三維散亂點云的特征提取方法研究.pdf

1、隨著三維測量技術(shù)的不斷發(fā)展，通過數(shù)字掃描設(shè)備能夠有效的獲取現(xiàn)實世界中物理物體的高精度表面模型，并成為獲取3D點云數(shù)據(jù)的主要手段。三維點云模型已經(jīng)被廣泛應(yīng)用于模式識別、三維重建、模型分割等領(lǐng)域，而特征提取作為三維點云模型處理的底層技術(shù)成為圖像領(lǐng)域的研究熱點。本文在總結(jié)特征提取技術(shù)國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，將馬爾科夫隨機場(Markov Random Field，MRF)模型應(yīng)用在該領(lǐng)域，分別從建立典型的MRF模型和提取顯著特征點建立MRF模

2、型兩方面給出研究思路和求解框架。本文研究內(nèi)容主要包括:
　　1.提出了基于馬爾科夫隨機場的散亂點云全局特征提取算法。該算法基于經(jīng)典的MRF模型，通過觀察點云分布的直方圖擬合高斯分布建立模型，根據(jù)貝葉斯估計將先驗問題轉(zhuǎn)化為最大后驗概率的求解，進(jìn)一步推導(dǎo)為隨機場最小能量的求解，歸約簡化得到目標(biāo)函數(shù)，求解該函數(shù)并提取特征點。該算法針對傳統(tǒng)算法存在大量的人工調(diào)參及閾值設(shè)置的問題，靈活的融合了典型MRF模型的自適應(yīng)性，有效避免了傳統(tǒng)算法的弊

3、端，并提高了算法的自適應(yīng)性和時間效率。
　　2.提出了基于顯著特征點的散亂點云特征提取算法。該算法的核心思想是對典型的MRF模型進(jìn)行改進(jìn)，和前面算法的主要區(qū)別是對隨機場模型的建立方法:通過構(gòu)造點云的顯著度函數(shù)計算散亂點的顯著度，結(jié)合點間測地距和顯著度構(gòu)建Reeb圖，提取顯著特征點，根據(jù)點到顯著特征點以及中心點的距離求MRF隨機場的聯(lián)合密度函數(shù)。該算法繼承了自適應(yīng)性優(yōu)點，同時也避免了上面算法存在初始閾值的設(shè)置及點云數(shù)據(jù)高斯擬合的問題