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%。     

基于FPFH特征的三维场景重建

文章在阐述不同视角下在对一对三维点云数据集两两配准的基础之上,针对ICP精确匹配算法须使初始点云收敛否则无法获取准确匹配结果的问题,提出了基于FPFH特征描述子的特征点云粗匹配;调整两片点云的初始位置,为ICP算法提供了良好的初始位置进一步提高点云的匹配精度;并且在此基础上通过大量实验得到点云对应点对之间的最大距离与拟合系数的函数关系,得到粗匹配最优值,进而得到最佳配准效果。实验证明通过粗匹配最高能将匹配拟合系数提高60.3%。     

基于特征提取的点云自动配准优化研究

针对三维点云自动配准精度不高、鲁棒性不强等问题,提出一种基于判断点云邻域法向量夹角的自动配准算法。该算法首先计算点云中每个点的法向量与邻域点集的法向量夹角的余弦值,然后把邻域各点的余弦值作为该点的属性特征向量,进行特征分类提取特征点,根据几何特征的相似性初步搜索匹配点对,并采用欧式距离约束条件剔除匹配错误的点对;运用最小二乘法计算初始配准参数,再通过改进的迭代最近点（Iterative Closest Point,ICP）算法进行精匹配。实验证明,该算法相对于经典的ICP算法无论收敛速度还是匹配精度上都有提升。     

一种基于曲率的点云自动配准算法

针对兵马俑破碎俑片虚拟复原过程中拼接效率低的问题,提出了一种新型的基于曲率的散乱点云数据自动配准算法.该算法利用MLS表面计算出两组点云中每个点的曲率,提取局部曲率变化最大的特征点,并计算曲率的Hausdorff距离来获得初始匹配点,然后根据初始匹配点之间极大极小曲率的相似度函数,采用粒子群优化算法确定精确匹配点.最后用四元组法求得坐标变换实现粗配准,并且用迭代最近点算法提高配准精度.实验验证了算法的有效性和稳定性.     

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SIFT和改进的RANSAC图像配准算法

为解决RANSAC算法迭代次数过多导致图像配准精确率不高的问题,提出了一种改进的RANSAC图像配准算法。首先将参考图像和待配准图像进行NSCT变换分解成低频子带和高频子带。然后对高频子带运用矢量夹角算法和结构相似性（SSIM）来提取图像边缘特征点,对低频子带运用SIFT算法并设定合适的距离阈值来提取特征点。最后利用改进的RANSAC算法提高特征点匹配精度,选择出精匹配点对,实现图像配准。实验结果表明,该算法能有效地找到较多的匹配点对,准确地去除误匹配点对,明显地提高了配准精确度。     

基于匹配质量提纯的改进D-Nets算法

针对基于特征的图像配准在较大仿射变形以及存在相似目标情况下适应性不佳的问题,为减少算法的时间开销,提出一种基于匹配质量提纯的改进描述网（D-Nets）算法。首先,通过FAST算法检测特征点,并根据Harris角点响应函数以及网格划分相结合的方式进行筛选;然后,在计算直线描述子的基础上构建哈希表和投票表决,从而得到粗匹配对;最后,采用基于匹配质量的提纯方法剔除误匹配。针对牛津大学Mikolajczyk标准图像数据集进行了实验,结果表明：提出的改进D-Nets算法在尺度、视差和光照变化较大的情况下平均配准精度为92.2%,平均时间开销为2.48 s。与尺度不变特征变换（SIFT）、仿射-尺度不变特征变换（Affine-SIFT）、原始D-Nets等算法相比,提出的改进算法与原始算法的配准精度基本相当,但速度最高可提升80倍,并具有最佳鲁棒性,显著优于SIFT、ASIFT算法,非常适于图像配准应用。     

结合SURF特征和RANSAC算法的图像配准方法

提出了一种基于SURF特征和RANSAC算法的图像配准方法。首先通过SURF算法对图像进行特征点检测,将欧式距离作为相似性测度进行特征点粗匹配,并通过RANSAC算法剔除误匹配点对;然后利用正确的匹配点对求解仿射变换模型从而实现图像的精确配准。实验结果表明了该方法的精确性和有效性。     

融合GMS与VCS+GC-RANSAC的图像配准算法

针对当前图像配准算法配准时间过长、配准正确率低等问题,提出一种基于网格运动统计（GMS）、矢量系数相似度（VCS）与图割随机抽样一致性（GC-RANSAC）的图像配准算法。首先,通过ORB（Oriented FAST and Rotated BRIEF）算法对图像进行特征点提取,并对特征点进行暴力匹配。之后,通过GMS算法对图像中的粗匹配特征点进行网格划分,利用网格中正确匹配点邻域内具有较高特征支持量的原理对粗匹配对进行筛选;并引入图像匹配对在进行矢量运算时VCS不超过某一设定阈值的原理对匹配对进行部分剔除,以利于算法后期的快速收敛。最后,运用GC-RANSAC算法进行局部最优模型拟合,得到精匹配特征点集,实现高精度的图像配准和拼接。通过与ASIFT+RANSAC、GMS、AKAZE+RANSAC、GMS+GC-RANSAC等算法对比,实验结果表明,该算法在平均匹配精度上提高了30.34%,平均匹配时间缩短0.54 s。     

基于改进SURF的快速图像配准算法

针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.     

