一种新的三维点云兴趣点提取算法_郭建华.pdf
《一种新的三维点云兴趣点提取算法_郭建华.pdf》由会员分享,可在线阅读,更多相关《一种新的三维点云兴趣点提取算法_郭建华.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023一种新的三维点云兴趣点提取算法郭建华吕常魁(南京航空航天大学机电学院江苏 南京 210016)收稿日期:2020 06 26。国家自然科学基金项目(61671240)。郭建华,硕士生,主研领域:机器视觉及其工业应用,三维点云数据分析。吕常魁,副教授。摘要现有的三维点云兴趣点提取算法容易漏检和误检兴趣点,针对该问题,提出一种新的三维点云兴趣点提取算法。假设锥体为三维物体边角基元特征,根据各点与其 k 个近邻点的差向量集,构建突出度特征
2、值描述点的局部锥度特征。基于点云突出度特征值的全局阈值得到初始兴趣点集,按照局部最大原则获取候选兴趣点集,依据每个候选兴趣点被重复选中的次数进行投票,获取最终兴趣点。在单位圆上模拟点云的突出度相关参数特征,检验了算法的鲁棒性。以人工标注统计确定的兴趣点作为真实值评估算法的性能,结果表明,该算法能准确提取到大部分真实兴趣点,整体性能优于传统算法。关键词点云兴趣点锥体突出度特征中图分类号TP391文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 038A NOVEL ALGOITHM FO INTEEST POINT EXTACTION OF 3D POINT
3、CLOUDSGuo JianhuaL Changkui(College of Mechanical and Electrical Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,Jiangsu,China)AbstractThe existing interest point extraction algorithms of 3D point clouds are prone to misdetection and omissionTo solve this problem,we pro
4、posed a novel algorithm for interest point extraction of 3D point clouds Under theassumption that cone was the primitive feature of the edges and corners of a 3D object,salience degree was constructed todescribe the local cone feature of the object based on the difference vectors set calculated by e
5、ach point and its k nearestneighbors The initial set of interest points was obtained based on the global threshold of the salience degree of pointcloud data The set of candidate interest points was obtained based on the local maximum principle The final interestpoints were selected by voting accordi
6、ng to the number of times that each candidate interest point was repeatedlyselected The parameters related to salience degree of the point clouds were simulated on the unit circle to test therobustness of the algorithm The performance of the proposed algorithm was evaluated using manually labeled re
