一种空间非合作目标的稀疏点云配准算法

点云数据配准是三维重构的关键技术之一,为了提高空间非合作目标的稀疏扫描点云数据配准的速度和精度,提出一种改进的基于四点算法的全局配准算法进行初始配准,再使用迭代最近点算法精确配准.针对直接扫描所得到点云数据量大的问题,本文提出一种基于KD Tree点云均匀采样简化算法,并且对传统基于四点算法中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系.仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准,改进的四点算法配准耗时仅为几何哈希算法的42.49%.     

自研激光雷达三维点云配准技术

为了实现激光雷达点云与图像重建点云的三维空间配准,基于自研三维扫描激光雷达系统,提出了新型的快速多尺度因子（FMSR）点云配准算法,研究了空间点云配准技术。该算法主要包括初始配准和精确配准2个步骤:初始配准使用基于尺度自适应关键点质量（ASKQ）的点云特征提取算法,提取关键点的特征匹配对,求解点云配准初始参数;精确配准利用K-邻近（KNN）算法全局搜索,提升计算效率,多次迭代得到2组点云之间的最优旋转矩阵、最优平移向量和最优尺度因子。仿真和实验结果表明,所提出的算法对空间目标（尺寸为20.30 m×7.85 m×26.56 m）实现空间点云配准,配准精度达到0.194 m,运行时间为16.207 s;与多尺度迭代最近点（S-ICP）算法相比,配准精度提高了0.131 m,运行时间提高了30%。所提出的空间点云配准技术可为场景重建和纹理匹配提供算法基础。      

基于TEASER算法的空间非合作目标位姿估计

基于点云的空间非合作目标位姿估计,常受到噪声影响.提出截断最小二乘估计与半定松弛(truncated least squares estimation and semidefinite relaxation, TEASER)与迭代最近点(iterative closest point, ICP)的结合算法,提升空间非合作目标位姿估计精度与鲁棒性.该方法包括粗配准与精配准两个环节：在粗配准环节中,基于局部点云与模型点云的方向直方图特征(signature of histogram of orientation, SHOT)确定匹配对,利用TEASER算法求解初始位姿;在精配准环节中,可结合ICP算法优化位姿估计结果.北斗卫星仿真实验表明：在连续帧位姿估计中,噪声标准差为3倍点云分辨率时,基于TEASER的周期关键帧配准方法的平移误差小于3.33 cm,旋转误差小于2.18°;与传统ICP方法相比,平均平移误差与平均旋转误差均有所降低.这表明所提出的空间非合作目标位姿估计方法具有良好的精度和鲁棒性.     

基于ICP算法的手术导航三维配准技术

针对计算机辅助手术三维导航技术中术前CT图像与术中实际空间的配准问题,提出一种基于最近点迭代(ICP,Iterative Closest Point)算法的特征点云配准技术.利用医学图像空间和实际空间特征区域的两片点云坐标进行三维配准.对CT图像进行重建、分割及交互式操作得到医学图像特征点云;利用光学定位仪实时采集实际空间中对应区域的点云;通过主元分析(PCA,Principal Component Analysis)获取两组点云数据的特征向量进行初配准;进行最近点迭代使配准矩阵收敛到一个最优解,其中采用k-d tree寻找邻近点加速迭代过程.以塑料脊柱模型骨为对象进行了脊柱手术导航配准精度实验,进一步对实验中的点云数据加入高斯噪声以进行误差分析.结果表明这种配准方法简单可靠,在模型骨情况下配准精度在1mm以内.     

基于霍夫变换的空间非合作目标点云配准算法

针对空间非合作目标点云配准过程中目标残缺、机动过快等问题，对飞行时间深度(TOF)相机点云配准过程进行研究。利用相机可同时获取灰度与深度图的特点，提出一种基于霍夫变换的点云配准算法，在提供精确初始位姿的同时，也加速了最近点搜索过程。对TOF相机摄得灰度图进行边缘检测，利用边缘点以随机霍夫变换的方法拟合椭圆中心，使待配准点云与参考点云中心配准。随后检测图像几何特征，与对应参考点特征相配，提高初始位姿精度，既避免所提算法陷入局部最小，也可解决目标点云缺失无法配准的难题。在最近点搜索过程中，引入kd-tree改进算法，以3σ准则剔除单次k邻近的离群点，提高了相机动态性能。以某实拍卫星模型对所提算法进行仿真分析，成功验证了其对于残缺目标配准的可行性与鲁棒性。同时，在完整与残缺点云目标下，所提算法较于常规霍夫变换法相比分别提速955.3%和440.4%，且精度相当，具有较为广泛的应用前景。     

遥感图像的快速配准方法

针对多传感器遥感图像的配准,提出了一种快速有效的图像配准方法.该基于分级候选点集匹配的配准算法充分利用了分级匹配和候选点集匹配方法的优点,减少了特征提取空间和搜索空间.并在同名控制点对的确定中引入距离计算,能更有效地确定同名控制点对,减少了误匹配率,增加的距离计算时间代价很小,而且不随图像大小发生变换,只与最终匹配点对数目有关.采用主观与客观判断相结合的方法进行配准评价,实验结果表明,该算法在图像存在一定背景噪声,同时具有平移、旋转的情况下,可以准确地进行配准,提高了配准速度和精度.      

基于姿态标准化的线特征点云提取方法

从零件三维点云中提取棱边等线特征所对应的点云是零件模型重构的关键,也是点云数据处理的基本操作.基于曲率的线特征点云提取方法易受点云初始姿态以及曲率估计方法的影响,曲面拟合及曲率估计误差较大.提出了一种基于点云姿态标准化的线特征点云提取方法:首先计算点云主方向并将其同z轴对准实现点云姿态的标准化,然后进行曲面拟合并以最大主曲率绝对值作为曲率估计值,最后对曲率值取阈值提取出线特征点云.用不同类型的点云数据进行了实验,结果表明所提方法有较高的提取效率和良好的适用性.     

基于嵌入式FPGA加速ORB算法的遥感影像配准方法

卫星上计算资源有限，星载嵌入式处理器处理遥感影像的配准时通常需要很长的时间。可编程逻辑门阵列（FPGA）利用其内部可编程器件可用于加速图像处理。提出了一种基于Xilinx公司的ZYNQ芯片加速ORB算法的遥感影像配准方法，可用于3000×3000像素尺寸的卫星图像配准，缩短了计算耗时，提升了ORB算法的计算能效比。利用FPGA能够实现真正的并行计算电路，实现ORB算法多支路单层流水线的并行计算结构。采用软硬件结合的方法实现架构，能够处理不同分辨率的图像，可灵活配置特征点的数量。基于设计的加速ORB配准方法，获得了较高准确率。与软件实现相比,OVS-1A遥感影像偏移精度损失低于0.05个像元;GF.4遥感影像偏移精度损失小于0.9个像元。将ORB配准算法流程应用在ZYNQ7020上，耗时减少了57.50%。     

基于激光扫描技术的大型船舶舱容量计量技术研究

介绍了一种应用三维激光扫描技术，采集获取船舱三维点云数据，对点云数据进行配准、修补，完成船舱内部构件精细建模，快速高精度的重建大型船舱三维模型，实现大型船舱容量快速计算的方法。运用三维激光扫描技术完成158000吨大型油轮液货舱容量计量，通过与传统容量计量方法进行比对分析，解决了单点数据采集模式弊端，达到了大型船舶舱容量快速、精准计量效果。     

基于深度神经网络的像素级别可见光图像配准

现有图像配准算法中,借助图像采集设备参数的方法存在硬件内参难以获得或精度不够的问题,采用匹配图像特征计算图像单应性的方法存在对场景深度信息利用不全的问题。针对这一现象,提出了结合可见光图像与其深度信息来生成更具有真实性的配准图像对数据,用以训练得到一个可以进行像素级别图像配准的深度神经网络PIR-Net。建立了一个大规模、多视角、超仿真的图像配准数据集:多视角配准(MVR)数据集,该数据集包含7 240对含有深度信息的待配准图像及其像素级别的坐标对准真值;基于编码器-解码器的深度神经网络结构,训练得到一个能以全分辨率形式对2幅输入图像之间的坐标变化矩阵进行重建的PIR-Net。通过实验验证了PIR-Net能够在未知相机内参的情况下实现不同视角的可见光图像配准,并比传统算法具有更高的配准精度。在MVR数据集上,PIR-Net的配准误差仅为通用的特征匹配对准算法(SIFT+RANSAC)的18%,同时减少了30%的时间消耗。      

