作者单位
摘要
西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
针对传统点云配准方法在处理大型点云模型时存在计算量大、效率低和移动扫描配准实时性较差等问题,提出基于卷积神经网络结合改进Harris-SIFT(Scale Invariant Feature Transform)的点云配准方法。首先改进Harris-SIFT算法,使其可以提取三维空间中点云模型的稳定关键点。进而将关键点的加权邻接矩阵作为卷积神经网络的输入特征图,实现源点云和目标点云关键点的预测匹配。然后基于匹配的关键点,采用迭代最近点(ICP)算法实现点云数据的精配准。相较于传统的点对点配准,所提方法不需要生成对应关系的点描述符,解决全局搜索开销大的问题。实验结果表明,相较于ICP算法,所提方法能够较好地完成即时点云配准,且计算量小,耗时短,效率高。
成像系统 三维图像采集 点云配准 Harris-SIFT算法 卷积神经网络 深度学习 imaging systems three-dimensional image acquisition point cloud registration Harris-SIFT algorithm convolutional neural network deep learning 
激光与光电子学进展
2020, 57(20): 201102

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!