没有合适的资源?快使用搜索试试~ 我知道了~
火星局部地形高精度配准方法研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 160 浏览量
2023-02-23
20:24:06
上传
评论
收藏 440KB DOCX 举报
温馨提示
试读
11页
火星局部地形高精度配准方法研究.docx
资源推荐
资源详情
资源评论
摘要
针 对 HiRISE ( high resolution science imaging experiment ) DEM ( digital elevation
model)和 MOLA(Mars orbiter laser altimeter)DEM 的匹配问题,提出了一种基于点云粗配
准与精配准方法结合的地形匹配框架。实验表明,相比于 GICP 等经典方法,本文算法在“好奇号”
着陆区域的地形配准精度提高近 20%,且收敛速度更快,算法鲁棒性更强。
Abstract
For the matching of HiRISE DEM and MOLA DEM, a terrain matching framework
based on the combination of point cloud coarse registration and fine registration is
proposed in this paper. Firstly, we use the nearest neighbor matching of ISS+FPFH
feature space to locate the global coarse location of HiRISE DEM. Secondly, in order
to solve the problem of large resolution difference between MOLA DEM and HiRISE
DEM, we improve the VGICP method. By weighting the loss and covariance by
Euclidean distance between distributions, we construct a smooth weighting method
considering specificity, which reduces the sensitivity of voxel radius selection to the
results and improves the robustness of the algorithm. Experiments show that
compared with the classical methods such as GICP, the terrain registration accuracy
of our method on the landing area data of Curiosity is improved by nearly 20%, and
the convergence speed is faster and the robustness of the algorithm is stronger.
译
关键词
MOLA; HiRISE; 点云配准; ISS; FPFH; VGICP
Keywords
MOLA; HiRISE; point cloud registration; ISS; FPFH; VGICP
译
自 1975 年起,人类进行了数十次的火星探测任务,获得了大量的影像以及地形数据
[1]
。利用多传
感器、多源数据进行火星制图的关键是解决空间参考基准问题。在深空摄影测量中,由于行星环绕
轨道器钟差、星敏感器误差等测量因素以及多普勒效应的存在,卫星定轨结果通常存在数百米至数
千米 的 系 统性误差,卫 星 姿轨测量数 据 精 度较低
[2]
。MOLA( Mars orbiter laser altimeter)数
字高程模型(digital elevation model,DEM)为火星探测任务轨道环绕器定轨定姿及制图提供
了一个优良的火星全球控制基准,可以通过 MOLA DEM 作为控制基准,基于地形匹配的方法实现
重 建 模 型 的 绝 对 定 向 和 多 源 数 据 的 联 合 制 图 。 HiRISE ( high resolution science imaging
experiment)相机是火星勘测轨道器(Mars reconnaissance orbiter,MRO)所搭载的高分辨
率成像设备,可获得火星表面 0.25 m 高分辨率影像,已被用于火星局部亚米级地形重建及地貌探
测,在“勇气号”、“好奇号”着陆区域研究中发挥了重要作用
[3, 4]
。但由于姿轨参数存在漂移,导致
HiRISE DEM 难以直接用于定位等后续工作。
1 基于 3D 特征的 DEM 粗配准
美国地质调查局(United States Geological Survey,USGS)提供的 MOLA DEM 影像分辨率
为 463m/pixels, 而 HiRISE 影 像 的 分 辨率 可 达 0.25 m, 立体 重 建 分 辨 率 通常 远 高 于 MOLA
DEM。为了保持高分辨率地形数据的优势,且标准化算法输入,首先对 MOLA DEM 进行加密重采
样,使二者点云数量级保持一致。同时,由于 ISS 特征点的可重复性、可识别性优于其他 3D 关键
点检测算法
[6, 7]
,FPFH 能够实现快速鲁棒的特征描述与匹配任务
[8, 9]
,本文选择通过 ISS+FPFH
