一种多模式融合的激光点云配准算法

针对经典迭代最邻近点(iterative closest point,ICP)算法在三维激光点云配准领域内,存在收敛速度慢、配准误差大、配准效率低的问题,提出了一种基于法向量夹角特征和边界旋转角相融合的改进ICP算法。利用点云区域层划分将点云分成若干独立单元方格,搜寻方格的法向量夹角特征关键点,结合点面曲率对应关系形成初始匹配点对,随后引入距离约束函数,估算边界旋转角和相关动态迭代系数,自动优化刚性变换参数。实验结果表明,与传统ICP算法相比,改进后的算法配准误差降至0.3%以下,配准时间减少50%以上,有效提升点云配准效率。     

基于FPFH和法向量的改进点云配准算法

针对飞行时间法(TOF)获取点云的相关特点,提出一种适用于TOF点云的改进配准算法,首先使用FPFH特征对点云进行粗配准;在精配准阶段,通过法向量夹角特征采样的方法来减少点云的点数,同时又保留点云的关键信息点,并引入KD树和RANSAC方法来改进ICP的配准效率.实验结果表明,该算法具有良好的配准效率和精度,同时具有较大的适用范围.     

基于改进ICP的点云配准算法

文中提出了一种新的点云数据配准算法。首先,估算两组点云数据中每个点的曲面法矢,并据此计算各个点的曲率;然后,根据各个点的曲率确定两组点云数据中可以匹配的点对集合;再采用几何哈希方法计算三维空间变换,实现粗配准;最后,将粗配准的结果作为精配准的初值,通过在ICP算法中添加动态迭代因子的方法来改进ICP算法,实现最终的配准。实验结果表明,文中算法能完成两组点云数据的精确配准,而且改进的ICP算法可以在不影响配准精度的情况下,极大地提高算法的收敛速度。     

邻域多维度特征点结合相关熵的点云配准北大核心CSCD

针对传统点云配准中存在配准精度低、耗时长的问题,提出一种邻域多维度特征点结合相关熵模型的点云配准方法。首先根据邻域点的加权投影信息、表面曲率和法向量夹角提取特征点;其次用二值化的方向直方图描述子(B-SHOT)进行特征描述与匹配,然后利用刚性距离约束剔除误匹配,并通过随机采样一致性算法获取初始变换矩阵;在精配准阶段,以点到面的距离为准则双向搜索对应点,并通过多种几何特征约束剔除误匹配点对,最后迭代最大相关熵模型的目标误差函数完成精配准。实验结果表明,本文算法比迭代最近点算法(ICP)的配准精度提高了15%~97%、配准效率提高了约90%。     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。     

融合曲率信息的点云配准方法

针对点云配准时受原始位姿局限及配准效率、鲁棒性低的问题,提出一种融合曲率信息的点云配准方法。首先,将海量点云进行重心邻近点体素下采样,采用融合曲率信息的提取算法提取特征点;其次,通过三维形状上下描述符进行特征描述并利用改进的随机抽样一致性算法进行粗配准;最后,在具有较好位姿的情况下采用Symm-ICP进行精配准。试验结果表明,该算法对于不同位姿的点云数据均保持较高的配准精度。本文提出的算法配准效率优于其他算法,并具有较好的鲁棒性。     

三维散乱点云模型的特征点检测

随着三维点云模型越来越受到人们的关注,如何对数据量大,无序的三维点云模型进行特征点检测也是近几年的研究热点。本文提出了基于曲率和密度的特征点检测算法,为每个数据点定义一个特征参数,这个参数由三部分组成:点到邻居点的平均距离;点的法向与邻居点法向夹角的和;数据点曲率。然后通过八叉树方法计算模型的数据点密度,将这个密度作为阈值,特征参数大于阈值的点就是检测到的特征点。本文计算时,检测模型的特征点只需用到三维点云模型的几何特征,如数据点法向,曲率和邻居点。实例验证本算法可准确地检测出散乱数据点云的特征点。      

