颅骨点云模型的局部特征配准方法

目的 点云配准是计算机视觉领域里的一个研究热点,其应用领域涉及3维重建、目标识别、颅面复原等多个方面。颅骨配准是颅面复原的一个重要步骤,其配准的正确与否将直接影响到颅面复原的结果。为了提高颅骨配准的精度和收敛速度,提出一种基于局部特征的颅骨点云模型配准方法。方法 首先提取颅骨点云模型的局部深度、法线偏角和点云密度等局部特征;然后计算局部特征点集的相关性,得到相关候选点集,并通过删减外点实现颅骨点云的粗配准;最后采用基于高斯概率模型和动态迭代系数的改进迭代最近点 （ICP） 算法实现颅骨的细配准。结果 通过对公共点云数据模型以及颅骨点云数据模型分别进行配准实验,结果表明,基于局部特征的点云配准算法可以完成点云模型的精确配准,特别是对颅骨点云模型具有较好的配准效果。在颅骨细配准阶段,跟ICP算法相比,改进ICP算法的配准精度和收敛速度分别提高了约30%和60%;跟概率迭代最近点 （PCP） 算法相比,其配准精度差异不大,收敛速度提高了约50%。结论 基于局部特征的点云配准算法不仅可以用于公共点云数据模型的精确配准,而且更适用于颅骨点云数据模型的配准,是一种精度高、速度快的颅骨点云模型配准方法。     

基于区域分割的低覆盖点云配准算法

针对低覆盖点云配准的时间复杂度高、收敛速度缓慢以及对应点匹配易错等问题,提出一种基于区域分割的点云配准算法。首先,利用体积积分不变量计算点云上点的凹凸性,并提取凹凸特征点集;然后,采用基于混合流形谱聚类的分割算法对特征点集进行区域分割,并采用基于奇异值分解（SVD）的迭代最近点（ICP）算法对区域进行配准,从而实现点云的精确配准。实验结果表明,所提算法通过区域分割可以大幅提高点云区域的覆盖率,并且无需迭代即可计算刚体变换的最佳旋转矩阵,其配准精度比已有算法提高了10%以上,配准时间降低了20%以上。因此,所提算法是一种精度高、速度快的低覆盖点云配准算法。     

迭代最近点算法的改进策略

迭代最近点（Iterative Closest Point, ICP）算法是一种最为常见的点云配准方法，虽然配准精度高，但收敛速度慢，对含噪声、覆盖率较低点云的配准效果不佳。鉴于此，本文提出3种ICP算法的改进方法。针对含噪声的点云，采用概率ICP算法来抑制噪声点对配准结果的影响，提高配准精度；为了提高点云配准速度，采用坐标ICP算法实现点云的快速配准；针对低覆盖率点云，采用盒子ICP算法实现配准，可以大大提高配准精度和速度。通过兔子点云配准实验表明，3种改进的ICP算法在点云配准精度和速度方面都有很大程度的提高，均为有效的点云配准方法。     

基于区域扩张的三维点云模型配准算法

为提高三维散乱点云自动配准的准确率,提出一种新的基于区域扩张的配准算法。通过局部点云法向量的变化提取特征点,利用区域扩张方法进行初始配准,在搜索精确匹配点的过程中直接剔除错误匹配,使用改进的最近点迭代算法对点云进行精确对齐。实验结果表明,与经典最近迭代点算法和基于曲率的点云自动配准算法相比,该算法能够提升点云配准精度,对特征平滑的点云模型具有较好的效果。     

约束改进的ICP点云配准方法

提高配准速度和精度是点云配准研究的重点。提出一种距离约束改进的迭代邻近点算法,针对邻近点法中找到的配准点,采用最近原则排除含相同点的点对;使用配准点重心作为参考点,结合点对距离约束排除误配准点对后进行点云配准;与使用点云重心作为参考点的方法和迭代邻近点算法进行了比较。实验结果表明,在配准速度和精度方面,提出的算法都有了提高,实现了点云的快速、准确配准。     

