基于曲率信息的人工蜂群点云配准算法

针对仅使用群智能优化算法及点云空间信息进行点云配准时,优化过程寻找两片点云对应点耗时较长,收敛速度较慢的缺点,提出一种基于曲率信息的人工蜂群点云配准算法。算法根据曲率信息提取特征点,通过改进人工蜂群算法优化目标函数得到可以使两片点云重合的最佳变换矩阵。在种群优化过程中根据曲率信息约束对应点寻找范围,缩小参与计算点云的规模。对比实验表明,与仅采用随机选点方法和使用点云空间坐标信息的配准算法等相比,所提出算法可以在不降低配准精度的同时,有效加快配准收敛速度,显著缩短点云配准所用时间。     

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。     

基于改进ICP算法的点云自动配准技术

在零件的型面检测过程中,通常有数据采集、曲面重构、曲面配准和误差求取几个步骤。其中,曲面之间的配准是检测中关键的一环。针对传统的经典ICP(Iterative Closest Point)算法在配准过程中受噪声干扰大、鲁棒性差的缺点,在应用点云主方向贴合的粗略配准基础上,以经典的ICP算法为基础,提出了点云数据的欧氏距离阈值去噪和点云的方向矢量夹角阈值两种方法改进ICP算法,并应用改进算法作为点云之间的精确配准算法。对于经过初始配准的点云数据使用欧氏距离阈值法剔除点云间点对的噪声,并经点云各点间的方向矢量夹角阈值进行对应点采样,提高了传统ICP算法的效率和精度。经飞机和汽车零件点云配准实验验证,本算法的配准误差在±1μm内。算法具有设计简洁,响应快速的特点,有实际工作意义。     

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。     

一种改进的稀疏迭代最近点算法

稀疏迭代最近点算法是针对含有噪声点的点云配准提出的,但它却存在对目标点云中的离群点敏感、运行效率低等问题。针对这些问题,基于邻域信息的对应点对寻找方法提出了一种改进的稀疏迭代最近点算法。改进的稀疏迭代最近点算法首先使用改进的基于PCA的点云初始配准调整两片点云的位置,而后使用基于邻域信息的对应点对寻找方法为精配准寻找对应点对,针对对应点对,使用乘法器的交替方向法(ADMM)求得最优的变换矩阵。实验表明,对含离群点的斯坦福兔子、盆栽等点云来说,改进后的算法能够处理目标点云含有离群点的情况,并且算法的配准速度平均提高了30%。     

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。     

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。     

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。     

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。     

基于局部特征的点云配准算法

针对覆盖率较低的点云,提出一种基于局部特征的点云配准算法。首先提取点云 的局部深度、法线偏角和点云密度等局部特征,得到局部特征描述子;然后计算局部特征集的 相关性,得到相关候选点集;再次通过删减外点达到点云粗配准的目的;最后采用基于旋转角 约束和动态迭代系数的改进迭代最近点(ICP)算法,实现点云的细配准。实验结果表明,基于局 部特征的点云配准算法可以实现覆盖率较低点云的精确配准,是一种精度高、速度快的点云配 准算法。     

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。     

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.     

面向RGBD深度数据的快速点云配准方法

目的 真实物体的3维重建一直是计算机图形学、机器视觉等领域的研究热点。针对基于RGBD数据的非匀速非固定角度旋转物体的3维重建问题,提出一种利用旋转平台重建物体3维模型的配准方法。方法 首先通过Kinect采集位于旋转平台上目标物的深度数据和颜色数据,对齐融合并使用包围盒算法去除背景噪声和不需要的外部点云,获得带有颜色信息的点云数据。并使用基于标定物不同角度上的点云数据标定出旋转平台中心轴的位置,从而获得Kinect与旋转平台之间的相对关系;然后通过曲率特征对目标点云进行特征点提取并寻找与相邻点云的对应点;其中对于特征点的选取,首先针对点云中的任意一点利用kd-tree搜寻其k个邻近点,对这些点进行曲面拟合,进而计算其高斯曲率,将高斯曲率绝对值较大的n个点作为点云的特征点。n的取值由点云的点个数、点密度和复杂度决定,具体表现为能反映物体的大致轮廓或表面特征信息即可。对于对应点的选取,考虑到欧氏距离并不能较好反映点云中的点对在旋转过程中的对应关系,在实际配准中,往往会因为点云重叠或距离过远等原因找到大量错误的对应点。由于目标物在扫描过程中仅绕旋转轴进行旋转,因此采用圆弧最小距离寻找对应点可有效减少错误点对。随后,使用二分迭代寻找绕中心轴的最优旋转角度以满足点云间的匹配误差最小;最后,将任意角度获取的点云数据配准到统一的坐标系下并重建模型。结果 使用斯坦福大学点云数据库和自采集数据库分别对该方法和已有方法在算法效率和配准结果上进行对比实验,实验结果显示在拥有平均75 000个采样点的斯坦福大学点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少86.5%、57.5%,算法运行时间分别平均减少87%、60.75%,欧氏距离误差平方和分别平均减少70%、22%;在具有平均57000个采样点的自采集点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少94%、75%,算法运行时间分别平均减少92%、69%,欧氏距离误差平方和分别平均减少61.5%、30.6%;实验结果显示使用该方法进行点云配准效率较高且配准误差更小;和KinectFusion算法相比在纹理细节保留上也表现出较好的效果。结论 本文提出的基于旋转平台标定的点云配准算法,利用二分迭代算法能够有效降低算法复杂度。与典型ICP和改进的ICP算法的对比实验也表明了本文算法的有效性。另外,与其他方法在具有纹理的点云配准对比实验中也验证了本文配准方法的优越性。该方法仅采用单个Kinect即可实现对非匀速非固定角度旋转物体的3维建模,方便实用,适用于简单快速的3维重建应用场合。     

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。     

点到邻域重心距离特征的点云拼接

不规则曲面的拼接是3维拼接中的难点,提出采用不规则曲面点与其一邻域点重心间的距离作为刚性特征对点云进行粗配准,使用迭代最邻近点算法和刚性特征进行精配准。实验结果表明,刚性特征迭代最邻近点算法的误差收敛速度显著提高。当点云为重心距离大于10的差姿态时,该算法与不进行粗配准的迭代最邻近点算法相比,收敛速度和拼接质量都有较大提高。     

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。     

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。