学习单元23营销信息系统与调研.docx

上传人:王** 文档编号:1034446 上传时间:2024-03-16 格式:DOCX 页数:13 大小:141.37KB
下载 相关 举报
学习单元23营销信息系统与调研.docx_第1页
第1页 / 共13页
学习单元23营销信息系统与调研.docx_第2页
第2页 / 共13页
学习单元23营销信息系统与调研.docx_第3页
第3页 / 共13页
学习单元23营销信息系统与调研.docx_第4页
第4页 / 共13页
学习单元23营销信息系统与调研.docx_第5页
第5页 / 共13页
学习单元23营销信息系统与调研.docx_第6页
第6页 / 共13页
学习单元23营销信息系统与调研.docx_第7页
第7页 / 共13页
学习单元23营销信息系统与调研.docx_第8页
第8页 / 共13页
学习单元23营销信息系统与调研.docx_第9页
第9页 / 共13页
学习单元23营销信息系统与调研.docx_第10页
第10页 / 共13页
亲,该文档总共13页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述

《学习单元23营销信息系统与调研.docx》由会员分享,可在线阅读,更多相关《学习单元23营销信息系统与调研.docx(13页珍藏版)》请在优知文库上搜索。

1、点云处理相关技术调研2021初步1引言3D点云与2D图像不同,它包含了更加丰富的坐标信息,也相对于2D图像隐藏了更多空间结构信息与更丰富的语义信息,处理点云数据并获得其隐含的各种信息便显得尤为重要,在计算机技术高速发展的现代,随着计算手段的增加和计算效率的大幅提高,处理海量点云数据也变的更加现实,各种点云特征提取算法与点云关键点检测算法也得到了高速发展。本文档对其中的部分经典技术进行了调研与汇总,便于各位同学交流学习。本文档目前阶段主要分为三个部分,第一部分主要针对点云几何特征提取算法进行相关调研,第二部分针对点云关键点检测算法进行调研,第三部分对点云去噪相关算法进行调研。2点云几何特征提取点

2、云中包含着丰富的几何信息,几何特征提取的目标就是要识别并检测点云中局部邻域中的几何结构,通过将邻域中的几何结构信息编码为表示为向量的特征空间中的点,借助式2.3所描述的几何特征相似假设,进而可以通过分析特征空间中的近邻点来获取对应关系的集合。几何特征提取是点对配准中最为关键也是最为复杂的内容,因为特征的好坏直接关系到特征匹配的结果,进而影响刚性配准的结果。一个好的几何特征必须对离群值、噪声、异常点和点云密度的变化鲁棒,并且需要具备较高的特征辨识度。在点云上提取几何特征的方法可以区分为深度学习方法和传统人工编码的方法,由于深度学习的飞速发展,基于深度学习的几何特征提取算法已经大幅优于传统的人工编

3、码的方法。本小节重点介绍基于深度学习的几何特征提取算法。点云是一种描述空间点的位置、颜色等信息的数据结构,相比于图像这种规则的二维数据结构,点云具有无序性、稀疏性、信息不完整性和无组织性等特点。为了能够在点云上提取高辨识度的几何特征,上述点云的四个特点是主要要解决的问题。在本小节中,首先详细介绍点云的四个特性,然后再对具体的解决方窠进行介绍。1 .无序性与二维的图像中的像素矩阵不同,点云是一组没有特定顺序和排列的点的集合。具体来说,点云通常的表示形式是一个NX3的矩阵,N表示点云中点的个数,矩阵的每一行是点的三维坐标。无序性的具体表现在于,交换矩阵任意两行,此点云是不变的。由于使用不同传感器或

4、从不同角度对同一物体进行扫描得到的点云其点与点之间的顺序是变化的,并且一个包含个点的点云模型,可能有!个不同顺序的排列。因此无序的点云对深度学习的影响较大,可能导致网络过拟合,影响网络训练的效果。现阶段应对点云无效性的方法主要是通过数据增强的方法去训练网络,即在网络训练的每一个epoch中对点云数据进行随机地重排列。通过这种方式可以有效防止因为点云的无序性导致的网络过拟合的问题。2 .稀疏性由于传感器的限制,三维扫描设备获取的点云通常只位于物体的表面,并且物体的形状对获取的点云也有影响。例如,激光雷达在近处扫描得到的点云较为密集,而在远处的点云较为稀疏。对于RGBD相机KineC3场景中包含一

