分形维数的全局点云初始配准算法

doi:10.3778/j.issn.1002-8331.1811-0359

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (5): 234-241.DOI: 10.3778/j.issn.1002-8331.1811-0359

分形维数的全局点云初始配准算法

封雪梅，张志毅，杨龙

西北农林科技大学信息工程学院，陕西杨凌 712100

出版日期:2020-03-01 发布日期:2020-03-06

Global Point Cloud Initial Registration Algorithm of Fractal Dimension

FENG Xuemei, ZHANG Zhiyi, YANG Long

College of Information Engineering, Northwest A&F University, Yangling, Shaanxi 712100, China

Online:2020-03-01 Published:2020-03-06

摘要/Abstract

摘要：

针对重叠率低、角度大的点云数据之间的配准进行了研究，提出基于分形维数的全局点云初始配准算法。计算点云中各点的维数值；通过维数属性，从点云中提取特征点；聚类特征点，形成全局结构；从全局结构中，获得全等三角形对，作为匹配点对，进行初始配准；进行剪枝迭代最近点（Trimmed Iterative Closest Point，Trimmed-ICP）细配准。该算法与全局最优迭代最近点（Global optimal Iterative Closest Point，Go-ICP）算法相比，能够有效缩小不同角度的点云数据之间的位姿差异，显著提升对重叠率低、角度大的点云数据的配准效果。

关键词: 全局最优迭代最近点算法, 分形维数, 全局结构, 点云初始配准

Abstract:

The registration between point cloud data with low overlap rate and large angle is studied. A global point cloud initial registration algorithm based on fractal dimension is proposed. Firstly, the dimension value of each point in the point cloud is calculated, the feature points are extracted from the point cloud by the dimension attribute, the feature points are clustered to form a global structure, and from the global structure, the congruent triangle pair is obtained as the matching point pairs for initial registration, finally the Trimmed Iterative Closest Point（Trimmed-ICP） fine registration algorithm is performed. Compared with the Global optimal Iterative Closest Point（Go-ICP） algorithm, the proposed algorithm can effectively reduce the pose difference between point cloud data at different angles, and has a significant effect on the registration of point cloud data with low overlap rate and large angle.

Key words: global optimal iterative closest point algorithm, fractal dimension, global structure, point cloud initial registration

封雪梅，张志毅，杨龙. 分形维数的全局点云初始配准算法[J]. 计算机工程与应用, 2020, 56(5): 234-241.

FENG Xuemei, ZHANG Zhiyi, YANG Long. Global Point Cloud Initial Registration Algorithm of Fractal Dimension[J]. Computer Engineering and Applications, 2020, 56(5): 234-241.

[1]	陈晓娟1，王单卉2. 基于BEMD和分形维数的人脸识别方法[J]. 计算机工程与应用, 2017, 53(10): 177-180.
[2]	秦建强1，孔祥玉1，胡绍林2，马红光3. 一维时间序列分形维数算法对比分析[J]. 计算机工程与应用, 2016, 52(22): 33-38.
[3]	吴晓璇，倪志伟，倪丽萍. 云计算环境下基于分形的聚类融合算法研究[J]. 计算机工程与应用, 2015, 51(14): 1-6.
[4]	吴曼，张公让，刘恒. 基于分形维数和多目标遗传算法的特征选择[J]. 计算机工程与应用, 2015, 51(11): 109-113.
[5]	魏美华1，常金勇2，马崛1. 一类活化基质模型非常数正平衡解的全局结构[J]. 计算机工程与应用, 2014, 50(18): 50-53.
[6]	卢健，段田东，徐文艳. 基于分形缝隙的短波突发信号暂态特征提取[J]. 计算机工程与应用, 2013, 49(20): 217-221.
[7]	王莉1，戴芳1，郭文艳1，韩伟2. 应用分形维数的自适应张量投票算法[J]. 计算机工程与应用, 2013, 49(12): 168-171.
[8]	朱颢东1，张明慧2，李红婵1. 基于分形维数的非常规决策表的属性约简[J]. 计算机工程与应用, 2011, 47(14): 115-117.
[9]	罗义钦^1，2，倪志伟^1，2，杨葛钟啸^1，2. 一种新的数据流分形聚类算法[J]. 计算机工程与应用, 2010, 46(6): 136-138.
[10]	闫光辉¹,马志程²,刘利松¹,杜琳娜¹,杨霞霞¹. 基于Z-ordering的多重分形维数及多重分形谱算法[J]. 计算机工程与应用, 2009, 45(9): 146-150.
[11]	蒲云^1,2,曾理^1,2,马睿^1,2. CT图像的分形特征和Facet边缘检测[J]. 计算机工程与应用, 2009, 45(3): 165-167.
[12]	黄湘松，赵春晖，陈立伟. 利用投票选择机制进行语音分割的新方法[J]. 计算机工程与应用, 2009, 45(24): 21-24.
[13]	方爱丽¹，孙丽珺². 复杂网络的分形特征及其实证研究[J]. 计算机工程与应用, 2009, 45(20): 52-53.
[14]	杨葛钟啸,倪志伟,倪丽萍,梁敏君. 基于分形和邻接空间密度变化的属性选择方法[J]. 计算机工程与应用, 2008, 44(20): 142-144.
[15]	步红刚,黄秀宝,汪军. 基于多分形特征参数的织物瑕疵检测[J]. 计算机工程与应用, 2007, 43(36): 233-237.

分形维数的全局点云初始配准算法

Global Point Cloud Initial Registration Algorithm of Fractal Dimension

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics