《基于结构关联的三维点云配准研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
学校代码：１０００４密级：公开又４乂攀ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕士学位论文基于结构关联的三维点云配准研究作者姓名张哲学科专业计算机科学与技术指导教师许宏丽教授培养院系计算机与信息技术学院ｆ二零一八年四月 硕士学位论文基于结构关联的三维点云配准研究Ｒｅｇｉｓｔｒａｔｉｏｎｏｆ３ＤｏｉｎｔｃｌｏｕｄｓｂａｓｅｄｏｎＳｔｒｕｃｔｕｒａｌＡｓｓｏｃｉａｔｉｏｎｐ作者：张哲导师：许宏丽北京交通大学２０１８年４月 学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。（保密的学位论文在解密后适用本授权说明）导师签名：学位论文作者签名：ｍ？曰期年３月曰签字曰期？Ｍ年芩月方曰签字豸Ｖ ：学校代码：００４１０密级公开北京交通大学硕士学位论文基于结构关联的三维点云配准研究Ｒｅｉｓｔｒａｔｉｏｎｏｆ３ＤＰｏｉｎｔＣｌｏｕｄｓＢａｓｅｄｏｎＳｔｒｕｃｔｕｒａｌＡｓｓｏｃｉａｔｉｏｎｇ？１５１２０４７０作者姓名．张哲学号：：导师姓名许宏丽职称：教授学位类别：工学学位级别：硕士学科专业：计算机科学与技术研究方向：计算机视觉北京交通大学２０１８年４月ｉ 致谢，至今仍记得刚上研，两年多的研宄生求学生活即将结束岁月如梭，转眼间、自己的担心，感觉不知道如何下手同学宄生确定研究课题时。但是在各位老师一一的关心和帮助下，我慢慢走近课题研宄内容，我才能步，是在他们的鼓励下步完成研宄生毕业设计。值此毕业论文完成之际，我谨向所有关心、爱护、帮助我的人们表示最诚挚的感谢与最美好的祝愿。本论文是在导师许宏丽教授的悉心指导下完成的。两年多的时间里，严谨的治学态度，工作作，许宏丽老师渊博的专业知识精益求精的风，诲人不倦的高尚师德，朴实无华、平易近人的人格魅力对我影响深远。许老师不仅授我以文，，，而且教我做人虽历时三载却赋予我终生受益无穷之道。本一论文从论文的选题、修改直至定稿，倾注了老师大量的时间和精力，每步都是在导师的指导下完成的。至此论文完成之际，我向我的导师许宏丽教授表示深切的谢意与祝福。在本文研究过程中，，我还要感谢实验室的同学包括侯琳琳、刘静静、白宏运、高佳月等，他们在研宄过程中对我的帮助和支持非常多。另外也感谢我挚爱的爸爸妈妈，他们的理解和支持是我学习上最大的动力。正是他们的支持，才使我能够在学校专心完成学业。本文在国家自然科学基金Ｎｏ．６１４７２０２９６１４７３０３１、科技部国家重点研发计划（，）（Ｎｏ．２０１６ＹＦＢ１２００１００）、北京市自然科学基金Ｎｏ．４１５２０４２和中央高校基本科研业（）务费专项资金＠〇．２０１６见２００５２０１６圯＾１０１９，２０１６阳１＾０１６的资助下完成。，）Ｖ 北京交通大学硕士学位论文摘要摘要随着三维点云处理技术的快速发展，三维点云处理技术被广泛应用于各项研究领域中。在实际工程中由于检测物体易受物体遮挡、环境、表面布局和获取方式等因素的影响，需要多次从不同角度获取点云。因此，要将不同视角的点云完一一成配准，个整体形成，选取种好的配准方法尤为重要。本文综合考虑点云配准流程中每个步骤对配准结果精度和效率的影响，从不同角度出发，保证配准精度，提高配准效率。本文主要工作如下：１本文对点云特征描述子做了研究，。针对点云数据量大，特征描述能力弱（）特征计算效率低的问题，本文提出了基于法向量分布的特征描述子和基于统计特征直方图的特征描述子。其中，基于法向量分布的特征描述子计算效率快，能快速提取点云中的特征点；基于统计特征直方图的特征描述子综合考虑点云法向量分布统计特征、深度统计特征和密度统计特征，能够全面描述点云的结构关联特性，，。实验表明使用基于法向量分布的特征描述子提取出的特征点具有较高的鲁棒性；使用基于统计特征直方图的特征描述子，能够准确描述探寻点所在区域内点的结构关联关系。２本文对基于特征描述子的配准算法做了研究，提出了基于统计特征直方图（）的点云初始配准算法和基于ＩＣＰ的精确配准的两步配准算法，。在初始配准中针对初始点云数据过大问题，提出了可变边长的体素网格算法，在保证点云质量的基础上，，精简点云。针对精简点云中存在的特征相近的点影响配准精度的问题云的关键点集本文提出了基于法向量分布特征的关键点提取算法，提取出每个点合，。针对提取关键点后细节的丢失问题使用统计特征直方图来增强点云的描述能力。本文结合ＲＡＮＳＡＣ算法的基本思想对两视角的关键点完成初始配准。对初始配准的结果，使用ＩＣＰ算法实现最终的精确配准。实验表明，本算法与ＩＣＰ算法相比，能够对任意初始位置的点云完成正确配准。与使用ＦＰＦＨ特征的配准算法相比，，提高配准速度本算法能够在相近的配准精度下。３实现了点云三维重构系统的设计与开发。系统运用本文提出的两步配准算（）法，完成高精度配准ｅｌａｕｎａ算法完成最终的三维重构系统界面分别；并使用Ｄｙ；对配准结果和重构结果可视化。关键词：点云配准；；；多视角点云精简关键点；特征描述子ｉｉｉ 北京交通大学硕士学位论文ＡＢＳＴＲＡＣＴＡＢＳＴＲＡＣＴｔｔｏＷｉｔｈｔｈｅｒａｉｄｄｅｖｅｌｏｍｅｎｔｏｆ３Ｄｏｉｎｃｌｏｕｄｒｏｃｅｓｓｉｎｅｃｈｎｏｌｏ３Ｄｉｎｔｐｐｐｐｇｇｙ，ｐｃｌｏｕｄｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｙｈａｓｂｅｅｎｗｉｄｅｌｙｕｓｅｄｉｎｖａｒｉｏｕｓｒｅｓｅａｒｃｈｆｉｅｌｄｓ．Ｄｕｅｔｏｔｈｅｄｅｔｅｃｔｅｄｏｂｊｅｃｔｓｉｎｆｌｕｅｎｃｅｄｂｙｏｂｊｅｃｔｓｅｎｖｉｒｏｎｍｅｎｔ，ｓｕｒｆａｃｅｌａｏｕｔａｎｄａｃｕｉｓｉｔｉｏｎ，ｙｑｍｅｔｈｏｄｓｉｎａｃｔｕａｌｒｏｅｃｔｉｔｉｓｎｅｃｅｓｓａｒｔｏｏｂｔａｉｎｏｉｎｔｃｌｏｕｄｓｆｒｏｍｄｉｆｅｒｅｎｔａｎｌｅｓｐｊ，ｙｐｇｍａｎｙｔｉｍｅｓＴｈｅｒｅｆｏｒｅｉｎｏｒｄｅｒｔｏｃｏｍｌｅｔｅｔｈｅｒｅｉｓｔｒａｔｉｏｎｏｆｏｉｎｔｃｌｏｕｄｓｗｉｔｈ，ｐｇｐｄｉｆｅｒｅｎｔｅｒｓｅｃｔｉｖｅｓｉｉｓａｒｔｉｃｕｌａｒｌｉｍｏｒｔａｎｏｃｈｏｏｓｅａｏｏｄｒｅｉｓｔｒａｔｉｏｎｍｅｔｈｏｄ．ｐｐ，ｔｙｐｔｔｇｇｐＩｎｔｈｅａｅｒｗｅｃｏｎｓｉｄｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｅａｃｈｓｔｅｉｎｔｈｅｏｉｎｔｃｌｏｕｄｒｅｉｓｔｒａｔｉｏｎｐｐ，ｐｐｇｐｒｏｃｅｓｓｏｎｔｈｅａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｒｅｇｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｓ．Ｂｅｓｉｄｅｓ，ｔｈｅｒｅｉｓｔｒａｔｉｏｎｔｉｍｅｉｓｉｍｐｒｏｖｅｄｏｎｔｈｅｂａｓｉｓｏｆｅｎｓｕｒｉｎｔｈｅｒｅｉｓｔｒａｔｉｏｎａｃｃｕｒａｃｙｆｒｏｍｇｇｇｄｉｆｆｅｒｅｎｔｅｒｓｐｅｃｔｉｖｅｓ．Ｔｈｅｍａｉｎｗｏｒｋｏｆｔｈｉｓｐａｅｒｉｓａｓｆｏｌｌｏｗｓ：ｐｐ－Ｆｉｒｓｔｌｔｈｅｏｉｎｔｃｌｏｕｄｓｔｒｕｃｔｕｒｅｒｅｌａｔｅｄｆｅａｔｕｒｅｄｅｓｃｒｉｔｏｒｈａｓｂｅｅｎｓｔｕｄｉｅｄ．Ａｉｍｉｎｙ，ｐｐｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｌａｒｇｅａｍｏｕｎｔｏｆｄａｔａｉｎｐｏｉｎｔｃｌｏｕｄ，ｗｅａｋｆｅａｔｕｒｅｄｅｓｃｒｉｐｔｉｏｎａｂｉｌｉｔｙａｎｄｌｏｗｆｅａｔｕｒｅｃｏｍｕｔｉｎｅｆｆｉｃｉｅｎｃｔｈｅａｅｒｒｅｓｅｎｔｓａｆｅａｔｕｒｅｄｅｓｃｒｉｔｏｒｂａｓｅｄｏｎｐｇｙ，ｐｐｐｐｎｏｒｍａｌｖｅｃｔｏｒｄｉｓｔｒｉｂｕｔｉｏｎａｎｄａｆｅａｔｕｒｅｄｅｓｃｒｉｔｏｒｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｈｉｓｔｏｇｒａｍ．ｐＡｍｏｎｇｔｈｅｍｔｈｅｆｏｒｍｅｒｈａｓｈｉｈｃｏｍｕｔａｔｉｏｎａｌｅｆｉｃｉｅｎｃａｎｄｃａｎｕｉｃｋｌｅｘｔｒａｃｔｔｈｅ，ｇｐｙｑｙｆｅａｔｕｒｅｏｉｎｔｓｉｎｔｈｅｏｉｎｔｃｌｏｕｄ．Ｔｈｅｌａｔｔｅｒｃｏｍｒｅｈｅｎｓｉｖｅｌｙｃｏｎｓｉｄｅｒｓｔｈｅｓｔａｔｉｓｔｉｃａｌｐｐｐｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｏｉｎｔｃｌｏｕｄｎｏｒｍａｌｖｅｃｔｏｒｄｉｓｔｒｉｂｕｔｉｏｎ，ｄｅｐｔｈｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓａｎｄｐｄｅｎｓｉｔｙｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓａｎｄｃａｎｃｏｍｐｒｅｈｅｎｓｉｖｅｌｙｄｅｓｃｒｉｂｅｔｈｅｓｔｒｕｃｔｕｒｅｃｏｒｒｅｌａｔｉｏｎ，ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｏｉｎｔｃｌｏｕｄｓ．Ｅｘｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｆｅａｔｕｒｅｏｉｎｔｓｅｘｔｒａｃｔｅｄｂａｓｅｄｐｐｐｏｎｔｈｅｎｏｒｍａｌｖｅｃｔｏｒｄｉｓｔｒｉｂｕｔｉｏｎｈａｖｅｈｉｇｈｒｏｂｕｓｔｎｅｓｓ．Ｕｓｉｎｇｔｈｅｆｅａｔｕｒｅｄｅｓｃｒｉｐｔｏｒｓｂａｓｅｄｏｎｔｈｅｈｉｓｔｏｇｒａｍｏｆｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓｃａｎａｃｃｕｒａｔｅｌｙｄｅｓｃｒｉｂｅｔｈｅｓｔｒｕｃｔｕｒａｌｒｅｌａｔｉｏｎｓｈｉｓｂｅｔｗｅｅｎｈｅｏｉｎｔｓｉｎｔｈｅｓｅａｒｃｈａｒｅａ．ｐｔｐｔｕｒｅ－ｔＳｅｃｏｎｄｌｙｔｈｅｒｅｉｓｔｒａｔｉｏｎａｌｏｒｉｔｈｍｂａｓｅｄｏｎｓｔｒｕｃｒｅｌａｔｅｄｆｅａｔｕｒｅｄｅｓｃｒｉｏｒｓ，ｇｇｐｈａｓｂｅｅｎｓｔｕｄｉｅｄ，ａｎｄｐｕｔｆｏｒｗａｒｄｔｈｅａｌｇｏｒｉｔｈｍｔｈａｔａｐｏｉｎｔｃｌｏｕｄｉｎｉｔｉａｌｒｅｇｉｓｔｒａｔｉｏｎｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｈｉｓｔｏｇｒａｍＳＦａｎｄａｎａｃｃｕｒａｔｅｒｅｇｉｓｔｒａｔｉｏｎｂａｓｅｄｏｎＩＣＲＩｎ（）ｔｈｅｉｎｉｔｉａｌｒｅｉｓｔｒａｔｉｏｎａｉｍｉｎａｔｔｈｅｒｏｂｌｅｍｏｆｔｏｏｌａｒｅｉｎｉｔｉａｌｏｉｎｔｃｌｏｕｄｄａｔａ，ｇ，ｇｐｇｐａｖａｒｉａｂｌｅ－ｅｄｅｖｏｘｅｌｒａｏｒｉｈｍｒｏｏｓｅｄｔｏｅｎｓｕｒｅｈｅｕａｌｉｏｆｏｉｎｃｌｏｕｄａｎｄｇｇｉｄｌｇｔｉｓｐｐｔｑｔｙｔｐｓｍｔｅｃｏｕｄｍｉｎａｔｔｈｅｒｏｅｍｔｈａｔｔｅｏｉｎｔｓｎｅａｒｔｈｅｆｅａｕｒｅｏｉｎｔｓｉｎｈｉｐｌｉｆｙｈｌ．Ａｉｇｐｂｌｈｐｔｐｔｅｓｔｒｅａｍｌｉｎｅｄｏｉｎｔａｆｆｅｃｔｔｈｅｒｅｉｓｔｒａｔｉｏｎａｃｃｕｒａｃｙａｋｅｏｉｎｔｅｘｔｒａｃｔｉｏｎａｌｏｒｉｔｈｍｂａｓｅｄｇ，ｙｐｇｐｉｖ 北京交通大学硕士学位论文ＡＢＳＴＲＡＣＴｏｎｔｈｅｎｏｒｍａｌｖｅｃｔｏｒｄｉｓｔｒｉｂｕｔｉｏｎｆｅａｔｕｒｅｉｓｒｏｏｓｅｄｉｎｔｈｉｓａｅｒ．Ａｔｔｈｅｓａｍｅｔｉｍｅｔｈｅｐｐｐｐ，ｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｈｉｓｔｏｒａｍｉｓｕｓｅｄｔｏｅｎｈａｎｃｅｔｈｅｄｅｓｃｒｉｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｏｉｎｔｃｌｏｕｄｇｐｐｔｏｓｏｌｖｅｔｈｅｒｏｂｌｅｍｏｆｌｏｓｓｏｆｄｅｔａｉｌａｆｔｅｒｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｔｈｅｋｅｙｏｉｎｔｓ．ＷｅｂｏｒｒｏｗｐｐｔｈｅｉｄｅａｏｆＲＡＮＳＡＣａｌｇｏｒｉｔｈｍｔｏｃｏｍｐｌｅｔｅｔｈｅｉｎｉｔｉａｌｒｅｇｉｓｔｒａｔｉｏｎｏｆｔｈｅｋｅｙｏｉｎｔｓｏｆｐｔｈｅｔｗｏｖｉｅｗｓｏｒｈｅｉｎｉｉａｌｒｅｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｈｅｆｉｎａｌｒｅｉｓａｔｉｏｎｉｓｄｏｎｅｕｓｉｎｔｈｅ．Ｆｔｔｇｔｔｒ，ｇｇＩＣＰａｌｇｏｒｉｔｈｍ．ＲｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈＩＣＰａｌｇｏｒｉｔｈｍ，ｔｈｉｓａｌｇｏｒｉｔｈｍｃａｎｃｏｒｒｅｃｔｌｙｒｅｇｉｓｔｅｒｔｈｅｐｏｉｎｔｃｌｏｕｄｉｎａｎｙｉｎｉｔｉａｌｐｏｓｉｔｉｏｎ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｉｍｐｒｏｖｅｔｈｅｒｅｇｉｓｔｒａｔｉｏｎｓｐｅｅｄｗｉｔｈｓｉｍｉｌａｒｒｅｇｉｓｔｒａｔｉｏｎａｃｃｕｒａｃｙｎｃｏｍａｒｓｏｔｔｅｒｅａｏｎＦＨｒｅｉｐｉｎｏｈｇｉｓｔｒｔｉａｌｇｏｒｉｔｈｍｕｓｉｎｇｔｈｅＦＰｆｅａｔｕ．，ＢａｓｅｄｏｎＶｉｓｕａｌＣ＋＋６．０ａｎｄＱＴ５．６．３ｄｅｖｅｌｏｐｍｅｎｔｐｌａｔｆｏｒｍｔｈｅ３Ｄ，ｅｃｏｎｍｍｃａｎ－ｒｓｔｒｕｃｔｉｏｎｓｙｓｔｅｉｓｄｅｓｉｇｎｅｄａｎｄｉｍｌｅｍｅｎｔｅｄ．Ｔｈｅｓｙｓｔｅｕｓｅｔｈｅｔｗｏｓｔｅｐｐｒｅｔｒｔｏｎｔｔｏｔｅｔｔｇｉｓａｉａｌｏｒｉｔｈｍｒｏｏｓｅｄｉｎｈｅａｅｒｆｉｎｉｓｈｈｏｉｎｔｃｌｏｕｄｏｆｈｅｃｄｄａａｇｐｐｐｐｐｐｍａｔ－ｃｏｎｓｆｏｒｈｉｇｈｒｅｉｓｉｒｅｉｔｒａｔｉｏｎｔｈｅｎｔｈｅＤｅｌａｕｎａａｌｏｒｉｔｈｍｉｓｕｓｅｄｔｏｒｅａｌｉｚｅｔｈｅｐｇ，ｙｇ－ａｎｄｔｈｒｅｅｄｉｍｅｎｓｉｏｎａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｎｄｔｈｅｒｅｓｕｌｔｓｏｆｔｈｅｋｅｏｉｎｔｓｅｘｔｒａｃｔｉｏｎ，ｙｐｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｒｅｄｉｓｐｌａｙｅｄｏｎｔｈｅｓｙｓｔｅｍａｅ．ｐｇ－ＫＥＹＷＯＲＤＳ：ＰｏｉｎｔＣｌｏｕｄＲｅｉｓｔｒａｔｉｏｎＭｕｌｔｉｖｉｅｗＰｏｉｎｔＣｌｏｕｄＳｉｍｌｉｆｉｃａｔｉｏｎＫｅｇ；；ｐ；ｙＰｏｉｎｔｓＦｅａｔｕｒｅＤｅｓｃｒｉｔｏｒ；ｐＶ 北京交通大学硕士学位论文＾目录觀ｉｉｉＡＢＳＴＲＡＣＴｉｖ１雜３Ｕ课题背景及研宄意义３１＿２三维点云配准的研宄现状６１．３论文主要内容及组织结构８１．３．１论文的主要内容８１．３．２论文的组织结构９２基于结构关联的点云特征描述子研宄１０２．１相关工作１０２．２基于法向量分布的特征描述子１６２．３基于统计特征直方图的特征描述子１８２．４实验结果与分析２１２．４．１基于法向量分布的特征描述子实验结果与分析２１２．４２基于统计特征直方图的特征描述子实验结果与分析２３．２．５本章小结２６３基于特征描述子的配准算法２７３．１相关工作２７３．２算法流程３０３．３基于ＳＦ的点云初始配准算法３１３．３．１基于可变边长的体素网格点云精简算法３１３．３．２基于ＮＶ的关键点提取算法３５３．３．３基于ＳＦ的初始配准算法３６３＿４基于ＩＣＰ的精确配准算法３８３．５实验结果及分析：３９３．５．１散乱点云数据配准实验３９３．５．２自获取深度点云数据配准实验４４３．６本章小结４７１ 北京交通大学硕士学位论文４三维重构演示系统４９４．１基于Ｄｅｌａｕｎａｙ的三维重建４９４．２三维重构系统软件总体设计５０４．２．１三维重构系统软件搭建环境５０４．２三维重构系统软件设计思路１．２５４．３三维重构系统软件操作流程５２４．４本章小结５４５工作总结与展望５５５．１工作总结５５一５．２进步的研究建议５６参考文献５７作者简历及攻读硕士学位期间取得的研究成果６２独创性声明６３学位论文数据集６４２ 北京交通大学硕士学位论文＾１绪论本章阐述了所研宄课题的研宄背景和研究意义，并对三维点云配准研宄领域内的国内外研究现状进行综述，介绍本文的主要内容及组织结构。１．１课题背景及研究意乂在逆向工程中，通过测量设备得到的物体表面点的数据集合称之为点云。点一组数据的集合可以存储每个点的三维方向、位置坐标值、法向量等云是，不仅一、的几何信息，还可以将被测物体的表面的诸如颜色纹理及透明度等属性并存储，。现有的点云获取的方式呈现多样化趋势针对不同应用可以选择相对应的点１２３［］［］［］云获取方案－。，如图１１所示三维点云数据获取技术ＩＩ１接触式非接触式ｆｉ？謇罾手持式三维标测量光学声学电磁学＊ｚ可见光不可见光￡ＩＩＩＩ干涉测量图像分析测距法Ｘ射线红外线－图１１点云数据获取方式分类Ｆ－ｉ１１Ｔｈｅｏｉｎｔｃｌｏｕｄｄａｔａａｃｕｉｓｉｅｄｃｌａｉｆｉｉｇｉｔｏｎｍｔｈｏｓｓｃａｔｏｎｐｑ在实际应用中，常采用扫描设备获取点云，不同扫描设备获取的点云千差万别，根据能否确定邻近点位置，点云数据可以分为无序点云和有序点云。