《表1 传统算法与本文算法运行时间对比结果》
本部分实验采用自采集点云数据,由于Kinect在数据采集时容易受到如光线、待测物材质及自身相机分辨率等因素的干扰,所采集的数据往往存在诸多的无效点。进行实验之前,需要对采集的数据进行预处理,去掉点云数据的无效点及离群点。完成预处理操作后,再进行点云的精简与配准过程,如图5所示。(a)为原始点云与精简后的点云数据,原始点云数据包含几十万个点,数据量庞大,非常不利于后期配准,因此,在进行简化时采用较大的简化系数。Wall的原始点云的数据量为46万,而精简后分别为4万,精简度达到8%,精简程度很高,高于上一部分实验精简22%左右的程度。这主要是源于实验采集数据具有诸多不可识别的无效点,尽管可以在程序中设置采集点云的大致数目,却仍旧无法避免数据采集时的各种干扰。(b)为关键点检测结果,在进行关键点检测时,并没有充分考虑平面等变化非常小的面形特征,因此,关键点在平面分布较为稀疏,这也从侧面验证了本文提出的关键点选取原则,主要是变化较大且稳定的点被选为关键点。(c)为最终配准结果,从迭代次数就可以得出,采集数据的迭代次数为30次,远大于采用高分辨率相机采集的点云数据库配准的迭代次数,同时,配准效果与标准数据的配准效果亦存在细微差距。这主要是由于原始数据存在不确定点,尽管进行了预处理,仍旧无法完全消除,这也间接导致了最终的配准结果存在较小的差距,同时增加了迭代次数,进而整个处理过程变长。由表1中Wall得出,在迭代次数相同的情况下,本文算法在RMSE和耗时上均优于传统ICP算法,证明了本文提出算法的有效性
图表编号 | XD0034902900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.25 |
作者 | 金露、王福伟、钟可君、伏燕军 |
绘制单位 | 南昌航空大学无损检测技术教育部重点实验室、南昌航空大学无损检测技术教育部重点实验室、南昌航空大学无损检测技术教育部重点实验室、南昌航空大学无损检测技术教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |