没有合适的资源?快使用搜索试试~ 我知道了~
4631使用深度神经网络自动编码器进行Gil Elbaz Tamar Avraham Anath FischerTechnion以色列理工gil. alumni.technion.ac.iltammya@cs.technion.ac.ilmeranath@technion.ac.il摘要我们提出了一种算法,用于大规模点云和近距离扫描点云之间的配准,提供了一个定位的解决方案,这是完全独立于先验信息的两个点云坐标系的初始位置。该算法,表示LORAX,选择超点的局部子集的点,并描述了每个低维描述符的几何结构。然后,这些描述符用于推断潜在的匹配区域,以进行有效的粗配准过程,然后进行微调阶段。通过用重叠的球体覆盖点云,然后过滤掉那些低质量或不显著的区域,来选择超级点集。描述符是使用最先进的无监督机器学习计算的,利用基于深度神经网络的自动编码器技术。这个新的框架提供了一个强大的替代手动设计的关键点描述符粗点云注册的常见做法。利用超级点而不是关键点允许更好地利用可用的几何数据来找到正确的变换。使用深度神经网络自动编码器而不是传统描述符来编码局部3D几何结构延续了在其他计算机视觉应用中看到的趋势,并且确实导致了优异的结果。该算法在具有挑战性的点云配准数据集上进行了测试,并显示了其优于以前方法的优点以及对密度变化,噪声和缺失数据的鲁棒性。1. 介绍1.1. 概述点云,类似于图像,捕获描述我们周围世界中的对象的语义信息。与在固定网格中保持场景的二维投影的图像数据相比,点云是一组图1:近距离点云(彩色)和大规模点云(灰度)在统一的坐标系统中的无组织的三维点,捕获3D空间信息。点云数据分析方法在过去几十年中得到了发展[1],由于价格合理的高质量3D扫描技术的进步[2],机器学习的突破和新的有趣应用,该领域研究的重要性点云配准的定义是寻找两个独立点云坐标系之间它是同步定位和映射(SLAM)[3,4],场景的3D重建[5]的关键,并且它已成为基于视觉的自动驾驶的核心[6]。已经取得了很大的进展,但仍然存在重大挑战,例如大规模点云的配准,低场景重叠和没有事先的位置信息。今天的户外定位在很大程度上依赖于GPS技术,伴随着地面增强系统,以提高精度。这种定位需要同时接收来自多个卫星的信号,其精度随着可用卫星的数量、天气以及阻挡或改变信号路径的物理障碍物而变化很大。该技术在世界各地几乎没有地面基础设施的地区是不准确和不可靠的[7]。在本文中,我们专注于本地化技术,4632依赖于配准在不同时间在场景内扫描的大规模点云和小规模点云。配准独立于云的初始坐标系之间的邻近信息。我们定义两个点云:由具有固定到真实世界地理坐标系的坐标系的大型扫描室外场景组成的“全局点云”,以及由在全局点云场景内的未知位置和方向处在线捕获的相当小的点云组成的“局部点云”。局部点云和全局点云之间的转换使用其几何形状的机器学习分析来计算这作为一种高质量的定位方法,是完全独立的GPS室外环境。见图1.一、1.2. 相关工作配准算法分为粗配准算法和精配准算法。粗配准算法不对点云位置进行先验邻近假设,而是以粗对准为目标,这意味着宽松的损失函数策略。 精细配准算法假设输入点云近似对齐;因此,它们利用点之间的初始接近度来微调点云坐标系之间的对准。当两个云在它们的场景之间具有较大重叠的情况下连续采集时,或者作为粗配准过程的后续操作时,可以使用细配准。已经开发了许多点云粗配准方法[8],但粗配准仍然是一个开放的挑战,有很大的改进空间。在快速点特征直方图[9,10](FPFH)算法中,在多个尺度上为点云中的每个点计算基于直方图的描述符。将多尺度计算中的显著持久直方图标记为关键点,然后将其匹配以找到点云之间的配准。还提出了用于定位和描述关键 点 的 其 他 描 述 词 。 见 [11] , 见 [12] 。[ 12][ 13][14][15][16][17][18]提出了许多复杂的手工编码特征,具有相同的目标是旋转和平移不变性,并对噪声具有鲁棒性。在2D计算机视觉领域,由于深度学习领域的突破性研究[14],类似的手工编码特征的发展时期已经戛然而止。使用深度学习方法,可以从数据中计算出更高级的特征(复杂性超出人类设计),推进2D计算机视觉的主要领域,如检测,分类,分割,定位和配准[15]。这些方法几乎只关注2D数据。非结构化、连续和大型点云数据集带来了无法实现直接维度的极端问题适应3D空间。为了充分利用三维数据,我们对点云进行了密集采样,并捕获和合并了每个局部表面的2.5维数据深度学习的高级工具以无监督机器学习的形式应用于这些数据,以实现高质量的降维[16],作为粗点云配准的关键阶段开发了一种基于线性平面匹配的不同方法,用于机载LIDAR点云的粗配准[17]。通过依赖线性结构的存在,这种方法仅限于特定的数据集类。点云之间的精细配准问题已经被深入研究,并且现在存在用于诸如SLAM的在线应用的高质量解决方案[3,4]。解决方案围绕迭代最近点(ICP)[18]算法及其改进[19]。提出了一种值得注意的精细配准方法,该方法基于傅立叶域中扩展高斯图像的相关性[20],作为ICP的替代方案,尽管其最终阶段再次依赖于ICP的迭代进行微调。精细配准不是本研究的重点,尽管为了实现端到端配准,在其最后阶段利用标准ICP算法。所有上述配准方法都是针对输入点云对设计的,这些点云对在数量级上相似,并且点的数量很少(低于100万)。1.3. 贡献这项工作提出并测试了两种原始方法,首次作为点云配准的基础1. 采用超点(由随机球覆盖集选择)作为匹配的基本单位,而不是常用的关键点或局部线性结构。这利用了多种多样的几何结构,并更好地利用可用数据来找到正确的变换。此外,它将算法的其余部分的复杂性转换为与点云场景中覆盖的表面积相关,而不是与场景中的点的数量相关它简单,快速,并允许可扩展性。2. 使用深度神经网络自动编码器编码局部3D几何结构。该方法在图像分析应用中提供了最先进的编码。通过调整数据并在开发的算法管道中应用该方法,它从数据中创建了被证明优于手动设计的局部几何特征的特征。我们在这里表明,结合这些想法,在多个具有挑战性的数据集上产生了有前途的配准结果。该方法是通用的,因为它可以处理任何数据,而不管传感器或场景的类型。4633SP虽然大多数配准算法处理类似大小的点云,我们采取的独特的问题设置的点云的大小显着不同,我们设计了我们的算法是有效的大规模扫描数据。虽然该算法需要一个初始的离线阶段,在线阶段可以有效地并行实现,使其适合于实时应用。2. LORAX配准算法我们专注于两个点云的注册:一个全球点云描绘了一个大的室外区域,和一个小的本地点云捕获的全球点云场景。全局点云可以包含多达约1亿个3D点,而局部点云要小两到三个数量级。在本节中,我们介绍了使用深度自动编码器缩减覆盖集(LO-RAX)算法的配准定位。2.1. 算法概述该算法包括以下步骤:1. 使用新的随机球体覆盖集算法将点云划分为超级点。2. 标准化局部坐标系的选择图2:点覆盖率与RSCS迭代这个简单的过程,我们称之为RSCS,具有有趣的性质,可以估计R球参数。在随机球体填充中,非重叠球体显示填充封闭3D区域的约64%[21]。设Vlocal是包围局部点云的球体的体积,并且设m是在算法的最后阶段中使用的匹配的为了确保SP对的最小值m将被匹配,我们选择R球,使得可以在体积V局部内随机地填充2m个球。每个超级点。3. 将超点数据投影到2D深度图上。R球✓34·π·0。642m13·Vlocal(一)4. 超点的显著性检测与过滤5. 使用深度神经网络自动编码器进行降维。6. 在相关的描述符之间寻找候选匹配。7. 使用局部搜索进行粗配准。8. 迭代最近点微调。接下来,将详细解释和分析算法的每个阶段2.2. 随机球覆盖集首先,定义将用作匹配过程的基本单元的超点(SP)的集合每个超点是描述局部表面的点的子集。允许重叠(即,一个点可以包括在多个超点中)。为了以可管理的表示获得云中几乎所有点的覆盖率(~95%),我们建议采用以下迭代过程:(1)随机选择还不属于任何SP的点P;(2)定义一个新的SP为位于以P为圆心的固定半径R球面的球面内的点的集合。在补充材料(Github项目中)中分析了在给定局部和全局点云的内在参数的情况下由RSCS算法创建的SP数量的估计结果表明,该方法以指数衰减率覆盖点云的点。图2示出了作为RSCS迭代的函数的覆盖点的百分比。RSCS算法在全局点云上应用一次,在局部点云上应用多次,以确保后期的鲁棒性。从局部点云上的RSCS的多个应用中找到的N个局部SP在算法的下一阶段中被组合成表示局部点云的单个集合,如图2所示。7(a)和(b)。2.3. 每个超点SP的局部坐标系定义如下:原点被设置为SP的质心,然后使用SP内点的估计协方差矩阵上的奇异值分解(SVD)来设置SP的坐标系在该阶段中利用每个SP描述场景的表面的假设。曲面的特征值◆4634IM2保持两个大小相似的大特征向量和一个较小的特征向量。这意味着这些点大多分散在二维中,而第三维具有显著较低的方差。z轴被设置为第三特征向量。为了定义x轴,计算SP的离散径向切片的平均高度并将其插入极坐标直方图中。然后将x轴设置为对应于最大仓的方向。该局部坐标系创建SP的位置和方向的不变性,同时保留其几何体。2.4. 深度图投影在将每个SP带入局部坐标系之后,可以直接比较它们。然而,结果将是完全不可靠的,因为它们将受到点密度变化和随机噪声的影响。尺寸减小对于减轻这些影响至关重要。为此,将连续的点位置数据转换成离散图像格式(大小为[dim1,dim1])。 的SP被缩放到图像的维度dim1(我们使用dim1=64),之后每个点的z轴高度被投影到每个对应像素的深度图上。最后,将图像裁剪为[dim2,dim2](我们使用dim2=32),以去除深度图中SP的圆形边缘。见图3(a)和(b)。(a)示例SP(b)深度图(c)重建图3:超点深度图投影为了减少噪声和密度变化的影响,对图像应用最大滤波器,然后应用均值滤波器。SP信息的这种修改可以通过从深度图重构SP来可视化。如图如图3(c)所示,重建可靠地保持与原始SP点云相同的几何形状和质量,同时在未知稀疏区域上创建完全覆盖。2.5. 显著性检测和过滤为了实现最快和最佳质量的注册,应减少通过此管道的不相关SP的数量。通过三个标准过滤掉不相关的SP:密度、几何特性和显著性水平。密度测试:密度是以绝对值和与其他SP的比较来测量的。这意味着SP包含少于Nd个点的数据被过滤掉。此外,与其K个最近邻SP相比具有相对较少点的SP(在SP质心之间测量欧几里得距离)也被过滤掉。几何质量测试:测量每个SP在其单独的局部坐标系内的高度。低高度SP(其表示平坦表面)被滤除。显著性测试:来自全局点云的SP深度图被重新整形为长度为d2的列“深度向量”。 对该组深度向量执行主成分分析(PCA)。仅使用前三个特征向量精确重建的SP(来自局部和全局点云)具有数据集中常见的这减少了位于点云的不同区域中的相似SP之间的匹配机会。2.6. 自动编码器降维该算法的一个关键阶段是比较SP几何之间的全球和本地点云。高维对象的比较容易产生较大的噪声和方差,即使具有相同的语义。为了比较SP几何学的语义,必须在保留最大几何信息的同时降低深度图图像的维度在本研究中,我们构造并测试了两种不同的降维方法第一种基于PCA,第二种基于深度自动编码器(DAE)。2.6.1线性降维PCA方法通过将数据投影到较低维度的线性超平面上来降低数据的维度。从全局点云SP的深度向量计算k个 特 征 向 量 的 基 ( 类 似 于 显 著 性 检 测 , 但 这 里k >3)。