无序点云可以根据点云数据之间是否存在拓扑关系或者组织关系分为多类，如散乱点云、扫描点云、矩阵点云和多边形点云等。其中，散乱点云是指整个点－２云数据是散乱、无序的，点与点之间没有明显结构关系。如图１（ａ）所示；扫３ 北京交通大学硕士学位论文绪论描线点云是指点云排列分布整体呈扫描线形态，通常需要高精度的扫描设备来确－保曲面点云获取质量和获取效率。如图１２（ｂ）所示矩阵点云相较于前两种，；一个坐标点整体上分布接近于矩形阵列，矩阵中每个顶点对应点云数据中的，通常是经过网格化插值计算获得－）。如图１２（ｃ所示；多边形点云不同于前几种存一，多边形点云中的所有点存储在同个平面上储方式，点之间通过连接形成多个－）。平面多边形，点云结构如图１２（ｄ所示？？．．＊＃？？＊？？？．．ＫｒＴｙＫ广１爾ａ）散乱点云ｂ）扫描线点云ｃ）矩阵点云ｄ）多边形点云３图－２［］１无序点云的分类３Ｆ－［】ｉ１２ＴｈｅｃｉｆｉｉｉＰｇｌａｓｓｃａｔｏｎｏｆｄｓｏｒｄｅｒｅｄｏｉｎｔＣｌｏｕｄａ）ＳｃａｔｔｅｒｅｄＰｏｉｎｔＣｌｏｕｄｂ）ＳｃａｎｌｉｎｅＰｏｉｎｔＣｌｏｕｄｃ）ＭａｔｒｉｘＰｏｉｎｔＣｌｏｕｄ（ｄ）ＰｏｌｙｇｏｎＰｏｉｎｔＣｌｏｕｄ有序点云指点云通过矩阵进行组织，数据由杂乱无序进而被划分为行与列，如从立体相机或ＴＯＦ相机等设备获得的点云数据。该类点云的优点为每个点云能够快速找到相邻点云的位置，最近邻节点查找效率高。此外，点云按其点的几何分布稠密度可以分为稀疏型点云和密集型点云。通常稀疏型点云在几十到几千点数据量之间，结构信息较弱，在不增加其他约束的情况下，很难处理；密集型点云数据量大，典型的密集型点云为三维激光设备捕获的点云，该类点云蕴含丰富的三维点特征，具有超强的描述能力。三维点云处理技术己成为计算机图形学中的研宂热点，其优越性主要体现在如下几个方面。首先，三维点云数据能够精确记录物体表面结构信息，直接存储空间点的多维信息，描述能力大大高于平面点云。其次，，能够全视角展现物体信息对捕获到的一个视角的点云数据，通过对点云数据的平移、旋转和缩放操作，使人们可以全方面的查看物体结构。与二维图形相比，通过空间变换避免了图像中物体的遮挡现象。三维点云处理可以获取局部的目标线、面、体、空间等三维数据，最终建立目标体的三维数字模型给人们带来视觉上的真实感＾，可以构造虚，体验三维物体的视觉效应拟物体形象。在三维点云处理技术中，高精度快速点云配准方法是其研究热点和难点，在４５［］［］计算机视觉、逆向工程等领域，均有着十分重要的意义。在获取物体点云数字化模型过程中，需要在物体完整点云数据的基础上进行４ 北京交通大学硕士学位论文绪论，重建但在实际应用领域中，由于测量设备的差异和被测物体大小等因素的影响，一无法通过次测量就获得物体的完整点云数据，需要从多个视角对被测物。因此一体或空间场景进行捕获，以得到多个在相邻视角之间有定的重叠区域的局部点云数据，利用点云配准技术对上述的不同点云数据处理，进而得到物体的准确且完整的点云数据。然而，从多个视角获得的点云所在的坐标系不同，不能将得到的多个视角的点云简单地叠加在一起一。点云配准过程就是力求求解个最佳的旋转和平移变换矩阵一，将多个从不同视角下捕获的局部点云数据整合到个相同的一坐标系下，通过对不同点云之间重叠部分的匹配，近似配准出满足定精度要求的完整点云的过程，三维物体坐标信息的获取已经变。随着三维扫描技术的发展得更快速更精确，而三维点云配准算法成为三维配准与点云重构技术中的关键环，精确配准后的数据才能构成整体模型节，应用于更多领域中。因此，点云配准是后续工作的基础，，点云配准的精度决定了后续重建的精度以及测量的准确性对物体三维模型的精度具有直接的影响。在制造业中，利用配准算法将生产的实物模型与标准三维模型比对，以逆向工程为主，，检测工件是否达标，改善了质量检测效率和精确度。在建筑领域中可以借助大型扫描设备的多个视角获取建筑物的局部区域，通过配准技术将局部６［］。区域构建完整的建筑物模型，完成建筑物的建模点云配准从建，用于破损检测７８口［］［］筑港和路桥隧道等工程检测，到地形地质研宄与测量等应用，使工程检测过。程更简捷、更迅速以及更准确，综合效益得到显著提高此外，三维配准技术在９１（）１１［］［］［］目标识别、医学、图像匹配等领域中也广泛得到应用，具有无与伦比的优越性。１２三维点云配准也促进了虚拟现实［］、电子商务无人驾驶等诸多方面的发展。例如，激光雷达产品可以自动对车速进行控制，，作为主动巡航控制系统的核心其技术是否成熟直接决定了未来无人驾驶汽车能否走出理论研宄，被应用到曰常生活中。谷歌对无人驾驶汽车的研制中，己经使用了激光雷达探测器来探测车况，将多视角下获取的雷达点云数据精确配准，对汽车周围环境实现三百六十度无死角感应，动态形成运动汽车周围环境的实时监测，执行内部指令实现汽车平稳安全行驶。综上所述，点云配准技术具有重要的研究意义和丰富的应用价值。目前，现有配准算法难以满足现实中人们的应用要求，在效率和精度两个层面上都有很大？的改进空间，现有的配准算法都ｉ各自的针对性和局限性，所以导致其中。此外一多数方法在实现应用中受到了极大的限制。因此，如何获得种适用性广泛且精确度高的配准算法成为研宄的主要方向。５ 北京交通大学硕士学位论文绪论１．２三维点云配准的研究现状现阶段点云配准方法得到学术前沿的普遍关注，按配准原理可分为迭代计算最小误差配准、基于数学模型变换配准和基于特征寻求对应关系三类配准方法。一第类是迭代最小误差法。其以迭代最近点算法为基础，在不同阶段有很多不同的改进算法。迭代最近点算法（ＩｔｅｒａｔｉｖｅＣｌｏｓｅｓｔＰｏｉｎｔｓ，ＩＣＰ）是经典的配准算１４［］等在法，由说３１９９２年首次提出。ＩＣＰ算法的简单易懂，且精度较高，但由于一需要多次迭代，该算法的效率较低，且对点云数据具有较高的限制条件。其，一待配准的两个点云之间要有定重叠区域，否则会存在较多错误的对应点对，影响配准结果，不能相距；其二，待配准的两个点云之间要有相对合理的初始位置，否则可能导致算法的收敛方向不准确太远，致使配准失败。上述两个条件不只保证了该算法计算的有效性，同时也极大地限制了该算法的应用范围。因此，多位学者对原始ＩＣＰ算法的各个阶段进行研宄，提出了很多改进方法。１５［］乙１１〇１＾等在原始ＩＣＰ算法的基础上，提出欧氏距离阈值去噪和点云方向矢量夹角阈值两种改进方法，提高配准精确度和速度。然而这种方法存在不可回避的问题，Ｚｈａｎｇ的配准环境太过理想化，在实际操作扫描过程中很难做到两个点集完一，同时，达到预期的配准计算速度对于硬件配置来说也是个很大的挑战全相同。１６１７［］［］Ｃｈｅｎ等提出了ＨＴ－ＩＣＰ算法，有效的去除了错误点对，提升配准精度。Ｙａｎｇ等将ＢｎＢ算法与ＩＣＰ算法结合，通过重新划分旋转空间和平移空间来加快对应点的查找速度。然而，此种ＩＣＰ改进算法在两片点云初始位置相差太大的情况下，很容易陷入局部最优解，所以在实际应用中常在二次配准时使用。二一第类是基于数学模型变换法。基于数学模型变换法主要包括随机采样致性（ＲａｎｄｏｍＳａｍｐｌｅＣｏｎｓｅｎｓｕｓ，ＲＡＮＳＡＣ）算法和基于统计计算刚体变换算法。一＾一，致性算法最早是由Ｆｃｈｉｅｒ其中随机采样ｉｓ提出，是种从样本中准确拟１９［ｅｌ合出数学模型的方法。Ｃｈｉｉ首先将ＲＡＮＳＡＣ思想应用于点云配准中，由于ＲＡＮＳＡＣ算法对存在大量外点的数据集也同样适用，因此这种配准方法对重叠区２Ｑ域较小的两个点云的配准具有较高的鲁棒性［］。Ｐａｐａｚｏｖ提出了基于ＲＡＮＳＡＣ的一四点法，在每次采样中，随机选取同平面上的四个点，这四个点的对角线的交点将两条对角线划分为四条线段，依据在刚体变换下这些线段的长度和比例不变特性来减少搜索对应点的时间，降低算法的时间复杂度，在噪声较多的点云配准＇２１［】中也能使用。Ｍｅｎｇ提出了基于ＲＡＮＳＡＣ思想的采样球配准方法，该方法通过一建立采样球模型，提高对应点对的查找效率，，进步降低算法的时间复杂。综上，而且对噪声的鲁棒性较高基于ＲＡＮＳＡＣ的配准方法不必计算复杂的几何特征，但确定对应点对的过程相对比较复杂，当点云的特征非常明显时，适当加。通常６ 北京交通大学硕士学位论文绪论入一些几何特征约束来减少搜索对应关系的时间复杂度。这类算法通常用于大型复杂点云数据的初始配准过程。基于统计计算刚体变换算法原理是将空间离散化，定义配准误差评价标准，２２使用标准最优化技术确定点云变换【］提出的法向量分。典型的算法是＼１叫１１１１％０１１布变换（ＮＤＴ）算法，该算法的缺点是在初始参数误差较大的情况下，会使配准２３［］陷入局部极小值－。胡修祥等将ＮＡＲＦ特征与３ＤＮＤＴ特征结合，实现对三维场２４［］－ＮＤＴ算法景的快速高精度配准３Ｄ，实现了对百。骆林等通过融合ＲＧＢ影像与万级大型复杂溶洞点云数据的快速高精度配准。这类算法目前常用于大型复杂点云数据的二次配准。第三类是基于特征寻求对应关系方法。基于特征寻求对应关系的配准方法根据源点云与目标点云中对应点特征的相似性，寻求两幅点云中特征相同的点与点的对应关系，根据对应关系计算从源点云到目标点云的坐标变换。这类方法的核心是选取一个可区分性强一、不变性强的特征描述子。点的几何特征般包括点的法向量、曲率、积分不变量、矩不变量、结构关联描述子、旋转图像及特征直方图等等。上述的几何特征均为刚体变换下的不变量。其中最常见的是利用法向量和曲率结合来确定两个点云之间的对应关系。２５基于此ｅ［］，学术界对点云特征描述子进行了更深入的研宂。Ｂａ等提出利用点２６［］的曲率变化并增加对应点对间的法向量夹角约束来匹配点对，朱延娟和徐金婷２７［］也采用该方式得到点云对应关系，不能保，但由于曲率和法向量是低维描述子证对应关系的准确性，算法的精度较低。梅元刚等利用点的旋转图像来搜索确定对应关系，首先利用低维描述子确定候选对应点对，再根据旋转图像查找正确的对应关系。该方法利用低维描述子来减少高维描述子对应点的搜索区域，提高了对应关系的准确性和计算效率［Ｍ。Ｒｕｓｕ等同样利用特征直方图查找对应关系完成点云配准，由于特征直方图具有不受点云位置、方向及点云密度的影响的特点，所以该算法具有较好的鲁棒性一。基于几何特征的配准算法般适用于具有明显特３（）［］征的点云，１１，否则使用特征确定对应点易出错导致配准错误。了〇＾〇１１等提出了－旋转图像描述子（ｓｉｎｉｍａｅ）该描述子是使用最为广泛的三维形状配准描述子ｐｇ，；３３２ｔｎｔ］Ｒｕｓｕ等分别提出了点特征直方图描述子（ＰＦＨ）和快速点特征直方图描述子３３［］（），ＦＰＦＨ。其中ＦＰＦＨ和Ｔｏｍｂａｒｉ等提出的直方图方向特征描述子（ＳＨＯＴ）计３４算速度快Ｇｕｏ［ｌ，特征描述维度低；等提出的旋转投影统计局部描述子（Ｒ〇ＰＳ），一３５步提高了三维点云配准的精度［］进；＼３１＾等提出了局部特征统计直方图３６］［（ＬＦＳＨ），该描述子对于场景点云的配准，可以获得较高的配准精度。陆军等３７一提出了ＦＰＦＨ的改进算法［］，定程度上降低了配准时间。０＾１１等提出了区域方３８一向包围盒描述子ｔ］，使用全局特征实现两片点云的精确配准。陈茂霖等提出了７ 北京交通大学硕士学位论文种无附加信息的点云自动配准方法，根据地面激光点云ＰＦＨ描述子各维度的正态分布统计特性来简化点云，，并使用香农熵选择不确定性提炼配准点集替身配准精度。基于特征寻求对应关系配准方法结果可信度高。基于特征寻求对应关系配准方法最为充分的描述每个点云的区域特征，具有更好的可区分性。因此，本课题选用基于特征寻求对应关系的方法来实现多视点云的配准。其中，针对特征提取，本课题使用探寻点与邻近点的空间结构关联信息，构建点云的基本结构约束，利用结构特征构建特征描述子，实现点云的配准研究。１．３论文主要内容及组织结构１．３．１论文的主要内容针对在多视角下捕获点云数据的配准问题，分别对配准的各个阶段进行了深入的研宄，在分析各个步骤实现方法的基础上，主要利用探寻点与邻近点的空间结构关联特性构建描述子，实现高精度的关键点提取和特征描述，从而达到快速、准确的对不同视角的点云数据配准的目的。本文主要内容包括：通过点云空间结构关联关系，构建点云的基本结构约束，利用结构特征构建综合特征描述子，从而准确的描述探寻点云与邻接点云的位置关系。本文提出了基于法向量分布的特征描述子，并将法向量分布统计特征与点云深度统计特征和点云密度统计特征相结合，形成基于统计特征直方图的特征描述子，相对充分的描述点云结构关系，通过实验，验证本文所提出的描述子具有较好的描述能力。本文提出的两步配准法，，在点云初始配准过程中的点云预处理阶段利用可变边长的体素网格对点云精简，考虑到可变边长体素网格下采样对点云模型形状一有限的敏感程度和点云特征描述子的高维计算问题，通过再次精简点云数据进步提升效率，定义点云。本文提出基于法向量分布特征描述子的关键点提取算法的邻接区域和法向量分布特征计算模型，使用该模型提取关键点。本文提出基于统计特征直方图描述子的初始配准算法，对提取的关键点计算统计特征直方图描一述子，使用采样致性配准算法去除错误匹配点，准确求解变换矩阵，完成初始。。配准阶段在点云精确配准过程中，使用ＩＣＰ算法求取最佳变换本文使用ＶｉｓｕａｌＣ＋＋６．０和ＱＴ５．６．３开发平台，ＰＣＬ、ＦＬＡＮＮ、ＢＯＯＳＴ、ＶＴＫ等第三方依赖库，，实现三维重构系统该系统可实现点云关键点提取结果和重构结果的可视化。８ 北京交通大学硕士学位论文１．３．２论文的组织结构本文共分为五个章节，各章节的内容如下：一第：本文绪论，简要介绍了课题的研究背景及研究意义章，点云配准国内外研究现状以本文的主要内容和组织结构。一第二章：本文提出种基于法向量分布的特征描述子，在原始点云中，使用点云法向量分布特征描述点云与邻近点的结构关系，较好的描述点云基本空间结构。综合考虑法向量分布统计特征、密度统计特征、深度统计特征三种结构分量一变化对配准误差的影响，从，构建基于统计特征直方图的特征描述子而进步更全面地对点云空间结构进行描述。对提出的以上两种特征描述子的描述性进行实验分析。第三章：在第二章的基础上，将提出的结构特征描述子运用于点云配准中。在点云预处理阶段，提出使用可变边长的体素网格点云精简算法，并对精简的点云使用法向量分布特征描述子来提取关键点，弥补可变边长体素网格方法对点云形状的不够敏感的缺陷，保留关键点。对提取的关键点使用基于统计特征直方图一的特征描述子完成后序配准，步提升配准效率进。通过实验证明算法的有效性。第四章：本章使用ＶｉｓｕａｌＣ＋＋６．０和ＱＴ５．６．３开发平台，利用ＰＣＬ及ＦＬＡＮＮ等第三方依赖库，实现完整的三维重构演示系统的设计和开发。实现了本文第三章提出的配准算法，并使用Ｄｅｌａｕｎａｒｙ三角化实现最终的三维重构，系统界面分别对配准前点云的三维结构图、点云的ＮＶ关键点三维结构图、点云的配准结果三维结构图和基于Ｄｅｌａｕｎａｒｙ重构的重构结果图实现了可视化。一第五章：本章对全文总结，说明主要研宄成果，提出下步的工作及展望。９ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究２基于结构关联的点云特征描述子研究本章主要研宄点云的特征描述子，以现有点云的低维特征为基础，参考点云的，高维特征定义方式构建基于空间结构关联关系的结构约束，利用结构特征构建综合特征描述子，从而准确的描述探寻点云与邻接点云的位置关系，提高每个点的描述能力，对后续点云配准具有重要意义。本章的主要工作如下：１、基于法向量分布的特征描述子的定义和意义。２、基于统计特征直方图的特征描述子的定义和意义。３、通过实验，初步验证基于法向量分布的特征描述子和基于统计特征直方图的特征描述子两种描述子的描述能力。２．１相关工作在不同视角下采集的两片点云配准过程中，如何实现重合部分的自动识别是一３９４（）［］［］，，实现难度也最大。常见的方法是标志法决定配准成果的关键因素之同时，一即在物体表面附加层具有特殊纹理或者颜色信息的标志，通过识别特殊标识来实现配准一步多片点云之间的配准问题就简化成为计算参数使多个点云中。进，标志的重合的问题，，对。但标志法的局限明显首先，被测物体必须允许贴标志，珍惜文物，或者流态表面等都是明显不适用的由于附加标志必然会遮挡被测物一一体的部分表面特征，配准完成后需要通过算法补充缺失部分的信息类常。另４１［］，当计算机展示多个待配准点云时见方法是通过人工指定，通过人工分别向两片点云的图片输入重合范围，或者重合点，计算机再使用具体算法从选定的范围进行计算，对配准过程中的计算效率有着明，这种算法由于需要过多的人工干预显的制约。上述两种方法虽然都可以有效的缩小两片点云直接的匹配范围，但是“”都没有从根本上解决如何完全自动处理的问题，利用特征描述子建立。综上曲面间的对应关系，在曲面识别与重建过程中有非常广泛的应用。点云的特征描述子是指探寻点与邻域的结构关联特征，结构关联特性常使用相邻规则来约束，经典描述子的３Ｄ结构关联描述子具有辨别力强、结构简单、低敏感度等特点。一点云的３Ｄ特征描述与计算是点云信息处理中至关重要的步，特征描述的好，，，配准坏对后续的步骤包括曲面识别分割，重采样等产生很大影响。特征描０１ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究述子选择的优劣，直接决定着配准最终结果的好坏。