角获取的三维数据,如果没有发生特殊情况,一般不会发生形变,只需要进行参考坐掠系的旋转和平移。因此射影变换矩阵以将会变为保持角度及长度不变的刚体变换,对式(5.14),旋转矩阵及平移向量—共有6个未知参数,为此,可以利用2对控制点约束的6个线性方程,来近似求解这6个参数。由于通常情况下,很难在两组数据集中,非常精确地获得正确的对应点,采用最少点的线性解法,计算得到的欧氏变换矩阵好误差较大。为了减少变换矩阵参数的计算误差,需要寻找尽可能多的对应点,用来约束尽可備多的变换方程,然后通过数学方法来对欧氏变换参数进行估算。利用约束方程对欧氏变换矩阵的参数进行估计,通常可^转化为估计欧氏变换矩阵参数,使得在欧氏变换矩阵下,两数据集间的误差最小。

.........

总结

绪论部分介绍T地面三维激光扫描技术的发展现状。包括市场上几种主要的三维激光扫描仪和扫描仪各自的工作原理,概述了K近邻搜索的现状、基于点云回光强度信息的研究进展、对法向量估算和方向调整的重点和难点以及点云配准的研究现状。第二章分析了三种类型的K近邻,介绍了对散乱点云数据建立空间索引的必要性,重点阐述和分析了基于空间分块和KD树搜索算法的优劣,确定了KD树搜索算法作为文章的K近邻查找算法,并验证了KD树捜索算法的有效性。第三章研究了回光强度的定义以及目前主要的应用领域,分析脉冲式测距原理测距误差产生的原因,从光学角度出发,研究了回光强度对测距误差的影响,通过K近邻计算局部离群系数来定量的度量测距误差,并通过实验探讨了测距误差和回光强度之间的联系。发现某地铁隧道扫描得到的点云数据的回光强度值越小,测距误差越大。第四章介绍了基于Voroni图和局部表面拟合的法向量估算,研究了离群点和噪声的处理,合理K近邻的选取及尖锐区域法向量的稳健估算,最后分析了法向量定向的几中常见的方法,并用实验验证了法向量定向的必要性。第五章详细介绍了点云配准的基本原理和变换矩阵的求解,研究了基于标靴和基于几何特征的同名点提取方法,提出了一种新的基于曲率信息的同名点对精确匹配算法,算法采用比对局部坐标系中,法向量方向上点的值的大小来确定同名点对,用实验验证算法的到的匹配点对求得的转换参数能得到较好的初始配准效果。
.........
参考文献(略)

，

本文编号：34923