【技術實現步驟摘要】
本申請屬于機器學習和計算機視覺，具體涉及一種基于概率隸屬度的激光點云精簡方法。
技術介紹
1、隨著激光雷達和三維掃描技術的廣泛應用，生成的點云數據量巨大，點云精簡可以顯著降低數據量，提高處理和存儲效率。尤其是在無人駕駛和機器人導航中，實時數據處理至關重要，點云精簡能幫助實現更快的決策和反應速度。
2、從拓撲的角度來看，點云簡化的解決方案可以大致分為兩類：基于網格的方法和基于點的方法。在過去，基于網格的方法受到了廣泛的青睞。然而，這些方法需要網格重建，導致大量的計算資源利用率。因此，在當代場景中處理大量點云數據時，基于點的簡化技術逐漸受到歡迎。
3、在基于點的簡化方法中，保留點云的幾何特征至關重要。馬丁等人(在文獻p.suchde,t.jacquemin,and?o.davydov,“point?cloud?generation?for?meshfreemethods:an?overview,”archives?of?computational?methods?in?engineering,vol.30,no.2,pp.889-915,sept.2022.中提到)提出了均勻網格下采樣方法；然而，這種方法沒有考慮特征點的保留。因此，簡化的點云可能會丟失表面的復雜細節。為了解決這個限制，lee等人。文獻k.h.lee,h.woo,and?t.suk,“point?data?reduction?using?3d?grids,”theinternational?journal?of?advanced?manufac
4、近年來，研究人員引入了利用拉普拉斯圖(如c.luo,x.ge,and?y.wang,“uniformization?and?density?adaptation?for?point?cloud?data?via?graphlaplacian,”comput.graph.forum,vol.37,no.1,pp.325-337,feb.2018.和j.zeng,g.cheung,m.ng,j.pang,and?y.cheng,“3d?point?cloud?denoising?using?graphlaplacian?regularization?of?a?low?dimensional?manifold?model,”ieeetrans.image?process,vol.29,pp.3474-3489,dec.2019.)來簡化點云的方法。雖然這些方法實現了有效的簡化，但它們通常具有很高的計算復雜性。針對分類、配準和識別等特定任務，已經提出了幾種基于深度學習的點云簡化或采樣方法(如文獻j.yang?et?al,“modeling?point?clouds?with?self-attention?and?gumbel?subset?sampling,”inproc.ieee/cvf?conf.comput.vis.pattern?recognit.(cvpr),pp.3323-3332,jun.2019.和e.nezhadarya,e.taghavi,r.razani,b.liu,and?j.luo,“adaptive?hierarchicaldown-sampling?for?point?cloud?classification,”in?proc.ieee/cvfconf.comput.vis.pattern?recognit.(cvpr),pp.1295612964,jun.2020.)然而，這些方法在平衡均勻性和特征保留方面仍然面臨挑戰。
5、現有最優的點云簡化方案需要滿足幾個關鍵要求：簡化比例的可控性、幾何特征的保存以及結果的均勻分布。早期的點云精簡方案主要側重于簡化后實現均勻的點分布，而最近的點云精簡方法則傾向于強調保留點云幾何特征。由于簡化比的可控性決定了方法的通用性，因此如何在三個關鍵要求之間平衡，提高方案的通用性成為亟待解決的技術問題。
技術實現思路
1、為了解決現有技術中存在的上述問題，本申請提供了一種基于概率隸屬度的激光點云精簡方法。本申請要解決的技術問題通過以下技術方案實現：
2、一種基于概率隸屬度的激光點云精簡方法包括：
3、s100，獲取原始點云，并結合k近鄰算法和pca分析算法從所述原始點云中提取出特征點；
4、s200，利用簡化算法對特征點進行特征簡化以剔除子簇中的非成員點，得到特征點簡化結果；
5、s300，將所述原始點云中的非特征點和非成員點作為剩余點，利用簡化算法對剩余點進行特征簡化，得到剩余點簡化結果；
6、s400，將所述特征點簡化結果和剩余點簡化結果融合，得到原始點云簡化結果。
7、有益效果：
8、本申請提出了一種基于概率隸屬度的激光點云精簡方法，首先對特征點云進行獨立簡化以保留幾何特征，然后對剩余點進行簡化。在簡化過程中，設計了鄰域曲率偏差模型來識別特征點，并在后續簡化中引入概率隸屬度作為點云劃分子簇的基礎。對于子簇，本申請提出了一種基于概率隸屬特征的分層簡化算法，旨在控制輸出點的數量，同時實現均勻分布。最后，通過平均幾何誤差分析和網格模型重建效果對比，證實本申請有效地保留了幾何特征，同時保持了輸出點的均勻分布。此外，本申請還可以靈活地調整縮減率和功能保留率，以滿足用戶的喜好。
9、以下將結合附圖及實施例對本申請做進一步詳細說明。
本文檔來自技高網...【技術保護點】
1.一種基于概率隸屬度的激光點云精簡方法，其特征在于，包括：
2.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，S100包括：
3.根據權利要求2所述的基于概率隸屬度的激光點云精簡方法，其特征在于，S140包括：
4.根據權利要求3所述的基于概率隸屬度的激光點云精簡方法，其特征在于，所述Z-score模型計算公式表示為：
5.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，所述簡化算法執行過程包括：
6.根據權利要求5所述的基于概率隸屬度的激光點云精簡方法，其特征在于，b包括：
7.根據權利要求6所述的基于概率隸屬度的激光點云精簡方法，其特征在于，所述PCM計算公式表示為：
8.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，在利用簡化算法簡化過程中通過設置簡化率，以控制所述原始點云簡化結果中的點云數量與原始點云的第一比值。
9.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，在利用簡化算法簡化過程中通過設置特征
10.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，S400之后，所述基于概率隸屬度的激光點云精簡方法還包括：
...【技術特征摘要】
1.一種基于概率隸屬度的激光點云精簡方法，其特征在于，包括：
2.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，s100包括：
3.根據權利要求2所述的基于概率隸屬度的激光點云精簡方法，其特征在于，s140包括：
4.根據權利要求3所述的基于概率隸屬度的激光點云精簡方法，其特征在于，所述z-score模型計算公式表示為：
5.根據權利要求1所述的基于概率隸屬度的激光點云精簡方法，其特征在于，所述簡化算法執行過程包括：
6.根據權利要求5所述的基于概率隸屬度的激光點云精簡方法，其特征在于，b包括：
7.根據權利要求6所述的基...
【專利技術屬性】
技術研發人員：胡澳，徐楷杰，王迪，尹旭坤，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。