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。     

基于K-means聚类和RANSAC的图像配准算法研究

针对图像配准中特征点匹配方法存在实时性不高和精度低的问题,提出了一种基于K means聚类和RANSAC的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件,首先利用K means聚类对匹配点对进行预处理,剔除大部分错误匹配点,然后利用RANSAC进行二次优化,实现了图像的快速和精确配准。实验结果表明,该算法不仅提高了图像配准的精确度,而且提高了图像配准的速度。     

使用霍夫变换的3维点云拼合算法

目的 直接基于点云数据本身的拼合算法对点云模型的位置和重叠度有着较高的要求。为了克服这种缺陷,提出一种针对散乱点云的分步拼合算法。方法 不同于大多数已有的基于曲率信息的拼合算法,本文算法包含了一个序贯式的匹配点对筛选过程和一个基于霍夫变换的坐标变换参数估计过程。在筛选过程中,首先利用曲率相似度确定点云数据之间的初始匹配关系,然后利用刚体不变量特征邻域标识相似度以及持续特征直方图相似度对初始匹配点对进行连续两次筛选以便得到更为精确的匹配点对集。在参数估计阶段,通过对匹配点对的旋转矩阵和平移矢量的参数化处理,利用霍夫变换消除错误匹配点对对坐标变换参数估计的影响,从而得到更加准确的坐标变换参数,实现点云的3维拼合。结果 利用本文算法对两片部分重叠的点云数据进行了拼接实验。实验结果表明,本文算法能很好地实现对部分重叠点云的拼合。由于霍夫变换的引入,本文算法相较于经典的Ransac算法具有更高的正确率、稳定性以及抗噪性,在运行速度上也具有一定的优越性。结论 本文算法不仅能适用于任何具有任意初始相对位置的部分重叠点云的拼接,而且可以取得很高的拼合精度和很好的噪声鲁棒性。     

基于快速视网膜关键点算法改进的图像匹配方法

传统的仿射尺度不变特征（ASIFT）算法通过模拟仿射变化图像实现完全仿射不变性,但是由于尺度不变特征（SIFT）算法本身的低效造成ASIFT的过程非常耗时,为了实现更为高效的图像匹配,引入快速视网膜关键点（FREAK）算法到ASIFT仿射模型中,并基于Lanczos-4插值进行改进。在匹配过程中基于HAMMING距离实现暴力匹配,并结合随机样本一致性（RANSAC）算法改进对匹配点对的提纯,得到了新的AFREAK算法。该算法既能实现完全仿射不变性,又能实现低耗时和低内存占用。实验结果表明,提出的AFREAK算法处理速度上快于ASIFT近2~3倍,并且可以得到与之相似的匹配效果。     

基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。     

快速特征提取与感知哈希结合的图像配准算法

经典的特征点提取算法是从整个图像进行遍历来确定特征点,运算量较大,不能满足实时应用的要求。提出了一种特征点快速稀疏提取算法,该方法首先利用高斯拉普拉斯算子（Laplacian of Gaussian,LoG）提取图像梯度,设定阈值过滤获得图像的边缘稀疏矩阵,然后在稀疏矩阵的基础上利用改进的加速分割测试特征（Features from Accelerated Segment Test,FAST）检测算法,解决了传统匹配算法提取特征点耗时的问题,使图像实时匹配成为可能。为减少误匹配对,利用感知哈希算法对匹配对进行提纯,并根据仿射不变性建立两个约束条件进一步验证单应性矩阵,提高配准精度。实验结果证明,该算法提高了特征点提取的速度以及配准精度。     

基于改进SIFT的时间序列图像拼接方法研究

针对SIFT（Scale Invariant Feature Transform）算法计算复杂度高,运行时间长的问题,提出了一种改进的SIFT算法。通过扩大极值点取值范围,减少极值点数量,提高运算速度;采用12环的圆形窗口代替传统的方形窗口,简化了特征描述符的构造方法,生成78维SIFT特征描述符,进一步提高了算法的运算速度;将BBF（Best Bin First）运用到特征点对之间初次配准的搜索中,并用RANSAC（Random Sample Consensus）算法对特征点配准对进行二次处理,以消除错误配准。将改进的SIFT算法与渐入渐出融合算法相结合,实现对时间序列图像的拼接融合处理。针对拼接融合后的图像,采用局部分块检测的方法评价其效果。实验结果表明,该算法运算速度快,具有较高的鲁棒性,且拼接融合效果好。     

基于SIFT特征和对极几何约束的图像配准算法

基于SIFT（尺度不变特征变换）特征匹配思想,提出了一种应用对极几何约束的图像特征配准算法。首先对图像提取SIFT特征点,然后通过欧氏距离估算对SIFT特征描述子进行初始匹配得到预匹配点集;采用基于单应矩阵的抽样算法计算初始基础矩阵,通过RANSAC算法计算精确的基础矩阵和匹配点集,进而实现图像配准。实验表明,该算法可以获得更准确的匹配点,得到精度较高的图像配准效果。