快速点特征直方图(FPFH)三维配准-化工大学毕业设计(外文翻译)文献.docxVIP

北京化工大学毕业设计（外文翻译） 快速点特征直方图(FPFH)三维配准 Radu Bogdan Rusu, Nico Blodow, Michael Beetz Intelligent Autonomous Systems, Technische Universit¨at M¨unchen 信计1001 鄂求实 2010016363 摘要：在我们最近的工作[1]，[2]，我们提出具有稳定的多维度特征点特征直方图（PFH）,它描述了三维点云数据集的一个点p周围的局部几何特征。在本文中，我们修改他们的数学表达式并对重叠点云的三维配准问题的稳定性和复杂性进行了严格的分析。更具体地说，我们提出几个优化方法，由任意快取以前计算的值，或通过修改他们的理论公式大大减少计算时间。在一个新的类型，后者的结果局部特征，称为快速点特征直方图（FPFH）它保留了大部分PFH的辨别力。此外，我们提出了为实时应用FPFH功能的一个算法的在线计算。为了验证我们结果，我们展示他们三维配准的效率，并提出了一种新的以样本为基础共识的方法，使两个数据集到局部非线性的收敛域优化：SAC-IA（抽样一致初始对准）。 引言 在本文中，我们解决的各种重叠的三维点云数据视图一致对准，形成一个完整的模型（在一个刚性的意义上）的问题，也称为三维配准。解决的办法可以将他转化成一个优化问题，即，在适当的度量空间中，通过求解最佳旋转而转换（6度）使这样的数据集之间的重叠区域之间的距离是最小的。在空间初始未知和重叠未知的情况下，这个问题就更加困难和寻找最佳解决方案的最优化技术更容易失败。这是因为函数优化是多维的，局部最优解决方案可能接近全局。 三维刚性配准方法的简单分类可以基于底层的优化类型，方法：全局或局部。在第一类中也是最广为人知的都是基于全局随机采用遗传算法优化[3]或进化技术[4]，其主要缺点是实际计算时间。很多在三维配准完成的工作其实属于第二类，至今最流行配准方法无疑是在最近点迭代（ICP）算法[5]，[6]。 ICP法已经看到它从原来形式的许多改进，利用非线性优化方法[7]，[8]，找到好的初始猜测[9]，[10]，或估计更好的点特征[9]，[11]，[12]，以解决ICP的计算复杂性的问题，[13] ，[14]，等等。 我们目前的贡献属于特征区域内点对应的搜索评价与选择，用基于几何结构对比的方法使数据??的收敛域非线性优化的算法。目前在本文的工作构成从 [1]，[2]，[15]，[16]进步研究。由于空间的限制，因为我们已经找出相关出版物的与我们类似的问题解决，我们在这里不会再解决这些问题。相反，在其余的纸张中，我们要重申他们的方法讨论，请参考读者最合适参考。本报告研究的主要贡献包括以下几个方面： 优化PFH的计算，通过重新排序数据集和缓存先前的计算值大幅减少运行时间；; 经修订的特征集，形成快速点特征直方图（FPFH），可以在线计算，计算复杂度为O（k）（相对于PFH的O（k2）），同时仍保留了大部分的PFH的描述能力。 一种基于样本一致的初始对准方法，使两个数据集在收敛域中的一个局部非线性优化（SAC-IA）。 本文的其余部分安排如下，下一节（第二节）介绍了点特征直方图（PFH）。在第三节中，我们修改PFH理论配方并创建快速点特征直方图（FPFH）。第四部分介绍了FPFH在三维配准问题中的应用，采用了一种新的基于样本一致的初始对准算法，我们还进行了几个实验测试FPFH在嘈杂的扫描数据中的效率，讨论的结果在第五节。最后，第六节中体现了我们的结论还有我们对未来工作的见解。 点特征直方图（PFH） 正如我们先前在[1]，[16]中提出的，点特征直方图（PFH）是姿势不变的，局部特征是通过一点p代表底层的表面模型的属性。它们的计算是基于p和最邻近点k的组合之间存在一定的几何关系。他们将x,y,z作为三维点坐标，将nx,ny,nz作为预计曲面法线，但是也可扩展应用到其他方面如弯曲，第二阶不变矩等。 在本节中，我们对特征模型的数值计算进行了一个简单的分析，多个尺度讨论他们的持久性（即不同k相邻数），并表明几何面上的点是如何代表在我们的特征空间。此外，我们提出了一个优化的算法，可以通过缓存以前计算值，再利用他们重新排序的数据集大大减少特征的计算时间。 为了说明和体现我们的理论方面提出的方法，我们将使用斯坦福兔子模型，因为它是三维配准里最有名且广泛使用的。 理论方面 在其最基本的形式中，PFH中的一个点p的计算依赖于三维坐标和预计表面法线，计算方法如下：i）就每点p，p所有邻近点包围在一个给定半径r的球体（k-邻域）; ii）对p邻域k中每对点pi和pj（i！=j）和他们估计法线ni和nj(pi是它的相关法线和与它有一个较小角度的线的连接点)，我们定义了一个Darboux UVN框