大場景車載激光點云三維目標檢測算法研究.pdf_第1頁
已閱讀1頁,還剩148頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著激光掃描技術和組合定位定姿技術的不斷發(fā)展,快速獲取大場景三維信息已經成為現(xiàn)實。車載移動激光掃描系統(tǒng)以其獨特的系統(tǒng)優(yōu)勢,能夠快速獲取大范圍場景的高密度、高精度以及具有地物三維地理坐標的三維點云數(shù)據。車載移動激光掃描系統(tǒng)采用主動式近紅外激光測量方式,數(shù)據采集任務不受任何環(huán)境光照條件的影響,在白天或夜間均可進行場景數(shù)據采集。車載移動激光掃描系統(tǒng)及其三維點云數(shù)據已被廣泛地應用于交通運輸、道路規(guī)劃、道路檢修、地圖導航、數(shù)字城市、文物保護、林業(yè)

2、、采礦業(yè)、影視動漫以及基礎測繪等領域。基于三維點云數(shù)據的三維目標檢測算法的研究也已取得了重大的進展。然而,現(xiàn)有的三維目標檢測算法在處理大場景車載激光點云數(shù)據時仍然存在以下幾個問題:(1)時間復雜度較高或計算效率較低;(2)特征表達能力不足;(3)精度較低、魯棒性較差;(4)數(shù)據的不完備性。另外,由于車載激光點云的高密度、海量特性、空間離散特性以及自然場景中三維目標的數(shù)據不完整性、目標間的重疊性、遮擋性、相似性等現(xiàn)象,研究魯棒、高效的三維

3、目標檢測算法對進一步推廣車載移動激光掃描系統(tǒng)及其數(shù)據在各個領域的應用都具有重要的意義。本文針對大場景車載激光點云三維目標檢測所面臨的科學和算法問題,主要圍繞以下三個內容進行研究:
  首先,針對現(xiàn)有特征點描述方法只能描述特征點的局部特征以及缺乏針對局部點云塊整體特征描述的問題,提出了三維點云特征描述的新方法。針對基于形狀匹配的三維目標檢測,提出了用于描述三維點云目標整體結構特征的成對三維形狀上下文。通過構造鄰近特征點對之間的成對三

4、維形狀上下文,可以對三維目標的局部特征進行描述。通過構造三維目標上所有特征點對之間的成對三維形狀上下文,可以對三維目標的整體結構特征進行描述。此外,針對基于目標局部特征的三維目標檢測,提出了用于描述局部點云塊高階抽象特征的多層結構特征生成模型。該模型通過深度學習方法進行構造,能夠快速、高顯著性、高可區(qū)分性地對局部點云塊進行高階特征描述。
  其次,針對實際三維點云場景中同類目標之間的尺寸多樣性、空間拓撲結構多樣性以及目標重疊問題,

5、提出了基于三維點云數(shù)據的三維目標匹配框架。該框架通過特征匹配項和幾何匹配項分別對三維目標的局部特征和幾何結構特征進行約束。通過構造局部仿射不變性幾何約束,該三維目標匹配框架不僅能夠有效地處理不同尺寸、不同空間拓撲結構的同類三維目標,而且對包含附屬物或與其他目標重疊的三維目標也能取得理想的匹配結果。
  最后,針對實際三維點云場景中不同語義目標之間的重疊性以及車輛目標之間的不同程度數(shù)據完整性問題,提出了基于霍夫森林模型和可見性估計模

6、型的三維車輛檢測算法?;舴蛏帜P湍軌蛴行У貙⒕植奎c云塊的特征表示映射到三維車輛的質心位置,實現(xiàn)基于車輛局部特征的三維車輛檢測。可見性估計模型通過車輛組件部分的分布信息,能夠有效地對三維車輛的完整性進行估計,用以增強數(shù)據覆蓋不完整車輛目標的存在性的概率估計結果。
  本文在大場景車載激光點云測試數(shù)據集上對所提出的三種三維目標檢測算法的檢測性能和計算性能進行了測試與定量分析。結果表明,本文所提出的三維目標檢測算法能夠有效地處理大場景

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論