7、al interestpoints as discriminating criterion The results show that the proposed algorithm can accurately detect most real interestpoints,and outperformed traditional algorithms in terms of overall performanceKeywordsPoint cloudsInterest pointConeSalience degree0引言与2D 视觉相比,3D 视觉具有信息更为丰富全面、光照变化鲁棒性强、目
8、标空间信息更为直观准确等优势。随着 3D 数据获取传感器技术的迅猛发展,以及机器学习、机器视觉等领域算法技术的进一步成熟,基于 3D 视觉的物体识别、场景理解等方面研究热度与年俱增,其成果在自动化作业、工业检测、机器人导航、虚拟现实、人机交互、遥感测量等领域逐渐得以普及应用1 3。兴趣点(Interest Point)也称关键点(Key Point),兴趣点提取是 3D 视觉核心基础技术之一。3D 点云数据兴趣点提取即通过一定的检测算法,从目标点云数据第 3 期郭建华,等:一种新的三维点云兴趣点提取算法249中提取稳定的、标志性的特征点,为后续的物体跟踪4、目标配准5、目标建模6、空间结构描述
9、7、物体识别8 等高层视觉算法服务。针对三维模型兴趣点的提取,研究人员做了大量的相关工作。Lee 等9 提出了 Mesh Saliency 算法,模型中每个顶点的显著性特征是基于由高斯滤波器加权得到的平均曲率,根据所有模型顶点的显著性特征的局部最大值选择兴趣点。Castellani 等10 提出的 Sali-ent Points 算法则直接对模型顶点的三维位置进行高斯滤波,其显著性特征取决于经高斯滤波后的顶点与原模型顶点的位移量。Novatnack 等11 提出了尺度依赖(Scale-Depended)的特征检测方法 SD-corner,将三维网格嵌入到二维平面,在二维平面上进行特征检测后再将
10、特征映射回三维模型,最终识别出模型特征角点,该角点即为兴趣点。Sun 等12 提出基于热量扩散理论的多尺度特征描述算法 HKS(Heat Kernel Signa-ture),在模型上采用 Laplace-Beltrami 算子计算其热核特征。Sipiran 等13 将经典的 Harris 角点检测算法扩展到三维上,通过在当前顶点及其邻域上构建局部坐标系并拟合二次曲面来计算该顶点的 Harris 响应,之后根据局部最大原则选择兴趣点。Godil 等14 也提出了 3D Sift 算法,该算法首先将 3D 模型体素化,然后通过高斯差分(Difference of Gaussian,DoG)检测极
11、值点,最后选择合适的极值点后将其映射到原模型上作为兴趣点。这些算法中常用于点云兴趣点检测的算法是3D Harris 和 3D Sift 算法。为了评价这些算法的性能,Dutagaci 等15 提出了一种评估策略,将算法检测到的兴趣点集与人工标注的真实兴趣点集相比较。评估结果表明,3D Sift 算法会检测到许多偏离物体的重要位置的兴趣点;HKS 算法检测的兴趣点过少;3D Harris、Mesh Saliency、SD-corners、Salient Points 等算法则会漏检一些重要兴趣点。为了设计一种更加符合人眼视觉注意力机制的兴趣点提取算法,提出一种新的三维点云模型兴趣点提取算法。参考
12、人眼识别物体的一些特点,我们认为,锥体是物体边角的基元特征,点云物体局部几何特征均可近似表达为该局部区域的锥度特征:对于物体的型面特征,平面可认为是局部锥度特征为 0 的特征体,曲面则可认为是由等值或不等值的局部锥度特征集组成的特征体;对于物体的边角特征,物体的边缘、棱角、拐角等,均可认为是系列假想椎体(面)的组合,这些椎体(面)可以是规则的,也可以是不规则的(图 1)。基于这个思想,本文:1)提出一种新的三维点云数据点特征的表达算法,并命名为突出度特征(Saliency Degree,SD)。该特征算法计算点云数据中心点与其 k 近邻归一化向量集的平均合向量,搜索归一化向量集中与合向量最大的
