en
Назад
УДК: 528.622.1:007.52
Робастная регистрация облаков точек на основе метода максимального правдоподобия
Полный текст «Оптического журнала»
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
Кореньков А.Н. Робастная регистрация облаков точек на основе метода максимального правдоподобия // Оптический журнал. 2016. Т. 83. № 7. С. 3–9.
Korenkov A.N. Robust point-cloud registration based on the maximum-likelihood method [in Russian] // Opticheskii Zhurnal. 2016. V. 83. № 7. P. 3–9.
A. Korenkov, "Robust point-cloud registration based on the maximum-likelihood method," Journal of Optical Technology. 83(7), 391-396 (2016). https://doi.org/10.1364/JOT.83.000391
Предлагается робастный итерационный алгоритм, предназначенный для регистрации трехмерных облаков точек. Выравниваемые данные рассматриваются как реализации случайных величин, распределения которых моделируются с помощью гауссовых смесей. Обсуждаются варианты стратегий обработки выбросов в данных.
регистрация, облака точек, выравнивание, плотности распределений, максимальное правдоподобие, выбросы, робастность
Благодарность:Статья подготовлена при финансовой поддержке Министерства образования и науки Российской Федерации прикладных научных исследований. Соглашение от 08 июля 2014 г. № 14.575.21.0055, уникальный идентификатор прикладных научных исследований RFMEFI57514X0055.
Коды OCIS: 150.0150,150.1135
Список источников:1. Chetverikov D., Stepanov D. Robustifying the iterative closest point algorithm // Proc. 3rd Hungarian Conf. Image Processing and Pattern Recognition (KEPAF 2002), 2002. P. 1–9.
2. Chetverikov D., Svirko D., Stepanov D., Krsek P. The trimmed iterative closest point algorithm // IEEE Comp. Soc. 2002. V. 3. P. 545–548.
3. Myronenko A., Song X. Point set registration: Coherent point drift // IEEE Transactions on Pattern Analysis and Machine Intelligence. V. 32. № 12. P. 2262–2275.
4. Кореньков А.Н., Моногаров К.Е. Регистрация трехмерных облаков точек на основе метода максимального правдоподобия // Робототехника и техническая кибернетика. 2015. № 1(6). С. 46–52.
5. The Point Cloud Library (PCL) is an open project for 2D/3D image and point cloud processing. [Electronics resource]. URL: http://pointclouds.org/documentation/tutorials/correspondence_grouping.php#correspondence-grouping (Дата обращения: 07.07.2015).