从几何特征描述范围来讲，，包括全局特征和局部特征，曲较复杂的包括由，简单的局部法线率等几何特征多个维度特征组合形成的特征描述等。４２４３４４［］［］［］点云的几何特征主要包括低维特征描述子，例如：法向量、曲率、线４５３１性规划［］及积分不变量等［］。高维特征描述子包括形状内容描述子、旋转图像、ｐｆｈ３２［］等及ｆｐｆｈ。低维特征描述子只需要很少的几个参数值就可以表示邻近的几何特征，虽然估算过程简单高效，却难以完整地表征点邻域内的几何信息，容易受到噪声干扰，点云中仍会存在许多低维特征描述子相似的点。高维特征描述子包含丰富的点的邻域结构关联关系，例如，ＦＰＦＨ特征描述子使用３３维的直方图来描述点的邻域内的特征信息，这些特征不仅与点的三维坐标有关，同时也与法向量，但估算过程中时间复杂度高。下面概括说明几种常用的特征描述子有关。３１ｍ［］１点特征直方图（ＰｏｉｎｔＦｅａｔｕｒｅＨｉｓｔｏｒａｓ，ＰＦＨ）（）ｇＰＦＨ通过参数化探寻点与邻域点之间的空间差异，构建多维直方图。直方图中存储探寻点与区域内邻近点法线方向之间的两两相互关系，表示物体表面变化一情况－。ＰＦＨ特征的数学模型如图２１所示，表示的是任意个探寻点／Ｖ在其局部区域内，与邻近点间的结构关系，并以红色点Ａ为球心。Ｐｎ５翁〇－３１２［］图１ＰＦＨ数学模型３１－ＦｅＰＦｍａ】ｉｇ２１ＴｈＨｍａｔｈｅｔｉｃａｌｍｏｄｅｌ定义固定的局部坐标轴，计算Ｐ，和乃两点之间的法向方向偏差，其中Ｎ，表－示八的法向量，，凡表示八的法向量，如图２２所示１１ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究＝ＷＵｘＶ皆｜ｗｔ－３１图２２局部坐标系的定义［］３１－１Ｔｅｅｆｎａ［Ｆｉｎｅｃａｃｏｏｒｄｉｇ２２ｈｄｉｔｉｏｎｏｆｔｈｌｏｌｉｔｅｓｓｔｅｍｙ－＝＝ｘ－Ｐ／—＝图２２中ｗｘｖａ，ｗ？ｖｗ／ｗｕｖｗ坐标中，将法向间的ｓ，［（乃ｓ）（，｜｜ｆ＾）］一－关系定义为个三元组，如式（２１）所示：ａ＝ｖ奶－—（２１）６＝ａｒｃｔａｎｗ７ｗ７ｇ，ｇｒ）（其中，ｄ是两点Ｐ，和Ｐ的欧氏距离。，之间－计算的特征示意图如图２３所示。供＇．．．．．．．．．，愈二、＿＿顯一氣３１图２－３点云ＰＦＨ特征示意图［】３１Ｆ２－Ｈ［１ｒｅｉｇ３ＴｈｅｏｉｎｔｃｌｏｕｄＰＦｆｅａｔｕｓｋｅｔｃｈｍａｐｐｍ３２［］２快速点特征直方图（ＦａｓｔＰｏｉｎｔＦｅａｔｕｒｅＨｉｓｔｏｇｒａｍｓ，ＦＰＦＨ）（）一ＦＰＦＨ特征描述子，对于任意个探寻点ＩＶ计算这个点和它的邻域点之间的一个关系元组，使用，定义为简单点特征直方图ＳＰＦＨ。对重新确定邻近点的邻域１２ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究邻域的ＳＰＦＨ值来构造最终的ＦＰＦＨ直方图。ＦＰＦＨ与ＰＦＨ类似，保留大部分的描－述能力，使算法复杂度为ＦＰＦＨ特征的数学模型如图２４所示。＜＇＇許ＰＪ＇：＼ｋＪＰｋ２＾７ｌ＿＾；ＶＰｌＯ／”１１？…－２３－４【］图２ＦＰＦＨ数学模型３２Ｆ－ｍａｍｏｄ［１ｉｇ２４ＴｈｅｏｉｎｔｃｌｏｕｄＦＰＦＨｍａｔｈｅｔｉｃａｌｅｌｐ对于探寻点ＩＶ在其邻域半径内，，首先计算其与邻近点间点对的ＳＰＦＨ特征２－４如图中红线所示。其次，对邻近点Ｐ＆的所有ＳＰＦＨ值和探寻点匕的ＳＰＦＨ值－４中黑线所示的ＦＰＦＨ特征统计分析，如图２，从而得到最终。其中，重要的关联－信息被重复计算，如图２４中加粗黑线表示。其中，ＦＰＦＨ计算公式可以通过公式２－２）计算出ＦＰＦＨ特征的计算结果示意图如图２－５（，所示。１１ｋ—＝－ＦＰＦＨ／ＳＰＦＨ＋ｘＳ－ＰＦＨＰ（＾）（＾）Ｘ（，）（２２）＾／＝ｉ…．ｋｌＩ＿＿３２－］图２５点云ＦＰＦＨ特征示意图［３２－Ｆ２５ＰｏｕｄＦＰＦＨｅａｅ［】ｉｇｉｎｔｃｌｏｆｔｕｒｅｓｋｔｃｈｍａｐ４６［］（３）视点特征直方图描述子（ＶｉｅｗｐｏｉｎｔＦｅａｔｕｒｅＨｉｓｔｏｇｒａｍ，ＶＦＨ）１３ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究ＶＦＨ源于ＦＰＦＨ，具有ＦＰＦＨ的识别能力，并且在计算中加入视点变量信息，增加位姿判断。它的数学模型和计算。从而可应用于位姿估计和目标识别等问题－６－（）示意图如图２（ａ）和２６ｂ所示。ｐ、ｆｖ＇ＱｎＶ＇，ｐＰ＇，二＾ｊ＾ｎｗ＝ｕ＊ｖ４６图２－６乂？１１示意图［】ａ）ＶＦＨ特征示意图ｂ）ＶＦＨ计算示意图４６Ｆ－＾１ｉ２６ＶＦＨｓｃｈｅｍａｔｉｃｄｉａｒａｍｇｇａ）ＶＦＨｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｂ）ＶＦＨｃａｌｃｕｌａｔｉｏｎｓｃｈｅｍａｔｉｃｄｉａｇｒａｍ一ＶＦＨ特征包含两个部分，计算中心点，，第部分扩展ＦＰＦＨ描述子。首先。设置视点，得到中心点的视点方向其次，计算中心点的视点方向与点云中所有点的ＦＰＦＨ。第二部分包含了视点方向信息，视点特征分量可描述点云的方向特性。－ＶＦＨ特征的示意图如图２７所示。ＶＦＨ．＊｜展的ＦＰＦＨ元素｜扩｜视点元素Ｉ｜＼＼．ｉＨ！１／＾！！ｖｈｉ＼Ｉ！尸＂＼／＼Ｉ？Ｉ／Ｕ丨／丨ｒ．Ｂｉｎｓ４６２－７［】图ＶＦＨ特征示意图４６－Ｈ［］Ｆｉｇ２７ＶＦｆｅａｔｕｒｅｓｋｅｔｃｈｍａｐ４７［］（４）ＮＡＲＦ特征１４ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究ＮＡＲＦ特征基于深度图像，需要从其中提取ＮＡＲＦ特征点位置的ＮＡＲＦ特征。描述子。主要由两个部分组成，关键点提取和关键点信息描述，首先，对点云提取边缘并进行打分通过结果来判断该点作为边缘点的概率。边缘和点仍的位置关系分为上、下。选择Ａ和其右侧邻点求相、左和右四个方向对点间距离，并把该值和５比较，来判断边缘是否在该点右边。若距离大于表一示仍右侧点和外不在同个平面上。为了增加对噪声的适应能力，以Ａ右侧若干（－点的中点来替代开右侧邻点２３）所示。接下来依据此信息对该点进行，如公式－）打分，如公式（２４。＝—－ＦＰ（２３）ｒｉｇｈｔ＾ｊｘ＋ｉ，ｙｍ＝ｐ＜１ｆｓ）－－—＝ｍａｘ０－Ｓ１（２４）ｒ，ｉｇｈｌ＾ｒｉｇｈｔＶｙ一一其次个重要的参考依据，但并不唯。，在提取关键点时，边缘仅仅作为对于某个物体来说，除了边缘点之外，还应该有若干能表达其某些特征的点来做关键点，所以在设计关键点提取算法时，需要从边缘和曲面结构两个方面考虑，，并且关键点要能重复。同时关键点最好落在比较稳定的区域方便提取法线。一。某点的曲率与点云所在的曲面中，某点的曲率是最重要的结构描述因素之该点处曲面变化的剧烈程度成正比。在二维深度图像中，先找到开点及其周边与可以得到一：之距离小于２５的点并进行ＰＣＡ主成分分析，组值主方向Ｖ以及曲一＝率值Ａ。其中主方向Ｖ必然是个三维向量。对于边缘点而言，取权重ｗｌ，则Ｖ＝，取权重ｗ为边缘方向。对于其他点而言则方向为Ｖ在平面ｐ上的－－５）至（２８）是。投影，平面垂直于仍与原点的连线将权重与方向带入公式（２。某点为特征点的可能性，其结果可得到若干特征点。最后进行极大值抑制－—ｓ－四＾￣０－）ｍｉｎ１ｍａｘ１（２５々（ｊａ＇｜ａＶＶＪＪｎ，＾＝－￣ｎｗ（２＇６）／ｌ（）？＼＾Ｊ＇－－－ａｘ／？／？ｌｃｏｓａ（２７）ｎ（；）７）（＾ｊ）（）Ｊ（Ｉ＝－ｐＩ（２８）｛）＼｛ｐ）＾２｛ｐ）因此，计算ＮＡＲＦ关键点的ＮＡＲＦ特征的步骤如下：ａ）计算关键点在所在ｐａｔｃｈ的对齐方向１５ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究ｂ将星形图案叠加到ａｔｃｈ中，每个光束对应于描述在该光束下的像素变化）ｐ一ｃ从描述子中提取个不变的方向）ｄ）旋转描述子到这个值，直到旋转不变一一ｅ法向量和唯的方向起定义了该点局部区域的一个６Ｄ０Ｆ坐标帧。）－按照该步骤得到的ＮＡＲＦ特征如图２８所示。纖顯ｂ（ｃ）（）４７图２－８ＮＡＲＦ特征示意图【］４？Ｆ－ＲＦｕｒ［１ｉｇ２８ＴｈｅＮＡｆｅａｔｅｓｋｅｔｃｈｍａｐ目前的描述子虽然考虑了点云局部间的结构关联关系，但定义结构关联约束（中，多采用复杂的局部参考轴Ｌｏｃａｌｒｅｆｅｒｅｎｃｅａｘｉｓ，ＬＲＡ）作为关联基准，计算一复杂且有进步简化的空间，。因此，以上述特征描述子为基础本文中提出了基于法向量分布的特征描述子，并从点云法向量、深度以及密度三个层面的结构关联关系出发，分别构建法向量分布统计特征直方图、深度统计特征直方图、密度统计特征直方图，兼顾以上三种特征直方图，构建统计特征直方图。２．２基于法向量分布的特征描述子点云法向量是描述点云局部区域几何表面形状的重要特征，能够准确的表现一出区域姿态，的法向量特征虽，是描述点云区域几何形态的重要数学特征而单然估算过程简单高效，却只是单点特征，难以表征点的邻域内几何信息，容易受到噪声的干扰。因此，，本文基于法向量，构建了法向量分布特征描述子并将其定义为ＮＶ（ＮｏｒｍａｌＶｅｃｔｏｒ）特征，ＮＶ特征能够有效加强邻域点法向量的空间结构关联关系，加强特征描述。１６ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究根据邻域的概念，，计算点云中探寻点ｆ在邻域的法向量。因此对邻域的定义尤为重要。由于点云局部区域的邻近点分布可以体现探寻点表面特征和非特征一区域，若探寻点与周围邻近点距离比较小，反之，，般为特征区域若邻近点分布稀疏，探寻点与邻近点距离比较大，通常为模型中平滑区域，此时，若仍考虑较远的邻近点，很容易引入噪声点或影响探寻点局部特征正确性的点。因此，本文将探寻点ｆ的邻近点定义为，以£为中心，半径为搜索空间的之个与点欧氏距离最近的点，即为点云在探索半径内的邻近点个数£ｔ，设ｆ在；？＝内点云个数为《，邻近点个数为Ａ。若只考虑及半径内的的点，即，＜＝，灸否则选取半径内距离＾点最近的ｔ个点作为邻近点，即弋。１．潘？？？？？？？：２－９Ｖ图Ｎ特征示意图Ｆ２－Ｔｈｉｇ９ｅＮＶｆｅａｔｕｒｅｓｋｅｔｃｈｍａｐ－那么，将ＮＶ特征定义为探寻点与近邻点法向量夹角的均值描述，如图２９所示，其中，箭头表示其近邻点的法向量方向示意图。可以看出£点和，左面平缓一变化区域内点云法向量方向接近致，而右侧曲面区域内点云法向量方向变化较大。－－设／Ｖ为点云中ｆ点的法向量，计算公式如式（２９）、（２１０）么，那，定义ｆ点的法相均值特征为《ｖ＋－。，计算公式如式（２１１），＝￣￣Ｃ＾Ｐ）（－ＺＬｔｋＰｉ＼ＰｉＰ，２９））ＪＣ－＾Ａ－ｅｎｎ１２３－ＰＰ，ｊ｛，，｝（２１０）ｌＪｊＵ其中，／表示乃点的第ｙ个特征向量，冗表示严点邻近点集合的质心，表示点的第个特征点，表示协方差矩阵中的第个特征值，为个邻近点中的ｙ＇＿／之１７ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究／第／个点的索引，＾为ｆ点在局部区域内的Ｖ个邻近点的法向量，为向量；Ｃ的丨卜｜模长，ａｒｃｃｏ为ＪＣ的反余弦值。由于特征是对邻近点的点云法向夹角均值描述，只要空间ｆ点与其邻近点之间的空间结构关系不变，空间的缩放和旋转，对£点与其邻近点之间的法向夹角特征是不会改变的，，因此特征具有尺度不变性和旋转不变性。ｖ．特征来描述该点所在区域特性；使用《，若ｍ特征值较大。则说明尸点所在，，；区域的几何结构特征变化较大，在其邻近附近的点曲率变化较大，存在突出的几何特征。相反，则说明尸点所在区域几何结构特征变化平缓，该区域内点云的特，．征接近配准过程中容易相互干扰，可特征，。因此根据每个点的《ｖ表征该点所，在区域的变化程度。并将每个点的特征统称为点云的ＮＶ特征。２．３基于统计特征直方图的特征描述子基于法向量分布的特征描述子能够快速表示点云，但对于精度要求极其高的配一准或三维重构应用中，，其只能描述单个点的特征信息描述能力有限，若进步描述结构特征更复杂的空间区域，，则需要增加更多的统计特征。因此本文综合考虑点云中每个探寻点在各自邻域中，与邻近点之间的结构关联关系，从点云法向量分布统计特征、点云的深度统计特征以及点云的密度统计特征三个方面来定义完整的统计特征描述子，并将其定义为ＳＦ（Ｓｔａｔｉｓｔｉｃａｌｆｅａｔｕｒｅｓ）特征。其中，点云法向量分布统计特征主要体现单个点的特征信息，而在探寻点邻域内的邻近点集的空间特性信息，，主要通过深度统计特征和密度统计特征来体现，具体来说深度统计特征主要体现探寻点邻域结构的凹凸性，而密度统计特征主要体现探寻点邻域结构的稠密度。在现有结构关联关系的定义中，基于局部参考轴（ＬｏｃａｌＲｅｆｅｒｅｎｃｅＡｘｉｓ，ＬＲＡ）一定义空间点云特征的方法被广泛使用，但它的精准度是建立在ＬＲＡ唯并且稳定，若ＬＲＡ不精确，的基础上，后续严苛的定义约束也不会得到好的描述性能并且ＬＲＡ的定义复杂，基于ＬＲＡ的描述子计算效率低下。因此，本文将ＳＦ特征设计为不涉及复杂的ＬＲＡ描述，从而减少计算的复杂度。本文使用多种二维结构关联关系同时来约束点云间的三维关系，通过探寻点的ＮＶ统计特征、深度统计特征和密度统计特征来构建特征描述子。为Ｔ加快计算效率，本文使用直方图累加的；－方法将其组合，构建统计特征直方图。如公式（２１２）所示：ｓ＝ｔｈｄｔｉｔ－ｆｃｏｍｃａｉｈＮＶ，ｅ，ｈｄｅｎｓ（２１２）ｔ｛ｐ［ｙｔｊ）＾）））｛１８ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究？六？／２其中，甙为第Ｚ点的祆特征，表示ｚ点的ＮＶ统计特征直方图，碑吻表（）示／点的深度统计特征直方图，表示点的密度统计特征直方图，ｃｏｗｃａｆ〇表示直方图的连接函数。探寻点ＮＶ特征如２．２节定义，将探寻点领域内所有点的ＮＶ特征统计到直方图中，使用直方图存储探寻点与邻近点间的法向量关联关系，构成点云的ＮＶ统计特征。ＮＶ统计特征描述了曲面变化程度，能有效区分不同弯曲程度的曲面和平面。点云的深度统计特征定义为探寻点的邻近点与其在法向量投影方向的新点集－间的距离关联关系。如图２１０所示。ＬＬｔｈｊｐｆ图２－１０点云深度特征Ｆ－ｉ２１０Ｔｈｅｏｌｅｔｈｆｒｅｇｉｎｔｃｏｕｄｄｅａｔｕｐｐ＝Ｌ，假设输入点云为Ｐ，其中＂表示输入点云的总个数。对于探灼，，丹４寻点；？，，，ｒ为半径的球，，将邻域定义为以；＾点为球心可以表示为■＝＝？１２，，叹《表不／？的法向量。将作为ｐ／，，表示点的法向量｛＼ｊ／／？探寻点的局部坐标系的正方向，过仍点的法向量，做与球表面垂直的切平面Ｉ作为局部投影平面，，将外在半径ｒ内的所有邻近点投影到切平面Ｚ上得到新的＇＂＝……１２点云集乂，？和间的欧式距离作为深度信息办７，，，将｜＿／４；／Ａ；办办－办的计算公式如式（２１３）所示。将所有邻近节点的深度关联关系统计到直方图中，构成ｐ点的深度统计特征。＝－－ｄｅｐｔｈｒ２－ｇｐ／ｐ（１３）ｊｉ（）－其中，ｗ．８表不％与尸的点成关系。，＾／Ａ）（／１９ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究／卜｜｜｜ｆｖ，？髮＾ｚ（？ｆｘ：Ａ？？？＇？？？‘：、？？？？夕Ｗ＊＊？＊－Ｋ％？？ｆ：：！：ｖｙ：〇ｙｖｌ；＾ｙ））２－图１〗凹凸点特征示意图Ｆ－ｖｉｇ２１１Ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｃｈｅｍａｔｉｃｏｆｃｏｎｃａｅａｎｄｃｏｎｖｅｘｏｉｎｔｓｐ根据深度统计特征，能够很好的鉴别探寻点所在区域结构的凹凸性。对于不同区域的两个探寻点〗和，区域结构凹凸的局部深度的统计值存在强烈差异：丨点所＿／－在区域为凸区域，投影距离为私，，其邻近点投影距离均大于等于＆如图２１１中的＋４＾４＋＆；／点所在区域为凹区域，投影距离为其邻近点投影－－－－，。，距离均小于等于￣，如图２１１中的欠心＇＆上＼＾１因此深度统计特征能够较好的定义该点所在曲面的区域结构凹凸性。点云的密度统计特征定义为探寻点＾在投影面Ｚ中的投影点的分布情况。如图２－ｒ１２所示，以半径为最大边缘，将等分成多组等间距的长度〇。那么，Ｚ区域可以划分为以ｐ的投影点为圆心，倍数为半径的同心圆。每个相邻区域内点云数－量可根据只和Ｗ的欧氏距离计算得到，将其定义为ｐ。计算如式（２１４）所示：／＝￣－－２＇Ｐ／（１４）ＰＰＰＰｉｉｉ＾ｔ＼＾｛））＾其中代表；？点的距离，％为仍点的法向量，／？的取值范围为〇ｒ。密度只与／／［，］｜｜Ｉ特征可以区分点云分布区域的稠密度和分布不均匀度，从而区分不同的点云区域。２０ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究ａ＼－Ｉ！、乂．＼、＼ｊＨ＇？＼＼：—？．．．．－－图２１２点云密度特征Ｆ－１ｉｎｌｄｉｆｅａｅｉｇ２２ｐｏｔｃｏｕｄｅｎｓｔｔｕｒｙ在给出反应探寻点局部关联关系的三种结构特征后，通过统计得到三个子直方图。子图包含Ｎｕ＞＾和＞＾３的分量个数可根据输入点云的几何结构信息，设置具体数值，确定每个特征对统计直方图的约束比重。２．４实验结果与分析、为验证本章提出的ＮＶ特征和ＳＦ特征的描述能力，分别对ＮＶ特征ＳＦ特征中的各分量特征进行实验验证。２．４．１基于法向量分布的特征描述子实验结果与分析４８Ｄ［］利用斯坦福Ｂｕｎｎｙ、ｒａｇｏｎ以及Ｈａｐｐｙ数据集来验证ＮＶ特征的描述性能。