文物点云模型的优化配准算法*

目的 针对带有噪声的文物点云模型,采用一种由粗到细的方法来实现其断裂面的精确配准。方法 首先采用一种变尺度点云配准算法实现粗配准,即配准测度函数的尺度参数由大到小逐渐变化,可避免算法陷入局部极值,并获得较高精度的初始配准结果。然后采用基于高斯概率模型的改进迭代最近点(iterative closest point, ICP)算法进行细配准,可以有效地抑制噪声对配准结果的影响,实现断裂面的快速精确匹配。结果 采用兵马俑文物碎块的配准结果表明,该优化配准算法能够实现文物断裂面的精确配准,而且在细配准阶段取得了较高的配准精度和收敛速度。结论 因此说,该优化配准算法是一种快速、精确、抗噪性强的文物点云配准方法。     

利用Kinect深度信息的三维点云配准方法研究

针对三维重建中的点云配准问题,提出一种基于点云特征的自动配准算法。利用微软Kinect传感器采集物体的多视角深度图像,提取目标区域并转化为三维点云。对点云进行滤波并估计快速点特征直方图特征,结合双向快速近似最近邻搜索算法得到初始对应点集,并使用随机采样一致性算法确定最终对应点集。根据奇异值分解法求出点云的变换矩阵初始值,在初始配准的基础上运用迭代最近点算法做精细配准。实验结果表明,该配准方法既保证了三维点云的配准质量,又降低了计算复杂度,具有较高的可操作性和鲁棒性。     

融合PCA的改进ICP激光点云配准算法北大核心CSCD

针对迭代最近点(iterative nearest point,ICP)算法进行点云配准过程中需要输入较好的初值和收敛速度较慢的问题,提出了一种融合主成分分析(principal component analysis,PCA)的改进ICP配准算法。首先,基于PCA计算两组点云的主方向,得到两组点云的初始位姿变换;然后,利用主轴基向量的关系校正主轴方向,完成两组点云的大致配准。针对具有部分重叠区域的点云,粗配准后利用KD-tree算法搜索最近点。根据点云重叠部分,提出一种利用有效点对进行ICP迭代求解算法,利用有效点对中欧式距离较大的点对,完成精配准。通过在公开数据集Bunny和实测数据支座点云上的实验表明,改进算法能够为ICP算法提供较好初值,加速具有局部重叠度的点云配准,同时对配准精度也有较高的鲁棒性。     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

机器人辅助的三维点云自动配准

针对三维扫描时不同扫描仪坐标系下三维点云配准困难且耗时过多的难题,提出一种利用机器人转换扫描仪坐标来进行点云配准的算法。该算法主要有两步：第一步为粗配准,将三维扫描仪固定在服务机器人的机械臂末端,在三维扫描过程中实时记录扫描仪的姿势,并利用此信息将不同扫描仪坐标系的点云转换到机器人基底坐标系;第二步为精细配准,以第一步的结果作为改进的迭代最近点算法的初始值,再利用加权的稀疏迭代最近点算法对机器人基底坐标系下不同帧的点云进行精细配准。实验证明,相比其他基于仪器的配准方法和直接利用迭代最近点算法进行配准的方法,该方法能有效提高配准成功率、减少配准时间、提高配准精度。     

分形维数的全局点云初始配准算法

针对重叠率低、角度大的点云数据之间的配准进行了研究,提出基于分形维数的全局点云初始配准算法。计算点云中各点的维数值;通过维数属性,从点云中提取特征点;聚类特征点,形成全局结构;从全局结构中,获得全等三角形对,作为匹配点对,进行初始配准;进行剪枝迭代最近点（Trimmed Iterative Closest Point,Trimmed-ICP）细配准。该算法与全局最优迭代最近点（Global optimal Iterative Closest Point,Go-ICP）算法相比,能够有效缩小不同角度的点云数据之间的位姿差异,显著提升对重叠率低、角度大的点云数据的配准效果。     

三维点云配准中的计算智能方法综述

随着三维数据采集设备的成熟与普及,由激光雷达、结构光传感器和立体相机等设备采集的点云数据引起了广泛关注,并以此研究出针对点云的配准、分类、分割和跟踪等算法,推动了点云相关研究领域的科研进展。点云配准是点云数据处理的一个重要研究方向,旨在找到一个刚性变换运动参数,使得运动参数作用于源点云后能够与参考点云对齐。传统的点云配准方法大多存在着对初始位姿、异常值敏感等问题,而计算智能方法在处理点云配准问题,例如去除孤立点或求解矩阵时可以有效解决这些问题,并且能够适用于点云重叠程度低的情况,表现出较强的鲁棒性和泛化性。这种方法不依赖于问题本身特性,也不需要建立精确的模型,只需要求出替代真值解的近似解,大幅简化了计算量。在计算智能中,深度学习因其强大的学习能力越来越多地应用于点云配准问题,同时由于进化计算的强大全局搜索能力以及模糊逻辑对不确定性的良好适应能力,许多研究也将这两种方法应用于配准问题。本文对点云配准领域中的计算智能方法进行全面讨论,分别从基于深度学习、进化计算和模糊逻辑的点云配准方法这 3 个方面展开论述,同时对传统的点云配准方法进行简要介绍,并对各种方法的优缺点进行了详细讨论,旨在以更全面、清晰的方式总结点云配准问题上的相关研究。     

