科研之友
微信
新浪微博
Facebook
分享链接
摘要
三维扫描获取待测对象点云时，不可避免地会出现噪声点和异常值，严重影响点云平面参数估计和平面拟合精度，采用随机抽样一致性(RANSAC)和主成成分分析(PCA)结合的算法，可以有效估计点云平面参数并拟合平面，具有一定鲁棒性。但RANSAC算法在每次迭代过程需要进行判断以区分内点与外点，具有冗余性，对运行效率有一定影响，同时其估计结果也会受到迭代次数的影响。针对以上问题，提出最小平方中值(LMedS)和PCA结合的算法拟合点云平面，并选取三种点云模型进行实验：Semantic3D户外场景点云数据库，线激光传感器获取的零件表面点云以及普林斯顿大学的室内数据集。实验结果表明，在十万数量级点云中，LMedS算法可以有效估计点云平面参数，与RANSAC算法相比，该算法可以有效估计平面模型，运行速度有一定提高，耗时少，且两者精度相当，是一种具有较强鲁棒性和优势性的点云平面拟合方法。
- 单位
