3D-SIFT特征提取与体素滤波结合的点云精简算法_邢影.pdf
《3D-SIFT特征提取与体素滤波结合的点云精简算法_邢影.pdf》由会员分享,可在线阅读,更多相关《3D-SIFT特征提取与体素滤波结合的点云精简算法_邢影.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 44 卷第 3 期2023 年 3 月激光杂志LASE JOUNALVol.44,No.3March,2023http /www laserjournal cn收稿日期:20220914基金项目:国家自然科学基金项目(No 61701056)、重庆市科技局基础与前沿研究计划项目(No cstc2021jcyjmsxmX0348)作者简介:邢影(1998),女,硕士生,主要从事传统三维重建、点云处理方面的研究。Email:2163309626 qq com通讯作者:宋涛,男,副教授,硕士生导师。Email:tsong cqut edu cn光通信与网络3DSIFT 特征提取与体素滤波结合的点
2、云精简算法邢影1,宋涛1,2,赵延1,刘冠廷1,郑米培11重庆理工大学电气与电子工程学院,重庆400054;2重庆工业大数据创新中心有限公司,重庆400708摘要:点云数据中的冗余数据会影响到点云处理算法的速度,因此,为提升算法速率,需对点云数量进行精简。然而,点云精简过程容易剔除掉特征点,导致点云信息不完整,效果不好等问题。针对这些问题,提出一种利用 3DSIFT 特征提取与八叉树体素滤波结合的点云精简方法。利用 3DSIFT 算法提取出点云的强特征点和弱特征点,对弱特征点进行改进的八叉树体素滤波,并保留强特征点,通过点云合并,将滤波后的弱特征点与保留的特征点整合到一起,使得精简后的点云数据
3、不丢失特征点信息,从而也达到了精简的效果。将本算法与均匀网格算法、非均匀网格法、随机采样算法进行对比实验。通过多个不同模型的可视化结果和信息熵评价分析,可以得出对于几种不同模型取平均本算法平均信息熵达到 3.771 92,高于其他算法的信息熵,证明本算法在对数据进行精简的同时也达到了特征保留的效果。关键词:点云;精简;3DSIFT;八叉树;可视化;信息熵中图分类号:TN249文献标识码:Adoi:10.14016/j cnki jgzz.2023.03.163Point cloud reduction algorithm of 3DSIFT featurepoint extraction an
4、d voxel filteringXING Ying1,SONG Tao1,2,ZHAO Yan1,LIU Guanting1,ZHENG Mipei11College of Electrical and Electronic Engineering,Chongqing University of Technology,Chongqing 400054,China;2Chongqing Industrial Big Data Innovation Center Co LTD,Chongqing 400708,ChinaAbstract:edundant data in point cloud
5、data will affect the speed of the point cloud processing algorithm There-fore,simplify the number of point clouds to improve the algorithm speed However,the process of point cloud reduc-tion is easy to eliminate feature points,resulting in incomplete point cloud information and poor effect To solve
6、theseproblems,this paper proposes a point cloud simplification method combining 3DSIFT feature extraction and octreevoxel filtering The strong feature points and weak feature points of point cloud were extracted by 3DSIFT algorithm,the weak feature points were filtered by improved octree voxel filte
7、ring,and the strong feature points were retained,thefiltered weak feature points were integrated with the retained feature points,so that the simplified point cloud datadidn t lose the feature point information,so as to achieve the effect of reduction The proposed algorithm was com-pared with the un