对不同视角下的点云数据ｂｕｎｌ和ｂｕｎ２、ｄｒａｇｌ和ｄｒａｇ２、ｈａｐｌ和ｈａｐ２分别提取特。征点，点云数目如表１所示表１点云数量比较Ｔａｂｌｅ１ｐｏｉｎｔｃｌｏｕｄｎｕｍｂｅｒｃｏｍｐａｒｉｓｏｎ数量ｂｕｎｌｂｕｎ２ｄｒａｇｌｄｒａｇ２ｈａｐｌｈａｐ２原始数据４００９７４０２５６４１８４１４３４６７７８０５６７５５８３ＮＶ关键点数据９４８４９５４１９７０８９７３１１４４０４１４６７８２１ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究一根据输入点云集合先验结构信息．设置个初始阈值与其比较，若，对《ｖ，＜ｑ，表示所在区域起伏变化平缓，特征不明显，不作为特征点考虑；反之，若则表示该点与邻近点的法向量夹角均值较大，特征鲜明，将其作为提取的特征变化剧烈的点集。阈值Ａ直接决定着特征点提取结果。综合考虑点云先验结构信息和ＮＶ特征提取后的点云数量对点云整体的描述能力，设置数据集Ｂｕｎｎｙ－的＆等于０．０８，得到Ｂｕｎｎｙ的ＮＶ特征点示意图如图２１３（ｂ）所示：ｍｆｍｍｍｍ丨ｎｕ图２－１３原始点云与ＮＶ特征点示意图ａ）ｂｕｎｌ原始点云ｂ）ｂｕｎｌＮＶ特征点ｃ）ｈａｌ原始点云ｄ）ｈａｐｐｙｌＮＶ特征点ｐｐｙ－ｒａｃＦｉｕｒｅ２１３ｔｈｅｓｋｅｔｃｈｍａｏｆｔｈｅｏｒｉｉｎａｌｏｉｎｔｃｌｏｕｄａｎｄＮＶｃｈａｔｅｒｉｓｔｉｃｏｉｎｔｓｇｐｇｐｐａ）Ｂｕｎｌｏｒｉｉｎａｌｐｏｉｎｔｃｌｏｕｄｂ）ｂｕｎｌＮＶｃｈａｒａｃｔｅｒｉｓｔｉｃｐｏｉｎｔ；ｇｃ）ｈａｐｐｙｌｏｒｉｇｉｎａｌｐｏｉｎｔｃｌｏｕｄｄ）ｈａｐｐｙｌＮＶｃｈａｒａｃｔｅｒｉｓｔｉｃｐｏｉｎｔＮＶ．同理，将Ｈａｐｐｙ和Ｄｒａｇｏｎ数据集的阈值＆分别设为０．０８和０．０６，得到的２－－－４特征点如表１所示，可视化结果如图１３（ｄ）、２１４（ｂ）、２１（ｅ）所示：２２ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究圖國國ｒｌｌ画Ｉ國图２－１４特征点选择结果４９［］ａ）ｄｒａｇ１原始点云ｂ）ｄｒａ１ＮＶ特征点ｃ）ｄｒａｌ特征点ｇｇ４９）２６）［］（２］＾（２（１（１原始点云１特征点０＾８特征点％％Ｆｕｒｅ－２１４ｔｈｅｃｈｒａｃｅｒｉｓｔｉｃｏｎｅｃｔｉｏｎｒｅｓｕｌｓｉｇａｔｐｉｔｓｅｌｔａ）ｄｒａｇ１ｔｈｅｏｒｉｇｉｎａｌｐｏｉｎｔｃｌｏｕｄｂ）ｄｒａｇｌＮＶｃｈａｒａｃｔｅｒｉｓｔｉｃｐｏｉｎｔｓ４９［Ｊｃｄｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｏｉｎｔｓｄｄｒａ２ｏｒｉｉｎａｌｏｉｎｔｃｌｏｕｄ）ｇｐ）ｇｇｐ４９ＮＶ［］ｅｄｒａ２ｃｈａｒａｃｔｅｒｉｓｔｉｃｏｉｎｔｓｆ）ｄｒａ２ｃｈａｒａｃｔｅｒｉｓｔｉｃｏｉｎｔｓ）ｇｐｇｐ在三组实验数据集中，ｄｒａｇ数据集的点云分布变化更加剧烈，更难提取点云４９ａｎ［１ａ中的特征点。使用Ｗｇ等提出的特征提取算法分别对ｄｒｇｌ、ｄｍｇ２提取特征－４ｅ）－－点，结果如图２１（、２１４（ｆ）所示。与ＮＶ特征提取结果比较，如图２１４（ｂ）、－４ｅ２１（），由于使用到了不同的点云数据集，需要重新考虑距离、曲率、夹角等条一件对判别特征点的约束，，。因此如何设置多个参数的复杂组合成为了个难题另外，多个影响因素的计算降低了特征点选择效率。相比而言，本文对ＮＶ特征点的提取方法简单，效率高，能够提取出点云模型中曲面剧烈变换的点云。２．４．２基于统计特征直方图的特征描述子实验结果与分析利用斯坦福Ｂｕｎｎｙ数据集来验证统计特征描述子中三个分量的描述能力。实验对ｂｕｎｎｙ的局部点云数据集中的代表点Ａ、Ｂ和Ｃ展开说明，Ａ、Ｂ和Ｃ点的位一一－置如图２１５所示。Ａ点为凹曲面上的点；Ｂ为平缓曲面上的点Ｃ点为凸曲；面上的一点。２３ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究’．‘ｆ丨＿图２－１５局部点云图２－Ｆｉ１５Ｔｈｅｌｏｃａｌｏｉｎｔｃｌｏｕｄｇｐ一一一ＮＶ统计首先个特征。对比Ａ点和Ｂ点的，分析统计特征中的第特征ＮＶ统计特征，ＮＶ特征反映夹角变化程度，这里将ＮＶ的范围设置为（０，ｔｔ／４），并将其划分为，若局部区域夹角大于２０度，。如对于１２个区间其空间变化显著－Ｂｕｎｎ巴连接区域，Ａ点的ＮＶ统计特征直方图如图２１６（ａ）所示ｙ尾，大多数法向量间的夹角都分布在（６８）区间中，法向量间角度变化较大，而对于平缓变化，的周围Ｂ点－（０４），其ＮＶ统计特征如图２１６（ｂ）所示，大多数点夹角都分布在，一，法向量朝向几乎致，，区间中。因此可根据ＮＶ统计特征较好的描述探寻点的点法向量特性。１６０１３０＆１４０—－——＾———１１０：１ｊ９０一－Ｉ一墨１００醫７０＞Ｉ８０Ｉ２５０６０Ｉ４〇３０Ｉ１１２０１〇■壓謹Ｉ§｜｜＇１０１２３４５６７８９１０１１１２１２３４５６７８９１０１１１２ｂｉｎｂｉｎ－图２１６ＮＶ统计直方图ａ）Ａ点ｂ）Ｂ点．？？？－Ｆｉｎｏｎｉ２１６ＮＶｓｔａｔｉｓｔｃａｈｓｏｒａｍａＡｏｔｂＢｉｔｇｉｌｉｔｇ）ｐ）ｐ一一分析统计特征中的第二个特征深度统计特征。由于ＮＶ统计特征只描述了点所在区域曲面变化程度，并不具备曲面结构凹凸结构的区分性，因此，比较Ａ、２４ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究Ｃ两点的深度统计特征，将深度特征范围设置为（０２ｒ３），并将其划分为１３个区，／，间，对局部区域凹曲面上的点Ａ其深度统计特，其空间变化显著。对于Ｂｕｎｎｙ－征如图２１７（ａ）所示，可以看出，该点所在区域的邻域点多分布在直方图ｂｉｎ＜７－１，平均深度值较小，７的区域中；而对于凸曲面中的Ｃ点其深度统计特征如图２（ｂ）所示，该点所在区域的邻域点多分布在直方图中ｂｉｎ多７的区域中，平均深度值较大。２２０２００漏＿１７０１５０需圓１２０胃１〇００？：ＭＩ＿｜Ｉ２。…ＨＤ■■ＩＩＩｉ祖爆｜羅ｓｓ１２３４５６７８９１０１１１２１３１２４５６７８９１０１１１２１３＿３〇３ｂｉｎｂｉｎ图２－直方图１７深度统计ａ）Ａ点ｂ）Ｃ点Ｆ－ｒＡｉｇ２１７ＴｈｅｄｅｔｈｓｔａｔｉｓｔｉｃａｌｈｉｓｔｏａｍａｏｉｎｔｂＣｏｉｎｔｐｇ）ｐ）ｐ一一最后，分析统计特征中的第三个特征密度统计直方图。对于点云密度分一布不均匀的点云，，凹凸性并不能唯的描述该点因此，考虑描述探寻点的密度特征，对比Ａ点和Ｂ点的密度，设置密度范围为（０，ｒ），并将ｒ均匀的划分为８－个ｂ，ｉｎ计算得到的直方图分别如图２１８所示，其不同的直方图中邻域点的数量存在较大差异，并且分布可以用于区分点云的曲面分布特征。具体分析，由于密度特征反应的是点云分布区域的稠密度和分布不均匀度，所以考虑计算密度的期望＝＝－值和方差值。对于图２１８（ａ），五ｄｅｎＡ２４．６２５０，ＡｉｅｎＡ６．４４５７，可以判断Ａ点为稠－＝＝密度高且分布不均匀度高的点；对于图２１８（ｂ），五ｄｅｎＢ１６．１２５０，ＤｄｅｎＢ４．９３５５，可以判断Ｂ点为稠密度和分布不均匀度均适中的点。？？？２５ 北京交通大学硕士学位论文基于结构关联的点云特征描述子研究４０４０３０３〇１１ＢＩｌｉｕｍ．ｉｉｉｉｍ１２３４５６７８１２３４５６７８ｂｉｎｂｉｎ－图２１８密度统计直方图ａ）Ａ点ｂ）Ｂ点Ｆ－１ＴｈｅａａＡｉＢｉｇ２８ｄｅｎｓｉｔｓｔａｔｉｓｔｉｃｌｈｉｓｔｏｒａｍｏｎｔｂｏｉｎｔｙｇ）ｐ）ｐ综合每个描述子的特征，由ＮＶ统计特征、深度统计特征和密度统计特征构一建的ＳＦ特征描述子，能够较充分的描述探寻点所在区域的结构特性，从而唯的区分探寻点。２．５本章小结本章首先介绍了四种常用的特征描述子，即ＰＦＨ特征、ＦＰＦＨ特征、ＶＦＨ特征和ＮＡＲＦ特征，这些描述子多采用ＬＲＡ作为结构关联坐标系，其精准度建立在一ＬＲＡ唯并且稳定的基础上。但ＬＲＡ常存在定义复杂和计算不准确的问题，导致特征计算不准确，计算效率低下。鉴于此，本文基于现有描述子的构造方法，，首先提出了ＮＶ特征描述子该描述子使用法向量间的关联关系来描述点云中探寻点的点特征信息。其次，考虑单个点的特征信息对于精度要求极高的配准应用中描述能力的有限性，本文提出了统计特征描述子，该描述子在二维结构中使用局部区域内探寻点与邻近点的法向量间关联关系、深度间关联关系以及密度间的关联关系，约束点云空间三维结构关系一体的ＳＦ，形成将法向量统计特征、深度统计特征和密度统计特征整合为特征描述子，能够较充分的描述探寻点所在区域的结构特征，从而加强探寻点区分性。在本章实验中ＮＶ特征、ＳＦ特征中的各分量特征分别进行实验，初步证，对明了两个特征描述子的描述能力。２６ 北京交通大学硕士学位论文基于特征描述子的配准算法３基于特征描述子的配准算法一在上章中初步验证了ＮＶ特征与ＳＦ特征的描述能力。在配准算法中，基于特征寻求对应关系的配准方法最为充分的描述每个点云的区域特征，具有更好的可区分性一一。因此，本章将上章中的两种特征应用于点云配准中，进步说明ＮＶ特征与ＳＦ特征的描述能力。在本章中，提出了基于特征描述子的两步配准算法，两步分别为基于ＳＦ特征的点云初始配准算法和基于ＩＣＰ的点云精确配准算法。在基于ＳＦ特征的点云初始配准算法中，提出了基于可变变长的体素网格下采样算法，能够近似等比例的化－简点云，进；提出了基于ＮＶ特征的关键点筛选算法，保留点云的关键点步降一低点云数据量，准确；提出基于ＳＦ特征的采样致性配准算法，去除错误匹配点求解变换矩阵，完成初始配准。在点云精确配准过程中，使用ＩＣＰ算法，对初始配准结果完成精确配准。３．１相关工作目标全表面三维重构需要解决多视角点云的配准问题。现阶段点云配准研究已经取得了一定成果，目前配准过程的改进方法主要集中在如下的几个方面：１点集预处理（）在扫描过程中，物体点的数量级非常高被扫描进视线，背景也会，被存到点云数据里。因此，对获得的点云数据，首先需要对大量的点云数据降级，减少点，提高配准效率。其次云数据量，降低运算负荷，需要对物体背景点、异常点和５Ｇ［］噪声点进行去除处理，，避免非物体上的点影响配准精度。在预处理过程中刘斌等将八叉树与ＩＣＰ算法结合，提出ＯＴＯＡＩＣＰ算法，该算法使用八叉树求出重叠的５１［］部分区域，根据部分点云使用最近点迭代算法完成配准。靳洁使用小波变化，，实现点云数据滤波重新定义划分空间。（２）点云的选择配准过程的前提是探寻点位于两块待配准点云的重叠区域，若位于非重叠区域则肯定无法得到准确的对应点，现有国内外对点云配准方法的改进多是为了提高点云对应点选择的效率和精度。５２一［］针对效率，＆１＾１〇１＾％＆２等使用迭代最小误差法，从定程度上提高了ＩＣＰ５３一［］算法效率，但是并没有提高配准精度；Ｓｈｉｎｉ等提出了种三维匹配方法，使用ｊ２７ 北京交通大学硕士学位论文基于特征描述子的配准算法奇异值分解方法，再不需要迭代的情况下，就能确定点云匹配的最佳旋转矩阵。５４一［］Ｙａ等利用ＣＴＮＣ（ｃ－ｏ－ｎｅｘｎｇｌｏｓｅｔｔｔ）算法，提取局部点集，定程度上提高了ＩＣＰ５５算法效率［］－Ｄ－ｔｒｅｅ方，但是匹配精度还有待于提升。徐万鑫等使用分割最长轴Ｋ法，加快曲率特征配准，提髙ＩＣＰ配准速度。梁群仙等使用改进的扫描线剖分算法，，完成点云快速重建根据扫描线之间点的相对位置关系。５７－［］针对精度，Ｊ〇ｈｎｓｏｎ等提出了旋转图像描述子（ｓｉｎｉｍａｇｅ）该描述子是目ｐ，一三维人脸识别的应用中效果显著前使用最为广泛的三维结构配准描述子之，在。５８〇［］１１〇等人提出了旋转投影统计局部描述子（ＲｏＰＳ），该描述子具有较强的描述能一５９［］力能够保证点云的刚性变化，进步提升了三维点云配准的精度。３６１１丨１１等将《：？算法与点云增强技术相结合，对原始点云数据增加新的点集来提，在配准过程中升配准性能，，减少测量错误完成了对工业现场中多个传感器获取点云数据的配６（）准［］。郑德华等针对具有线性特征的扫描对象，提出了线性特征描述子，不需要６１［］求取主方向，，使用最少数量的共轭线对数实现初始的点云配准。秦绪佳等提出了基于法向量直方图的配准算法，并根据三维不变矩特征，将描述子与ＩＣＰ的％结合使用，能获得较好的配准结构。Ｍｅｎ等针对彩色点云中特殊的颜色特性，将一Ｐ算法归化的点云数据与加权ＲＧＢ色调值结合，加，提出了四维ＩＣ强点云描述ｔＭ特征。Ｒｉｃｈａｒｄ等将点云模型表面细分为拟线性表面，轮廓细分为大量的拟线性，再用ＩＣＰ算法对各部分分别进行处理曲线，采用分治的思想以达到更好的拼接效果。（３）最近点对查找一个环节最近点对查找是整个配准过程中耗时较长的，计算的对应点示意图果３－如图１所示。最简单的方式是使用欧氏距离作为最近点计算的度量，除了欧氏距离约束条件，常用多维特征来描述点云，对于多维特征，将曲面上探寻点及邻域一，的结构特征用个特定向量描述，邻域则采用Ａ邻域查询和半径搜索两种方法通过匹配向量值来建立不同曲面中点的对应关系。图３－１对应点计算结果Ｆ－ｉ３１Ｔｈｅｒｅｓｕｌｔｏｆｔｈｅｃｏｒｒｅｓｏｎｄｉｎｏｉｎｔｃａｌｃｕｌａｔｉｏｎｇｐｇｐ２８ 北京交通大学硕士学位论文基于特征描述子的配准算法一６４［］八叉树（Ｏｃｔｒｅｅ）是种可以描述三维空间的树状结构。树中每个节点表一－。３２示个立方体，每个节点如图。若立方体不空又可以被分为八个子立方体所示，右侧为对应的空间数据结构。，左侧为视觉上立方体的划分结果６４－ｔ图３２八叉树数据结构］６４Ｆ－２Ｔｈｅｒｃｕ［］ｉ３ｄａｔａｓｔｕｔｒｅｏｆｏｃｔｒｅｅｇ一－Ａ：：２Ａ：维树（ＫＤＴｒｅｅ）同样是种可以描述Ａ２维空间的树状结构，是基于坐（）６５［］。ｅ，标轴的二叉分隔法，常用于多维点云数据的空间划分和检索与Ｏｃｔｒｅ相比－Ｔｒｅｅ划分点云数据，使用ＫＤ，三维空间划分相对均匀更适用于初始密度不等的点云。它的缺点为整个数据结构都是二分法，深层次的划分会缩小数据点数。因－，不是对所有类型的点云Ｔｒｅｅ划分的搜索速度都是最优。此，ＫＤ６６［］在点云最近点查找中。Ｘｉｎ等提出动态分层配准，空间划分方法还有很多ｇ算法，使用分层思想得到的配准，引入动态距离矩阵记录层次搜索距离完成配准６７一０００［］８５ｍｍ。孙军误差达到．华等采用种分层块状全局搜索到邻近局部搜索的改进ＩＣＰ算法，提高了ＩＣＰ的速度及消除了点云缺失对配准的影响。目前，空间划分策略仍然是配准中的研究热点。４去除错误对应点对（）对于计算得到的对应点对，其中含有大量不符合对应关系的错误匹配点，可以适用增加约束方法，去除错误对应点，优化对应点集合。常使用的约束方法包括＇．。．点间距离约束、高斯曲率约束等．点间距离约束是从获取的初始点对中选取任意两个点对＾，６和，如果（，）勺次）（正确匹配点对，根据刚体变换距离不变性可知成实际情，况下，所以这里取近似对应点对只，在两片离散点云中很难找到完美的对应点２９ 北京交通大学硕士学位论文基于特征描述子的配准算法需满足近似等于，，可选择适当的阈值４，计算每个初始点对从而得到符合距离约束的点对；高斯曲率约束是在微分中一点的高斯曲率值反应该点所在曲面的，使用曲面上变化程度，从而提取出符合条件的对应点集合。３．２算法流程本文提出了基于特征描述子的两步配准算法，两步分别为基于ＳＦ的点云初始配准算法和基于。ＩＣＰ的精确配准算法在基于ＳＦ的点云初始配准过程中，首先使用基于可变边长的体素网格点云。精简算法，使，精简点云集合中的数据并保留重要的点云特征信息对精简结果用２．２节提出的ＮＶ描述子提取精简结果中的ＮＶ关键点。ＮＶ关键点集合能较一些细节信息好的表示整个点云的真实结构特征，但可能丢失。因此，使用２．３节。提出的ＳＦ特征计算方法，计算每个关键点的ＳＦ特征ＳＦ特征通过参数化关键点与邻近点的空间结构关联关系一，形成个多维的统计特征直方图。使用一ＲＡＮＳＡＣ算法的基本思想计算ＳＦ特征对应点，进步计算出初始变换矩阵，完成基于ＳＦ特征的初始配准。在基于ＩＣＰ的精确配准中，对初始配准结果，使用ＩＣＰ算法快速迭代，根据一距离约束，计算出变换矩阵，进步提高最终配准精度。－算法流程框图如图３３所示。３０ 北京交通大学硕士学位论文基于特征描述子的配准算法获取点云Ｐ获取点云ｇ＾—－—：“：＇ｉ丨ｒＨｆ＇云ｃ精简点云ｐ．，精简点．－；１！！＾＇提取ＮＶ关键点／Ｖ、提取ＮＶ关键点Ｓ■＊＿｝．．．？：．：１：！＼，，：！计算＂的统计特征直Ｗ涵兩涵逞：｜｜方图（ＳＦ）方图（ＳＦ）．．；：Ｌ丨————＂一、‘：＇Ｉｉ１？－ｉ厲Ｉ，ｓｆ初始—ｉ＿ｉｒ—？±－￥」Ｓｉｉ色—■ＥＳＦ丨１０的精■■ｄＨｚｉ＾Ｊｉ！：ｄ图３－３配准流程图Ｆ－ｉｇ３３Ｔｈｅｒｅｉｓｔｒａｔｉｏｎｆｌｏｗｃｈａｒｔｇ３．３基于ＳＦ的点云初始配准算法基于ＳＦ的点云初始配准过程又可以分解为精简点云、提取ＮＶ关键点、计算关键点的统计特征直方图（ＳＦ）、计算变换矩阵等步骤。在保证原算法有配准结果的基础上，减少稠密点云数据对点云配准的不利影响。其中，每个步骤的计算都会改变初始配准精度和效率一，影响最终的配准结果。下面逐介绍每个步骤的意义和方法。３．３．１基于可变边长的体素网格点云精简算法，由于获取点云方式不同，导致点云数据存在差异常会出现点云分布不均匀。此外，影响点云质量。如果直接计算探寻点处的，环境中也会存在稀疏的异常点特征描述，引入的异常点会增加特征计算时间，特征描述性差，并且点云数量级３１ 北京交通大学硕士学位论文基于特征描述子的配准算法大。