19825.建筑物lidar點(diǎn)云數(shù)據(jù)特征檢測(cè)及配準(zhǔn)關(guān)鍵技術(shù)研究

1、簍關(guān)大學(xué)碩士學(xué)位論文建筑物L(fēng)iDAR點(diǎn)云數(shù)據(jù)特征檢測(cè)及配準(zhǔn)關(guān)鍵技術(shù)研究ResearchonKeyTechniquesofBuildingLiDARPointCloudDataFeatureDetectionandRegiStration建筑物L(fēng)iDAR點(diǎn)云數(shù)據(jù)特征檢測(cè)及配準(zhǔn)關(guān)鍵技術(shù)研究摘要點(diǎn)云數(shù)據(jù)特征檢測(cè)和配準(zhǔn)技術(shù)是當(dāng)前的研究熱點(diǎn)。本文圍繞點(diǎn)云數(shù)據(jù)的特征檢測(cè)和配準(zhǔn)問題，主要研究了建筑物L(fēng)iDAR點(diǎn)云數(shù)據(jù)邊緣特征點(diǎn)的檢測(cè)、建筑物水平和垂直

2、邊緣提取、點(diǎn)云配準(zhǔn)等問題。主要工作如下：1、實(shí)現(xiàn)了對(duì)點(diǎn)云數(shù)據(jù)kdtree的管理，研究了建樹和搜索k近鄰點(diǎn)的效率。為建立各數(shù)據(jù)點(diǎn)之間拓?fù)溧徑P(guān)系，本文首先用二分法建立kdtree，并實(shí)現(xiàn)了三維點(diǎn)云數(shù)據(jù)k鄰域搜索。研究了數(shù)據(jù)量與建樹時(shí)間以及數(shù)據(jù)量與k近鄰搜索效率之間的關(guān)系。研究表明，隨著數(shù)據(jù)量的增加，建樹時(shí)間和搜索k近鄰點(diǎn)的時(shí)間，均呈線性增長(zhǎng)關(guān)系。2、提出一種基于多結(jié)構(gòu)估計(jì)的建筑物點(diǎn)云數(shù)據(jù)水平和垂直邊緣提取算法。在切割最小二乘平面算法檢測(cè)邊

3、緣特征點(diǎn)基礎(chǔ)上，用多結(jié)構(gòu)估計(jì)算法進(jìn)行歷史模型信息條件采樣，迭代搜索邊緣的直線方程，在此基礎(chǔ)上采用直線尋優(yōu)算法，以點(diǎn)到直線的距離為尺度，統(tǒng)計(jì)小于閩值的點(diǎn)數(shù)，選擇點(diǎn)數(shù)最多的為最優(yōu)直線，并記錄所包含的特征點(diǎn)。為了檢測(cè)同一直線上不同的目標(biāo)線段，在對(duì)同一直線上的點(diǎn)排序基礎(chǔ)上，利用點(diǎn)間距與閾值的比較來(lái)尋找同一線段上的點(diǎn)，最后實(shí)現(xiàn)窗戶邊緣特征線的完整提取。實(shí)驗(yàn)表明：多結(jié)構(gòu)算法在尋找最優(yōu)直線的速度和效率，最優(yōu)直線所含內(nèi)點(diǎn)的能力方而，優(yōu)于傳統(tǒng)隨機(jī)采樣法。

4、3、實(shí)現(xiàn)了建筑物邊緣特征點(diǎn)的匹配。本文將建筑物邊緣離散特征點(diǎn)集ffj配準(zhǔn)問題轉(zhuǎn)化成概率密度估計(jì)問題，按照模型點(diǎn)集大于數(shù)據(jù)點(diǎn)集的要求，將基準(zhǔn)的點(diǎn)云定義為數(shù)據(jù)點(diǎn)集，將待搜索的點(diǎn)云定義為模型點(diǎn)集。建筑物點(diǎn)云配準(zhǔn)過(guò)程，即為求解數(shù)據(jù)點(diǎn)集到模型點(diǎn)集的轉(zhuǎn)換參數(shù)的過(guò)程。本文設(shè)計(jì)了高斯混合模型似然函數(shù)作為匹配的目標(biāo)函數(shù)，并通過(guò)EM算法交叉迭代出三維點(diǎn)云數(shù)據(jù)的轉(zhuǎn)換參數(shù)，從而實(shí)現(xiàn)建筑物邊緣特征點(diǎn)的整體匹配。在此基礎(chǔ)上研究了模型點(diǎn)集中的隨機(jī)噪聲對(duì)匹配的影響，并