發(fā)布時間：2018-10-31 20:20

【摘要】：為了解決車輛點云數(shù)據(jù)曲面重構(gòu)效率低和精簡后數(shù)據(jù)重構(gòu)模型質(zhì)量差的問題,提出一種改進(jìn)的點云精簡算法�；趉d-tree建立散亂點云數(shù)據(jù)的空間索引結(jié)構(gòu)并獲取每個數(shù)據(jù)點的k鄰域索引;提出基于快速識別邊界線的精簡算法避免精簡過程邊界數(shù)據(jù)丟失,確保獲得真實的車輛曲面重構(gòu)模型;對非邊界點鄰域進(jìn)行區(qū)域分類,并根據(jù)分類選擇性保留鄰域數(shù)據(jù),以提高點云數(shù)據(jù)處理速度并減少內(nèi)存開銷。在實現(xiàn)了算法的程序設(shè)計及仿真實驗的基礎(chǔ)上,完成了基于三維激光掃描車輛外廓尺寸測量系統(tǒng)平臺的實車實驗。實驗結(jié)果表明,改進(jìn)后的精簡算法程序最大限度地保留了車輛點云的的邊界特征和細(xì)節(jié)形狀,改善了車輛點云曲面重構(gòu)模型質(zhì)量;數(shù)據(jù)處理中能夠精簡45%~70%的車輛點云數(shù)據(jù),加快了系統(tǒng)重構(gòu)的速度,提高了車輛外廓測量的性能。
[Abstract]:In order to solve the problems of low efficiency of surface reconstruction of vehicle point cloud data and poor quality of data reconstruction model after simplification, an improved point cloud reduction algorithm is proposed. Based on kd-tree, the spatial index structure of scattered point cloud data is established and the k-neighborhood index of each data point is obtained. A simplified algorithm based on fast recognition of boundary line is proposed to avoid the loss of boundary data in the process of simplification and to ensure that the real vehicle surface reconstruction model can be obtained. In order to improve the processing speed of the point cloud data and reduce the memory overhead, the region classification is carried out on the non-boundary point neighborhood, and the neighborhood data is selectively retained according to the classification. On the basis of realizing the program design and simulation experiment of the algorithm, a real vehicle experiment based on 3D laser scanning vehicle profile measurement system platform is completed. The experimental results show that the improved algorithm keeps the boundary feature and detail shape of the vehicle point cloud to the maximum extent and improves the quality of the vehicle point cloud surface reconstruction model. In the data processing, 4550% of the vehicle point cloud data can be simplified, the speed of system reconstruction is accelerated, and the performance of vehicle profile measurement is improved.
【作者單位】： 合肥工業(yè)大學(xué)計算機與信息學(xué)院;合肥工業(yè)大學(xué)汽車研究院;
【基金】：國家重點研發(fā)計劃項目(JZ2016ZDYF1065)資助
【分類號】：TN249;TP301.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 施曉磊;趙翠蓮;榮堅;范志堅;;基于平面層結(jié)構(gòu)勘察的點云快速分割[J];現(xiàn)代機械;2010年05期

2 劉海艷;;激光內(nèi)雕三維模型表面點云生成方法研究[J];科技信息;2012年15期

3 蔡潤彬;潘國榮;;三維激光掃描多視點云拼接新方法[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2006年07期

4 孫世為,王耕耘,李志剛;逆向工程中多視點云的拼合方法[J];計算機輔助工程;2002年01期

5 李忠富;;三維激光點云與彩色影像融合方法及其工程應(yīng)用[J];山西建筑;2013年23期

6 楊峰;;基于影像點云的可量測全景服務(wù)模式[J];測繪通報;2013年08期

7 張玉香;張興軍;;采用激光掃描點云擬合自由曲面的重構(gòu)特性研究[J];激光與紅外;2011年03期

8 劉海波;高飛;崔麗麗;高曼莉;;羅德里格矩陣在點云配準(zhǔn)中的應(yīng)用[J];信息通信;2013年08期

9 施貴剛;王峰;程效軍;李巧麗;;地面三維激光掃描多視點云配準(zhǔn)設(shè)站最佳次數(shù)的研究[J];大連海事大學(xué)學(xué)報;2008年03期

10 嚴(yán)劍鋒;鄧喀中;;基于特征點提取和匹配的點云配準(zhǔn)算法[J];測繪通報;2013年09期

相關(guān)會議論文 前1條

1 吳永華;胡以華;顧有林;王恩宏;;激光點云分類算法的探討與展望[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（上冊）[C];2010年

相關(guān)重要報紙文章 前1條

1 曹裕華 高化猛 江鴻賓;激光點云 亦真亦幻[N];解放軍報;2013年

相關(guān)博士學(xué)位論文 前1條

1 陳永輝;基于激光掃描的三維點云數(shù)據(jù)處理技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 張永恒;散亂點云數(shù)據(jù)配準(zhǔn)方法研究[D];長安大學(xué);2015年

2 金偉;基于點云數(shù)據(jù)處理技術(shù)的古建筑測繪研究[D];貴州師范大學(xué);2015年

3 劉強;雙振鏡系統(tǒng)激光點云數(shù)據(jù)預(yù)處理[D];電子科技大學(xué);2014年

4 李丁;三維激光掃描點云精簡研究[D];東華理工大學(xué);2015年

5 謝穎;基于三維激光掃描的糧倉儲量測量中點云數(shù)據(jù)處理技術(shù)的研究[D];華東師范大學(xué);2016年

6 李星河;基于激光掃描與視覺融合的地形估計與屬性認(rèn)知研究[D];北京理工大學(xué);2016年

7 渠文涵;基于三維激光掃描的工件表面損傷識別研究[D];燕山大學(xué);2016年

8 劉洋;基于路面點云的不規(guī)則三角網(wǎng)格建模算法研究[D];哈爾濱工業(yè)大學(xué);2016年

9 文瑞潔;三維激光點云的處理及重建技術(shù)研究[D];北京工業(yè)大學(xué);2016年

10 趙成偉;地面激光點云分割技術(shù)的研究[D];集美大學(xué);2016年

，

本文編號：2303418