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

基于WHI及ICP的点云配准算法

针对两步点云配准中精度差、计算效率低、易受噪声干扰的问题,提出一种基于WHI特征描述符结合改进的ICP点云配准算法。首先,对大数据量的点云通过ISS算法提取特征点集作为配准点云;然后,计算特征点云的WHI特征描述符,利用随机采样一致性算法完成粗配准;最后,基于安德森加速迭代ICP算法对粗配准点云进行精确配准。通过多组点云数据集对所提算法进行验证,实验表明,该算法配准精度高、速度快,在含有噪声数据集的优势更明显。在不同的点云模型下,所提算法的配准效率提高2倍以上,在噪声环境下具有一定的鲁棒性。     

一种基于特征提取的点云自动配准算法

针对在不同视角下所获得的三维点云数据,提出了一种基于特征提取的点云自动配准算法。算法根据点云在不同半径内的法向量变化度来提取特征点,综合利用点云局部点的三种几何特征搜索匹配点对。通过利用距离约束条件来获取准确匹配点对并计算初始配准参数。精确配准阶段采用改进的迭代最近点(ICP)算法完成二次拼接。实验结果表明,与传统ICP算法相比,该算法在运行时间与精确度上都有着明显的提升。     

基于几何属性和改进ICP的点云配准方法

点云配准是三维重建的重要研究内容之一,其精度将直接影响到建模结果的好坏。为了提高点云配准的精度和收敛速度,首先提取点云的法矢和曲率等几何属性;然后根据点云密度将点云进行区域划分,并选取不同点云区域中的曲率极值点,再通过对极值点对的相似性度量来实现点云粗配准;最后采用基于K-d树的改进ICP算法进一步实现点云细配准。实验采用颅骨点云数据模型对该方法进行配准验证,结果表明,基于几何属性和改进ICP的点云配准方法是一种精度高、速度快的点云配准方法。     

结合形态描述和直方图特征改进的点云配准北大核心CSCD

针对点云配准过程中配准效率和精度无法兼得的问题,提出一种将内部形态描述(ISS)特征点和二进制方向直方图(BSHOT)特征描述符相结合的改进的点云配准算法。该算法先采用体素格网下采样和ISS算法提取特征点;然后通过二进制的方向直方图(BSHOT)特征描述符结合汉明距离和随机采样一致性算法(RANSAC)进行粗配准;最终利用改进的ICP算法进行精确配准。利用多组点云数据对该方法进行验证。结果表明,在相同条件下,改进后的算法在配准时间和配准精度上均优于其他算法。说明所提出的方法具有较高的配准效率与精度,且随着点云数量的增多,配准精度的提高效果会增强。     

基于特征点和关键点提取的点云数据压缩方法

针对采集到的点云数据中含有大量的冗余数据,为后期数据处理及其应用带来诸多不便,而采用现有通用压缩方法压缩后的点云容易造成细节特征丢失问题,为此,本文提出一种基于特征点和SIFT关键点提取的点云数据压缩方法。该方法的核心技术是首先根据查询点与邻域中的点所构成向量的夹角而提取边界点;然后根据点云数据的曲率和法向量夹角提取尖锐点,据此使特征点在点云压缩处理过程中得到绝对被保留;同时在平坦区域提取SIFT关键点,这样能避免在曲率变化缓慢区域所保留的并不是特征点;最后融合特征点和SIFT关键点而实现对点云数据的压缩处理。研究通过设计与现有两种基于曲率压缩方法进行对比实验分析,结果表明本文所提方法既能最大量的去除冗余数据,又能保留点云中大部分特征点,实现了点云数据的高质量压缩。     

融入曲率尺度空间算法的图像配准方法

为了满足图像配准对于实时性的要求,提出融入曲率尺度空间算法的图像配准方法。首先使用曲率尺度空间算法提取图像角点特征,然后使用改进的加速稳健特征算法生成64维角点特征描述子向量并将描述子向量降维到24维,最后使用改进的相似性距离算法和随机采样一致性算法进行匹配。仿真实验一表明:在图像配准准确度方面与传统尺度不变特征变换算法、传统加速稳健特征算法及其他改进的图像配准方法相当,但在图像配准实时性方面具有一定的优势,仿真实验二通过立体匹配库验证了该方法具有普遍有效性。     

实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式 (OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。     