车身逆向设计中点云多视拼合技术

针对整车车身点云空间尺寸较大,数据量庞大,还原精度要求高等特点,提出基于骨架点的点云拼合算法,算法的基本思想是构造整车模型的骨架点和分块点云的mark点,由全等三角形法则搜索骨架点与mark点的映射关系,应用加速迭代的改进ICP(Iterative Closest Point)算法拼合整车点云.某厂轻卡整车点云的拼合实例证明,该算法拼合精度高,运算速度快,是拼合整车点云行之有效的方法.      

散乱点云自适应滤波算法

提出一种散乱点云自适应滤波算法,该算法采用改进的R*-树组织散乱点云的拓扑近邻关系,基于该结构快速准确获取局部型面参考数据,自适应调节二维高斯分布的数字特征计算滤波权值,计算局部型面参考数据对原始型面数据的影响因子,以此作为权值计算各点滤波后的坐标,采用加权平均方法实现散乱点云的自适应滤波.实验证明该算法可有效提高点云的滤波效率,在保留原始型面特征的基础上,减小点云的随机误差,提高光顺性.     

基于Transformer的点云几何有损压缩方法

点云被广泛地用于三维物体表达,不过真实世界采集到的点云往往数据庞大,不利于传输与储存,针对点云数据冗余性问题,引入基于注意力机制的Transformer模块,提出一种基于Transformer的端到端多尺度点云几何压缩方法。将点云进行体素化,在编码端利用稀疏卷积提取特征,进行多尺度的逐步下采样,结合Transformer模块加强点空间特征感知与提取;在解码端进行对应的多尺度上采样重建,同样采用Transformer模块对有用特征进行加强与恢复,逐步细化并重建点云。与2种点云标准编码方法对比,所提方法平均获得80%和75%的BD-Rate增益;与基于深度学习的点云压缩方法对比,平均获得16%的BD-Rate增益,在相同码率点有约0.6的PSNR提升。实验结果表明：Transformer在点云压缩领域的可行性与有效性;在主观质量方面,所提方法也有明显的主观效果提升,重建的点云更接近原始点云。     

网络瞄准中的异步传感器空间配准算法

针对现有异步空间配准算法在目标机动时无法准确估计传感器系统误差的问题,研究了一种基于内插外推时间配准的异步传感器空间配准算法.该算法首先采用内插外推时间配准算法实现两传感器的数据同步,随后根据时间配准结果构建伪量测方程.不同于其他文献根据目标状态向量和时间差求解加权系数,从而构造与目标运动状态无关的伪量测方程的方法,该算法的伪量测方程构建过程与目标状态向量无关,且可以证明由时间配准结果构造的伪量测也与目标状态无关.因此该算法可有效解决目标机动条件下的异步传感器空间配准问题.仿真实验验证了该算法在目标作蛇形机动的条件下仍然可准确地对传感器的系统误差进行估计.     

基于经验模态分解的点云数据平滑与增强

在计算机辅助设计与逆向工程应用中,针对缺乏拓扑连接关系的点云数据,提出了基于经验模态分解(EMD)的点云数据平滑与增强算法。首先,以点云模型的拉普拉斯矩阵坐标与法向的内积作为EMD输入信号,提取点云模型输入信号的极值点作为插值节点计算信号的上下包络;然后,为实现特征保持的EMD信号分解,通过检测点云数据上特征点,并在计算信号上下包络的过程中作为约束,克服传统EMD算法无法保持特征的局限;最后,迭代地从输入信号中减去上下包络的均值得到内蕴模态函数(IMF)和余量,并通过设计滤波器实现了点云数据平滑和增强。实验结果表明,本文算法有效地将EMD推广到三维散乱点云数据中,扩大EMD在三维几何中的应用范围,并在点云数据平滑和增强方面取得了很好的效果。     