对应于特征向量的k个特征值定义了重建每个SP所需的叠加。这种保持SP的几何信息的紧凑表示特征被表示为并行分量分析超点特征(PCAF)。重要的是要注意,PCA创建数据的线性投影该方法可作为DAE方法的可比基准。2.6.2深度自动编码器降维结果表明,DAE神经网络[16]产生了最先进的图像压缩。在这里,我们使用这种技术来获得在深度图中捕获的2.5D超点几何的紧凑表示。DAE神经网络体系结构由编码器和解码器两级组成.编码器阶段从输入层开始,然后连接到隐藏层,4635图4:深度自动编码器架构其尺寸逐渐减小直到达到所要求的紧凑尺寸。解码器阶段从数据的紧凑表示开始;每个后续隐藏层具有更高的维度,直到达到等于输入维度的输出层维度。损失函数被定义为输入层和输出层之间的像素误差,优化网络以实现图像的最佳紧凑表示。为了设计适合我们的应用程序的DAE,我们进行了大量的实证测试和优化。我们得出结论,一个具有4个完全连接的隐藏层的网络,使用每个层之间的S形非线性激活函数和内部的dropout(DO),put layer,返回令人满意的结果。为了进一步减少网络中的参数数量,第四和第一隐藏层以及第三和第二层-ER以相同的权重彼此镜像,同时保留单独学习的偏置值。 这种权重共享意味着反向传播学习算法被约束为优化用于编码和解码过程的相同权重[22]。压缩的尺寸由编码器输出尺寸定义。该架构使用以下维度:1032(输入)、[1032,128](L1)、[128,10](L2)、[10,128](L3 )、[128,1032](L4 )、1032(输出)。见图4.第一章利用数据驱动和合成深度图的组合来初始训练深度神经网络。使用100,000个超点深度图来训练所提出的DAE。训练阶段是无监督的,即,不需要对数据进行手动注释,并且网络用随机权重初始化。该训练过程是离线的,并且可以通过利用从扫描的本地云获取的附加点云数据定期更新网络来改进网络离线训练过程可能很长,但编码部分可以便宜而快速地在线激活。这种紧凑的低维表示可以被视为捕获整个SP的几何信息的特征。它表示SP在一个固定的低维向量,不相关的SP中的点的数量这是在降低复杂性方面的实质性改进图5:深度自动编码器输入、还原和重建与每个点处的竞争局部描述符相比。基于SP自动编码器的特征(SAF)可用于许多任务,例如3D对象的检测或分类,而在这里,我们对其进行了优化以进行配准。图图5示出了输入到DAE中并且被缩减为10维SAF(为了更好的可视化而放大的5x2矩阵)并且然后通过解码器被重构为原始维度的深度图的示例深度图的高度被转换为颜色:蓝色对应于零高度,暗红色对应于最大高度。重构与输入不同,但它确实捕获了SP的一般几何形状。这对于噪声和小变化的鲁棒性是最佳的-这对我们的应用至关重要-同时捕获重要的SP几何特性。为了进一步显示DAE的有效性,分析从数据中学习的特征,并将其与PCA方法计算的特征向量进行比较。为此,将SAF向量中每个维度的独立激活输入到解码器中,以可视化DAE所学习的内容。见图六、PCA的特征向量和DAE的独立解码器激活是“构建块”在这两种方法中创建的紧凑表示。图图6(a)示出了每个特征向量的日益增长的复杂性这与非结构化DAE激活映像相反。参见图6(b)。PCA方法可以近似为仅具有线性函数的单个隐藏层神经网络[23]。这意味着,为了表示复杂的几何形状,需要复由于DAE中的值存在多层叠加,因此使用相对简单的“构建块”表示复杂的几何图形2.7. 选择要匹配的候选项在通过SAF向量描述每个SP之后,我们选择一组类似描述的SP对作为匹配的候选。通过测量SAF特征之间的欧几里德距离,局部点云中的每个SP与其来自全局点云的K个最近邻配对(我们将K设置为3)。当与i+1最近邻相关联的距离显著大于与i最近邻相关联的距离时,我们过滤掉候选i+1到K。注意4636SP因此,我们的算法是O(n)的,而不是O(n)的。为了了解所选候选项的数量,考虑一个问题集,其中全局点云为1000万点,局部点云为50万点。对于这个集合,我们从本地点云中获得大约200个SP,这意味着选择了大约550个候选项。见图7(c).(a) PCA特征向量(b) DAE独立解码器激活图6:精简表示向量2.8. 局部搜索粗配准要找到点云之间的6DoF(6自由度)变换,至少需要3个匹配(我们使用m=6。ro b ustnes s)处理搜索(a)带有RSCS的全局点云(b)局部点云关于RSCS(c)匹配候选连接图7:RSCS和匹配候选(每个点根据最后一次RSCS迭代进行着色以覆盖它)局部点云不重叠。然后,对每一个应用微调步骤(在下一节中描述),并且产生最佳评分精细配准的步骤是空间大小至少专业人员考试候选人M不切实际(超过1013终于被选中了。上面的例子)。 因此,我们认为,对于每一个-计算仅m个候选对,其中所有全局云点可以被包含在体积不超过V局部的球体中。这将变换选项的搜索空间减少了8到9个数量级(将上述示例中的选项减少到大约40,000个)。我们使用RANSAC [24]过程,迭代地选择6个候选对,计算变换,并通过测量局部点云中的变换点与全局点云中的最近邻居之间的平均(物理)距离来检查一致性。(To节省运行时间,我们只转换局部点云的稀释版本。我们测试了10,000个随机选择(约占搜索空间的1/4)。代替仅选择最佳评分变换作为 粗 配 准 步 骤 的 结 果 , 我 们 记 录 5 个 最 佳 变 换(T1,. ......、 T5)其中2.9. 迭代最近点微调执行简单迭代最近点(ICP)微调,由T1,.,T5变换。选择具有最低ICP损失的配准,定义LORAX输出变换。该步骤源于这样的认识:“最接近的最佳精细配准经验上显示为在约75%的情况下对应于最佳粗略配准,在约18%的情况下对应于第二佳配准,并且在约4%的情况下对应于第三佳配准。这个阶段可以用任何微调方法来代替。46372.10. 效率讨论我们当前的实现没有针对实时性能进行优化.然而,该算法确实有可能被纳入现场设备并执行实时定位,因为全球点云是通过航空激光雷达或立体重建提前捕获的。神经网络的训练过程和对全局点云的计算直到降维阶段都被设计为离线运行。来自全局云的紧凑描述符可以与全局点云的下采样版本一起保存到在线设备中一旦从全局场景内的未知位置在线捕获局部点云,SP划分、归一化、显著性检测和DAE降维阶段可以针对每个SP独立地并行执行。然后,基于KD树的KNN候选选择[25],基于RANSAC的局部候选搜索[26]和ICP [27]也可以并行有效地完成(使用多个RSCS方法和SAF描述符的代码可在https://github.com/gilbaz/LORAX上获得。3. 实验和结果在整个实验中,RSCS SP创建的FPFH持久的关键点检测和SAF的描述质量相比,FPFH描述符的优势。配准 的 每 个 阶 段 都 使 用 “ 点 云 配 准 算 法 的 数 据 集 匹配”[ 28 ]进行了广泛的测试此外,使用大规模航空点云进行了对照实验,以更好地了解不同类型的噪声对配准的影响。3.1. 扫描数据集配准利用的数据集包含许多点云的户外场景,捕获的地面激光雷达扫描仪,在多个季节。通过将每个季节在每个场景中捕获的点云激光扫描拼接在一起该点云数据是测试LORAX算法的理想选择。我们通过将本地点云注册到同一场景的全局点云来测试它,在不同的季节捕获。这的确是一个挑战。场景包含一些刚性的静止物体,例如露台结构、灯杆和长凳,但也包含不一致的物体,例如人、灌木和树枝。由于扫描角度和遮挡而导致的信息缺失会加剧这一挑战。图1是LORAX的结果示例颜色指示本地点云中的每个点(注册后)与其邻近点之间的相对距离。全局点云中的最近邻,其中绿色更近,红色更远。