基于改进RANSAC的航空激光雷达点云分割算法研究.pdf

基于改进RANSAC的航空激光雷达点云分割算法研究

摘要

航空激光雷达点云分割作为点云数据研究的重点方向之一，在当前社会与科研领域

中，不断积极地发挥作用，但与此同时也伴随很多问题出现。点云分割为点云处理的重

要步骤，即将点云模型按照子模型的各自特征从原模型中分离。分割操作如何提高数据

分割精度，降低未拟合率，提升算法性能是点云分割算法的主要研究方向。由于随机抽

样一致（RANSAC）方法对于点云分割处理具有很强的随机性，同时在选取种子点等重

要步骤限制条件不完善，易造成过拟合或欠拟合现象。因此本文依据超参数RANSAC

点云分割算法，提供一种完整的自适应超参数RANSAC点云分割算法，对原算法做出

更完整的功能改进与性能优化，本文主要内容如下：

首先，本文在超参数RANSAC算法添加对点云数据的降采样过程。该过程可以减

小点云数据种子点的数量，在保留点云数据数学特征的基础上，进一步优化迭代量与处

理过程。先通过八叉树对点云体素化，以八叉树深度作为递归的终止条件，直至将点云

数据处理完全。当每个体素模型格闸内分布种子点后，对其数学特征加权平均，计算残

差值获得种子点与加权面的距离均值，降采样替代原本网格中的特征点，提升航空雷达

点云数据降采样均度，该步骤为改进超参数RANSAC算法的第一步。

其次，本文对降采样后的点云数据RANSAC分割过程改进，对选取种子点等先决

条件做优化。由于超参数RANSAC算法选取种子点条件无明显限制，为保证后续操作

的可行性，运用最远点采样思想结合种子点选取过程优化。

另外对超参数RANSAC拟合过程的高度阈值做自适应性改进，摒弃手动选取过程，

以此来降低点云数据分割的未拟合率，获得更精准的分割结果。保留RANSAC算法的

主体部分，根据计算的阈值k循环迭代获得对点云数据初始分割结果，同时在其基础上

增加面片合并操作。该操作是在超参数RANSAC算法的基础上做改进，是分割算法的

主体部分。

最终，本文对未拟合点的处理操作做优化，降低算法的未拟合率，对改进RANSAC

分割后的处理结果再次优化。通过对未拟合点集遍历，计算种子点在阈值范围内的最近

24

平面欧式距离，得到最近两个平面中个极点与该点的欧式距离结果，将未拟合点纳

入到最近的平面当中，该方法尽可能的降低了算法的未拟合率，并减少了欠分割等问题

的出现。

本文所提出的自适应性超参数RANSAC分割算法对航空雷达点云数据分割处理，

哈尔滨工程大学专业学位硕士学位论文

通过改进的分割算法能够有效提高点云数据的分割精度，降低未拟合率。在同参数的条

件下，将本文算法与原始算法及其他类型的点云分割算法进行对比试验，实验结果表明，

本文算法有效提升了对航空雷达点云的分割精度及拟合率。

关键词：三维点云分割；RANSAC；航空雷达点云数据；

基于改进RANSAC的航空激光雷达点云分割算法研究

Abstract

AviationLiDARpointcloudsegmentation,asoneofthekeyresearchdirectionsfor

pointclouddataprocessingisconstantlyplayinganactiveroleinthecurrentsocialand

scientificresearchfields.Butatthesametime,itwillalsobeaccompaniedbymanyproblems.

Howtoimprovetheaccuracyofsegmentation,reducedataunfittingrate,andimprove

algorithmperformanceinpointcloudprocessingisalsothemainresearchdirectionofpoint

cloudsegmentationalgorithms.Becausetherandomsamplingconsistent(RANSAC)method

ha