A Fast Registration Method for Building Point Clouds Obtained by Terrestrial Laser Scanner via 2-D Feature Points
Notice bibliographique
Résumé
Point cloud registration plays a central role in various applications, such as 3D scene reconstruction, preservation of cultural heritage and deformation monitoring. The point cloud data are usually huge. Processing such huge data is very time-consuming, so a fast and accurate registration method is crucial. However, the existing registration methods still have high computation complexity or low accuracy. To address this issue, we develop a registration method for terrestrial point clouds. The method projects the point clouds onto the horizontal plane. Therefore, our method processes point cloud data in 2D space, leading to high computation efficiency. Then, the 2D feature lines are extracted from the projected point clouds. We calculate the intersection points of the 2D feature lines, which are treated as the 2D feature points. Due to the high accuracy of the 2D feature lines, the 2D feature points also have high accuracy. Thus, our method can get accurate registration results. Afterward, the feature triangles are constructed by using the 2D feature points, and the geometric constraints are utilized to find the corresponding feature triangles for calculating the 2D transformation. This strategy boosts the process of searching for the corresponding 2D feature points. Subsequently, the Z-axis displacement is computed by the cylindrical neighbourhoods. By combining the Z-axis displacement and 2D transformation, the 3D rigid transformation is obtained. Experimental evaluation conducted on two publicly available datasets well demonstrate that the proposed registration method can achieve good computational efficiency and high accuracy. The code will be available at: https://github.com/taowuyong?tab=repositories after publication.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».