为此，必须对，对点云的后期处理产生不利影响，大幅度降低点云配准时间获取的点云数据在进行配准前进行过滤和优化处理。针对点云化简的问题，使，原有的化简算法多不考虑点云的初始分布得点云。初始稠密的部分化简后变得稀疏，从而使点云分布情况失真戀６８图３－４可变边长的体素网格示意图［】６８Ｆ－ｒ［＇ｉｇ３４Ｖｏｘｅｌｓｃｈｅｍａｔｉｃｏｆｖａｉａｂｌｅｅｄｅｇ６８［］本文基于体素网格滤波器实现点云下采样，提出可变边长的体素网格点云精简算法，，，在保证点云分布密度的基础上修剪点云使点云近似于等密度简化。三维体素网格将所有点云包围在子体素中－，如图３４所示。本文将可变边长体素网格定义为以Ｚ为边长的子立方体网格，在每个网格内，将点云数量记为《；若网格内点云数量《小于某个阈值ａ，则将其删除；否则，判断当前网格的点云数量＾是否满足划分点阈值６，若数量ｎ在阈值ａ与阈值６之间，一个顶点为源点，对当前网格以立方体的，以当前网格各边长的二倍为扩充长度，若不满足阈值６的数量要求，继续扩充，重新统计扩充网格内点的数量；否则计算本扩充网格内所有点云数据的重心坐标，选取与重心位置最接近的坐标来代替网格区域内部其他点云数据３－５。可变边长体素网格的精简流程图如图所示。３２ 北京交通大学硕士学位论文基于特征描述子的配准算法入点计算包围盒计算栅格边长ＬＸ计算栅格内点云数量《要区ＩＹｌ＾边长以２倍增长一１｜计算栅格重心，作为代表点ｉ—图３－５可变边长体素网格的精简流程图Ｆ－ＥＶｉｇ３５ＴｈｅＦｌｏｗｃｈａｒｔＳｉｍｌｉｆｉｅｄｄｅｏｘｅｌＲｅｄｕｃｔｉｏｎｐｇ小立方网格的边长Ｚ的确定。在基于可变变长的体素化网格下采样点云简化，立方体网格边长Ｚ的设置十分重要，算法中。若Ｚ过大子网格中划分的点云数，，子网格设置过小量多降低搜索速度；若Ｚ过小，网络中存在大量空节点。由于小立方体网格的变长与点云的密度成反比。若点云密度小，表示空间点云数量少，Ｌ需要取大些来提高搜索效率，Ｚ；若点云密度大，表示空间内点云数量多需要取小些来降低搜索时间。设小立方体网格边长为Ｚ，单位小网格中点云数据个数为《，点的总数为ｉＶ。－可由公式（３１）计算得出。Ｌ＝ａ＾［ｓ［ｇＮｎ＝－／（３１）ｙＶ＝ＬＬＬｘｙｚ式中：《为权重，可以修改网格边长；ｓ为比重系数；ｇ为小网格中点云个数；设－－。，、网格的体积为Ｆ那么，可以得到点云的体素网格边长Ｚ如公式（３２）（３３）所示。３３ 北京交通大学硕士学位论文基于特征描述子的配准算法＝ＪｆＷｉ（３－２）ＩＶＮ＝＾－＾＋＾４（ｍａｘｍｉｎ）＝－＊Ｌ＋；ｌ－ｙ（３３）ｙ（ｍａ，ｙｒａｉｎ）＿ｚｚ＋Ａ（ｒａａｘｍｉｎ）式中：４为点云Ｘ轴上的最大值；为点云Ｙ轴上的最大值；Ｉ为点云Ｚ轴上＆，的最大范围。ｌ２３／ｘ／ｘ／根据网格边长ｚ，将点云数据划分为个子立方体，将点云数据映射到子立方体中，根据网格内数量与阈值关系，调整网格边长，实现高质量的点云精简。具体操作如下。一＋网格编号为式－）对于任点Ｐ，，其所属的（３４，ｘ—＾１７Ｐｉｒａｉｎ＿ｙ￣？ｙｉ＝－－＾？（３－４）ｆｐＬＬ＿２￣３Ｚ７Ｐｉ＿ｉｍａ？，三元组为ｐ点的网格编码表示，ｗ表示ｘ向下取整。设置阈值Ａ其中，代表每个子立方体内最少点云数量；阈值＾代表需要满足的最低上限６；统计第灸个子立方体中所有点云个数若６＜－／？，计算点云集合的重心，如式（３５），＂Ｖ－＜＝－Ｙ（３５）ｃｋｎｃｎ？？丨，咖、：个的Ｘ、Ｙ、Ｚ坐标；；ｆｅｔ、辦、其中、外分别表示第Ａ网格中点云数据ｚｃＡ：、Ｙ、Ｚ坐标。若《＜ａ，将网格内的所有点ｌｔ分别代表第个网格重心点ａ的Ｘ去除。若ａ＜？＜６，表明当前区域内的点云较少，更新第Ａ：个网格的边长，将其设一置为原始边长的２倍，即将其与周围三个网格合并，组成个新网格。重新统计３－５网格内点云数量，若大于阈值６，使用公式（）计算重心，否则继续扩充，直，至满足精简条件，计算网格内点云重心坐标。遍历所有网格，动态更新网格边长３４ 北京交通大学硕士学位论文基于特征描述子的配准算法选取最接近重心的点云数据代替该子立方体网格内部其他点云数据，实现点云下采样。一基于可变边长的体素网格精简算法，可以定程度上去除点云集合中的数据并保证重要的点云特征信息，完成点云数据精简。优化原始点云数据。３．３．２基于ＮＶ的关键点提取算法对于使用可变边长的体素网格点云精简结果，若原始点云数据为稠密点云，仍会保留大量的点云，在计算特征时，计算每个点的特征会严重影响点云配准的整体效率并且稠密点云中包含大量特征相近的点云数据，；影响不同视角下的点云对应点匹配。因此，考虑对精简后的点云提取关键点。４７６９ＲＦ特征［］［］现有的关键点特征提取方法有ＮＡ、Ｈａｒｒｉｓ特征等，但多数方法７（）６８］［］［。只适用于处理深度图像对散乱点云的关键点检测，马麵溟等提出先计算曲，利用梯度法搜索曲面上的高斯曲率极值点，来提取点云的关键点面片模型；王４９［］等将曲率和密度信息融合丽辉，实现对稀疏点云的准确关键点检测；这些方法，但模型存在较多参数描述性强，不同的参数值组合获得的关键点差别较大，若将其应用到配准中，不能保证配准算法的稳健性。？ｖ的大小直接反映了该点所在真实物体表面局部区域起伏情况，因此可以利，用ｎｖ．值来提取特征鲜明的点。，一本文首先计算每个点的ｎｖ特征，其次，根据输入点云集合Ｐ和Ｑ的先验结，构信息，对设置阈值若表示所在区域起伏变化平缓，不作为特征点考虑，，；反之若则表示该点与邻近点的法向量夹角均值较大将其作７３７４［］［］为提取的关键点。＾可根据配准误差变化动态调整。配准误差定义有多种，本文使用ＲＭＳＥ作为配准误差，即采用均方根误差作为配准变换后两片点云间的－对应点间的距离误差，可由公式（３６）得到。＇＇ＲＭＳＥ＝￣－ｘ－－Ｙｘ＋ｙ＾＋ｚｚ（３－６）ｊＨＩｌｌｌｌｌ＝ｉｉ其中，；，《代表对应点的总对数和ｘｚ分别代表配准后两片点集中的对（，＞，）应点的三维坐标。首先为＾设置初始估计值，使用值选择出关键点集合和进行初始匹，计算匹配的均方根误差ＲＭＳＥ配ｓ，并将其作为配准误差。若此时配准误差不满足约束条件公式－（３７），减少＾值，计算相应＾值的关键点及ＲＭＳＥａ，直到得到最优关键点集合＆和３５ 北京交通大学硕士学位论文基于特征描述子的配准算法－ＲＭＳＥＲＭＳＥ＜ｄＲＭＳＥ＜－Ｖ（）＿，３７￡，ＥｌＱｍｅＸ＼＼其中，（３＿８）ｉｔｋ＾％７娜ａ▽式中，为设定的配准误差收敛值，是允许的最大配准误差，为阈值＆下点；ＲＭＳＥ和Ｋ中的对应点集合，，云关键点集合Ｋ，ｅ＊卜、＾１ｐ９；）为具体的对应点对阈值ｑ下的配准误差。选择关键点的算法伪代码如下：－算法３１（关键点选择算法）１：Ｐ＝Ｌ＝ｋ，Ｒ，Ｅ输入ａ，，，ｐ？ｕ，＞ｑ，Ｌ，ｇ，ｐ２Ｑ９ｘｌ２｛｝｛ｊ２计算点云法向量３构建－ｒｅｅＫＤＴ４ｄｏ初始化Ｋ，Ｋｐｇ－ｆｏｒ／Ｉｔｏｎｕ计算点／与邻近点的法向夹角２－８计算《ｖ？特征按式（），ｎ■ｖ＞￡ｉｆｉ，更新关键点集合Ｋｐ，ｅｎｄｉｆｅｎｄｆｏｒ基于关键点Ｋ，的初始配准＾，得到对应点对－＝－按式（３７）计算ＲＭＳＥ＆，ｑＡ０．０１ｗｈ－＜ｄｉｌｅａｂｓＲＭＳＥＲＭＳＥＣ＋００２ｅ＋Ｑｍ（ｉｉ）５输出Ｋ＝ＬＫ＝ｋＬｋ：，，，，Ｄｋ，Ｕ＾｝，ａｋ？ａ２ｊ分别对待配准点云和参考点云选择关键点，并将获取的关键点称为ＮＶ关键点。３．３．３基于ＳＦ的初始配准算法对获取两视角下的点云数据Ｐ和Ｑ，使用基于可变边长的体素网格算法精简点云，，分别为点云集Ｉ；对精简点云计算ＮＶ特征并基于ＮＶ特征选择关键点Ｖ３６ 北京交通大学硕士学位论文基于特征描述子的配准算法’一和Ｑａ。ＮＶ关键点集合能较好的表征整个点云的真实结构特征，但可能丢失些细节信息。因此，使用基于统计特征直方图的特征描述子来增强点云的描述能力，统计特征描述子主要有四个关键的参数值，分别为三个子描述特征的直方图ｂｉｎ的尺寸Ｎ！、Ｎ２、Ｎ３和搜索半径ｒ。其中价、Ｎ２和Ｎ３的大小决定了统计特征直方图的描述能力和计算效率，根据模型的先验知识和每个子描述子贡献特性，选取合适的，为每个分量做出不同的贡献。半径ｒ决定了探寻点邻域范围冲、沁和处值，并影响计算效率。若ｒ设置较大，会给探寻点邻域带来额外的样本；反之，ｒ设置较小会使探寻点的邻域包含较少的点云，造成描述子可区分度低。由于输入三维模型的规模通常是未知的，因此很难直接求出ｒ值的数量级，因此，本文采用模型大小的百分比来赋值。模型的大小被定义为模型包围盒对角线的长度。ＳＦＡＮＶ统计特征深度统计特征密度统计特征ｌｌＢｌＭｉｌｙｆｌｌｌｋ，，ｂｉｉｎｌｂｎｌ＋ｂｉｎ２ｂｎｌ＋ｂｉｎ２＋ｂｉｎ３ｉ图３－６ＳＦ直方图Ｆ－ｉｇ３６ＳＦｈｉｓｔｏｇｒａｍ使用统计特征直方图通过参数化查询点云与邻近点的空间差异一，形成个多维的统计特征直方图，从而较好的捕捉点云局部区域变化情况，弥补点云数量较少的缺陷－６，构造的特征直方图如图３所示。通过将ＮＶ统计特征、深度统计特征和密度统计特征相结合，加强点云的特征描述能力，保证配准精度。接下来结合采样一致性算法（ＲＡＮＳＡＣ）的基本思想来完成点云的初始配准ＲＡＮＳＡＣ算法的思想是对候选对应关系中大量采样，力求求出最优的采样结果。具体采样步骤如下：一（１）设置配准中对应点约束的最小误差为ｄｍｉｎ，从其中个点云数据集乂中选取ｓ个点作为样本点。一２对每个样本点，在另个数据集Ａ中找到与样本点ＳＦ特征相似的点），保（存这些所有求出的点对集合一，从这些对应点中选择出些代表的对应点。３７ 北京交通大学硕士学位论文基于特征描述子的配准算法（３）使用（２）得到的对应点计算采样点的旋转矩阵Ｒ和平移矢量Ｔ，并计算点云的配准误差作为配准评价转换质量。重复以上三步直至得到最佳迭代结果或满足迭代总次数，使用－ｌｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ算法做非线性局部优化。经过上述过程，得到最优旋转和平移矩阵，将点云４变换到点云Ａ坐标系。３．４基于ＩＣＰ的精确配准算法针对初始配准后的结果，，使用距离作为特征提高最终配准结果的正确性。对初始配准结果使用ＩＣＰ算法进行二次精确配准。在不显著增加运算时间的同时，一进步提高配准精度３－７。配准流程如图所示。／初始配准点云数据Ａ／初始配准点云数据ｂ／／士计算最近点＾计算坐标变换和误差Ｘ初始配准点云数据Ａ配准到初始配准点云数据Ｂ否差是否收＾＞结束Ｖ，／图３－７ＩＣＰ算法精确配准流程图Ｆ－７Ｔｈｗｉ３ｅＩＣＰａｌｏｒｉｔｈｍｆｏｒａｃｃｕｒａｔｅｒｅｉｓｔｒａｔｏｎｒｇｇｇｉｆｌｏｃｈａｔ３８ 北京交通大学硕士学位论文基于特征描述子的配准算法基于ＩＣＰ的精确配准算法描述如下：－２算法３（基于ＩＣＰ的精确配准算法）￣￣１设得到初始配准点云数据集Ａ和Ｂ２－ＴｒｅｅｔＡ使用ＫＤ寻找第次迭代中，集合在集合Ｂ中的欧氏距离最小集合１＾Ｙ＝ＣＡＢＡ＝Ａ－－－３９，ｉ（ｉ）（ｏ）（）３计算坐标变换向量和误差。求取对应点的数据庞大，采用最小二乘法求解最优的旋转平移得到矩阵Ｒ和Ｔ＝〇〇、Ａａ与Ｂ的平均误差也必）４点集坐标变换，将计算的旋转平移矩阵作用于初始配准的点云数据Ａｔ，得到Ａｉ＋１一５定义误差收，若必．算法收敛敛条件成，跳转到６；否则跳转到２６将最优旋转平移矩阵作用于初始配准的点云数据Ａ７结束３．５头验结果及分析３．５．１散乱点云数据配准实验为验证本方法对散乱点云数据的有效性，选用斯坦福Ｂｕｎｎｙ、Ｄｒａｇｏｎ以及Ｈａｐｐｙ数据集来说明本方法的配准过程。将不同视角下的点云数据ｂｉｍｌ和ｂｕｎ２、ｄｒａｇｌ和ｄｒａｇ２、ｈａｐｌ和ｈａｐ２分别作为待配准点云和参考点云，可视化结果如图３－８所示，点云数目如表２所示。圓■遲图３－８点云可视化ａ）ｂｕｎｌ和ｂｕｎ２ｂ）ｄｒａｌ和ｄｒａ２ｃ）ｈａｌ和２ｇｇｐｈａｐ－８Ｆｉｇ３ＰｏｉｎｔｃｌｏｕｄｖｉｓｕａｌｉｚａｔｉｏｎａＢｕｎｌａｎｄｂｕｎ２ｂｄｒａｇｌａｎｄｄｒａ２ｃＨａｌａｎｄｈａ２））ｇ）ｐｐ表２点云数量比较Ｔａｂｌｅ２ｏｉｎｔｃｌｏｕｄｎｕｍｂｅｒｃｏｍａｒｉｓｏｎｐｐ数据集合ｂｕｎｌｂｕｎ２ｄｒａｌｄｒａ２ｈａｌｈａ２ｇｇｐｐ原始点云个数４００９７４０２５６４１８４１４３４６７７８０５６７５５８３下采样点云个数１１１１４１１６０７１１５２３１２１５４９２５９８６６４ＮＹ关键点个数４８４７４１３３３７０８４７３１４４０４４６７８３９ 北京交通大学硕士学位论文基于特征描述子的配准算法首先，使用可变边长的体素网格下采样后的数据集ｂｕｎｌ和ｂｕｎ２来说明ＮＶ特征中对阈值的设置直接决定着提取关键点的个数，影响初始配准的＆。阈值Ａ时间和配准误差。设置不同的ｑ值，得到ｑ与初始配准时间和配准误差的变化曲－。，线如图３９所示其中，实线代表初始配准过程的总时间变化曲线点划线代表初始配准结果误差变化曲线，，；可以看出随着巧值的减小剩余的ＮＶ关键点数量。逐渐增加，总的初始配准时间持而配，计算剩余点的特征计算时间变长续上升准误差的变化表现为下降趋势，当Ａ值小于０．１１时，配准误差曲线变化趋势趋于平稳。—？Ｉ９１！６００００－ＩｅＺＺｊ＼Ｅ：＼＼■Ｕ＼－－Ｓ００００＼Ｚ肩＼／＇？４ＳＯ００－＼ｙ■Ｉ＼§＊＾４〇〇〇〇？－＼４Ｑ＾ｉ＼Ｚ－－３５０ＣＸ）势＼－＊ｓｃｏ■＊ｒｅｓ．Ｓ＼．５－２５０００＾＼＇—？＊＇＊？■＊＊—？—－■．？．＃？２００００１１１＾１？ｌ１ＳＱ〇Ｄ４０〇８１３０１２０１１０１００９〇０．１．阈值图３－９阈值＆与初始配准时间和配准误差变化曲线－ｎｅｖｅｗｒｅｔｒｉｒｒＦｉｉｉａｌｒｉｔｒｔｉｏｎｔｉｍｅｃｈａｃｕｒｉｔｈｉｓａｔｏｎｅｒｏｉ３９Ｔｈｅｔｈｒｅｓｈｏｌｄａｎｄｎｔｅｓａｇｇｇｇ－综合考虑ＮＶ特征对配准时间和配准精度的影响，选取图３９中配准误差曲线的近似收敛处为设置的ｑ值，即ｑ等于０．１１。同理，将Ｈａｐｐｙ和Ｄｒａｇｏｎ数据集的。０，提取出所有视角下的点云关键点阈值ｑ分别设为．０８和０．０６计算关键点的ＳＦ特征，首先，确定斯坦福Ｂｕｎｎｙ数据集ＳＦ特征中Ｎ！、Ｎ２和Ｎ３的最优取值。其中，ＮＶ统计特征配准得到的均方根误差随ｂｉｎ数量变化的－ＲＭＳＥ来。统计特征直曲线如图３１０所示，使用均方根误差评价点云配准的结果方图中各分量可根据点云数据的不同动态选取。４０ 北京交通大学硕士学位论文基于特征描述子的配准算法６－．００Ｅ０５误舅ａｓｏ〇Ｅ－ｏｓＡ４－．００Ｅ０５Ｉ＼＼：：１００－０．Ｅ５Ｏ．ＯＯＥ＋ＯＯ４８０１１３１４６１７１８１９２０２１２２２３２４２５２６２７２８２９３０３１１２３５６７９１１２１１５１Ｂｉｎｓ－ＲＭ图３１０ＮＶ特征ｂｉｎ数量与ＳＥ变化曲线３－ＴｈａｎｄＲＭｃｈａＦｉ１０ｅＮＶｃｈａｒａｃｔｅｒｉｓｔｉｃｂｉｎｕａｎｔｉｔｙＳＥｎｅｃｕｒｖｅｇｑｇ，ＲＭＳＥ值，着ｂｉｎ个数增加ｎ总个数，随其中，纵轴为可以看出，横轴为ｂｉ＝ＲＭＳＥ值逐渐较小２时ＲＭＳＥ。因此，设置Ｎ１的值为１２；，当ｂｉｎ１，值趋于平稳－点云的深度统计特征配准得到的均方根误差随ｂｉｎ数量变化的曲线如图３１１＝所示ＲＭＳＥ值随ｂｉｎ数目的变大逐渐变小，当ｂｉｎ８时，配准误差趋；可以看出，。于平稳。因此，将Ｎ２设置为８７－＾．００Ｅ０５差－６．００Ｅ０５Ｉ５－１．００Ｅ０５｜｜４－．００Ｅ０５＼ｈ｜｜＾３．００Ｅ＾）５Ｖ＼／／■Ｅ－０５＼－１．００Ｅ０５０＋．００Ｅ００７１８１９２０２１２３２２７２３０３１１２３４５６７８９１０１１１２１３１４１５１６１２２４２５２６８２９Ｂｉｎｓ３－ＲＭＳＥ变化曲线图１１点云的深度特征ｂｉｎ数量与Ｆｉｇ３－ｌｌＴｈｅｏｉｎｔｃｌｏｕｄｄｅｐｔｈｃｈａｒａｃｔｅｒｉｓｔｉｃｂｉｎｑｕａｎｔｉｔｙａｎｄＲＭＳＥｃｈａｎｇｅｃｕｒｖｅｐ４１ 北京交通大学硕士学位论文基于特征描述子的配准算法同样，点云的密度统计特征随配准得到的均方根误差随ｂｉｎ数量变化曲线－３１２所示ｎ值，即Ｎ３等３。如图；选取ＲＭＳＥ值最小的ｂｉｎ数目作为最优ｂｉ于１４．００Ｍ４误差３－．５０Ｅ０４Ａ３－００ＥＯ４Ｉ２０Ｅ－０４．５２－００Ｈ０４＋Ｏ．ＯＯＥＯＯ３４５６７９０１１１２１３１４１５１６１１８１９２０２２２３２４２６７８９３０１１２８１７２１５２２２２３Ｂｉｎｓ－ｂ图３１２点云的密度特征ｉｎ数量与ＲＭＳＥ变化曲线Ｆ－ｎＲＭ１ＴｈｉｔｃｌｏｕｄｉｒａｃｔｅｒｉｓｔｉｃｂｉｕａｎｔｉｔａｎｄＳＥｃｈａｎｅｃｕｒｖｅｉｇ３２ｅｏｎｄｅｎｓｔｃｈａｑｙｇｐｙ一８，分别确定Ｎ，Ｎ１３，１等于１２，Ｎ２等于３等于将三种特征组合在起构建一一３－出个３３维的统计特征直方图，点云其中点的试特征如图１３所示。２０—．—’个Ｔ：数１８ＮＶ特征深度密度丨丨｜１３５７９１１１３１３３１５１７１９２１２３２５２７２９３Ｂｉｎｓ图３－直方图１３统计特征Ｆ－ｃａｒｅｒａｍｉｇ３１３ｓｔａｔｉｓｔｉｌｆｅａｔｕｈｉｓｔｏｇ其中，横坐标ｂｉｎ取值的１到１２区域代表ＮＶ统计特征分布，１２到２０表示点。云深度统计特征分布，２０到３３表示点密度统计特征分布从而，根据点云法向量４２ 北京交通大学硕士学位论文基于特征描述子的配准算法分布特统计征与点云深度统计特征以及邻域点的密度统计特征三个方面，得到完整的统计特征描述子。一使用统计特征直方图参数化查询点云与邻近点的空间差异，形成个多维的统计特征直方图，能较好的捕捉点云局部区域变化情况，弥补提取关键点后点云数量减少的缺陷。通过将ＮＶ统计特征与点云密度统计特征和点云深度统计特征相结合，加强点云的特征描述能力，保证配准精度。