13、夹角,应用该夹角与平均合向量二范数联合表达突出度特征,来描述三维点云物体的局部区域的锥度特征。2)提出一种新的兴趣点选取算法。算法全局与局部相结合,分为三步:(1)基于全局阈值的一次筛选:在突出度特征服从高斯分布的假设下,设置经验阈值为均值与标准差的和,突出度特征大于阈值的点为初始兴趣点。(2)基于局部最大原则的二次筛选:基于初始兴趣点,选取当前点及其 k 近邻点中具有最大突出度特征的点,作为代表当前点的候选兴趣点。每次候选兴趣点提取操作后给予该兴趣点 1 次投票。(3)基于投票数的最终筛选:设定票数阈值,按得票数量进行最终兴趣点筛选。(a)平面(b)曲面(c)边缘和拐角(d)圆锥面顶点图 1
14、物体的锥度特征1算法描述1 1计算点的突出度特征设点云数据集 P=pm,m=0,1,n 1,当前点为 Pi,首先使用 KD-Tree 算法16 获得其 k 个近邻点,设其近邻点集合为 N(i),则分三步计算该点的突出度特征:第 1 步计算点 Pi与其近邻点的平均合向量,对于N(i)中每一点 Pj,设点Pj指向当前点Pi的向量为vji,将vji归一化为单位向量 uji,获得向量集 V=uji,pjN(i),ji,设当前点 Pi的 k 个近邻点的平均合向量为 vi(如图 2 所示),则:vi=1kkj=1jiuji(1)250计算机应用与软件2023 年图 2合向量示意图第 2 步计算点 Pi的局
15、部锥度特征,将 vi归一化为单位向量 ui,分别计算 V 中各向量与 ui的内积(即 V中各向量与 ui的夹角余弦值),获得内积集合 I=cji,pjN(i),ji。选择 I 中的最小值 ci:ci=minjN(i)cji=minjN(i)uiujici1,1(2)ci为点 Pi与其近邻点的差向量中偏离其平均合向量的最大夹角的余弦值(见图 2)。称 ci为点 Pi的局部锥度特征(Local Conicity,LC)。ci是一个重要的特征,其大小近似反映了锥面锥度的大小,其正负则反映了锥面的外凸或内凹特征,如果 ci 0 表示 Pi点附近区域具有外锥面特征,如果 ci 0 则表示 Pi点附近区域
16、具有内锥面特征。第 3 步计算点 Pi的突出度特征,定义点 Pi的突出度特征(Saliency Degree)Sdpi为:Sdpi=vi2 eci(3)突出度特征(Sd)综合考虑了当前点的平均合向量与锥度特征,由以 ci的值为变量的 e 指数函数 eci与平均合向量 vi的二范数 vi2相乘得到,并且 Sd 0。其中,vi2是惩罚系数,具有突出锥度特征和抑制平面特征的作用。在点云局部分布相对均匀的情况下,对于具有较大锥度特征的局部区域如物体的凹凸点处,vi2的值较大,而对于平面 vi2则趋近于 0。1 2选择兴趣点按上述步骤计算所有点的 Sd 值后,从全局和局部两方面比较各点 Sd 值选择最终
17、的兴趣点。首先计算全局阈值,确定初始兴趣点。由于兴趣点是那些几何特征比较明显的点,所以先从全局考虑,选择那些突出度特征值(Sd)较大的点作为初始的兴趣点。假设三维点云物体各点 Sd 值近似服从高斯分布 N(,2),计算整个点云中 Sd 值的均值 与标准差,定义全局阈值 t 为:t=+(4)获得初始的兴趣点集合:S1=pmpmP,Sdpmt(5)然后按局部最大原则,确定候选兴趣点。对于 S1中每一点 pm,搜索其自身及其 k 个近邻点中 Sd 值最大的点,作为该点的代表兴趣点。pm的代表兴趣点表示为:pmax(m)=argmaxpkN(m),pm Sdpk(6)将所有代表点作为候选兴趣点集合 S
18、2。易知当pm的 Sd 值在其近邻区域中最大时,pmax(m)即为 pm自身。而且会出现多个点拥有同一个代表点的情况,一个点被当作代表点的次数越多,说明该点在其局部区域内越重要。在得到 pm的代表兴趣点的同时,将点pmax(m)的票数 vote(pm)加 1,投票之前,先将所有初始兴趣点 pm的票数 vote(pmax(m)设置为 0。最后我们根据得票数量进行最终兴趣点的筛选,与物体表面非特征候选兴趣点相比,物体的边缘、边角、拐角等部分的候选兴趣点一般具有较高的得票。根据经验,将兴趣点票数阈值设为 k/5,其中 k 为近邻点的个数。则最终兴趣点集合 S 表示为:S=pmvote(pm)k5,p