基于SIFT特征点结合ICP的点云配准方法

在点云配准过程中,针对迭代最近点(ICP)算法对点云初始位置依赖性强且迭代速度慢的问题,提出一种基于尺度不变特征变换(SIFT)特征点结合ICP的点云配准方法。首先利用SIFT算法提取待配准点云和目标点云的特征点;接着计算出特征点的快速点特征直方图(FPFH)特征;然后依据该特征使用采样一致性初始配准(SAC-IA)算法求出初始变换矩阵,从而完成初始配准;最后在初始配准的基础上利用ICP算法对两片点云进行精配准。实验表明,与ICP算法相比,该方法具有较好的配准精度,同时效率也有明显的提升。     

基于改进ICP的复杂机械零件测量点云配准方法

点云配准是基于机器视觉进行复杂机械零件三维非接触精密测量的关键环节。针对传统迭代最近点(iterative closest point, ICP)算法对初始位置依赖性强,迭代收敛速度慢,错误对应点对多,难以满足大批量复杂机械零件测量点云配准效率和精度要求的问题,提出了一种基于ISS-FPFH(intrinsic shape signature-fast point feature histogram)特征结合改进ICP的复杂机械零件测量点云配准方法。为了减少点云配准数量,并保留点云表面原来的细微特征,提出了基于重心邻近点的体素滤波器对点云进行下采样预处理。为解决传统ICP算法因合适初始位置难以确定而导致多视角测量点云配准失败的问题,采用了基于ISS-FPFH特征的采样一致性初始配准(sample consensus intial alignment, SAC-IA)算法进行粗配准。为解决传统ICP算法迭代收敛速度慢、错误对应点对多的问题,提出结合法向量夹角约束的点到平面ICP算法进行精配准。以斯坦福大学的bunny点云模型为对象,验证了本文提出方法对噪声点云的鲁棒性。以常见的复杂机械零...     

自动计算重叠度的多源点云配准方法

针对多源点云配准存在噪声、部分重叠、不同模型的配准参数难确定等问题,提出一种基于贡献因子的改进TrICP算法。首先,使用改进体素降采样以及随机降采样对点云进行降采样。然后,利用改进算法的贡献因子来保留对配准贡献度更大的点对,使用奇异值分解法（SVD）对变换矩阵求解,同时计算距离曲线上的点经过原点的斜率来自动计算重叠度,实现点云的全自动配准。使用斯坦福大学的Bunny点云以及“茂县624”滑坡现场点云数据对改进算法及TrICP等多个算法进行对比实验。结果表明:相对于TrICP,改进算法在Bunny点云以及滑坡体点云上,配准速度分别提升50%和67%,且精度更高,并在添加大量噪声情况下仍能正确配准,这表明该算法能对含大量噪声、部分重叠、非同源的激光与影像重建点云进行可靠高效的自动配准,实现多源数据优势互补以获取目标的精准点云信息。     

基于邻域曲率改进的迭代最近点激光雷达目标点云配准

为解决激光雷达目标点云配准技术中精确配准步骤中所存在的匹配速度慢和匹配误差大的问题，提出了一种基于邻域曲率改进的迭代最近点（ICP）精准化匹配算法。初始配准采用传统的主成分贴合法，给精确配准找到一个较好的初始位置，精配准采用基于领域曲率改进的ICP算法。以斯坦福兔子和场景点云作为实验研究对象，配准结果和数值分析共同表明，基于邻域曲率改进的ICP算法在点云配准中的可行性，且与其他算法相比，所提算法的配准速度更快、匹配精度更高，为三维数据重建和目标识别技术提供一种更高效的新方法。     

融合特征点提取的三维点云配准方法

为了改进传统迭代最近点云配准方法配准精度低,需要较好的初始输入变换矩阵等问题,提出一种基于分块思想结合点云平面拟合提取特征点的改进型点云配准方法。首先,对点云进行分块,结合随机采样一致性定理进行块状点云的平面拟合和特征点提取。其次,采用快速点对直方图来描述点云特征,利用采样一致性配准算法进行初始配准,为精配准奠定良好的基础。精配准通过K-D树改进加速迭代最近点算法,实现点云的整体配准。试验结果表明,所提出的点云配准方法在两种测试集上相较于传统最近迭代点方法,在配准精度上提升89.23%和31.45%,相较于其他点云配准方法,提出的方法也有一定的优势。