基于ISS特征点和改进描述子的点云配准算法研究

迭代最近点(ICP)配准算法需要两点云处于良好的初始位置,否则在配准时容易陷入局部最优。针对该问题,提出了一种基于内部形状描述子(ISS)特征点与改进描述子的粗配准方法,使得低重叠度或无公共重叠部分的点云获取良好的初始位置。首先,利用ISS特征点提取点云的特征点;其次,基于特征点与其邻域点法向量夹角提出改进的描述子,根据描述子的欧氏距离将点云特征进行匹配;第三,通过单次最优变换进行粗配准;最后,对两点云进行精配准ICP迭代。实验表明,在点云模型完整的情况下,本文方法可为精配准提供良好的初始位置,且粗配准精度比传统点云配准精度高三个量级,配准效率提升23.7%。     

邻域特征在点云配准中的应用

针对大规模散乱点云的配准,提出一种基于邻域特征的配准方法,该方法由初始配准和精确配准组成。首先,对目标点集进行加权处理,以此来有效减少匹配点对的数量;其次,在重心距离特征的基础上,增加了一个角度特征量来排除错误点对,并完成初始配准;最后,使用特征改进的迭代最近点(ICP)算法进行精确配准。实验结果表明,该方法初始配准结果良好,二次配准效果更加准确,达到了多视角点云的配准要求。     

基于投影的点云配准算法

点云配准分为粗配准和精配准两个阶段。在精配准阶段,大部分采用迭代最近点(ICP)算法。由于ICP算法的性能很大程度上依赖于点云初始位置,因此点云粗配准是点云配准的关键环节,能为ICP提供良好的初始位置。基于三视图的概念,分析了点云配准的关系,提出了一种新的点云空间位置评价方法,进而利用遗传算法提出了一种降维处理空间点云的点云粗配准新算法。首先,将三维空间点云分别投影到三个坐标平面,利用信息熵概念求解每个投影面的熵值;然后,以三个坐标平面的熵值之和作为目标函数,利用遗传算法搜索出最优空间变换矩阵;最后,将变换矩阵作用于目标点云实现点云的粗配准。试验表明,新算法配准效果好,能为精配准提供优良初始位置,且效率高。该算法能为点云的曲面重构研究提供优良的原始点云数据。     

基于Kinect的点云配准方法

Kinect采集的点云存在点云数量大、点云位置有误差,直接使用迭代最近点(ICP)算法对点云进行配准时效率低.针对该问题,提出一种基于特征点法向量夹角的改进点云配准算法.首先使用体素栅格对Kinect采集的原始点云进行下采样,精简点云数量,并使用滤波器移除离群点.然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点,通过计算特征点法向量之间的夹角调整点云位姿,完成点云的初始配准.最后使用ICP算法完成点云的精细配准.实验结果表明,该算法与传统ICP算法相比,在保证点云配准精度的同时,能够提高点云的配准效率,具有较高的适用性和鲁棒性.     

结合Procrustes分析法和ICP算法的PICP配准算法

为了解决传统ICP算法存在查找最近迭代点较复杂、单向查找导致较多的错误点对、收敛函数易陷入局部最优状况的问题,提出一种基于Procrustes分析对ICP算法进行改进的PICP算法.首先通过比较三维空间8个方向上的初始变换参数和迭代点对距离值寻找出点云数据的最优初始变换参数;然后采用双向查找最近迭代点机制优化ICP算法,并将查找到的点对构成新的点云数据;最后通过Procrustes分析法对点云数据求解最小二乘函数,从而获得较高的配准精度,完成ICP算法的最优收敛.通过牙齿点云数据以及兔子标准数据的配准测试表明,文中采用的算法能够解决尺度变换和非均匀点云配准问题,且配准结果收敛较快,配准误差较小.和传统ICP算法相比,文中的PICP配准算法具有全局收敛性高、迭代次数少、抗噪能力强的优点.     

