マルチビューポイントクラウドマッチングとは何ですか?
オブジェクト取得した点群データと実質的に異なる角度、それによって完全かつ正確な三次元モデルを確立し、一緒に一致します。
現在のマルチビューマッチング方法のほとんどは、アルゴリズムの汎用性、自律性に影響を与え、点群データを予測するために特定の情報を必要とします。
スキャン順序1.は不明であると提示した特徴点群データを抽出することはできませんデュアル基準に基づいて、初期の取得方法のマルチアングル。
初期の三次元モデルの誤差蓄積問題に対応2. 改善の移動平均に基づいて、マルチアングル精度登録方法。
マルチビュー登録:レーザスキャナは、オブジェクトまたはシーンの完全な情報の単一の観点から収集することができず、それによって完全な三次元の生成一緒に一致するように様々な角度で収集マルチビューポイントクラウドポイントクラウド登録技術についてしたがって必要モデル。
従来の画像データと比較して、点群データは、表面特徴づけるために、より正確かつ慎重にすることができるの奥行き情報複合体を決定することなく、ジオメトリ、および加えを。
マルチビューポイントクラウド登録はデュアルビューポイントクラウドの登録に基づいており、それは一般的な点群のマッチングです。
雲は、画像形成装置で取得した点群データに異なる2つの異なる角度、異なる時間に、一致するそれらの間の変換を計算するためのポイント。
曇り点は、通常、2と呼ばれるデータ点群の点群モデル:
点群データは、二つの点群間の最適な変換を見つけるために、回転と平行移動モデル点群との間の関係によって計算します。
データとモデル点群点群の間にいくつかの重複がある場合、登録方法により、デュアルビューは、それらを一緒に一致します。
マルチアングルのために、隣接する二つのステッチ。
新興の問題:
累積誤差。
マルチビューポイントクラウドに一致する:累積誤差を解消する、正確な三次元モデルが生成されます。
練習、点群データは、無秩序な、どのように解決するには?。
研究状況:
また、点集合として知られている点群データの場合より少ない数の中点、。
反復最近点アルゴリズム:ポイントセットとの間の完全な重複登録問題。ICP
欠点:ローカル収束場合は、モデルは、データ点の点のセットで解決できない場合にのみ部分的にオーバーラップします。
作物反復最近点:それによって、登録の一部と重なるようにICPアルゴリズムを使用して、フォーカスポイントの対応する部分を選択して効果的に、トリミング率を導入します、
短所:ローカルコンバージェンス
反復最も近い点:
マッチポイント雲の目的:{3,3 \回} {R} ^ \ mathbb \で最適な回転行列と並進ベクトルの$の\ mathbf {R}を見つけるために、\ overrightarrow {T}の\ mathbb {R}内のスペース\で$ ^ {3}、回転および並進変換後の2つの点群に一致するように。