计算机模式识别文献阅读报告.docxVIP

上海大学2014～2015学年春季学期研究生课程考试文献阅读报告课程名称： 计算机模式识别 课程编号： 07SAY9008 题目: 基于紧密度模糊支持向量机的3D点云去噪算法 研究生姓名: 学 号: 评语:成 绩: 任课教师: 评阅日期: 基于紧密度模糊支持向量机的3D点云去噪算法2015年6月1日摘 要：本文分析激光扫描仪获取的3D点云数据存在小振幅噪声和离群点的原因，设计基于紧密度的模糊支持向量机分类方法。本文首先通过包围样本的最小球半径来度量样本之间的紧密度。然后，根据样本在球空间的位置来确定模糊成员的类别。实验将该算法应用到3D点云数据中，通过与SVM算法和KNN算法比较，得到结论：基于紧密的的FSVM算法可以实现高效快速的3D点云数据去噪的目的。实验验证了该算法的有效性与合理性，在有效去除噪声的同时，该算法还能较完整地保留3D点云特征数据信息。关键词： 3D点云；紧密度；模糊支持向量机；去噪3D Point Cloud Denoising based on Fuzzy Support Vector MachineAbstract: In this paper, the noise in 3D point cloud data obtained from the laser scanner is analyzed first, and then a novel method that applies Fuzzy support vector machine to denoising 3D point cloud is proposed. In order to improve the performance of denoising, the affinity among point cloud samples is provided using a sphere with minimum volume while containing the maximum of the 3D point cloud samples. Then, the fuzzy membership is defined according to the position of samples in sphere space. Compared with the SVM and KNN algorithm, this method distinguishes the valid samples from the outliers or noises in 3D point cloud data effectively. The experimental results demonstrate its effectiveness and efficiency, which can preserve the integrity of characteristics as much as possible while denoising effectively in the 3D point cloud data.Index Terms: 3D point cloud; affinity; fuzzy support vector machine (FSVM); denoising1. 引言三维扫描技术的不断发展，使得获取具有丰富几何细节的数字模型成为现实。相比传统的三角面片表示方法，利用点云表示具有复杂几何表面的三维物体，具有存储简单、无需维护拓扑结构以及显示高效等优点。随着三维扫描设备在测量效率、精度等方面的突破，3D点云模型[1,2]正逐步成为网络上的三维图形数据的主要交换形式，广泛应用在工业、医疗、艺术、娱乐和虚拟现实等领域。然而，在3D点云数据获取过程中，人们对测量环境和传感器设备的认知有限，加之一些人为干扰因素及被测物体表面材质等的影响，会造成传感器感知信息不完整，采集到的3D点云数据往往带有许多小振幅噪声和离群点[3,4]。这些噪声点将严重影响三维模型构建的精度和曲面拟合的质量，使得重建后的3D模型粗糙零乱。因此，在进行曲面重构之前必须对其进行去噪和预处理。目前大多数去噪算法主要集中在3D网格上[5]。但由于3D点云数据本身缺乏拓扑连接信息，不能简单地将其推广到点云数据上来，点云数据去噪变得比较困难。3D点云数据分为有序点云、部分有序点云以及无序无组织点云数据。对于有序或者部分有序的点云数据来说，可以采用以下滤波方法进行去噪，最小二乘滤波、卡尔曼滤波、平滑滤波和双边滤波[6,7]等。上述的滤波方法虽然在去除小振幅噪声方面效果良好，但对于一些离群点大多只能依靠手工才能实现,