文献类型：期刊文章

作　　者：赵夫群[1] 马玉[1] 戴翀[2]

ZHAO Fu-qun;MA Yu;DAI Chong(School of Information, Xi'an University of Finance and Economics, Xi'an, 710100, China;School of Information Science and Technology, Northwest University, Xi'an, 710127, China)

机构地区：[1]西安财经大学信息学院,西安710100 [2]西北大学信息科学与技术学院,西安710127

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(61731015);陕西省自然科学基础研究计划项目(2021JQ-765);陕西省哲学社会科学重大理论与现实问题研究项目(2021ND0141);西安财经大学科学研究扶持计划项目(20FCJH002)。

年　　份：2021

卷　　号：21

期　　号：22

起止页码：9455-9460

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：随着三维点云数据模型在三维建模、测绘、智能城市以及机器视觉等领域的应用,点云数据处理也成为一个研究热点。点云分割就是将三维空间中点云通过一系列算法,将散乱的点云数据划分成更为连贯的子集的过程,可以为后续的数据分析提供数据基础。针对随机抽样一致算法(random sample consensus,RANSAC)对杂乱、无规则点云数据分割效果不佳的问题,提出一种改进的RANSAC点云分割算法。该算法通过构建Kd(K-dimensional)树,利用半径空间密度重新定义初始点的选取方式,进行多次迭代来剔除无特征点,在实现点云分割的同时可以有效去除噪声点;此外,该算法重新设定判断准则,优化面片合并,可以实现点云的精确分割。实验通过对散乱点云数据进行分割,结果表明该改进RANSAC算法的点云特征提取数据量较大,面片分割的准确性较高,是一种有效的点云分割算法。

关 键 词：点云分割 随机抽样一致  K-dimensional(Kd)树  半径空间密度  面片合并  

分 类 号：TP391.41]