特征组合实现粗配准。 DEM 粗配准算法主要过程 包括:(1)利用 ISS 算法提取 3D 点云关键点;
(2)基于关键点邻域计算 FPFH 局部特征描述子,通过特征空间的最近邻搜索得到初始匹配点对,
并通过 RANSAC
[1]
剔除初始匹配中的错误匹配。本文算法流程图如图 1 所示。
图 1 算法流程图
Fig 1 Algorithm Flow Chart Example
下载: 原图 | 高精图 | 低精图
1.1 ISS 关键点提取
类似于图像关键点检测方法,ISS 算法
[6]
通过研究采样点与其邻域内 3D 点集之间的关系表示点的
特异程度。算法步骤如下:
1)设 p
i
为 3D 点云 S 内的任意采样点,给定搜索半径 r 定义采样点邻域 N
i
:
Ni={qj∣pi∈S,qj∈S,∥pi−qj∥<r}Ni={qj∣pi∈S,qj∈S,‖pi−qj‖<r}
1
2)根据 N
i
中点 q
j
与 p
i
的欧氏距离计算权重 ω
ij
:
ωij=1∥pi−qj∥,qj∈Niωij=1‖pi−qj‖,qj∈Ni
2
3)计算点 p
i
的协方差矩阵 cov (p
i
):
cov(pi)=∑qj∈Niωij(pi−qj)(pi−qj)T∑qj∈Niωijcov(pi)=∑qj∈Niωij(pi−qj)(pi−qj)T∑qj∈Niωij
3
4)奇异值分解计算 cov (p
i
) 的特征值 λ
1
, λ
2
, λ
3
,其中,λ
1
> λ
2
> λ
3
。
5)根据阈值 τ
12
, τ
23
筛选特征点,若满足式(4),则点 p
i
为 ISS 特征点。
λ2λ1⩽τ12,λ3λ2⩽τ23λ2λ1⩽τ12,λ3λ2⩽τ23
4
1.2 PFH 与 FPFH 特征描述及匹配
通过统计关键点及其邻域点间的空间关系,建立 PFH 点特征直方图
[8]
,实现特征点局部区域的几何
属性描述。如图 2(a)所示,以关键点 p
q
(红色)为中心,在半径为 r 的邻域内搜索 k 近邻点 p
k
i
(蓝色),k+1 个点两两配对生成 k(k+1) /2 个点对。逐点对计算几何特征、统计得到 PFH 特征。
图 2 点云特征计算邻域
Fig 2 Point Cloud Feature Calculation Neighborhood
下载: 原图 | 高精图 | 低精图
PFH 特征的时间复杂度为 O(nk
2
),计算效率低。Rosu 等人提出了 FPFH 算法
[9]
,在保留特征描述
性能的同时,时间复杂度降为 O(nk)。通过 SPFH (p
k
i
)近似表示邻域的点对{p
k
i
, p
k
j
}对 p
q
的影响,
有利于并行处理,并能提高计算效率。如图 2(b),FPFH 扩大了邻域范围(最大至 2r),提升
了特征的表征能力。
基于 FPFH 特征描述子,对 ISS 关键点进行特征空间的最近邻匹配,并通过 RANSAC 进行匹配粗
差剔除,最小二乘估计即可得到粗配准变换。
2 基于改进 VGICP 的 DEM 精配准
粗配准算法 较好地 解决了 相对位姿完全未知的点 云配准 问题。 但配准过程中仅 考虑少 量关键 点对,
且受关键点分布、密度等因素影响,很难实现局部的精确配准。而地形匹配的目的是实现重建 DEM
的绝对定向,因此局部的精细配准是必要的。
经典 ICP
[10]
通过最小化源点到目标点云中最近邻点的距离损失和,求解点云间的最佳变换,实现点
到点配准,该方法易受到粗差影响,且对分辨率差异敏感。点到面 ICP
[11]
方法通过引入目标点邻域
空间信息,最小化源点到目标点所在平面的距离,实现点到分布配准,比 ICP 收敛速度更快,抗粗
差能力也更强,但未考虑源点的局部信息,难于处理源点粗差导致的误匹配。GICP(Generalized
ICP)
[12]
算法 同 时考虑源点 和 目标点局 部 的几何信息 对 距离损失进 行 加权,实现 分 布到分布 配 准,
精 度 和 抗 粗 差 能 力 均 优 于 点 到 点 ICP 和 点 到 面 ICP 。 不 同 于 ICP 类 方 法 , NDT ( Normal
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 4016
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 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
最新资源
- matlab画图.rar
- VerilogVHDL\FPGA入门教程FPGA器件边练边学-快速入门Verilogvhdl
- 基于C++的mfc的仿QQ聊天系统(高分课程设计期末大作业)
- 基于Java web的学生管理系统(源码+数据库+报告)高分项目
- 基于Java web的学生管理系统(源码+数据库+报告)期末大作业&课程设计
- FM1702SL芯片13.56MHZ NFC读卡器开发板PROTELPCB图+FM1702SL中文说明书+FM1715编程指南
- 期末大作业交通数据分析与应用期末作业程序源码+实验报告.zip
- 期末大作业基于Java web的图书销售管理系统(源码+数据库)高分项目
- python-leetcode面试题解之第274题H指数.zip
- python-leetcode面试题解之第270题最接近二叉搜索树值.zip
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
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功