5、些黑色的物体可能会导致扫描的点云中包含一些空洞。通常来说,点云越密集,那么对于物体表面的描述更为精准。点云越稀疏,效果相反,这会显著影响几何特征的辨识度,并且由于两者在局部区域中包含的点数不同,这可能导致求取的几何特征显著不同。对于点云的稀疏性,通常可以使用体素化降采样来解决,但是虽然体素化降采样可以调整密度,但是也会降低点云的分辨力,造成几何特征的辨识力下降的问题。3 .信息不完整性点云是一组三维空间点坐标构成的离散点集。由于本质上是对三维世界中物体几何形状进行低分辨率重采样,因此点云数据提供的几何信息是不完整的;另外,点云数据采集时由于遮挡等原因,无法获取目标物体完整的三维描述。点云的信息

6、不完整性对几何特征提取提出了更高的要求。4 .无组织性点云中包含丰富的几何拓扑信息,但是点云是无组织结构的数据。类似二维图像,可以通过像素矩阵的形式对逐点进行组织,点云也可以表示为一个NX3的矩阵,但是这样的组织方式过于简单,不利于网络学习点云的几何拓扑结构,因此需要一些更利于表现点云几何信息的数据结构来组织点云。体素是一种常用的组织结构,体素是一个单位的立方体包围盒,通过体素化可以将点云分别用小的立方体包围起来,得到多个立方体。通过体素化,可以方便地使用深度神经网络模型进行特征提取。但是这种方法由于内存限制,只能使用比较小分辨率的体素网格,并且体素包围盒的边缘部分的点云拓扑结构被破坏,造成信

7、息的丢失。上述点云数据的特性导致了在处理点云数据时不能像传统二维图像上应用卷据操作一样。为了能够挖掘点云中丰富的几何拓扑信息,提取更为丰富的几何特征,近几年研究人员进行了深入的研究和探索,本文将现有方法大致分为了两种:基于局部块的方法、基于点云的方法。基于局部块的方法指的是通过体素、包围球、最近邻等方法将空间中距离较近的点组织到一起得局部块的方法。基于点云的方法是直接将点云作为输入通过网络的自学习来捕获点云中的局部几何结构的方法。下面对这三类方法中的一些经典的方法进行介绍。2.1 快速点直方图FPFH是一种几何特征描述符,考虑局部范围内所有点之间的位置影响和法线关系,描述局部范围内数据的几何特

8、征,具有位置信息不变性的特点。FPFH是点特征直方图(PointFeatureHistograms,PFH)的扩展,主要在计算效率方面进行了较大改进,但是依然保留了PFH大部分的特性,计算复杂度为0(nk)快速点特征直方图的计算过程如下:首先确定中心点P与邻域点之间的法线偏差。法线偏差可以用法线之间的角度值进行表示,该步骤的结果为简化的点特征直方图(SimplifiedPointFeatureHistogram,SPFH)。然后,根据相同的方法,查找中心点所有邻域点的邻域范围,计算每个邻域点邻域范围内的SPFH,则中心点P的FPFH的计算方式:FPFH(P)=SPFH(P)+:,SPFH(Pk

9、)(1)Z=IR其中,回表示权值,可以利用中心点距离邻域点的空间距离来近似表示权值。如图9所示,表示中心点P在计算FPFH过程中的影响范围。虚线内表示中心点P的邻域范围,其邻域点集为Pn=Pnl,Pn2,Pn3,Pn4,Pn5,根据P与邻域点的法线偏差,计算得到点P的SPFH(P)。然后,分别确定邻域集合Pn内所有点的邻域范围,即图中五个彩色区域对应点集Pn内五个点的邻域,计算点P的邻域点Pnk的SPFH(Pnk),最后利用公式求得FPFH(P)0图2-1中心点P计算FPFH的影响范围2.2 曲率特征超体素数据的边界精确性会直接影响最后分割结果的边界精确度。为了确保过分割得到的超体素数据具有精

10、确的边界信息,需要在过分割过程中考虑三维体素数据的边缘信息。图2-2点云数据的曲率表示三维体素数据的边缘信息往往对应着三维物体中曲面弯曲程度较大的区域,可以用曲率来衡量表面的弯曲程度。因此,本文提出的过分割算法在特征计算及距离度量的过程中,通过利用曲率来表示三维体素数据的边界属性,确保过分割得到的超体素可以依附于物体的边缘信息,具有精确的分割边界。3点云关键点检测关键点检测是点云配准技术中的一个关键环节。关键点不仅包含了模型的重要信息,而且有助于减少点云计算的数据量,可以节约计算时间和存储空间。早期大部分三维关键点检测算法都是直接从二维拓展而来,如SIFT(ScaleInvariantFeat