同理，得到ＨａＤｒａｏｎ的最优ｂ３ｐｐｙ和ｇｉｎｌ、ｂｉｎ２、ｂｉｎ的值分别为１０、６、１４和１０、１０、１２。将本文所提算法应用于点云Ｂｕｎｎｙ、Ｄｒａｇｏｎ和Ｈａｐｐｙ数据集，初始配准结果－５＿５－？ｘｘ分别如图３１４（ａ）（ｃ）所示．２０５１８ｌ〇，初始配准误差分别为３．２７６０５ｌ〇、２＿５２－？和．０６３１６ｘｌ〇。使用ＩＣＰ算法完成精确配准后，配准结果如图３１４（ｄ）（ｆ）－５ｘ＿５－６Ｘ所示，最终配准误差分别为１８４３８ｘ．０。．４ｌ〇、ｌ．〇６６６ｌ〇和９７２８９５１國圓■ｉ】■棚【瞿３－图１４点云配准结果ａ）Ｂｕｎｎｙ初始配准ｂ）Ｄｒａｇｏｎ初始配准ｃ）Ｈａｐｐｙ初始配准ｄ）Ｂｕｎｎｙ精确配准ｅ）Ｄｒａｇｏｎ精确配准ｆ）Ｈａｐｐｙ精确配准Ｆ－ｉｇｕｒｅ３１４ＴｈｅｏｉｎｔｃｌｏｕｄｒｅｇｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｓｐａＢｕｎｎｙｉｎｉｔｉａｌｒｅｉｓｔｒａｔｉｏｎｂＤｒａｏｎｉｎｉｔｉａｌｒｅｉｓｔｒａｔｉｏｎｃＨａｉｎｉｔｉａｌｒｅｉｓｔｒａｔｉｏｎｇｇ）ｐｐｙｇ；））ｇｄ）Ｂｕｎｎｙｐｒｅｃｉｓｅｒｅｇｉｓｔｒａｔｉｏｎｅ）Ｄｒａｇｏｎｐｒｅｃｉｓｅｒｅｇｉｓｔｒａｔｉｏｎｆ）Ｈａｐｐｙｐｒｅｃｉｓｅｒｅｇｉｓｔｒａｔｉｏｎ．一为了进步验证本文方法的有效性，对本文提出的基于ＳＦ的初始配准与直接使用ＰＦＨ、ＦＰＦＨ和ＳＨＯＴ的初始配准对比。如表３所示，相比于直接使用ＰＦＨ、４３ 北京交通大学硕士学位论文基于特征描述子的配准算法ＦＰＦＨ和ＳＨＯＴ和ＲＡＮＳＡＣ算法，本文优化了初始点云数据，克服了特征相近的点对求取对应点的干扰，并使用多种特征来增强关键点的描述能力，在迭代次数相同的情况下，，基于ＳＦ的初始配准能够保证配准精度提高配准效率。表３配准结果比较Ｔａｂｌｅ３Ｃｏｍａｒｉｓｏｎｏｆｒｅｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｓｐｇ￣数据集Ｅｉｍｌ时间／ｍＳ初始配准误ｘ＿５点云数量点云数量次数差／ｉ〇ｍＮＶ－Ｓ－ＦＲＡＮＳＡＣｏｕｒｓｂｕｎｌ、ｂｕｎ２（７２９６（））４３４７４１３３１００３３．２７６０５ＦＰＦＨ－ＲＡＮＳＡＣｂｕｎｌ、ｂｕｎ２（＞１１１１４１１６０７１００１１８３１０１０．０７７８ＰＦＨ－ＲＡＮＳＡＣｂｕｎｌ、ｂｕｎ２（＞１１１１４１１６０７１００４６８１４３２．７６８５１ＳＨＯＴ－ＲＡＮＳＡＣｂｕｎｌ、ｂｕｎ２（）１１１１４１１６０７１００．５７１１６１１４７２４８２ＮＶ－ＳＦ－ＲＡＮＳＡＣｏｕｒｓｌ、ｄ２（）ｄｒａｒａ（ｇｇ＞３７０３４７３１１００１２０１９２２２０５１８．ＦＰＦＨ－ＲＡＮＳＡＣｌｄｒａ、ｄｒａ２（ｇｇ）５２３１２１５４１００５１９４８４．３８６１１２１４ＰＦＨ－ＲＡＮＳＡＣｄｒａｌ．ｄｒａ２（ｇｇ）１１５２３１２１５４１００．８９３５７１９１９６５７１ＳＨＯＴ－ＲＡＮＳＡＣｄｒａｇｌ、ｄｒａ２（）５２３１２１５４１００４８３１．７９３５７ｇ１１１２０１ＮＶ－ＳＦ－ＲＡＮＳＡＣｏｕｒｓｌ、ｈａ２（）（ｈａｐｐ＞４４０４４６７８１００１３８９３０２．０６３１６ＦＰＦＨ－ＲＡＮＳＡＣｈａｌ、ｈａ２（ｐｐ）９２５９８６６４１００３７６３８９２．３３６６２ＰＦＨ－ＲＡＮＳＡＣｈａｐｌ、ｈａ２（）９２５９８６６４１００１．８３６８ｐ１４３０２７８１ＳＨＯＴ－ＲＡＮＳＡＣｌｈａ、ｈａ２（ｐｐ＞９２５９８６６４１００３４２５１５９１．５３１８８ａｏｎ和Ｈａ点云数据集，对下釆样Ｂｕｎｎｙ，直接使用ＩＣＰ算法配准得、Ｄｒｇｐｐｙ－－５５到的配准误差分别为１．６２２３１ｘｌ〇，７．７２６０３ｘ１０＇１．２８４６５ｘｌ〇。可以看出，本文算法配准更加精确。综上，本文算法与基于其他特征描述子的算法相比，配准效率显著提升；与直接ＩＣＰ算法配准相比，配准结果更加精确。３．５．２自获取深度点云数据配准实验７５７６［］［］，ｋｉｎｅＣｔ２０，为验证本算法的普适性本节使用．获取两片真实点云深度图像一－ａ步验证本算法的有效性，进。图３１５（）为获取的两片真实稠密点云数据数量分别为６７９７７９、５１２６７８。４４ 北京交通大学硕士学位论文基于特征描述子的配准算法國圓國３－１５图ｋｉｎｅｃｔ２．０获取点云数据ａ）多视角原始点云ｂ）视角１下ＮＶ关键点ｃ）视角２下ＮＶ关键点Ｆ－５Ｔｈｅｉｇ３１ｏｉｎｔｃｌｏｕｄｄａｔａｏｂｔａｉｎｅｄｕｓｉｎｋｉｎｅｃｔ２．０ｐｇａｍｕｌｔｉｖｉｅｗｏｒｉｉｎａｌｏｉｎｔｃｌｏｕｄｂＮＶｋｅｏｉｎｔｏｆｖｉｅｗｏｎｅｃＮＶｋｅｏｉｎｔｏｆｖｉｅｗｔｗｏ）ｇｐ）ｙｐ）ｙｐ＝，０１２ＮＶ关键点的数目为６７８、经下采样后选取ＮＶ特征的阈值Ａ．，得到９３－ＡＲＦ和Ｈａｒｒ６５４８６。如图３１５（ｂ）和（ｃ）所示，而使用Ｎｉｓ方法检测点云的关键－点，结果分别如图３１６（ａ）和（ｂ）所示。由于ＮＡＲＦ和Ｈａｒｒｉｓ检测的关键点数量较少，少量的关键点并不能表征点云空间的整体结构特性。因此，很难使用该类方法，准确计算出两视图下的点云对应关系，从而保证配准算法的正确性。Ｗｆｇｌ－图３１６关键点检测结果ａ）ＮＡＲＦ关键点ｂ）Ｈａｒｒｉｓ关键点Ｆ－ｉｇ３１６ＴｈｅｋｅｏｉｎｔｄｅｔｅｃｔｉｏｎｒｅｓｕｌｔｓａＮＡＲＦｋｅｏｉｎｔｂＨａｒｒｉｓｋｅｏｉｎｔｙｐ）ｙｐ）ｙｐ首先，经滤波去除背景和噪声，使用基于可变边长的体素网格滤波器简化点云，得到下采样后的点云数目分别为１１９７５６、９３２１４。使用ＩＣＰ算法配准，由于两视角下的点云数据初始位置下的重叠区域相互影响，造成错误的配准结果。由于初始位置相差较大，并且两片点云数据中有重叠Ｘ，ＩＣＰ算法，２区域配准误差陷入局部极小值，导致配准错误配准误差为．２２９０７１０Ａ－配准结果如图３１７（ａ）所示。４５ 北京交通大学硕士学位论文基于特征描述子的配准算法３－）图１７配准结果ａ直接使用ＩＣＰｂ）本章算法Ｆ－ｒａｎＩｒｅｃｉｇ３１７ＴｈｅｒｅｉｓｔｔｉｏｒｅｓｕｌｔｓａｕｓｅＣＰｄｉｔｌｙｂ）ｔｈｉｓａｒｔｉｃｌｅｇ）使用本文提出的两步配准算法完成配准－，配准结果如图３１７（ｂ）所示。最终＞＜弋对比图－的配准误差为１．１１７５６１〇３１８（ａ）、（ｂ）可以看出，在点云初始位置相差较大并且点云数据中有重叠区域时，直接使用ＩＣＰ算法会导致配准错误。－同理，对ｋｉｎｅｃｔ２．０捕获的ｃｈａｉｒ点云做配准实验，图３１８为两个视角下的ｃｈａｉｒ数据可视化图片。３－图１８两视角自获取ｃｈａｉｒ点云－Ｆｉ３１８Ｔｗｏｏｇｉｎｔｓｏｆｖｉｅｗｆｒｏｍｔｈｅａｃｕｉｓｉｔｉｏｎｏｆｃｈａｉｒｏｉｎｔｃｌｏｕｄｓｐｑｐ配准参数和配准结果数值如表４所示，由表可以看出，使用ＩＣＰ算法直接作ｘ为约束，在初始位置相差较大的点云中，得到的配准误差为３７６８０．４５４１１＇由于初始位置相差较大，直接使用ＩＣＰ配准，距离约束过于简单，配准结果错误，如－图２１９（ａ）所示。使用本章提出的两步配准算法，多考虑了点云的深度特征以及邻域点的密度对点云描述，配准误差为１５１８ｘ１０．１０＇配准结果如图３１９（ｂ）所示。４６ 北京交通大学硕士学位论文基于特征描述子的配准算法ｒｚ！ｃ＾３图３－Ｉ）１９配准结果ａ）直接使用ＣＰｂ本章算法－ＴｈＦｉｇ３１９ｅｒｅｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｓｏｆｕｓｉｎｄｉｓｔａｎｃｅａｕｓｅＩＣＰｄｉｒｅｃｔｌｂｔｈｉｓａｒｔｉｃｌｅｇｇ）ｙ）表４点云配准结果比较Ｔａｂｌｅ４Ｃｏｍｐａｒｉｓｏｎｏｆｒｅｇｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｓ￣ｉｆｉｉ迭代次数时间／ｍｓ配准误差ｘ＿５点云数量点云数量／ｌＯｍＩＣＰ８２０５３８９７６６６３１００８８３１０３４．５４７６８１（错误）Ｏｕｒｓ８２０５３８９７６６６３１００１８０１９２１．１０５１８综上，，本章提出的配准方法综合考虑了点云的空间结构关联特征，能有效的区分探寻点，避免配准错误，保证配准精度。有力的验证了本算法的普适性。３．６本章小结本章提出了基于统计特征直方图（ＳＦ）的点云初始配准和基于ＩＣＰ的精确配准的两步配准算法。在基于ＳＦ的点云初始配准过程中，首先提出了基于可变边长的体素网格点云。，精简算法，能精简点云集合中的数据并保留重要的点云特征信息对精简结果使用２，．２节提出的ＮＶ描述子提取精简结果中的关键点减少特征相近点间的相互干扰，从而降低不同视角下的点云对应点匹配的错误率。ＮＶ关键点集合能较好的一表征整个点云的真实结构特征．３，但可能丢失些细节信息。因此，使用２节提出的ＳＦ特征计算方法，计算每个关键点的ＳＦ特征。ＳＦ特征通过参数化关键点与邻近点的空间结构关联关系一，形成个多维的统计特征直方图，并根据模型先验知识和每个描述子的贡献能力，为ＳＦ特征选取合适的ｂｉｎ值。ＳＦ特征能较好的捕捉关键点局部区域变化情况，弥补点云数量较少的缺陷。使用ＲＡＮＳＡＣ算法的基本思想计算一ＳＦ特征对应点，进步计算出初始变换矩阵，完成基于ＳＦ特征的初始４７ 北京交通大学硕士学位论文基于特征描述子的配准算法配准。在基于ＩＣＰ的精确配准中，对初始配准结果，使用ＩＣＰ算法快速迭代，进一步提高最终配准精度。本章实验分别对散乱点云数据和自获取深度点云数据完成配准，实验结果表明，，与基于其他特征描述子的配准算法相比本章配准算法效率高；与直接使用ＩＣＰ的配准算法相比，本章配准算法避免了配准错误，配准结果更加精确。４８ 北京交通大学硕士学位论文三维重构演示系统４三维重构演示系统三维重构技术在逆向工程、虚拟现实、工业测量等领域应用广泛，在实现第三章的点云配准方法后，可得到完整物体的点云数据，基于此数据本章使用三维重构技术实现物体的可视化，进行后续应用的研宄。。由点云数据重构出三维模型的方法可以划分为两类，插值法和曲面逼近法插值法是在原始点云的基础上插入新的数据得到重构物体；曲面逼近法则是使用曲面面片或复杂形状来逼近原始点云，形成三维形体。目前主要的曲面重建方法有７７Ｎ５６［］［］。参数曲面重建、隐函数曲面重建＾ｎＤｅｌａｕｎａｙ曲面重建三类方法其中，基ｅａｕｎａ，。于Ｄｌｙ方法灵活，对曲面边界更为敏感因此被广泛使用４．１基于Ｄｅｌａｕｎａｙ的三维重建是一在三维点云重构处理中，Ｄｅｌａｕｎａｙ种三角剖分算法，能够将散乱的点云数据集划分为较为均匀的三角形网格，使点的几何变为面的结合，三角剖分后的结－。果如图４１所示、４－１Ｖｏｒｏｎｏ图ｉ图Ｆ４－１Ｖｏｒｏｎｏｉｄｉａｒａｍｉｇｇ＇５６［］本节简要介绍￡）１１１１１１１６等提出的Ｄｅｌａｕｎａ三角化算法。其基本思想是对（＾说ｙ＿￡＞Ｄ／，／于空间中的点云集合Ｓ，当前第个点的Ｄｅｌａｕｎａｙ四面体为（〇向（）四面体“”中加入第汗１个点，控球准则，新加入点对原有四面体分裂并使分裂结果满足７９［？］￡／＋１直至点云中所有点加入其中，得到（），重复这个过程。４９ 北京交通大学硕士学位论文三维重构演示系统算法主要使用三种数据结构，、四面体数据结构和三角片数据结构点数据结构。点数据结构是对所有数据点Ｘ、Ｙ与Ｚ轴坐标的存储；在四面体数据结构中，定义四个指向顶点的指针和四个指向邻接四面体的指针，设四面体中的四个顶点分别为ｖ。，＾＇，四个三角面片分别为■？ＶＶＶＳＶＶＶ＇ｙＶＶＶ＇ｙ０（０，，，，，，，，，Ｗ２。ｌ２）ｉ（０３ｉ）０（２３０）ｉ（）在三角片数据结构中，定义指向所在四面体的指针以及为所属四面体面的编号。Ｄｅｌａｕｎａｙ三角化算法描述如下：４－１算法（基于Ｄｅｌａｕｎａｙ三角化重构算法）一１、读入点云数据中的所有点，选取数据中４个不共面的点初步构成个四面体２一，。、读取数据中下个点判断该点与当前四面体位置关系若在四面体外部，３跳转至；若在四面体内部，跳转４；若落在三角面片上，跳转至５；若该点属于某个边上，跳转至６；若与当前点重合，则忽略该点，重复执行２。３、。计算距离该点最近的四面体上的三角面片，跳转至７４，，，７。、以该点为顶点将该点所在的四面体分裂形成新的４个四面体跳转至５、以该点为顶点，在所属三角片所属的四面体分裂，形成３个新的四面体；跳转至７。６，７。、以该点为顶点，与当前四面体非共线的顶点连接，分裂四面体跳转至“”７合。，，进８、检测不符控球准则的四面体若存在行调整；否则跳转至８，、若点云数据集中无剩余点结束。否则跳转至２。ｅｌａｕｎａ三角化算法，即可得到三将第三章得到的点云数据配准结果，使用Ｄｙ。维重构形体，完成三维重构任务接下来。将本文所述第二、第三及本节所述理论内容，用软件实现其具体功能，搭建三维重构系统软件，验证本文所述算法的实用性。４．２三维重构系统软件总体设计４．２．１三维重构系统软件搭建环境本系统搭建环境为：Ｗｉｎｄｏｗｓ７操作系统、Ｉｎｔｅｌ（Ｒ）ＸｅｏｎＣＰＵ处理器、１２ＧＢ内存和６４位操作系统，基于ＶｉｓｕａｌＣ＋＋６．０软件开发平台，结合Ｃ＋＋语§、ＰＣＬ７２［８Ｇ］［］界面开发工具，点云库、ＱＴ及ＦＬＡＮＮ等第三方依赖库实现本文第三章、第。四章４．１节所述算法。下面介绍上述几种关键库５０ 北京交通大学硕士学位论文三维重构演示系统ＰＣＬ是一个独立一家商、大规模、开放式的二维或三维点云处理平台。其由业公司提供资金支持的非营利组织，在ＢＳＤ许可证的条款下发布的，为商业和研宄提供免费使用。其支持多种操作系统，实现对点云获取、特征提取、过滤、分害Ｉ、检索、识别、重构等多种点云处理算法，被广泛使用。Ｊ提供了图形用户界面程序开发框架，支持ＧＵＩ程序开发，包括大量宏ＱＴ，易—。ａ＋＋扩展，并且允许真正的组件编程常与ＶｉｓｕｌＣ起使用，实现可视化界面开发。一Ｑｈｕｌｌ是个强大的程序，常用于计算二维、三维，以及四维以上维度点集的凸包、Ｄｅｌａｕｎａｙ三角网等，常用与应用科学、工程、统计和数学中。Ｍａｔｌａｂ和Ｏｃｔａｖｅ都使用它来提供计算几何，Ｍａｔｈｅｍａｔｉｃａ使用它实现Ｄｅｌａｕｎａｙ构造网格。ＦＬＡＮＮ是一个快速计算近似最近邻搜索库。包含最适合于最近邻搜索的算法，以及一个根据数据集自动选择最佳算法和最佳参数的系统＋＋。ＦＬＡＮＮ使用Ｃ写成。能够很容易地通过Ｃ，ＭＴＡＬＡＢ和Ｐｙｔｈｏｎ等绑定提供的库，用在很多环境中。Ｅｉｇｅｎ是Ｃ＋＋中的开源的、高层类库，是关于矩阵类的模板函数，有效支持矩阵、矢量、线性代数、多项式计算器，快速傅立叶变换、数值分析及其相关的算法，适。支持各种矩阵的标准数据操作，并支持扩展数据类型用范围广。４．２．２三维重构系统软件设计思路本软件命名为ＰＣＲｅｃｏｎｓｔｒａｔｉｏｎ（ＰｏｉｎｔＣｌｏｕｄＲｅｃｏｎｓｔｒａｔｉｏｎ），界面可视化框架如图４－２所示。—「一＝＝＝＝＝—．．＝＝＝＝二＝＝＝＝＝＝＝二：＝＝Ｐ｜ｊ］〒｜｜｜｜Ｉ｜一二视角原始点云！第视角原始点云丨第ｉ丨｜可视化丨可视化丨！｜Ｉ｜！二＝＝３＼＝＝＝：今控制台１最终重建结果可视化输入■ｉＩｉ［Ｉ！｜｜［｜一！第视角关键点丨丨第二视角关键点可视化可视化丨丨ＩＩＩＩＩＩ－．：１—１ｖＩ１—．．＿．．．一－－１—函４：２涵碗Ｆ－ｉ４２Ｓｓｔｅｍｄｅｓｇｉｎｙｇ一二视角原始点云软件主要分为控制区域和显示区域。显示区域又分为第、一可视化模块、第、二视角关键点可视化模块、最终重构结果可视化模块。而对５１ 北京交通大学硕士学位论文三维重构演示系统一于第视角下的点云可视化使用红色，对第二视角下的点云可视化使用绿色显示，从而区分两视角的点云；输入的点云要求为ＰＣＤ格式，点云显示中可以实现在３Ｄ空间中的点云平移、旋转和缩放等交互操作。控制台中的动作能控制相应可视化模块，实现求关键点、重构的功能。一系统中输入的点云数据格式均为ＰＣＤ文件格式，每个ＰＣＤ文件由文件头和数据组成。其中，文件头用于声明文件中存储点云数据的格式和特征。ＰＣＤ文件头包含常见的字段解释如下：ＶＥＲＳＩＯＮ字段指定版本ＩＺＥ；Ｓ字段指定每个维度的单位字节数；ＦＩＥＬＤＳ字段指定字段名称和点云维度；ＴＹＰＥ字段指定类型；ＰＯＩＮＴＳ字段指定点云的总数；ＣＯＵＮＴ字段指定每个维度中元素个数，默认所有维度的数目为ｈＤＡＴＡ字段指定点云数据类型，支持ＡＳＣＩＩ和二进制。ＷＩＤＴＨ字段指定点云数据集的宽度；ＨＥＩＧＨＴ字段指定点云数据集的高度。ＰＣＬ库支持对ＰＣＤ点云格式处理，，可以识别ＰＣＤ格式定义通过与其他依赖库合作，实现点云的处理和显示。４．３三维重构系统软件操作流程使用斯坦福Ｂｕｎｎｙ数据集和Ｄｒａｇｏｎ数据集对三维重构系统做简单实验。首先，一系统开发界面如图４－３所示。每个黑色区域为ｖｔｋＷｅｔ个Ｑｉｄｇ，己实现对点云的旋转、平移和缩放功能。“”“”—ｏｐｅｎｖｉｅｗｏｎｅ按钮用来选择第视角下的ｐｃｄ文件，ｏｐｅｎｖｉｅｗｔｗｏｃｄ－按钮用来选择第二个视角下的ｐ文件，得到的初始可视化结果如界面４３所示；＇—－：＊？