基于全局稀疏地图的AGV视觉定位技术

为了实现自动导引车（AGV）在复杂工业环境下的高精度定位,克服环境变化给定位带来的影响,提出了基于全局稀疏地图的视觉定位方法。首先,设计了大容量二维编码点,作为人工路标铺设在工业环境的地面;然后,基于一种四边形识别算法,在复杂工业环境中准确分割和识别二维编码点;最后,利用二维编码点提供的编码信息,鲁棒匹配图像中的特征点,并以此为基础,使用一种分参数块优化的三维重建策略,实现了工业环境的大规模地图构建,为AGV视觉定位提供了一种稀疏电子地图。AGV视觉的定位通过匹配车载视觉传感器图像中的特征点和稀疏电子地图实现。停车重复定位精度小于0.5 mm,角度偏差小于0.5°,轨迹平均位移误差小于0.1%。实际应用结果表明,该方法能在复杂工业环境中实现AGV视觉的定位,定位的速度和精度方面都满足工业应用的要求,为AGV的视觉定位提供了新的思路。      

TDICCD相机大视场多通道遥感图像自动拼接方法

在TDICCD大视场多通道遥感图像的拼接中, 由于存在成像平台谐振及颤振等因素的影响, 以往的经典方法抗噪性和鲁棒性不高, 很难达到图像高精度和快速拼接的要求. 为此, 提出了一种空域互相关自校正亚像素配准方法. 该方法针对TDICCD多通道图像间重叠像素的特点, 采用变搜索窗口的互相关系数作为评价函数; 采用局部检测法监视图像参数的变化, 找出图像每一部分最佳参数; 采用干扰点排除法控制图像中误匹配的点, 使参数更加可信; 在最佳点配准的基础上, 采用所提出的亚像素定位法对配准进行补偿.实际遥感图像拼接结果证明, 该算法精度优于0.1 pixel, 同时比其他方法速度快, 稳定性、抗噪性和鲁棒性都很高, 拼接图像获得了良好的效果.      

基于移动平台的快速相似脸检索

主要研究了移动平台上的相似脸检索问题.对于移动端,首先采用基于稀疏约束的级联回归模型进行精确的人脸配准,该方法不但能够筛选鲁棒的特征,而且可以将模型的大小压缩到原来的5%左右.接着,在某些关键点周围提取高维的纹理特征,并通过稀疏投影降维.对于服务器端,采用级联形状和纹理特征的方式进行高效的相似脸检索.首先基于稀疏形状重构的方式筛选脸型相似的人脸,然后基于稀疏纹理重构的方法确定相似脸.在三星Note 3智能手机上,人脸图像的配准时间约10 ms.在扩展的LFW(Labeled Face in Wild)数据库上,相似脸检索时间约1.5 s,整个模型大小约5.4 MB.大量实验结果表明,配准方法精度高,速度快,模型小;相似脸检索的方法效率高,检索结果更符合人们的视觉感受.      

基于改进SIFT的图像配准算法

为解决存在较大程度旋转和缩放的图像配准问题,提出了一种基于尺度不变特征变换(SIFT,Scale Invariant Features Transform)的图像配准算法.采用对数极坐标变换(LPT,Log-Polar Transform)进行图像粗匹配,对图像旋转角度和缩放尺度变化量进行估计,并对图像加以校正;在粗匹配的基础上对图像进行分块,根据信息熵原理提取子块的SIFT特征和不变矩特征,构造新型的特征描述符;结合欧氏距离和Procrustes迭代算法获得图像的同名点对,并估计图像形变参数,完成图像配准.实验结果表明:该算法速度快、稳定性强,并能达到亚像素级的匹配精度.     

基于无监督学习的多模态可变形配准

针对医学图像配准问题，传统方法提出通过解决优化问题进行配准，但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数，从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时，不同模态图像的强度分布未知且复杂，大多已有方法严重依赖标签数据，现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成，借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上，将所提方法与现有先进的多模态配准方法进行比较。此外，还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比，在配准精度上具有竞争优势，并且大大减少了计算时间。