11、ureTransform),HalTiS等算法。近年来,关键点检测算法得到快速发展,2009年YlIZhOng提出了ISS(IntrinsicShapeSignatures,固有形状特征)关键点检测方法,该方法稳定、可重复、信息丰富且具有识别力,能够确保高精度的3D形状匹配和识别。2010年RadUBS等人提出了NARF(NormaIAlignedRadialFeature)关键点检测和特征描述方法,该方法明确使用对象边界信息,并试图在表面稳定但附近有显著变化的区域提取特征。2015年FiIiPeSilVio等人受到灵长类视觉系统的行为和神经架构的启发,提出了一种基于自上而下的3D显著性图提取

12、的关键点技术。2018年ACBernal等人采用稀疏关键点检测技术进行目标检测,从方向表面计算出关键点,而方向表面是用对应于均匀表面的法向量建立的。2019年MuhammadZafarIqbal等人提出了一一种新的三维点云关键点检测器,该算法利用点云数据的3D结构和RGB信息,通过计算点云结构信息的协方差矩阵的特征值来生成候选关键点,然后,通过基于高斯算子的有效自适应差分,从RGB信息中估计显著点,最后将得到的两组显著点进行融合,以提高3D关键点检测器的可重复性。2020年LUFan等人提出了一种基于随机样本的关键点检测器和描述符网络(RSKDD-Net,RandomSample-basedK

13、eypointDetectorandDescriptorNetwork)算法。该算法的关键思想是使用随机抽样来有效地选择候选点,并使用基于学习的方法联合生成关键点和描述符。2021年ShiRuoxi等人提出了一种无监督对齐的关键点检测器一一骨架合并,利用骨架来重建物体,该算法基于自动编码器架构,编码器提出关键点并预测关键点之间边缘的激活强度,解码器对骨架执行均匀采样,并将其细化为具有逐点偏移的小点云,然后应用激活强度合并子集。目前存在的关键点提取算法有很多,各种算法有不同的优缺点,根据各算法的计算原理,其在模型上对关键点检测时无论是数量还是旋转平移不变等特性均有不同。因此,研究关键点检测算法针

14、对模型特征的适应性,对于点云配准是很有实用性的。3.1Harris3DHarris2D算法是由ChrisHarris等人提出的一种组合的角点和边缘检测器(Harriscomerdetector),该检测器使用图像上的一个局部窗口在图像上进行任意方向上的移动,比较移动前后窗口中图像灰度的平均变化程度。若任意方向移动,灰度的平均值都有较大强度变化,则认为该窗口内存在角点。一般只需考虑三种情况:(1)窗口在平坦区域移动(如:灰度近似常数),引起较小变化;(2)如果窗口跨越边缘,沿边缘移动会引起较小变化,垂直边缘方向的移动会引起较大变化;(3)如果窗口内存在角点或孤立点,则沿各个方向移动,平均灰度均会

15、引起剧烈变化。若用I表示图像灰度,E表示由移动(m,n)引起的变化,则用数学公式表达上述变化为:其中,w为所选窗口,(x,y)是窗口中像素坐标。根据泰勒公式一阶展开:/(w+x,y)=/(w,n)+xlm(w,n)+yln(myn)代入得到:彳IIyWIxIy4第=7 W,j,YJJy将中间的矩阵用M代替,得到:En,n=mnM其中,M为2X2矩阵,乙,“是在X和y方向的导数。如果将M的特征值记为和6,。和将与局部自相关函数的主曲率成正比,并形成对M的旋转不变描述。则之前三种情况可更改为:(1)特征值。和S都很小,窗口在平坦区域移动。(2)特征值和人一个特征值较大,另一个特征值相对较小(理想情

16、况下等于0),此时窗口中存在边缘;(3)特征值和少都很大,此时窗口中含有角点。用特征值分类角点或边缘区域很方便,但用其来测量角点和边缘质量或响应并不是很方便。因此,ChriSHarriS等人提出了一个角点响应函数R,其计算公式如公式所示:R=Det(M)kTrace(M)2(6)其中,DeKM)=a,TraCe(M)=a+,A是选取的控制参数。在角点区域H为正值,在边缘区域R为负值,在平坦区域R很小。将该方法扩展到3D领域,方向强度变化通过计算中心点的法线与其相邻点之间的两个垂直方向的一次微分来替代。如图3所示,Harris3D以当前所取的点v为中心,在周边设置一个环形范围,采到该范围内的点集(如:从绿色点至黄色点处),并基于这些点的分布拟合得到一个二维曲面。然后在这个曲面上的两个相互垂直方向上(

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 高等教育 > 大学课件

copyright@ 2008-2023 yzwku网站版权所有

经营许可证编号:宁ICP备2022001189号-2

本站为文档C2C交易模式,即用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有。装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知装配图网,我们立即给予删除!