基于PCA校正的改进ICP销孔工件点云配准方法

针对销孔工件的目标点云和模型（源）点云空间坐标系不一致问题,提出了一种采用主元分析法（PCA）校正的改进ICP点云配准方法。首先,采用主元分析法（PCA）计算销孔工件目标点云和模型点云数据的主轴方向、并求得初始转换矩阵;其次,对初始转换矩阵进行误差分析,采用双向KD树近邻搜索最近点的方法加速两片点云初始转换矩阵的误差校正,得到校正后的转换矩阵,从而完成粗配准;然后,引入法向量夹角阈值约束剔除错误匹配点对改进ICP算法实现精配准,最终将两片点云坐标系调整一致。通过实验进行了比较分析,实验结果表明,该方法可以有效实现销孔工件的点云配准,同时获得较优的配准速度和精度,采用该方法最终的配准误差为0.0354mm,平均配准耗时4.639s。     

机载LiDAR点云中精细建筑物顶面的渐进提取

由LiDAR点云数据准确提取建筑物顶面是实现三维建筑模型自动重建的关键步骤.在分析现有顶面提取方法的基础上,提出一种渐进地提取LiDAR点云数据中精细建筑物顶面的方法.先以法向阈值和曲率阈值为约束,借助区域生长算法对原始点云进行初步分割,并得到面积较大、边界特征较明显的初始顶面;再借助主元分析法估算每个初始顶面的平面方程,并以点到平面的距离为约束,利用基于距离的区域生长算法提取其对应的精确顶面;最后通过随机抽样一致性算法(RANSAC)迭代地提取剩余点云中的小顶面.实验表明,通过动态调整阈值和迭代步骤,能够从LiDAR数据中精确地提取出复杂建筑物的顶面.     

基于多分辨率的快速迭代最近点配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法计算时间长的问题,提出一种基于多分辨率配准点的ICP算法。使用自适应体素网格滤波器对原始点云进行多分辨率采样,利用低分辨率点云快速迭代获得两点云间初始变换矩阵;利用高分辨率点云在初始变换基础上做更精确配准。实验结果表明,该算法在配准精度基本不变的情况下,可以显著降低配准时间,且随着点云点数增加,速度提升效果越明显。     

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。     

基于CICP的机械臂多目标定位与抓取

机械臂的目标定位和抓取是工业机器人自动化领域的核心问题。针对目前机器人3D抓取耗时长且误差较大的问题,提出基于轮廓迭代最近点（Contour Iterative Closest Point,CICP）配准的机器视觉抓取方案,并建立多维空间下的3D多目标模型定位的计算机视觉系统。利用梯度直方图特征+支持向量机对多目标进行检测分割得到单目标大致区域,再使用基于Guide滤波+漫水填充的预处理方式对目标轮廓进行提取得到轮廓点云,最后使用迭代最近点（Iterative Closest Point,ICP）进行点云配准获取目标工件的透视变换矩阵,能够很好地解决传送带上多目标工件的定位与抓取问题,实验结果证明该系统抓取误差可降低到0.4 mm,且对于小工件可将配准时间缩短至200 ms以内。     

三维点云中的二维标记检测

特征检测在物体识别、数据配准等应用中具有至关重要的作用。同一场景中不同采集数据的配准和融合,必须已知或者估算不同数据中的共同特征对应点。然而,许多场景缺少有效对应特征点。解决该问题的一种有效的方法是在场景中添加标记以增加特征。文章提出一种在只含有位置信息的三维点云中自动检测二维标记的方法。该方法首先在三维场景添加黑色圆形薄纸片作为二维标记,利用区域增长法将获取的三维场景的点云数据分割成不同类别,然后基于随机抽样一致性算法的扩展方法依次对分割后的点云进行形状拟合,最后通过检测形状检测该二维标记。该方法能够有效地检测出三维场景中的二维标记,并避免了遮挡、形变等问题,为缺少特征的场景提供了简单可行的特征,可广泛应用于数据配准、物体识别、物体追踪、三维重建等领域。     

