《表1 传统算法与本文算法运行时间对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种精简点云的快速配准算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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