我们测试和比较注册性能与RSCS超点与。与关键点,并与FPFH脚本与。PCAF和vs. SAF结果总结于表1中。为了与基于关键点的方法进行比较,我们遵循[9]。报告的每个结果是12个局部点云的平均性能,9个来自“Gazebo”数据集,3个对于每个配准结果,我们测量[29]中使用和定义的相对平移误差(RTE)和相对旋转误差(RRE)。当RTE低于预定义阈值(我们使用1米)时,配准结果被定义为二进制对于每个测试,我们报告了成功测试的二进制成功率和平均RTE和RRE分数所有方法都使用相同的微调过程,因此实现了相似的RTE,但它们具有不同的结果RRE和二进制成功率,表明粗配准的质量和鲁棒性。表1显示,使用RSCS进行点云细分和DAE创建SAF的组合可产生最稳健和最高质量的配准结果。在KP+FPFH与RSCS+FPFH的比较中,从RSCS获得的稳健性 是显而 易见的。RSCS+FPFH与 RSCS+PCAF 和RSCS+SAF的比较显示了使用基于机器学习的特征优于手动设计的特征,以及SAF优于PCAF。3.2. 噪声、遮挡和密度灵敏度测试为了进一步测试LORAX的质量和局限性,我们使用了[30]提供的一些城市户外场景点云。这些点云每个约有150万个点,描绘了250平方米的大面积。参见图8的示例。图8:空中扫描的点云,描绘了周围有房屋和道路的山丘[30]数据集的一个例子。4638RRE [度]RTE [米]二进制成功率KP+FPFH12.2±4.80.44±0.28/12(67%)RSCS+FPFH9.1±2.60.43±0.248/12(67%)RSCS+PCAF7.2±2.30.40±0.328/12(67%)*RSCS+SAF2.5±1.20.42±0.2710/12(83%)表1:配准结果为了能够控制噪声、密度和遮挡的不同参数,我们进行了半合成实验,其中半径为15-50米的小点云LORAX和KP+FPFH配准算法在局部点云的更改版本上进行了测试,将它们与原始全局点云进行匹配。噪音修正包括:(1)通过将10%、20%、50%的点随机移动最多3米的均匀分布的距离来添加随机噪声,(2)随机去除10%、20%、50%的点以测试对云密度的灵敏度,以及(3)通过去除局部随机球体内的10%、20%、50%的点来模拟遮挡。见图9 .第九条。图10:噪声、遮挡和密度灵敏度测试极端水平。由于在全局点云的许多部分中缺乏“关键点”诱导场景特征,当在干净的局部点云上测试时,KP+FPFH算法(虚线)返回低的二进制成功率。这些结果为这项研究的方向增添了信心。(a) 原始裁剪局部点云(b) 具有模拟噪声和遮挡的4. 结论提出了一种新的点云配准算法LORAX。以室外定位为目标,该算法处理了多个图9:模拟噪声、密度变化和遮挡对来自3个完整场景的50个随机裁剪点云进行测试,以分析下采样(密度变化)(DS)、随机重定位噪声(RN)和遮挡(OC)对每个点云的影响。图10总结了结果。为了澄清,图上的每个点表示给定定义的噪声规范的50个配准测试的平均二进制成功率。在该实验中,二进制的重复率由2.5米的RTE阈值定义(由于全局点云的大尺度)。由于深度图投影阶段,这些结果显示出对点密度的高鲁棒性随机噪声对我们的算法影响很小,这是由于SAF表示法只捕捉主要的几何特征。咬合是最难处理的缺陷。该算法克服了低层次的遮挡,但在其他方面受到很大的阻碍。总的来说,我们看到LORAX对大量的随机噪声、密度变化和遮挡不敏感,并且其鲁棒性仅在两个配准的点云之间的点的数量的幅度差异,并且涉及大量的点。提出了两种原始办法1) 使用超点(由随机球体覆盖集选择)作为匹配的基本单元,而不是关键点,以及2)使用深度神经网络自动编码器对局部3D几何结构进行我们已经证明,这些想法的组合在具有挑战性的数据集上产生了有希望的配准结果。