A fast registration algorithm of rock point cloud based on spherical projection and feature extraction

Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms.     

基于多重特征匹配的点云配准算法

针对最近点迭代（ICP）算法搜索匹配点对规则单一、准确度低的问题,提出一种基于多重特征匹配的点云配准算法。首先采用改进自适应八叉树算法分割点云,通过移动最小二乘法（MLS）对其叶节点进行局部拟合后,计算点的多重特征;然后提出了基于多重特征的点对相似度,选取满足相似度约束的点对作为匹配点对,进而求取旋转矩阵和平移矩阵实现点云配准。实验表明,该算法能在保持点云配准速度较高的基础上,有效提升配准的准确度,且准确度的提升幅度随着点集数量的增大呈升高趋势。     

基于3D-Harris 与FPFH 改进的3D-NDT 配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初 始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的 点云匹配算法。首先,运用3D-Harris 算法识别每一幅点云的关键点,并以此为基本点建立局 部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应 估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需 的变换矩阵,完成初步匹配。随后,根据3D-NDT 算法将点云数据空间体素化,运用概率分布 函数完成最终的点云进行精确地匹配。使用改进配准将3 组分别从网络下载的较少噪声、大规 模与Kinect V2.0 采集的较多噪声、大规模的2 组重叠度不同的点云数据匹配到同一个空间参考 框架中,并通过精度分析对比经典3D-NDT,ICP 等算法。实验结果证明,该算法在迭代次数 较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂 度适当降低,缩短配准时间需要更进一步的研究。     

基于特征相似性的RGBD点云配准

三维点云数据的配准是计算机视觉领域的重要研究课题,也是三维重建的关键步 骤。针对 RGBD 点云数据的配准问题,提出一种基于特征相似性的初始配准方法。首先需要计 算待配准的 RGBD 点云模型的曲率和颜色特征度(CFD),并对 CFD 进行统计分析,若模型颜色 特征足够丰富优先采用颜色相似性策略,反之尝试曲率相似性策略。通过特征点提取精简点云 模型,利用确定的对应点选择策略选择候选对应点对。在候选对应点对上采用优化样本一致性 算法获得初始配准变换矩阵,实现两片点云的初始配准。针对不同颜色纹理的 RGBD 点云模型, 本文方法可以自适应选择合适的特征点选择策略,实现点云间良好的初始配准。实验结果表明, 对于几何特征不明显的 RGBD 模型,本文方法能够自适应选择颜色相似性策略来较好地完成初 始配准。对于不同类型的模型配准结果较好,算法效率更高。     

ICP算法在点云配准中的应用

逆向工程中经常需要把多次测量得到的点云进行配准。提出了一种基于特征点的改进ICP算法,在采用主方向贴合法实现初始配准的基础上,使用曲率特征点和k-dtree寻找最近点,提高了ICP算法的效率。该算法具有速度快精确度高的特点,并且在实际应用中验证了配准效果和算法稳定性。     

基于K-means++的多视图点云配准技术

针对大规模点集可能存在噪声、离群点及遮挡等情况,提出一种基于K-means+〖KG-*3〗+的多视图点云配准方法。首先,利用K-means+〖KG-*3〗+算法的随机播种技术对下采样后的多视图点集选取初始化的质心,并根据算法的基本原理完成聚类;其次,将点云数据存入K-D树结构,并利用最近邻搜索算法建立点集间的对应关系,从而提升对应点集的搜索效率;最后,通过迭代最近点算法依照扫描顺序计算各视图聚类得到的点云数据与所有视图间的刚性变换参数,将成对配准造成的误差均匀扩散到每个视图中,直至获得最终配准结果。在Stanford三维点云数据集上进行实验的结果表明,本文提出的方法比近年的部分多视图配准算法具有更高的配准精度及鲁棒性。