排序方式: 共有3条查询结果,搜索用时 109 毫秒
1
1.
仪器、周围环境和人为操作等往往会造成点云中包含大量的噪声,导致模型回归精度低等问题.RANSAC算法凭借其简单实现、稳健的优势广泛应用于解决模型回归的问题.但是,针对不同的场景,RANSAC算法需要不断地调整参数来估计最优模型解.本文考虑到RANSAC及其现有改进算法的不足,以及内群点与噪声之间往往存在密度分布差异性,首先利用密度加权导向采样的方式优化初始假设模型,然后提出了一种空间密度函数以用于最优模型评价和迭代次数计算,整个过程不需要任何先验知识.本文方法能够解决内群点比率大于10% 的模型回归问题.通过与已有方法的试验对比,本文方法能够在无先验信息的情况下具有较高的精度和稳健性. 相似文献
2.
通过拍照进行三维建模的摄影测量技术是文物数字化的重要手段,然而,在摄影测量文物三维重建过程中,文物所在的场景背景也同时参与计算和建模,需要设法删除,以获得文物单体模型。针对上述问题,本文提出一种小型文物三维模型主体对象识别方法,能够自动删除文物摄影测量三维模型的背景数据。该方法分别利用深度学习网络Mask R-CNN和改进为自动获得初值的One Cut进行文物图像前景内容识别,再融合两种方法的识别结果进行文物图像主体对象分割,最后以二维图像分割结果为依据,逐三角形识别三维模型主体对象,并运用多视角约束法优化识别精度。实验表明,本文方法能够获得小型文物单体化三维模型,无需人工干预且精度较高。 相似文献
3.
1