19、mS2(7)1 3算法流程综上所述,算法具体步骤如下:(1)对于点云数据 P,搜索每个点的 k 近邻,构建邻接矩阵 An n,计算得到向量差矩阵 Bn n 3。(2)按向量方向归一化 Bn n 3为 Bn n 3。(3)计算近邻差向量的平均合向量二范数张量Vn 1,及合向量归一化矩阵 Un 3。(4)根据 Bn n 3与 Un 3,计算每点合向量与其 k近邻差向量的最小内积(最大夹角余弦值),得张量Cn 1,Cn 1中诸元素 e 指数化,得张量 Cn 1。(5)计算 Vn 1与 Cn 1的 Hadamard 积,得突出度特征张量 Sdn 1。(6)获得 Sd 张量的均值与标准差,确定阈值 t+
20、。(7)获得 Sd 张量中值大于或等于 t 的点的下标,得候选兴趣点张量 Sm 1,获得 Sm 1对应的邻接矩阵Am n,初始化 vote(s)为 0。(8)计算 Am n与 Sdn 1的 Hadmard 积矩阵 Em n,按 Em n方向搜索每点与其近邻中的最大突出度值点的下标,同时该点对应 vote 值加 1,得张量 Sm 1。(9)搜索 S中 vote 值大于 k/5 的点,获得兴趣点集张量 S。2基于单位圆的点云突出度相关特征模拟由于本文算法首先将点云数据每一点与其近邻的第 3 期郭建华,等:一种新的三维点云兴趣点提取算法251差向量归一化后再进行计算,这里以分布于单位圆上的点来模拟当
21、前点的近邻点,以该单位圆圆心表示当前点,此时差向量均为单位向量。采用两种方式对算法性能进行了模拟:方法 1:当前点 Pi近邻点在单位圆上按 1步长均布,即 Pi拥有 360 个近邻点。选取一差向量为 0起始边,以 1为步长,分别计算 0 359锥角下合向量二范数(vi2)、合向量与近邻差向量的最小内积(即最大夹角余弦 ci)、以 ci的值为变量的 e 指数函数(eci)、突出度值(Sdpi)。计算某一锥角 的上述值时,仅视锥角之间的点为有效近邻点,处于锥角之外的近邻点不参与计算(图 3)。仿真结果如图 4 所示。图 3方法 1 示意图图 4方法 1 模拟结果方法 2:仍以 1为步长,选取一差向
22、量为 0起始边,分别计算 0 359锥角下方法 1 中所列的参数。计算某一锥角 的系列参数值时,以在单位圆上按 1步长均布的 360 个点为候选近邻点,设定近邻数 k,在确定了锥角 的起始、终止向量边(近邻点)后,在锥角 所包络的候选点中随机选取 k 2 个近邻点,由于选取过程随机,故极有可能产生点的复选现象,进而有可能导致近邻点分布的极度不均(图 5),这有利于检验算法的鲁棒性。模拟结果如图 6 所示。图 5方法 2 示意图(k=10)图 6方法 2 模拟结果由图 3 可看出,随着锥角 的增大,当前点位置的局部锥度在减小,其对应的突出度特征值也在减少(见图 4),当 接近 360时,表示当前
23、点位于锥度为 0的平面,图 4 中算法的各项参数值也达到最小。图 6显示,在近邻点分布极度不均的情况下,算法的各项参数对应的曲线会有较大的波动,但是所有曲线的整体趋势仍与原曲线相同,其中,突出度特征值对应的曲线所受影响最小。由两种方法的模拟结果可以看出,本文算法所描述锥度特征较为准确。方法 2 的随机模拟中,在近邻点分布极度不均的情况下,大多数情况下仍能获得正确的特征描述结果。3点云物体兴趣点检测实验3 1算法评价模型为评估三维点云兴趣点提取算法的性能,采用Dutagaci 等4 提出的评价模型。将算法检测到的兴趣点集与人工标注的真实兴趣点集相比较,若两者越接近,则算法的性能越优秀。通过缺失率
24、(False NegativeErrors,FNE)和误报率(False Positive Errors,FPE)两个指标来衡量算法提取的兴趣点集与真实兴趣点集的接252计算机应用与软件2023 年近程度。以真实兴趣点集为基准,计算算法的缺失率(FNE)和误报率(FPE)。由于算法提取的兴趣点与对应位置的真实兴趣点往往存在小的位置偏差,即相互近邻但不是同一点。鉴于此,对模型中的真实兴趣点 g,定义容忍半径系数 r,则点 g 的近邻点集合 Gr(g)为:Gr(g)=pMd(g,p)r(8)式中:为点云模型的半径(三维点云模型中相距最远的两个点的距离的一半);d(g,p)为点 g 和点 p 之间的
- 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:
- 一种 三维 兴趣 提取 算法 郭建华
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。