首页|基于深度学习的几何特征匹配方法

基于深度学习的几何特征匹配方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
Kinect等深度相机采集的三维数据往往存在噪音、低分辨率等问题,导致两帧点云的局部几何特征匹配一直面临挑战.目前多采用基于特征直方图的方法解决这一问题,但其计算量较大,且对场景旋转平移的要求较为严格.文中提出了一种基于数据驱动的方法,首先从大量重建好的RGB-D数据集中,通过自监督的深度学习方法构建能够描述三维数据几何特征的模型;然后利用基于KD-Tree的K近邻算法(KNN)得到两部分点云的特征对应点,通过RANSAC剔除误匹配点对;最后通过得到的较准确的位置关系估计两帧点云的几何变换,从而完成配准.基于斯坦福大学点云库中的模型以及真实环境下Kinect采集到的大卫石膏像模型的配准和比较实验表明,所提方法不仅可以提取未知物体的局部几何特征进行配准,还可以较好地应对空间角度变换大的情况.
Geometric Features Matching with Deep Learning

李健、杨祥如、何斌

展开 >

陕西科技大学电气与信息工程学院 西安 710021

同济大学电气与信息工程学院 上海 201804

点云特征配准 深度学习 自监督 KD-Tree 大角度变换

本文受国家自然科学基金陕西省工业攻关项目

515380092015GY044资助

2019

计算机科学
重庆西南信息有限公司（原科技部西南信息中心）

计算机科学

CSTPCDCSCD北大核心
影响因子：0.944
ISSN：1002-137X
年,卷(期)：2019.46(7)
  • 2
  • 3