基于八叉树与KD树索引的点云配准方法
2017-07-01王育坚廉腾飞吴明明
测绘工程 2017年8期
关键词:模型
王育坚,廉腾飞,吴明明,高 倩
(北京联合大学 信息学院,北京 100101)
基于八叉树与KD树索引的点云配准方法
王育坚,廉腾飞,吴明明,高 倩
(北京联合大学 信息学院,北京 100101)
针对点云配准算法中KD树多维查询效率较低的问题,提出一种基于八叉树和KD树多层索引结构的点云配准方法。首先为模型点云数据建立八叉树全局索引,然后在八叉树叶子结点构建局部数据的KD树索引。对传统的ICP点云配准算法进行改进,通过叶子结点的全局索引值快速定位局部点云数据块,利用局部KD树索引加快最近点的搜索,计算最近点时利用欧氏距离阈值、点对距离差值和法向量阈值剔除部分噪声点。实验表明,改进算法提高了点云配准的效率和精度。
点云配准;八叉树;KD树;ICP算法
三维重建在计算机视觉、虚拟现实、3D打印和逆向工程等方面有着广泛的应用,点云数据配准方法的优劣直接影响三维重建的效果。利用三维扫描仪多次扫描物体表面,得到不同视角下的三维点云数据,将扫描得到的多片点云数据进行配准,即可得到完整的模型[1]。点云配准包括粗配准和精配准,粗配准的目的是为精配准提供良好的初值,缩小相邻点云之间的旋转误差和平移误差。精配准的目的是找到最合适的旋转矩阵和平移矩阵,使得相邻点云配准的误差最小。
目前应用最广泛的点云配准算法是迭代最近点(Iterative Closest Point,ICP)算法[2]及其改进算法。ICP算法作为一种基于纯粹几何模型的配准方法,人们提出了多种改进方案[3],改进的基本思路主要体现在点云数据模型设计和最近点搜索策略两个方面[4-5]。……
登录APP查看全文