混合视觉系统的运动物体检测和静态地图重建

复杂动态背景环境下的运动物体检测和静态地图重建中容易出现运动物体检测不完整的问题。针对上述问题,提出了一种混合视觉系统下点云分割辅助的运动物体检测方法。首先,提出了直通滤波+随机采样一致性（PassThrough+RANSAC）方法来克服大面积墙壁干扰以实现点云地面点的识别;其次,将非地面点数据作为特征点投射到图像上,并估计其光流运动向量和人工运动向量,从而对动态点进行检测;然后,采用动态阈值策略对点云进行欧氏聚类;最后,整合动态点检测结果与点云分割结果来完整地提取出运动物体。此外,通过八叉树地图（Octomap）工具将点云地图转换为三维栅格地图以完成地图的构建。通过实验结果和数据分析可知,所提方法可以有效提高运动物体检测的完整性,同时重建出低损耗、高实用性的静态栅格地图。     

SIFT算法在点云配准中的应用

提出一种精确有效的点云配准算法。通过对图像进行SIFT特征检测与匹配来获得特征点与匹配关系,用RANSAC算法剔除误匹配点,然后由映射关系获取三维对应特征点,采用投票法来进一步剔除误匹配点。在由单位四元数法获得点云初始位置关系的基础上,采用基于特征点的改进ICP算法来实现精确配准。通过实验验证,该算法在点云配准中具有速度快和稳定性好的特点。     

基于双判定因子的道路绿化带分割

以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.     

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。     

面向三维重建的自适应列文伯格-马夸尔特点云配准方法

针对三维重建时点云配准过程易受环境噪声、点云曝光、光照、物体遮挡等因素的影响,以及传统ICP配准算法配准精度低、耗时长等问题,提出一种基于自适应列文伯格-马夸尔特迭代式的点云配准方法。首先,对初始点云数据采用统计滤波和体素栅格滤波相结合的方式进行降噪预处理;然后,对滤波后的点云进行分层,剔除位于层外的外点数据,以提高后续点云配准的精度;针对传统点云特征描述方法计算量大的问题,使用平滑度参数提取点云特征,以提升点云配准的效率;最后,根据点云特征建立帧间点到线及点到面的约束关系,采用改进的列文伯格-马夸尔特(Levenberg-Marquardt)方法完成点云配准,构建较理想的三维重建模型。实验结果表明,提出的点云配准方法适用于室内及室外场景的三维重建,环境适应性强,且点云配准精度和效率都有较大提升。     

动态环境中多帧点云融合算法及三维目标检测算法研究

低线束激光雷达扫描的点云数据较为稀疏,导致无人驾驶环境感知系统中三维目标检测效果欠佳,通过多帧点云配准可实现稀疏点云稠密化,但动态环境中的行人与移动车辆会降低激光雷达的定位精度,也会造成融合帧中运动目标上的点云偏移较大。针对上述问题,提出了一种动态环境中多帧点云融合算法,利用该算法在园区道路实况下进行三维目标检测,提高了低线束激光雷达的三维目标检测精度。利用16线和40线激光雷达采集的行驶路况数据进行实验,结果表明该算法能够增强稀疏点云密度,改善低成本激光雷达的环境感知能力。     

基于Kinect的实物地质标本三维重建

基于多视点图像运动结构恢复的三维重建方法相当耗时且鲁棒性低,针对以上问题,提出了一种基于Kinect的实物地质标本的三维重建方法. 首先使用GrabCut算法提取前景目标,结合原始深度图像生成对应视角的点云,再基于SIFT特征利用RANSAC算法执行点云粗对准,然后在ICP算法中引入异常值拒绝方法和动态调整权重思想进行点云精细配准,最终重建出完整三维点云模型. 实验结果表明该方法能快速重建出良好的实物地质标本三维点云模型,能有效处理标本缺少结构特征的情况,并且鲁棒性高.     

伪点云修正增强激光雷达数据

目的 激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法 首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC （random sample consensus）算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree （k-dimensional tree）,以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果 实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD （aggregate view object detection）检测方法的AP_3D-Easy （average precision of 3D object detection on easy setting）提升了8.25%,AVOD-FPN （aggregate view object detection with feature pyramid network）检测方法的AP_BEV-Hard （average precision of bird’s eye view on hard setting）提升了7.14%。结论 本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。     

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。