基于B样条曲面的三维点云物体识别方法

摘要

随着人工智能掀起的热潮以及其技术的迭代发展，推动着图像识别、语音识别、NLP等技术的发展，由此广泛并深刻地影响着工业、科研、医学以及各种和社会生活息息相关的诸多领域。作为当前人工智能的核心技术基础—计算机视觉技术，其提出的主要研究问题和方法大多围绕图形和图像的重构、分割和分类以及识别问题。目前，随着图像领域已经以深度学习为标配的趋势，而三维点云相关的技术研究和应用需求也在逐渐加强，点云分类和识别的问题逐渐成为当前计算机视觉领域亟待解决的重点研究方向。本文在对国内外计算机视觉领域研究技术的现状和发展的趋势进行分析，针对复杂场景中的物体识别问题提出一种基于B样条曲面的三维点云物体识别方法（BSR），具体研究工作如下： 首先，基于B样条参数曲面的点云拟合和滤波优化来描述物体的几何形状，并在拟合后的曲面上进行参数重采样，得到分布规则的点云。其次，定义了一种以主曲率和主方向以及法向量组成的几何特征描述，提取特征并获得相应的匹配点对。然后，将点对进行等距计算和等距分类，比较同类等距下点对特征的等距差异，对近似相同等距变换的点对使用谱聚类算法，得到相似点对群构建的相似区域，据此检测对象之间的相似部分。最后，进行相似度度量，统计不同等距分类下的相似点云与采样点云比例，得到一个相似程度的度量值，从而完成物体的形状识别。 通过点云的曲面拟合减少了繁琐的预处理步骤，并且定义的局部几何特征具有高效鲁棒性，整体提高了算法的识别效率。点对特征的等距分类等空间变换的计算提高了谱聚类算法的分类效果和识别精度。实验结果表明：本文方法经过Princeton、Mcgill、Tosca的公开数据集测试，物体形状的平均识别率分别可以达到96%、94%和93%，通过对原始点云数据的等距变换、噪声、降采样的处理后，模拟真实场景和视角变化所产生的影响，充分验证了方法的有效性和鲁棒性。通过三个数据集的测试和性能对比，说明本文的识别方法（BSR）不仅能够解决物体的点云分类和识别问题，在经过合适阈值的选取和调整后，对视角变化和类内物体形状差异的高精度的识别问题也具有良好的区分度。

目录

第一个书签之前

第一章 绪论

1.1课题的研究背景与意义

1.2基于三维点云的分类和识别问题的国内外研究现状

1.3基于深度学习的三维点云分类和识别问题的国内外研究现状

1.4研究现状总结

1.5本文研究方法内容以及主要贡献

1.6论文结构

1.7本章小结

第二章 基于B样条曲面的点云预处理方法

2.1 B样条曲面拟合

2.1.1 B样条曲面方程

2.1.2 B样条曲面拟合

2.2点云滤波

2.3采样分析

2.4 B样条曲面的点云预处理实验结果和分析

2.4.1实验数据集

2.4.2实验结果和分析

2.5本章小结

第三章基于等距变换的点云特征匹配算法

3.1特征点匹配

3.1.1点的特征定义

3.1.2点的特征计算

3.1.3点的特征匹配

3.2等距计算

3.3等距分类

3.3.1直接等距和间接等距

3.3.2快速等距分类方法

3.4等距比较

3.5基于等距变换的特征匹配实验结果分析

3.5.1特征提取实验结果分析

3.5.2基于等距分类的点云匹配实验分析

3.6本章小结

第四章 基于曲面相似性检测的点云识别算法

4.1归一化处理

4.2相似性检测

4.2.1谱聚类算法

4.2.2高斯相似度参数

4.2.3聚类簇数量K

4.3物体形状识别

4.3.1相似性度量

4.3.2阈值选取与性能评估

4.4算法流程图

4.5基于曲面相似性检测的点云识别实验结果和分析

4.5.1等距变换下的鲁棒性分析

4.5.2阈值选取和确定

4.5.3数据集Tosca的鲁棒性分析

4.5.4数据集Mcgill的实验结果分析

4.5.5人脸库Tosca的实验结果分析

4.5.6算法性能分析和比较

4.6本章小结

第五章 总结与展望

参考文献

发表论文和科研情况说明

致 谢