论文部分内容阅读
随着现代信息技术和图形应用技术的迅速发展,三维重建技术受到了越来越多的关注,尤其是在医疗领域和工业领域中,该技术的发展对行业数字化的实现起到了重要的作用。三维重建技术可以将现实世界中的物体虚拟为计算机可以处理的数字化模型,如何从这些物体中快速提取关键信息从而实现三维重建,已经成为了一个新的研究热点和难点。三维重建技术主要包括纹理重建和几何处理,其中几何处理需要对物体精确的配准,而配准精度的高低直接影响三维重建的效果呈现。传统的配准方法一般对初始点集选取具有较高的要求,且搜索配准的时间复杂度较高,尤其是对于存在旋转平移或错位问题的点云匹配,其匹配错误率会明显增加,从而降低配准精度。针对此问题,很多学者提出了新的改进方案,但在配准精度方面仍有较大提升空间。本文以数据采集,数据分类为出发点,对数据集进行筛选与匹配,并通过与卷积神经网络技术相结合提出了一些改进方法,主要工作有:(1)结合ICP点云配准算法的现实意义及研究背景,本文详细阐述了点云配准国内外研究现状,提出了点云配准技术的新思想。本文引入了卷积神经网络思想,并且简要介绍了其基本原理和具体的现实应用,为以下的改进方法提供理论基础。(2)点云数据采集是点云配准前的基本步骤。传统的数据采集方法,需要点云有良好的初始姿态,对应点的选取速度慢,针对这些问题,提出了三种正交视图CNN的结构,用以区分三维点云候选中的目标与其他区段,提供更加精确的点云数据。本文以塑料瓶为研究对象,进行了仿真实验并做出详细的评估和比较。(3)针对计算量大,配准耗时问题,提出了改进的深度自动编码器压缩覆盖集(LORAX)算法来进行点云配准。此方法是对采集到的点云进行分层处理,通过配准比较,优于传统的方法。同时,此改进算法相比原算法在计算量上大大减少,配准误差和配准耗时有一定的降低。