8、iform grid algorithm,nonuniform grid algorithm and random sampling algorithm Through the visual-ization results and information entropy evaluation analysis of several different models,it could be concluded that theproposed algorithm achieves the effect of feature retention while simplifying data com
9、pared with other algorithmsKey words:point cloud;reduction;3DSIFT;octree;visualization;information entropy1引言点云中包含大量的数据特征信息,冗余的点云数据对算法的处理速度造成一定的影响。而不合理的精简算法会对后续处理造成影响,因此,合理的点云精简算法尤为重要。目前的点云精简算法1 主要分http /www laserjournal cn为建立网格进行精简和直接精简,典型的点云精简算法有随机采样、均匀采样和非均匀采样。随机采样2 即设置指定的点数,将点云数据采样到指定点数,其算法速度快,算
10、法简单,但效果不好,特征点缺失;均匀采样即在点云数据上建立三维网格,在每个体素网格内部,用距离中心点最近的点代替整个体素内部的点,达到采样的目的,其算法效率高,采样点分布均匀但不能控制采样点数,容易造成特征缺失;非均匀采样主要通过计算点云的曲率、法线等特征,得到各个区域的尖锐度,后对不同区域采用不同的精简方法,此算法计算较为复杂,但能保留部分特征点信息。传统的点云精简算法大多数追求整体性和效率,但会造成特征点的缺失。针对这些问题,王建强3 等采用多参数 Kmeans聚类的方法,用八叉树聚类的方法区分出多个模块,对不同的模块用不同的方法进行点云精简,该算法有效地保留了部分特征点,但计算量过大,特
11、征点保留还有一定局限性。Liu 等4 采用八叉树的 Kmeans聚类方法,构建八叉树对点云进行聚类,计算每个点到聚类中心的欧式距离,保留距离满足阈值的点,该算法容易陷入局部最优,剔除特征点。李海鹏等5 采用 FPFH 特征提取的方法,用 FPFH 计算出特征区域和非特征区域,对于非特征区域用改进的最远点采样进行采样,有效保留了边缘特征,但算法较为复杂,内部特征还是会有缺失。根据以上分析,结合传统点云精简算法,在此基础上,提出一种采用 3DSIFT 算法提取出强特征点区域和弱特征点区域,对于强特征点进行保留,弱特征点利用改进的八叉树体素滤波进行点云精简,然后将强特征点和滤波后弱特征点合并到一起的
12、点云精简方法,该方法在保留了特征点的同时也对点云进行了精简。23DSIFT 特征提取与体素滤波结合的点云精简算法2.1算法原理由于传统点云精简算法易造成点云特征数据丢失,采用 3DSIFT 特征点提取算法与八叉树算法结合的点云精简算法。即通过 3DSIFT 算法提取点云数据的强特征点数据并保存,然后用距离重心最近的点代替中心点进行体素滤波的八叉树算法对弱特征点进行点云精简,将精简后的弱特征点数据与特征提取的强特征点云数据进行点云合并达到点云精简的效果。这样点云数据在精简的同时,强特征点数据也得到了保留,边缘点和强特征区域都得到了很好的保留。同时,为了验证本算法的可行性,本算法与传统的几种经典算
13、法进行对比实验,采用点云可视化和平均信息熵进行算法评价,信息熵越大证明点云信息量越大,保留的特征点就越多。2.23DSIFT 特征点检测人类能快速地分辨出物体的特征,能看出物体的相似性,这是因为根据图片的纹理、颜色、形状等信息对物体进行辨别,因此,提取物体的特征信息在 3D 视觉领域尤为重要。SIFT 是一种局部特征提取方法6,它也称之为尺度不变特征,它不受旋转角度、位置、尺寸的影响,并且对视角变化和噪声影响表现出良好的稳定性。SIFT 检测到的大都为强特征点,不受光照、噪声和位置变化的点,如:边界点、角点、亮点以及暗点等。SIFT 是一种经典的图片特征提取算法,在 2007年被应用于 3D
14、领域。3DSIFT 其算法思路主要借鉴了 2DSIFT,在尺度空间上搜索极值点,并提取其尺寸、位姿、旋转不变量等特征。主要有四个步骤:构建尺度空间、检测极值点、确定主方向、构建特征描述符7。2.2.1构建尺度空间在尺度变化的情况下,特征点的位置是不发生改变的。因此,需要构建一个尺度空间找到位置不变的点。用高斯金字塔来表示尺度空间8,3D 点云的尺度空间可表示为一个变化的高斯核函数与点云坐标相卷积,即:L(x,y,z,)=G(x,y,z,)I(x,y,z)(1)其中,L(x,y,z,)代表点云的尺度空间,G(x,y,z,)代表高斯卷积核函数,I(x,y,z)代表点云坐标,=32代表高斯卷积尺度因