该方法是通用的意义上说,它可以与任何数据,无论类型的传感器或场景。此外,虽然它包括离线训练阶段,但在线阶段可以并行有效地实现,使其适合于服务于实时应用程序。在未来的工作中,我们打算采用这种方法,sima-ilar大小的点云与小场景重叠。另一个有趣的方向是设计该算法的多尺度超点版本。最后,使用卷积自动编码器,输入高度和颜色信息,可以产生出色的超级点特征,适用于各种点云分析任务。4639致谢这项研究得到了以色列工业和贸易部Technion和Magnet Omek Consortium的部分支持。作者感谢ElbitSystems Ltd为本研究提供数据。引用[1] Gary KL Tam,Zhi-Quan Cheng ,Yu-Kun Lai,FrankCLangbein , YonghuaiLiu , DavidMarshall,Ralph R Martin,Xian-Fang Sun,andPaul L Rosin.3D点云和网格的配准:从刚性到非刚 性 的 调 查 。 IEEE transactions on visualizationand computer graphics,19(7):1199[2] 布伦特·施瓦茨。在3D中映射世界。Nat. Pho-tonics,4(7):429[3] 休·杜兰特-怀特和蒂姆·贝利。同时定位和标测:第一部分. IEEE机器人与自动化杂志,13(2):99[4] Jakob Engel,Thomas Schöps,and Daniel Cremers.LSD-SLAM:大规模直接单眼SLAM。在欧洲计算机视觉会议上,第834- 849页。Springer,2014.[5] 诺伯特·哈拉和马丁·卡达建筑物三维重建的最新进 展 。 ISPRS Journal of Photogrammetry andRemote Sensing,65(6):570[6] Jesse Levinson , Jake Askeland , Jan Becker ,Jennifer Dolson,David Held,Soeren Kammel,JZico Kolter,Dirk Langer,Oliver Pink,VaughanPratt,et al.向全自动驾驶:系统和算法。在智能车辆研讨会(IV),2011 IEEE,第163-168页。IEEE,2011年。[7] 美国国防部。全球定位系统标准定位服务性能标准。2001年,国防部负责指挥、控制、通信和情报的助理部长[8] BenBellekens,VincentSpruyt,RafaelBerkvens,Rudi Penne,and Maarten Weyn.刚性三维点云配准算法基准综述。[9] Radu Bogdan Rusu , Nico Blodow 和 MichaelBeetz。快速点特征直方图三维配准。机器人与自动化,2009年。ICRA'09。 IEEE国际会议,第3212-3217页。IEEE,2009年。[10] Radu Bogdan Rusu,Nico Blodow,Zoltan CsabaMarton,and Michael Beetz.对齐点云视图使用持久特征直方图。2008年IEEE/RSJ智能机器人与系统国际会议,第3384-3391页IEEE,2008年。[11] 费 德里 科 ·托 姆巴 里 , 塞缪 尔 ·萨 尔蒂 , 路 易吉·迪·斯特法诺.局部表面描述的直方图的唯一特征.欧洲计算机视觉会议,第356-369页施普林格,2010年。[12] 保罗·斯科万纳、萨阿德·阿里和穆巴拉克·沙阿。三维SIFT描述子及其在动作识别中的应用。第15届ACM国际多媒体会议论文集,第357- 360页。ACM,2007年。[13] BastianSteder , RaduBogdanRusu , KurtKonolige,and Wolfram Burgard.