《3-D Deep Feature Construction for Mobile Laser Scanning Point Cloud Registration》阅读笔记

研究意义

由于移动激光扫描系统各传感器之间的定位误差的存在,导致不同阶段采集的激光点云数据之间存在错位,这种错位会降低实际的点云量测精度。因此,在进行形变检测deformation monitoring、城市管理等应用前需要对点云进行配准。

方法论

《3-D Deep Feature Construction for Mobile Laser Scanning Point Cloud Registration》阅读笔记_第1张图片

方法的总体思路:找到两个点云集合之间的对应点corresponding points,利用对应点计算转换矩阵实现不同点云集合之间的配准。

具体的步骤:1)提取点云中的关键点;2)采用训练好的神经网络提取关键点的特征;3)构建关键点特征的K-D树,并以欧式距离作为量度进行对应点的判断;4)使用随机采样一致RANSAC算法剔除对应点中的不符合的点,使对应点提取更精确;5)利用对应点计算不同点云集合之间的转换矩阵T。

网络模型:采用了Siamese网络结构,训练时两个点云的集合作为网络的输入。

实验结果

实验给出了所提出方法的对点云配准的效果,并分别验证了关键点数目对配准结果的影响、点云尺度变化对配准结果的影响以及所提方法对不同场景点云的鲁棒性。

你可能感兴趣的:(《3-D Deep Feature Construction for Mobile Laser Scanning Point Cloud Registration》阅读笔记)