《基于神经网络的点云特征提取分析》1000字_第1页
《基于神经网络的点云特征提取分析》1000字_第2页
《基于神经网络的点云特征提取分析》1000字_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

PAGEPAGE10基于神经网络的点云特征提取分析综述算法概述该算法基于上一章提出的基于泊松分布的区域生长算法，提取点云模型中特征点的编号信息。根据编号信息和立方体包围盒中的点的信息构建数据集，训练神经网络对点进行分类。数据集获取算法步骤：算法利用上一章提出的基于泊松分布的区域生长算法提取特征点在点云模型上的编号信息。据此对点进行分类，非特征点标记为0，特征点标记为1。采用加权协方差矩阵的特征向量作为点云局部的参考坐标系。该参考系可以保证点云特征旋转不变性。构造能够以覆盖局部曲面片的立方体包围盒，并在三个维度上对该立方体进行等比例切割，形成N*N*N个小立方体。设置N=5。依据所提取出的特征点和非特征点落入的小立方体的位置，对小立方体进行标记，形成二进制序列，作为神经网络的输入。标记是通过算法步骤（1）中得到的。数据集形式为（125，1）。图4-1局部参考坐标系LRF图4-2立方体包围盒（N=5）神经网络构建据上一节得到多个点云模型的数据集，算法利用其中三个点云模型的数据集训练第四个点云模型。以提取出点云上的尖锐特征和较平滑特征。神经网络结构如下图：图4-3神经网络结构反向标记由于特征点和非特征点的数量不均衡，神经网络的分类结果都偏向于非特征点。我们分析每个点属于特征点的概率，设定阈值，再次分类。据分类结果反向对点云上的点进行标记。实现点云模型的特征提取。实验结果与分析设计该网络的目的主要是想对点云上的点进行分类，分为特征点和非特征点。但是由于点云中特征点与非特征点的数据量差距较大，不均衡，导致经过网络训练后，输出类别基本都为0，即非特征点。但是通过分析发现，因为网络输出的是该点属于特征点和非特征点的概率值，每个点还是有属于特征点的概率的。基于这点，设定阈值，将属于特征点的概率较大的置为1，较小的置为0。再反向标记回点云上。暂时还未确定阈值选择的方法，都是人工设定测试得出的。图4-4334点云模型特征提取(阈值设定0.28)图4-5335点云模型特征提取（阈值设定0.15）本章小结本章对基于神经网络的点云特征提取方法进行了介绍。该方法主要是通过对点进行分类，再将分类结果反向标记回点云。由此得到点云特征提取的结果。但是由于点云特征点和非特征点的数量不均衡，分类情况不是很理想。所以我们对神经网络的输出进行二次处理，人工设定阈值再次分类，根据其结果反向标记。暂时是人工设定阈值，还

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论