用于目标识别的三维距离图像特征。在IEEE/RSJ国际机器人技术中定义和解决现实感知问题的研讨会上。智能机器人和系统(IROS),第44卷,2010年。[14] Alex Krizhevsky , Ilya Sutskever , 和 Geoffrey EHin-ton.Imagenet分类与深度卷积神经网络。在神经信息处理系统的进展,第1097-1105页[15] Yann LeCun , Yoshua Bengio , and GeoffreyHinton.深度学习Nature,521(7553):436[16] Geoffrey E Hinton和Ruslan R Salakhutdinov.用神经网络对数据进行降维。Science,313(5786):504[17] Hangbin Wu和Hongchao Fan。通过匹配建筑物屋顶面的线性平面特征来配准机载激光雷达点云。遥感,8(6):447,2016.[18] Paul J Besl和Neil D McKay。三维形状的配准方法。在机器人学-DL试验,第586-606页。国际光学与光子学学会,1992年。[19] Szymon Rusinkiewicz和Marc Levoy。icp算法的有效三维数字成像和建模,2001年。诉讼第三届国际会议,第145-152页。IEEE,2001年。[20] Ameesh Makadia , Alexander Patterson , andKostas Daniillem.三维点云的全自动配准。在2006年IEEE计算机协会计算机视觉和模式识别会议(CVPRIEEE,2006年。[21] 斯科特警长和乔高警长球的随机紧密堆积的密度。物理学杂志D:应用物理,2(6):863,1969.4640[22] Yann LeCun等.泛化和网络设计策略。《透视联结主义》,1989年,第143- 155页[23] 特伦斯·D·桑格单层线性前馈神经网络的最优无监督学习神经网络,2(6):459[24] Martin A Fischler和Robert C Bolles。 随机样本共识:模型拟合的范例,其应用于图像分析和自动制图。Communications of the ACM,24(6):381-395,1981.[25] 周坤、启明侯、王睿、郭柏宁。图形硬件上kd树的 实 时 构 造 。 ACM Transactions on Graphics(TOG),27(5):126,2008。[26] Donghwa Lee,Hyongjin Kim,and Hyun Myung.基 于 gpu 的 实 时 rgb-d 3d slam 。 在 UbiquitousRobots and Ambient Intelligence(URAI),2012年第9届国际会议上,第46IEEE,2012。[27] Deyuan Qiu , Stefan May , and Andreas Nüchter.基于Gpu加速的最近邻3d配准算法在计算机视觉系统国际会议上,第194-203页。Springer,2009.[28] François Pomerleau , Ming Liu , Francis Colas ,and Roland Siegwart.点云配准算法具有挑战性的数据集国际机器人研究杂志,31(14):1705[29] Yanxin Ma,Yulan Guo,Jian Zhao,Min Lu,JunZhang,and Jianwei Wan.快速准确地配准具有小重叠的结构化点云。[30] Elbit Systems Ltd.
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)