ｎｔｒｌ：ｃｏｏ…ＨＨＨＨＨＨ—ｋｅｏｎｅｊｖｏｒｏｗａｒｅｏｏｒｎｔｔｗｏｏｇｔｉｒ＞ｙｋｅｖｔｏｔｃｏｂ＞ｏ＊ｗｖｎｏｎＢＶＢ：ｊ４－３ａＢｕｎｎｂ图原始点云加载界面）ｙ）ＤｒａｇｏｎＦ４－ＴｎＢＤｒｉ３ｈｅｏｒｉｉｎａｌｏｉｎｔｃｌｏｕｄｌｏａｄｉｎｉｔｅｒｆａｃｅａｕｎｎｂａｏｎｇｇｐｇ）ｙ）ｇ“”“”选择出两片不同视角的点云后，可以通过ｋｅｙｏｎｅ按钮和ｋｅｙｔｗｏ按钮，分别调用本文提出的基于法向量分布的特征描述子计算方法计算每个点的ＮＶ特５２ 北京交通大学硕士学位论文三维重构演示系统“”“”征，并使用该特征提取关键点，分别在ｋｅｙｏｎｅ和ｋｅｙｔｗｏ窗口实现可视化，该可视化界面的显示结果如图４－４所示；￣￣￣＂一＂－￣＊＊二二一ｎｌｎｔ！ｃｄ：ｔｒ０＾；ｃｏｒａＤｎｃｏｏＩｍｍＩｖｉ？Ｕｙｔｅｉｖｎ？？－＾？ｗ？ＭＶ，，，：■國ｎ〇？？ｒｃｏｔｗｎｅｙｏｅｔｗｏｃｏｆＭ＆ｔｆｉｏｋ？〇ｔｅｖｔ？ｅｒｓｂｒｔｋｗｅｋｙｗ？｜图４－４关键点加载界面ａＢｕｎｎｂＤｒａｏｎ）ｙ）ｇＦ－ｎｉ４４ｋｅｏｉｎｔｒｅｓｕｌｔｉｎｔｅｒｆａｃｅａＢｕｎｎｂＤｒａｇｙｐ）ｙ）ｇｏ“”ｒｅｉｓｔｒａｔｏｎ，通过ｇｉ按钮，系统会对求得的两视角下的关键点点云集合使用本文提出的基于ＳＦ的点云初始配准算法，得到初始配准变换矩阵Ｒ和Ｔ，对原始点云变换后，得到新的初始点云，再使用基于ＩＣＰ的精确配准算法进行精确配准，最终得到的配准结果在系统中显示在最右侧－５，如图４所示。“＊ｒ—Ｒ．．＞０！－￣一！＇Ｘ．？－■－？＾ｔｖ＞Ｋ办？＇－？－ｒ？＇＇＇？．．．，．Ｗ、■＇、－＞－＇＇？＇■〇＇、－ｙ＇ｙ叫ｔ（Ｓ＾｛．ｎｒｌｔｌｎｉ：ｃｏｔｏｎｉ：ｃｏｎｒｏｐｏｅｐａｅ—ＨＩＥ３ｍｍＢｔｍ＝Ｈ＿國｜＾｜－〇ｋＯ／ｒｃｗｗｔｒｏｔｏｋｅｗｒｉ？ｔｏｒｆ？ｃｆｗｅｘｊｙｏｎｅｋｅｔｏ＊ｃａｍｔｒｔ？ｙｙ－ｎｎｂＤ图４５三维配准加载界面ａＢｕｒａｇｏｎ）ｙ）－ＤＦｉｕｒｅ４５ＲｅｉｓｔｒａｔｉｏｎｒｅｓｕｌｔｉｎｔｅｒｆａｃｅａＢｕｎｎｂｒａｏｎｇｇ）ｙ）ｇ“”三维重构算法实现点击ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ按钮，系统使用本章介绍的Ｄｅｌａｕｎａｙ对配准得到的完整Ｂｕｎｎｙ点云和Ｄｒａｇｏｎ点云的三维重构，并进行光顺处理，最终－得到的重构结果如图４６所示。５３ 北京交通大学硕士学位论文三维重构演示系统￣￣？￣￣－＊＇ｍｍ：，．．．ｒ｜ｒｏ＾ｒｒｌａｎｅｌｏｔｖ＾ｃｓｔｏｐｃ——ｉＨ＾ＲＭＨｏｒｖＩ〇ｎ？？？？？Ｖ＾ｗ＊＾＊ｔｗ＞７Ｔｌ—？〇ｌＪ｜；｜＾＿｜１１＾１：：＿國０ｊ，ｒｗ？ｓｓｒ＜ｎｋ？ｙ？〇ｅｉ？ｙｔｗｏｆｅｗ她《ｉａｎｋｅｙｏｋ？ｙｔｒｏ？ｃｗｓｔａ〇ｉｊ｜’；图４－６三维重构加载界面ａＢｕｎｎｙｂＤｒａｏｎ））ｇＦ－ＢＤｉｕｒｅ４６Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎｒｅｓｕｌｔｉｎｔｅｒｆａｃｅａｕｎｎｂｒａｎｇ）ｙ）ｇｏ界面每个ＱｖｔｋＷｉｄｇｅｔ窗口中，均使点云显示在窗口中间，并实现了绕中心旋转和平移等操作。本系统可以对初始位置任意的两片不同点云实现高精度配准，并将配准结果和重构结构可视化显示。４．４本章小结本章首先介绍了基于Ｄｅｌａｕｎａｙ三角化的三维重构算法。其次介绍了演示系统的搭建环境，给，并介绍了其中几款重要的库文件。最后出本文三维重构演示系统的总体设计。本章所述三维重构演示系统实现了本文第三章提出的基于统计特征的两步配准算法，并使用本章所述的Ｄｅｌａｕｎａｙ三角化和光顺处理实现最终的三维重构，系统界面分别对配准前点云原始三维结构图、点云的ＮＶ关键点三维结构图、点云配准结果的三维结构图以及基于Ｄｅｌａｕｎａｙ重构的重构结果结构图实现了可视化。本章使用斯坦福Ｂ＿ｙ和Ｄｒａｇｏｎ数据集展示了演示系统实现点云重构的整体流程。本章所述演示系统实现了本文第三章提出的点云两步配准算法，可以完成对任意位置的特征点数据集的高精度配准和三维重构，并以界面形式可视化。５４ 北京交通大学硕士学位论文工作总结与展望５工作总结与展望一，本章对全文工作进行总结，论述本论文的主要研宄成果并提出了下步工作及展望。５．１工作总结，本文以不同视角的点云数据作为原始数据，结合点云空间结构关联关系构建基于法向量分布的特征描述子，（ＮＶ）和基于统计特征直方图的特征描述子（ＳＦ）并将两种描述子应用到点云配准过程中，提出了基于ＳＦ的点云初始配准和基于配准的两步配准算法，ＩＣＰ的精确，完成多视角点云的快速、高精度配准。最后使用软件实现了三维重构演示系统。本文所做的工作如下：１、深入的研宄了点云配准方法，并对点云精简算法、点云特征描述方法、点云关键点提取算法，确定、点云匹配算法进行了深入分析后，整理自己的思路了自己的研究方向。一２些经典点云特征描述子进行总结分析，针对现有特征描述子使用、对现有ＬＲＡ定义探寻点与邻近点间关联关系存在的问题，本文使用直方图来存储点云间，的结构关联关系，用多种二维结构关联关系来约束点云间的三维关系即将探寻点的ＮＶ统计特征，形成完整的基于统计、深度统计特征和密度统计特征相结合ＳＦ），证明了本文所提出的描述子具有较特征值直方图的特征描述子（。通过实验好的描述能力。、，３本文提出的两步配准法，在点云初始配准过程中的点云预处理阶段提出了基于可变边长的体素网格精简算法，在传统固定网格边长拆分方法的基础上，，对基本单元选择性扩充根据每个单元点云的数量，使用扩充后区域重心点代替区域内的所有点，。对精简后的点云使用ＮＶ特征提取关键点，避免特征相似点一云之间的干扰，加强关键点的描述性能，并使用采样致。计算关键点的ＳＦ特征，性配准算法去除错误匹配点，准确求解变换矩阵完成初始配准阶段。在点云精？一通过实，确配准过程中，使用ＩＣＰ算法求取最佳变换进步提高最终配准精度。验验证算法的有效性。４、本文基于ＶｉｓｕａｌＣ＋＋６．０和ＱＴ５．６．３开发平台，ＰＣＬ和ＦＬＡＮＮ、ＢＯＯＳＴ、ＶＴＫ等第三方依赖库，实现了本文第三章提出的点云配准算法，并使用Ｄｅｌａｕｎａｙ算法实现对配准结果的三维重构，并以界面形式可视化。５５ 北京交通大学硕士学位论文工作总结与展望５一．２进步的研究建议本文对点云配准方法进行了深入的研宄，并将其应用在散乱点云和自获取点一些优化和改进的方面云的配准中，取得了不错的效果。但是还有存在。１、在继续研究基于结构关联的点云特征描述子的基础上，本文希望加入点云的形状先验，增加全局特征描述，加强点云的描述能力。通过形状先验对点云方位的描述，快速检测点云间的相对位置关系。２、在继续研宄基于结构关联特征描述子点云配准算法的基础上，可以在未来工作中，有针对性的研究更复杂的点云数据结构，如稀疏点云、带有大量噪声点，以支持更复杂结构点云的高难度配准，云的配准算法。并且考虑对计算的对应点一增加约束条件，从而进步提升配准精度。３、在继续研究点云配准算法的基础上，可以在未来工作中根据多个视角下的两两点云配准误差，，更正多视角配准后的完整点云配准结果提高多个视角下得到的完整点云配准精度。本论文错误或者不足之处在所难免，希望各位老师们和同学们指正批评。５６ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果参考文献１ｖ－ｕｄＳｅｈａｌＡＣｅｍｅａＤＭａｋａｅｅｖａＭ．ＲｅａｌＴｉｍｅｓｃａｌｅｉｎｖａｒｉａｎｔ３ｄｒａｎｅｏｉｎｔｃｌｏ，，［］ｇｇｐｒｅｉｉ２０１２１１１２２０－２２９ｓｔｒａｔｏｎ．６：．＾，ｇ］［２］ＰｏｍｅｒｌｅａｕＦ，ＣｏｌａｓＦ，ＳｉｅｇｗａｒｔＲ．ＡＲｅｖｉｅｗｏｆＰｏｉｎｔＣｌｏｕｄＲｅｇｉｓｔｒａｔｉｏｎＡｌｇｏｒｉｔｈｍｓｆｏｒｃｓｏｕｎｄａｔｉｏｎｓＴｒｅｎｓｉｎｏｂｏｔｃｓ２０－：ＭｏｂｉｌｅＲｏｂｏｔｉ．Ｆ＆ｄＲｉ１５４１１１０４．，，（）［Ｊ］［３］邱春丽．基于点云的曲面重建技术研究［Ｄ］．北京交通大学，２０１４．“”－４Ｇ．ＧｅｎＳｔｒｕｃｔｕｒｅｄｌｉｈｔ３ＤｓｕａｃｅｉｍａｉｎａｔｕｔｏｒｉａｌＡｄｖａｎｃｅｓｉｎＯｔ．ａｎｄＰｈｏｏｎｉｃｓｒｆ：ｔ，，［］ｇｇｇｇｐ－３２１２８１６０２０１１．，（）（）Ｍ＇＇５Ｓ．ＧｏｒｔｈｉａｎｄＰ．ＲａｓｔｏｇｉＦｒｉｎｅｒｏｅｃｔｉｏｎｔｅｃｈｎｉｕｅｓ：Ｗｈｉｔｈｅｒｗｅａｒｅ？Ｏｔ．Ｌａｓｅｒ．Ｅｎ．，ｇｐｑｐｇ［］ｊ４８１－１４２０１０３３０．，（）Ｄ６．．华中科技大［］吴庆华基于线结构光扫描的三维表面缺陷在线检测的理论与应用研究［］２０１３学．，－７ｏｒｅｄｏｓｓｉｃＫｏｖａｋＢｔａｌｉｉｉＰＰＰｏｖＮｅ．Ｔｈｒｅｅｄｉｍｅｎｓｏｎａｌｍｅａｓｕｒｅｍｅｎｔｓｏｆｂｏｄｅｓｎｍｏｔｉｏｎ［］，，，ｂａｓｅｄｏｎｍｕｔｉｌｅ－ｌａｓｅｒ－ｌａｎｅｔｒｉａｎｕｌａｔｉｏｎｅｖｉｓｔａｅｃｎｉｃａＤｅＬａＦａｃｕｌｔａｄＤｅｌ．ＲＴｐｐｇ［Ｊ］－６１ＩｎｅｎｉｅｒｉａＵｎｉｖｅｒｓｉｄａｄＤｅｌＺｕｌｉａ２０１５３８２：５３．ｇ，，（）８．何原荣．，郑渊茂，潘火平，等基于点云数据的复杂建筑体真三维建模与应用Ｊ遥感技术［］［］－与应用２０１６３１６：１０９１１０９９．，，（）一ＬＥＤ和９张朝勇苏真伟乔丽等．．种基于线激光的钢轨表面缺陷检测系统科学技术［］，，，［Ｊ］２０１２１２３６７７－与工程：９８９８８０．，，（）［１０］王文标，马孜，李爱国，等．再制造工件缺损部位定位技术研究ｍ．科技通报，２０１０，２６５－：６５２６５６．（）１１ＫＢｌａｓｋＳＧ．Ｒｅｉｓｔｒａｔｉｏｎｏｆ３ＤｏｉｎｔｃｌｏｕｄｄａｔａｂｃｒｅａｔｉｏｎｏｆｆｉｌｔｅｒｅｄｄｅｎｓｉＭｉｎｅａｒｔ，［］ｇｐｙｙｉｍａｅｓ：ＵＳＥＰ２２７２０４５Ｂ１Ｐ．２０１１．，ｇ［］＾－ｉ－Ｄｉｎｉｉｉ１２Ｓ．ＺｈａｎＲｅｃｅｎｔｒｏｒｅｓｓｅｓｏｎｒｅａｌｔｍｅ３ｓｈａｅｍｅａｓｕｒｅｍｅｎｔｕｓｄｔａｌｆｒｎｅ［］ｇ，ｐｇｐｇｇｇ＾－ｒｏｅｃｔｉｏｎｔｅｃｈｎｉｕｅｓ／Ｏｔ．ＬａｓｅｒＥｎ．４８２１４９１５８２０１０．ｐ，（）（）ｊｑｐｇ［１３］彭仲涛．结构光测量点云数据配准研究［Ｄ］．哈尔滨工程大学，２０１５．ＭｅＫａｉｏｎｏ－ＤｓｈａｅｓＩＥＥｒａｎｓａｃｔｉｏ１４ＰａｕｌＢｅｓｌＮｅｉｌＤ．Ａｍｅｔｈｏｄｆｏｒｒｅｓｔｒａｔｉｆ３．ＥＴｎｓｏｎ，［Ｊ］［］ＪｙｇｐＰｉｉＩｎｔｉｅｎｃｅ１４２－ａｔｔｅｒｎ：ＡｎａｌｓｓａｎｄＭａｃｈｎｅｅｌｌ９９２１２３９５６．ｇ，，ｙ（）１５ＺｈｏｎＹＺｈａｎＭ．ＡｕｔｏｍａｔｉｃＲｅｉｓｔｒａｔｉｏｎＴｅｃｈｎｏｌｏｏｆＰｏｉｎｔＣｌｏｕｄＢａｓｅｄｏｎＩｍｒｏｖｅｄ，ｇｇｙｐ［］ｇｇＩＣＰＡｌｏｒｉｔｈｍ．ＣｏｎｔｒｏｌＥｎｉｎｅｅｒｉｎｏｆＣｈｉｎａ２０１４．，ｇ［Ｊ］ｇｇｕｓｉｎ－－１６ＣｈｅｎＷｕＸＷａｎＭＹｅｔａｌ．３Ｄｓｈａｅｍｏｄｅｌｉｎａｓｅｌｆｄｅｖｅｌｏｅｄｈａｎｄｈｅｌｄ３Ｄ，，，［］Ｊｇｐｇｇｐ－ｎｔｃｌａｓｅｒｓｃａｎｎｅｒａｎｄａｎｅｆｆｉｃｉｅｎｔＨＴＩＣＰｏｉｌｏｕｄｒｅｉｓｔｒａｔｉｏｎａｌｏｒｉｔｈｍ．Ｏｔｉｃｓ＆Ｌａｓｅｒｐｇｇ！｝］ｐＴｅｃｈｎｏ－ｌｏ２０１３４５ｌ：４１４４２３．ｇｙ，，（）１７ＹＬｉＨ－ＩｌｏｂａｌｌｔｉｍａｌｌｕｏｎｔｏＤＩＣＦ－ａｎＣａｍｂｅｌｌＤｅｔａｌＰｏｉｎｔｔＪ．ＧｏＣＰ：ＡＧＯＳｏｔｉ３Ｓｅ，，，［］ｇｐｙｐＲｅｉｓｔｒａｔｉｏｎ．［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，ｇ２０４－１５：１１．（）１８ＦｉｓｃｈｌｅｒＭＡＢｏｌｌｅｓＲＣ．Ｒａｎｄｏｍｓａｍｌｅｃｏｎｓｅｎｓｕｓ：ａａｒａｄｉｍｆｏｒｍｏｄｅｌｆｉｔｔｉｎｗｉｔｈ，［］ｐｐｇｇａｌｉｃａｔｉｏｎｓｔｏｉｍａｅａｎａｌｓｉｓａｎｄａｕｔｏｍａｔｅｄｃａｒｔｏｒａｈＭ．ＡＣＭ１９８１．ｇｐｙ，ｐｐｇｙ［］５７ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果９ｅｎＨｕｎｅｎＢＲＡＮ－ＢａｓｅｄＤＡＲＣＥＳ１ＣｈＣＳＹＰＣｈ：ｒｏａｃｈｔｏｓｔ．ＳＡＣＡＮｅｗＡＦａ［］，ｇ，ｇＪｐｐＡｕｔｏｍａｔｉｃＲｅｇｉｓｔｒａｔｉｏｎｏｆＰａｒｔｉａｌｌｙＯｖｅｒｌａｐｐｉｎｇＲａｎｇｅＩｍａｇｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｅｎｃｅ２００２２１１１－：１２２９１２３４．，，ｙｇ（）［２０］ＰａｐａｚｏｖＣ，ＢｕｒｓｃｈｋａＤ．ＡｎＥｆｆｉｃｉｅｎｔＲＡＮＳＡＣｆｏｒ３ＤＯｂｊｅｃｔＲｅｃｏｇｎｉｔｉｏｎｉｎＮｏｉｓｙａｎｄｃｃｌｕｄｅｄＳｃｅｎｅｓｏｍｔｅｒｉｓｏｎ－ｃｃｖ２０１０６４９２－Ｏ：．．ＣｕＶｉＡ，１３５１４８．［Ｊ］ｐ，２１Ｍｅｎ－ＬＩｉａｎＰａｎＲＡＮＳＡＣ－ｂａｓｅｄｓｔａｂＤｉＳＨＰｌｅｌａｎｅｆｉｔｔｉｎｍｅｔｈｏｄｏｆｏｉｎｔＷ．Ａ［］ｇ，Ｊｇ，ｇｐｇｐｃｌｏｕｄｓ［Ｊ］．ＳｃｉｅｎｃｅｏｆＳｕｒｖｅｙｉｎｇ＆Ｍａｐｐｉｎｇ，２０１５．［２２］ＭａｇｎｕｓｓｏｎＭ，ＬｉｌｉｅｎｔｈａｌＡ，ＤｕｃｋｅｔｔＴ．ＳｃａｎｒｅｇｉｓｔｒａｔｉｏｎｆｏｒａｕｔｏｎｏｍｏｕｓｍｉｎｉｎｇｖｅｈｉｃｌｅｓｕｓｉｎＤ－ｏｕｒｎａｏＦｉｅＲｏｔｉｃｓ２０１０２４－３．ＮＤＴ．ｌｆｌｄｂｏ１０：８０３８２７ｇ，，［Ｊ］Ｊ（）２３修祥ＲＦＤ－ＮＤＴ多１．３．２０５］胡，张良结合ＮＡ特征的改进型视点云配准［Ｊ］信号处理，，［３１１２－：１６７４１６７９＿（）２４３Ｄ—ＮＤＴ骆林．，杜宁显云等．融合点云ＲＧＢ影像和算法溶洞的点云自动精确配准Ｊ［］，张，［］２０１５－矿山测量４：６７７１．，（）２５Ｋｗａｎ－ｏｅｒｅｋｅｈｔｉＡｍｅｔｈｏｄｆｏｒａｕｔｏｍａｔｅｄｒｅｉｓｔｒａｔｉｏｎＨＢａｅＤＤｒａｎｉｚｅｄｏｉｎｔ．Ｌｉ．ｏｆｕｎｏ［］ｇ，ｇｇｐｃｌｏｕｄｓｏｕｒｎａｌｏｆ－ＰｈｏｔｏｒａｍｍｅｔｒａｎｄＲｅｍｏｔｅＳｅｎｓｉｎ２００８６３１：３６５４．．，［Ｊ］Ｊｇｙ（）ｇ２６朱延娟周来水张丽艳．散乱点云数据配准算法．计算机辅助设计与图形学学报２００６［］，，，，１８４－：７５４８１（）４．［２７］徐金亭，孙玉文，刘伟军复杂曲面加工检测中的精确定位方法［Ｊ］．机械工程学报，２００７，４３６－：１７５１７９．（）［２８］梅元刚，何玉庆．低维特征空间中基于旋转图像的三维环境模型配准方法［Ｊ］．中国科学杂志社２０１４４４１－：１０８１１８．，，（）［２９］ＲｕｓｕＲＢ，ＢｌｏｄｏｗＮ，ＭａｒｔｏｎＺＣ，ｅｔａｌ．ＡｌｉｇｎｉｎｇｐｏｉｎｔｃｌｏｕｄｖｉｅｗｓｕｓｉｎｇｐｅｒｓｉｓｔｅｎｔｆｅａｔｕｒｅｈＩＲ－ｉｓｔｏｒａｍｓ．ＰｒｏｃｅｅｄｉｎｓｏｆＯＳ２００８：３８４３９１．，ｇ［Ｊ］ｇ３０ＪｏｈｎｓｏｎＡＥＨｅｂｅｒｔＭ．Ｕｓｉｎｓｉｎｉｍａｅｓｆｏｒｅｆｆｉｃｉｅｎｔｏｂｅｃｔｒｅｃｏｎｉｔｉｏｎｉｎｃｌｕｔｔｅｒｅｄ３Ｄ［］，ｇｐｇｇｊｓｃｅｎｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｅｎｃｅ，２００２，ｇ２－１５：４３３４４９．（）３１ＲｕｓｕＲＢＢｌｏｄｏｗＮＭａｒｔｏｎＺＣｅｔａｌ．Ａｌｉｎｉｎｏｉｎｌｏｕｄｖｉｅｗｓｕｓｉｎｅｒｓｉｓｔｅｎｔｆｅａｔｕｒｅ，，，ｔｃ［］ｇｇｐｇｐｈｉｓｔｏｒａｍｓＣ／／Ｉｅｅｅ／ｒｓＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｌｌｉｅｎｔＲｏｂｏｔｓａｎｄＳｓｔｅｍｓ．ＩＥＥＥ，ｇ［］ｊｇｙ２０－１３：３３８４３３９１．３２ＲｕｓｕＲＢＢｌｏｄｏｗＮＢｅｅｔｚＭ．ＦａｓｔｏｉｎｔｆｅａｔｕｒｅｈｉｓｔｏｒａｍｓＦＰＦＨｆｏｒ３ＤｒｅｉｓｔｒａｔｉｏｎＣ，，／／［］（）［］ｐｇｇＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｉｔｉＰ２００９１－１ｌＣｏｎｆｅｒｅｎｃｅｏｎＲｏｂｏｔｃｓａｎｄＡｕｔｏｍａｏｎ．ＩＥＥＥｒｅｓｓ：８４８８５３．，３３ＳａｌｔｉＳＴｏｍｂａｒｉＦＳｔｅｆａｎｏＬＤ．ＳＨＯＴ：Ｕｎｉｕｅｓｉｎａｔｕｒｅｓｏｆｈｉｓｔｏｒａｍｓｆｏｒｓｕｒｆａｃｅａｎｄ，，ｑｇｇ［］ｒｉｉｎｄ－ｕｔｅｒｉｉＩｉｔｅｘｔｕｒｅｄｅｓｃｔｏｎＣｏｍＶｓｏｎ＆ｍａｅＵｅｒｓｔａｎｄｎ２０１４１２５８：２５１２６４ｐｐｇｇ，，（）３４ＧｕｏＹＳｏｈｅｌＦＡＢｅｎｎａｍｏｕｎＭｅｔａｌ．ＲｏＰＳ：Ａｌｏｃａｌｆｅａｔｕｒｅｄｅｓｃｒｉｔｏｒｆｏｒ３Ｄｒｉｉｄｏｂｅｃｔｓ，，，［］ｐｇｊｂａｓｅｄｏｎｒｏｔａｔｉｏｎａｌｒｏｅｃｔｉｏｎｓｔａｔｉｓｔｉｃｓＣ／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ｐｊ［］ＳｉｎａｉｉｉＩ－ｌＰｒｏｃｅｓｓｉｎａｎｄＴｈｅｒＡｌｃａｔｏｎｓ．ＥＥＥ２０１３：１６．ｇｇ，ｐｐ，［３５］ＹａｎｇＪ，ＣａｏＺ，ＺｈａｎｇＱ．Ａｆａｓｔａｎｄｒｏｂｕｓｔｌｏｃａｌｄｅｓｃｒｉｐｔｏｒｆｏｒ３Ｄｐｏｉｎｔｃｌｏｕｄｒｅｇｉｓｔｒａｔｉｏｎ［Ｊ］，ｎｏｒｍａ－－ＩｆｔｉｏｎＳｃｉｅｎｃｅｓ２０１６ｓ３４６３４７：１６３１７９．，，［３６］陆军，彭仲涛，董东来，等．点云ＦＰＦＨ特征提取优化配准算法［Ｊ］．新型工业化，２０－１４７７５８１．（）５８ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果ｎｄａｎｅｔａ－ｕａｒｅｓｔｏｃｌｏｕｄ３７ＣｈｅＷｅｂｌ．