15、子。三维的高斯卷积核函数公式为G(x,y,z,)=1(2)3exp(x+y+z)22()(2)2.2.2检测极值点用乘法因子 k 设置成不同的尺度,生成点云的高斯金字塔。在实际计算过程中,高斯金字塔中相近的两层点云相减9,构成点云的高斯差分图,如图 1 所示,来进行极值检测。通过构建稳定且高效的高斯差分函数,在尺度空间上检测极值点。假设每组金字塔组内层数为 s,则可设 ks=2。构建高斯差分尺度函数(DoG)检测稳定的极值10,公式为D(x,y,z,ki)=L(x,y,z,ki+1)L(x,y,z,ki)(3)其中,i 0,s+2。关键点即为这些极值点,当前像素点与邻近的点相比较11,确定其是
16、否为周围内的461邢影,等:3DSIFT 特征提取与体素滤波结合的点云精简算法http /www laserjournal cn极大值或极小值,如图 2 所示。当前像素点与其邻近的 26 个以其上下层 272=54 个点的灰度值相比较,如果其为这 80 个邻近点的极大值或极小值,则该点为关键点12。图 1点云高斯差分图图 2极值点检测图2.2.3确定主方向通过尺度不变性确定关键点,可使其具备伸缩不变性13。为使关键点满足旋转不变性,需要通过其邻域内点的方向和梯度特征,确定关键点的主方向13。令 Lx,Ly,Lz的计算公式为Lx=L(x+1,y,z)L(x1,y,z)Ly=L(x,y+1,z)L
17、(x,y1,z)Lz=L(x,y,z+1)L(x,y,z1)(4)则每个邻域点的方向和梯度特征计算公式为m(x,y,z)=L2x+L2y+L2z(x,y,z)=arctanLyLx()(x,y,z)=arcsinLzm(x,y,z)()(5)其中,m(x,y,z)为关键点邻域窗口内的幅值,(x,y,z)为方向角,(x,y,z)为俯仰角。在完成方向和梯度计算后,使用梯度直方图统计法,统计一定区域内邻域点像素的方向和梯度,来确定关键点的主方向14。将 0360的方向范围分成 8 份,构建一个 8 柱的梯度直方图15,如图 3 所示。直方图峰值为关键点邻域的梯度方向,将直方图中的最大值作为关键点的主
18、方向,大于主方向峰值 80%的方向作为辅方向。到此为止,提取出的关键点即为 SIFT 算法提取出的特征点。图 3直方图统计法2.2.4构建特征描述符经过以上步骤的处理,此时检测的关键点已具备位置、方向、尺度等信息。为使这些关键点具备稳定性,不随着光照、视角、尺度等变化而变化,需为关键点构建特征描述符(用向量描述关键点)。这个特征描述子除了包括特征点,还包括邻域内对其有贡献的点,因此,描述子具备很强的独特性,能有效提高匹配的准确率。生成关键点描述符的步骤为:首先,将关键点邻域划分为 nn 个子区域(一般情况下 n=4),每个子区域作为一个种子点,每个种子有 8 个方向16;其次,将坐标轴方向旋转
19、至关键点主方向上,以满足旋转不变性;然后,将邻域内的点分配到对应的子区域内,计算子区域内点的梯度值并将其分配到8 个方向上,计算其权值;最后,统计 8 个方向的灰度梯度直方图,得到特征向量,对特征向量进行归一化处理,得到最终的特征描述子。2.3八叉树体素滤波点云是包含目标空间分布和目标表面特征的大量点集,在获取点的位置信息后,得到的点集合。目前,点云能够被高效地创建出来,然而其占大量的内存空间,因此,在传输或储存时,如何实现对点云数据的压缩变得尤为重要。PCL 库中提供了 octree 库,oc-tree 模块采用十几个类实现了对点云数据进行快速检索、整理、点云压缩、空间变化检测等处理。此外,
20、oc-tree 还可以对不用输入源的点云数据进行高效的点云数据合并。八叉树是将三维几何空间划分成众多小的体素单元,这些体素单元应具备相同的时空复杂度17。采用循环递归法对几何空间(2n2n2n)划分,如果划分后的体素单元具有相同的时空复杂度,则这个体素单元作为一个叶节点,否则继续对其进行划分,最多划分 n 次,构建出一个具有根节点的方向图,如图 4所示。561邢影,等:3DSIFT 特征提取与体素滤波结合的点云精简算法http /www laserjournal cn图 4八叉树节点图传统的八叉树算法是采用每一个体素内的重心点代替该体素内的全部点,这会造成采样后的点不是初始点云数据中的点,因此
21、,采用改进的八叉树算法,即用距离重心最近的点代替体素内部的全部点,这样保证了滤波后的点还为原始点云内部的点18。主要思路是根据点云最小包围盒构建一个立方体,将该立方体分解成多个子立方体,计算非空子立方体的重心构成重心点集,寻找重心点的最近邻点构成新的点集,从而实现下采样。改进的八叉树算法实现步骤为:(1)找出点数为 N 的点云空间中的最大尺寸,根据最大尺寸构建第一个立方体。设该立方体的长、宽、高分别为 X、Y、Z,体积为 V。(2)设置子立方体的边长为 S=3XYZN将第一个立方体分成 n=ceilXS()ceilYS()ceilZS()子立方体。其中 为比例系数,为比例因子,ceil()代表
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- SIFT 特征 提取 滤波 结合 精简 算法 邢影
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。