Ａｌｉｃａｔｉｏｎｏｆｃｏｎｓｔｒａｉｎｅｄｔｏｔａｌｌｅａｓｔｓｏｉｎｔ，，［］ｐｐｑｐｎａｍ－ｒｅｉｓｔｒａｔｉｏｎ．ｏｕｒｎａｌｏｆｅｏｄｃｓ７Ｇｅｏｄｅｓ＆Ｇｉ３１２１３１４１．，（，ｇＪｙｙ）３８．陈茂霖．中，卢维欣，万幼川，等无附加信息的地面激光点云自动配准方法［Ｊ］国激光，［］２０－１６４：２１２２２０．（）王赫．３９．视觉测量点云数据拼接方法及关键技术研究Ｄ．哈尔滨理工大学２０１１，［］［］－４０王力２０：１．．．测１１３６２４４１４５，李广云，贺嘉，等点云拼接中标志自动匹配方法Ｊ绘科学，，［］［］（）４１ＷａｎＸＺｈａｏＺＬＣａｓＡＧｅｔａｌ．Ａｎｉｔｅｒａｔｉｖｅｃｌｏｓｅｓｔｏｉｎｔａｒｏａｃｈｆｏｒｔｈｅｒｅｉｓｔｒａｔｉｏｎ，，［］ｇ，ｐｐｐｐｐｇｏｆｖｏｌｕｍｅｔｒｉｃｈｕｍａｎｒｅｔｉｎａｉｍａｅｄａｔａｏｂｔａｉｎｅｄｂｏｔｉｃａｌｃｏｈｅｒｅｎｃｅｔｏｍｏｒａｈ．ｇｙｐｇｐｙ［Ｊ］Ｍｕ２０－ｌｔｉｍｅｄｉａＴｏｏｌｓ＆Ａｌｉｃａｔｉｏｎｓ１：１１５．ｐｐ，６ＺｈＩＩｒｅｉｓｔｉｎ３－Ｄｍｏｄｅｌ４２ｉｉａｎＴＵＫｅＺＹａｎＣ，ｅｔａｌ．ｍｒｏｖｅｄＣＰｒａｔｉｏｎ［］ｑｇ，，ｇｐｇｒｅｃｏｎｓｔｒｕｃｔｉｏｎ．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎａＷｅｌｄｉｎＩｎｓｔｉｔｕｔｉｏｎ２０１３．，［Ｊ］ｇ４３ＥｌｂａｚＧＡｖｒａｈａｍＴＦｉｓｃｈｅｒＡ．３ＤＰｏｉｎｔＣｌｏｕｄＲｅｉｓｔｒａｔｉｏｎｆｏｒＬｏｃａｌｉｚａｔｉｏｎＵｓｉｎａＤｅｅ，，［］ｇｇｐ－ｉｉｅｒｎＲｅｃｏｏｎ２０７ＮｅｕｒａｌＮｅｔｗｏｒｋｎｉ．ＡｕｔｏＥｎｃｏｄｅｒＣ／／ＣｏｍｕｔｅｒＶｓｏｎａｎｄＰａｔｔｔｉ．１［］ｐｇｉ－Ｄｉｍｉｎｔ－ｏｕｄａｔａＢａｏｎ４４ＧｅＢＰｅｎＢＴｉａｎ．ＲｅｓｔｒａｔｉｏｆＴｈｒｅｅｅｎｓｉｏｎａｌＰｏＣｌＤｓｅｄ，，ｎｏ［］ｇＱｇＴｉｉｎｉｉ２０２７４－１ＣｕｒｖａｔｕｒｅＭａ．ｏｕｒｎａｌｏｆａｎＵｎｖｅｒｓｔ１３４６：１８０．，，ｐ［Ｊ］Ｊｊｙ（）［４５］ＣｈｅｎＱｊＫｏｌｔｕｎＶ．ＲｏｂｕｓｔＮｏｎｒｉｇｉｄＲｅｇｉｓｔｒａｔｉｏｎｂｙＣｏｎｖｅｘＯｐｔｉｘｎｉｚａｔｉｏｎｆＣ］／／ＩＥＥＥｕｔｅｒｉｉｃｉｅ－ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍＶｓｏｎ．ＩＥＥＥＣｏｍｕｔｅｒＳｏｔ２０１５：２０３９２０４７．ｐｐｙ，ｉＰｉｉｒａｒＴｈｒｅｅ－Ｄｉｍｓｉｏｎａ４６ＡｌｄｏｍａＡａｒｔｏｎＺＣＴｏｍｂａｒｉＦｅｔａｌ．Ｔｕｔｏｒａｌ：ｏｎｔＣｌｏｕｄＬｂ：ｅｎｌＭ，［］，，ｙＯｂｅｃｔＲｅｃｏｎｉｔｉｏｎａｎｄ６ＤＯＦＰｏｓｅＥｓｔｉｍａｔｉｏｎ［Ｊ］．Ｒｏｂｏｔｉｃｓ＆ＡｕｔｏｍａｔｉｏｎＭａｇａｚｉｎｅＩＥＥＥ，ｊｇ２０１２１３－：８０９１．，９（）４７ＢａｓｔｉａｎＳｔｅｄｅｒＲａｄｕＢｏｄａｎＲｕｓｕＫｕｒｔＫｏｎｏｌｉｅｅｔａｌ．ＮＡＲＦ：３ＤＲａｎｅＩｍａｅＦｅａｔｕｒｅｓ，，，［］ｇｇｇｇｆｏｒｂｅｃｔＲｅｃｏｎｉｔｉｏｎ．１Ｏ２００．ｆＪ］ｊｇ４８ｈｔｔｓ：／／ｗｗｗ．ｃｃ．ａｔｅｃｈ．ｅｄｕ／ｒｏｅｃｔｓ／ｌａｒｅｍｏｄｅｌｓ／［］ｐｇｐｊｇ＿－４９王丽辉．２．袁保宗．三维散乱点云模型的特征点检测信号处理２０１１２７６：９３９３８，，［］，［Ｉ］（）５０刘斌郭际明邓祥祥．测绘科学２０１６．结合八叉树和最近点迭代算法的点云配准，，［］，，［Ｊ］－４１２：１３０１３２．（）Ｄ．２０１３５１靳洁．．基于小波分析的地面三维激光扫描点云数据的滤波方法研究长安大学，［］［］５２ＲｕｓｉｎｋｉｅｗｉｃｚＳＬｅｖｏＭ．ＥｆｆｉｃｉｅｎｔｖａｒｉａｎｔｓｏｆｔｈｅＩＣＰａｌｏｒｉｔｈｍＣ／／Ｉｎｔｅｒｎａｔｉｏｎａｌ［］，ｙｇ［］－－ＣｏｎｆｅｒｅｎｃｅｏｎＤＤｉｉｔａｌＩｍａｉｎａｎｄＭｏｄｅｌｉ２００１Ｐｉｎ．Ｉ１．３ｎ．ｒｏｃｅｅｄｓＥＥＥ２００２：１４５５２ｇｇｇ，，ｇｇ［５３］ＯｏｍｏｒｉＳ，ＮｉｓｈｉｄａＴ，ＫｕｒｏｉＳ．Ｐｏｉｎｔｃｌｏｕｄｍａｔｃｈｉｎｕｓｉｎｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ＾］．ｇｇｇｒｔｉｆｉｃｉａｌＬｉｆｅｏｂｏｔｉｃｓ２１２－Ａ：１５４．＆Ｒ２０１６１４９，，（）［５４］ＹａｎｇＤＥ，ＭｕＷＰ，ＳｕｎＷＫ，ｅｔａｌ．Ｃｏｒｅｇｉｓｔｒａｔｉｏｎｏｆｔｅｒｒｅｓｔｒｉａｌｌｉｄａｒｐｏｉｎｔｓｂｙａｄａｐｔｉｖｅ－ｉｔｕｔｏｍａｓｃａｌｅｉｎｖａｒｉａｎｔｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍａｔｉｏｎｗｈｃｏｎｓｔｒａｉｎｅｄｅｏｍｅｔｒ．Ａｔｉｏｎｉｎｇｙ［Ｊ］ｏｎｓｔｒｕｃｏｎ２５－Ｃｔｉ２０１２２５：４９５８．，，（）５５徐万鑫许宏丽Ｃ／／ＣｈｉｎｅｓｅＣｏｎｆｅｒｅｎｃｅｏｎＳｓｔｅｍ．改进的ＩＣＰ算法在点云配准中的应用［］，［］ｙＳｉｍｕｌａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ＆Ａｐｐｌｉｃａｔｉｏｎ．２０１２．一２０５６梁群仙．．计算机工程，１３，，许宏丽种基于点云数据的快速曲面重构方法［Ｊ］［］３９－２：２３７２４０．（）５７ｏｈｎｓｏｎＡ．ＥＨｅｂｅｒｔＭＵｓｉｎｓｉｎｉｍａｅｓｆｏｒｅｆｆｉｃｉｅｎｔｏｂｅｃｔｒｅｃｏｎｉｔｉｏｎｉｎｃｌｕｔｔｅｒｅｄ３Ｄ．［］Ｊ，，，ｇｐｇｊｇｓｃｅｎｅｓ．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｅｎｃｅ，２００２，［Ｊ］ｙｇ２－１５：４３３４４９．）（５９ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果［５８］ＧｕｏＹ，ＳｏｈｅｌＦＡ，ＢｅｎｎａｍｏｕｎＭ，ｅｔａｌ．ＲｏＰＳ：Ａｌｏｃａｌｆｅａｔｕｒｅｄｅｓｃｒｉｐｔｏｒｆｏｒ３Ｄｒｉｇｉｄｏｂｊｅｃｔｓｂａｓｅｄｏｎｒｏｔａｔｉｏｎａｌｐｒｏｊｅｃｔｉｏｎｓｔａｔｉｓｔｉｃｓ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ｉａｎｄＴｈｅｒ－ＳｎａｌＰｒｏｃｅｓｓｉｎｉｌｉｃａｔｏｎｓＥＥ２０：Ａｉ．ＩＥ１３１６．ｇｇ’ｐｐ，［５９］ＳｅｎｉｎＮ，ＣｏｌｏｓｉｍｏＢＭ，ＰａｃｅｌｌａＭ，ＰｏｉｎｔｓｅｔａｕｇｍｅｎｔａｔｉｏｎｔｈｒｏｕｇｈｆｉｔｔｉｎｇｆｏｒｅｎｈａｎｃｅｄＩＣＰｒｅｇｉｓｔｒａｔｉｏｎｏｆｏｉｎｔｃｌｏｕｄｓｉｎｍｕｌｔｉｓｅｎｓｏｒｃｏｏｒｄｉｎａｔｅｍｅｔｒｏｌｏｇｙ．Ｒｏｂｏｔｉｃｓａｎｄｐ［Ｊ］ｕ－－ＣｏｍｔｅｒＩｎｔｅｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎ２０１３２９ｌ：３９５２．ｐｇｇ，，（）［６０］郑德华，岳东杰，岳建平．基于几何特征约束的建筑物点云配准算法田．测绘学报，２００８，３７４４６４－：４６８．（）６１秦绪佳．ＩＣＰ拼接．，徐菲，王建奇，等基于法向量直方图特征描述的点云小型微型计算［］［Ｊ］２０１６３７３５９３－５９７机系统．，，（）［６２］ＭｅｎＨ，ＧｅｂｒｅＢ，ＰｏｃｈｉｒａｊｕＫ．Ｃｏｌｏｒｐｏｉｎｔｃｌｏｕｄｒｅｇｉｓｔｒａｔｉｏｎｗｉｔｈ４ＤＩＣＰａｌｇｏｒｉｔｈｍｉｃ］／／ＩＥＥＥＩｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｍａｔｉｏｎ２０１－ｎｔｅｒｎａｔ．ＩＥＥＥ１：１５１１１５１６，．Ａｎ－６３ＢｅａｒｅｅＲＤｉｅｕｌｏｔＹＲａｂａｔｅＰ．ｉｎｎｏｖａｔｉｖｅｓｕｂｄｉｖｉｓｉｏｎＩＣＰｒｅｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｆｏｒ［］，Ｊ，ｇ－ｔｏｏｌａｔｈｃｏｒｒｅｃｔｉｏｎａｌｉｅｄｔｏｄｅｆｏｒｍｅｄａｉｒｃｒａｆｔａｒｔｓｍａｃｈｉｎｉｎ．Ｉｎｔｅｒｎａｔｉｏｎａｌｏｕｒｎａｌｐｐｐｐｇ［Ｊ］Ｊｏｆ－ＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎＴｅｃｈｎｏｌｏ２０１０５３５：４６３４７１．ｇ，，（）ｇｙ６４ＳｃｈｎａｂｅｌＲＫｌｅｉｎｔｒｅｅ－ｂａｓｅｄｏｎｔ－ｃｌｏｕｄｃｏｍｒｅｓｓｉｏｎ／／ＥｕｒｏｒａｈｉｃｓＩＥＥＥｔｃＲ．ＯｃｉＣ／Ｖ［］，ｐｐ［］ｇｐｇ－－ＣｏｎｆｅｒｅｎｃｅｏｎＰｏｉｎｔＢａｓｅｄＧｒａｈｉｃｓ．Ｅｕｒｏｒａｈｉｃｓｓｓｏｃａｔｏｎ２００６：．Ａｉｉ１１１１２１ｐｇｐ，６５ＳｃｈａｕｅｒＮｉｉｃｈｔｅｒＡ．Ｃｏｌｌｉｓｉｏｎｄｅｔｅｃｔｉｏｎｂｅｔｗｅｅｎｏｉｎｔｃｌｏｕｄｓｕｓｉｎａｎｅｆｆｉｃｉｅｎｔｋ［］Ｊ，ｐｇ－ｄｔｒｅｅｉｉＡｉＩｉ２０１５２９３４４０－４５８ｍｌｅｍｅｎｔａｔｏｎ．ｄｖａｎｃｅｄＥｎｎｅｅｒｉｎｎｆｏｒｍａｔｃｓ：．ｐ＾，，］ｇｇ（）［６６］ＸｉｎｇＢＢ，ＣｈｅｎｇＨ，ＪｉｎｇＬＷ，ｅｔａｌ．Ｓｔｕｄｙｏｎａｓｔｉｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｏｆｔｈｅｉｔｅｒａｔｉｖｅｃｌｏｓｅｓｔｏｎｔｂａｓｅｄｏｎｄｎａｍｉｃｈｉｅｒａｒｃｈｏｕｒｎａｌｏｆｔｃａｌｅｃｈｎｏｌｏｃｏｆｔｉｃｈｅｓｋｉ．ＯｉＴＣ／Ｏｉｉｐｙｙ［Ｊ］ＪｐｇｙｐＺｈｕｍａ－ｌ２０１５８２ｌ：２８３２．，，（）［６７］ＳｕｎＪＨ，ＸｉｅＰ，ＬｉｕＺ，ｅｔａｌ．Ａｕｔｏｍａｔｉｃ３Ｄｐｏｉｎｔｃｌｏｕｄｒｅｇｉｓｔｒａｔｉｏｎｂａｓｅｄｏｎｈｉｅｒａｒｃｈｉｃａｌｎｎｎ－ｂｌｏｃｋｌｏｂａｌｓｅａｒｃｈ．Ｏｔｉｃｓ＆ＰｒｅｃｉｓｉｏＥｉｅｅｒｉｎ２０１３２１１７４．：１１８０ｇ］，，［Ｊｐｇ（）ｇ６８ＶｅｔｔｅｒＭＨｏｆｌｅＢＨｏｌｌａｕｓＭｅｔａｌ．ＶｅｒｔｉｃａｌＶｅｅｔａｔｉｏｎＳｔｒｕｃｔｕｒｅＡｎａｌｓｉｓａｎｄＨｄｒａｕｌｉｃ，，，［］ｇｙｙ－ＲｏｕｈｎｅｓｓＤｅｔｅｒｍｉｎａｔｉｏｎＵｓｉｎＤｅｎｓｅＡＬＳＰｏｉｎｔＣｌｏｕｄＤａｔａａＶｏｘｅｌＢａｓｅｄＡｒｏａｃｈ．ｇｇｐｐｆＪ］－ｉｉＩＳＰＲＳＩｎｔｅｒｎａｔｉｏｎａｌＡｒｃｈｉｖｅｓｏｆｔｈｅＰｈｏｔｏｒａｍｍｅｔｒＲｅｍｏｔｅＳｅｎｓｎａｎｄＳａｔａｌｇｙ，ｇｐＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓ２０１１．，［６９］ＤｉｎａＡ．Ｈａｆｉｚ，ＢａｙｕｍｙＡ．Ｂ．Ｙｏｕｓｓｅｆ，ＷａｌａａＭ．Ｓｈｅｔａ，ｅｔａｌ．Ｉｎｔｅｒｅｓｔｐｏｉｎｔｄｅｔｅｃｔｉｏｎｉｎ３Ｄｉｎｔｃ３ＤＳｏｂｅ－ＨｉｓＩｎｏｌｏｕｄｄａｔａｕｓｉｎｌａｒｒｏｅｒａｔｏｒ．ｔｅｒｎａｔｉｏｎａｌｏｕｒｎａｌｏｆｐｇｐ［Ｊ］ＪＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ＆ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２０１５，２９（０７）：１５０７１００２２０５９００９．７０马骊溟，徐毅，李泽湘．基于高斯曲率极值点的散乱点云数据特征点提取．系统仿真学［］［Ｊ］２００８２０９－报：２３４１２３４４．，，（）［７１］ＰａｎｋａｊＤＳ，ＮｉｄａｍａｎｕｒｉＲＲ．Ａｒｏｂｕｓｔｅｓｔｉｍａｔｉｏｎｔｅｃｈｎｉｑｕｅｆｏｒ３ＤｐｏｉｎｔｃｌｏｕｄｒｅｉｓｔｒａｔｉｏｎＩｍａｅｎａｌｓｓｔｅｒｅｏｌｏ．Ａｉ＆Ｓ２０１６３５１．ｇ［Ｊ］ｇｙｇｙ，，（）［７２］朱德海．点云库ＰＣＬ学习教程［Ｍ］．北京航空航天大学出版社，２０１２．＂＂Ｃｒａｕｅｒ－ｒｃｈａｒｄｔｎｋｎｕｈｍ７３Ｍ．ｉｌｌＭ．ｄ．ＢＢｕＭｏｅｒＣ．ＭｕｅｔＨｅｉｚｅＰ．ＫｓｔｅｔａｎｄＧ．Ｎｏｔｎｉ［］，，，，，，＂＜（Ｏｏｆｏｉｃｏｒｒｅｓｏｎｄｅｎｃｅｍｅｉ－ｉｉｎｔｈｅａｃｃｕｒａｃｎｔｔｈｏｄｓｎｔｈｒｅｅｄｍｅｎｓｏｎａｌｍｅａｓｕｒｅｍｅｎｔｙｐｐＭｍｓｕ－ｓｓｔｅｓｉｆｒｉｅｒｏｅｃｔｉｏｎＯｔ．Ｅｎ．５２６０６３６０１０６３６０１２０１３ｎｎ．ｙ，，，，ｇｇｐｊｐｇ（）（）７４ＳａｌｖｉＭａｔａｂｏｓｃｈＣＦｏｆｉＤｅｔａｌ．Ａｒｅｖｉｅｗｏｆｒｅｃｅｎｔｒａｎｅｉｍａｅｒｅｉｓｔｒａｔｉｏｎｍｅｔｈｏｄｓ，，，［］Ｊｇｇｇ－ｗｉｔｈａｃｃｕｒａｃｅｖａｌｕａｔｉｏｎ．Ｉｍａｅ＆ｕｔｉｎ．ＶｉｓｉｏｎＣｏｍ２００７２５５：５７８５９６ｙ，，［Ｊ］ｇｐｇ（）６０ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果［７５］ＡｒｉｄＴ．ＩｎｔｒｏｄｕｃｔｉｏｎｔｏｐｒｏｇｒａｍｍｉｎｗｉｔｈＫｉｎｅｃｔ：Ｕｎｄｅｒｓｔａｎｄｉｎｇｈａｎｄ／ａｒｍ／ｈｅａｄｇｍｏｔｉｏｎａｎｄｓｏｋｅｎｃｏｍｍａｎｄｓ［Ｃ］／／ＳｉｎａｌＰｒｏｃｅｓｓｉｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓＡｌｉｃａｔｉｏｎｓｐｇｇｐｐＣｏｎｆｅｒｅｎｃｅＳＩＵ２０ＩＥＥＥ－１２２０ｔｈ．２０１２：１１．，，（）７６Ｚｈａｎ．ＡｄａｃｅｎｔＳｃａｔｔｅｒＰｏｉｎｔＣｌｏｕｄＲｅｉｓｔｒａｔｉｏｎＴｅｃｈｎｏｌｏＲｅｓｅａｒｃｈＢａｓｅｄｏｎ［］ｇＸｊｇｇｙ－ＴｈｒｅｅｄｉｍｅｎｓｉｏｎａｌＣａｍｅｒａｏｆＴｉｍｅｏｆＦｌｉｈｔ．ｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌＥｎｉｎｅｅｒｉｎ２０１３Ｊ，，ｇ［］Ｊｏｇｇ１２－４９．：８１３３６（）［７７］梁锡坤．Ｂ样条类曲线曲面理论及其应用研究［Ｄ］．合肥工业大学，２００３．７８．Ｄ．２０１０莫堃华中科技大学．基于隐式函数的曲面重构方法及其应用，［］［］７９ＬａｗｓｏｎＣＬＧｅｎｅｒａｔｉｏｎｏｆａＴｒｉａｎｕｌａｒｒｉｄＷｉｔｈＡｌｉｃａｔｉｏｎｔｏＣｏｎｔｏｕｒｌｏｔｔｎ．ＧＰｉ．［］ｇｐｐｇ［Ｊ］ＭｅｍｏＪｅｔＰｒｏｐｕｌｓｉｏｎＬａｂｏｒａｔｏｒｙ，１９７２．８０鲍忠贵编程快速入门Ｍ．清华大学出版社２０１６．王涛，陈凌眼Ｑ，［］，ｊ［］６１ 北京交通大学硕士学位论文作者简历及攻读硕士学位期间取得的研究成果作者简历及攻读硕士学位期间取得的研宄成果一、作者简历作者：张哲性别：女出生年月：１９９３年９月教育经历：－２０２０１１年９月１５年７月北京工商大学计算机与信息工程学院软件工程获工学学士学位。－２０２０１５年９月１８年４月北京交通大学计算机与信息技术学院计算机科学与技术攻读工学硕士学位。二、发表论文一１尹辉．［］张哲．种基于关键点选择的快速点云配准算法［Ｊ］激光与光电子学进，许宏丽，展，２０１７５４１２）：１２１００２，（三、参与科研项目１国家自然科学基金Ｎｏ．６１４７２０２９６１４７３０３１）？（，［］２Ｎｏ．［］科技部国家重点研发计划．２０１６ＹＦＢ１２００１００）（Ｎｏ．４１５２０４２？［３］北京市自然科学基金（）４研业务费专项资金（Ｎ〇．２０１６ＢＺ００５２０１６ＪＢＭ０１９，２０１６ＪＢＭ０１６）．［］中央高校基本科Ｊ，６２ 北京交通大学硕士学位论文独创性声明独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研宄成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人己经发表或撰写过的研宄成果，也一不包含为获得北京交通大学或其他教育机构的学位或证书而使用过的材料。与我同工作的同志对本研宄所做的任何贡献均已在论文中作了明确的说明并表示了谢意。：曰学位论文作者签名：签字日期七松年￥月《６３ 北京交通大学硕士学位论文学位论文数据集学位论文数据集表１：．１数据集页关键词＊密级＊论文资助中图分类号ＵＤＣ１点云配准；多视公开ＴＰ３９基于计算机视觉角点云；点云精的高速铁路轮轨简；关键点；特接触关系检测关征描述子键技术研宄（Ｎｏ：Ｋ１６ＪＢ００２４０）学位授予单位名称＊学位授予单位代学位类别＊学位级别＊＾北京交通大学１０００４ＩＬ学硕士｜＿论文题名＊并列题名论文语种＊基于结构关联的维点云配准研宄Ｉ中文＾＂＊＊５１２０４７０作者姓名学号１｜张哲培养单位名称＊培养单位代码＊培养单位地址邮编｜北京交通大学１０００４北京市海淀区西直１０００４４门夕卜上园村３号＾学科专业＊研宂方向＊学制＊学位授予年＊＆机科学与技算机视觉Ｕ．５年２０１８，｜计丨论文提交＊日期２０１８．０３＊＼＊导师姓名午宏丽职称｜教授｜评阅人答辩委员会主席＊答辩委员会成员常冬霞高博鲁凌云｜电子版论文提交格式文本（Ｖ）图像（）视频（（）多媒体（）其他（））音频：推荐格式ａｐｐｌｉｃａｔｉｏｎ／ｍｓｗｏｒｄ；ａｌｉｔｉ／ｄｆｐｐｃａｏｎｐ５版论文出版（发布）者电子版论文出版（发布）地权限声明｜｜＊仑文总页数３｜６＊３３项，其中带为必填数据，为２１项共。６４
此文档下载收益归作者所有
