基于激光扫描仪的点云配准方法

针对激光扫描仪实际扫描得到的不完整点云配准困难问题,提出了一种基于对应点对的配准方法。通过激光扫描仪进行实验,得到被测工件的实测点云数据,基于Visual Studio软件配置Point Cloud Library环境,对实测模型与理想模型的点云配准进行研究。首先对实测点云数据进行体素滤波以及均匀下采样的预处理;其次通过对应点对的方式进行对齐为后续精细配准提供较好的变换初值,后基于ICP算法实现点云配准精配准;最终以均方根误差作为点云配准精度评价指标对配准结果进行评价。借助CloudCompare软件对配准结果进行直观展示分析可知,在实测工件本身存在不绝对光滑的情况下,配准的均方根误差可控制在0.62 mm,表明该方法对于不完整点云的配准效果较好。     

用基于特征的稀疏点云配准算法检测零件的加工误差

针对在使用三坐标测量机检测零件的加工误差时点云为稀疏点云这一问题,提出了一种基于平面、柱面特征的稀疏点云配准算法.首先选出含有平面、柱面特征的区域,根据零件的实际情况选择用平面或柱面特征建立局部坐标系进行初始配准,对于柱面特征参数的提取,提出用Levenberg-Marquardt非线性最小二乘迭代法来求解,之后用改进的最近点迭代(iterative closest point,ICP)算法进行精确配准,最后进行了算法的配准精度测试和零件配准实验.精度测试结果表明,本文算法配准精度在1μm以内,用三坐标测量机测量两块零件并运用本文算法检测出了加工误差.因此,本文算法可以解决点云为稀疏点云这一问题,满足零件加工误差的检测要求.     

融合几何特征的ICP改进算法在数字化测量评价中的应用

针对ICP算法对初值依赖程度高、在配准过程中可能陷入局部最优解的问题,提出了一种融合几何特征的ICP改进算法。利用零件具有丰富几何参数的特点,首先对实测点云进行基于曲率的体素采样,尽可能保留几何特征,再将点云的曲率差值和法向量夹角差值引入算法的目标误差函数中进行迭代计算,当目标误差函数达到设定阈值时迭代结束,得到最终配准结果。利用复杂曲面标准件进行了点云配准实验验证,结果表明：相较ICP算法,融合几何特征的ICP改进算法的收敛速度更快、误差更低;相较快速全局配准加ICP配准算法,融合几何特征的ICP改进算法在保证配准准确性的同时,减弱了对初值的需求,简化了点云配准过程。融合几何特征的ICP改进算法为促进零件的准确数字化测量评价提供了有力支撑,具有技术借鉴价值。     

基于法向量权重改进的ICP算法

针对三维重建过程中点云配准的精度和速度不理想的问题,提出一种基于法向量权重改进的迭代最近点(ICP)算法。通过将点云的法向量投射到高斯球上,统计不同方向法向量的分布情况,结合物体的几何结构信息赋予相应的权重,利用法向量权重结合点到平面的误差度量方法计算最优刚体变换矩阵。实验结果证明：以球面点云数据为例,与改进前的迭代最近点(ICP)算法相比,在配准速度没有降低的情况下,配准误差减小为原来的30%左右,而且该算法适用于各种点云模型,效果显著。     

平面参数空间的实时三维点云配准方法

针对具有多平面结构的室内环境的三维定位和环境建模,提出了一种在平面参数空间进行配准的实时三维点云配准方法。该方法首先使用一种改进的三维霍夫变换算法快速提取点云中的平面特征,然后使用迭代算法在平面的参数空间中寻找最近平面,最后使用这些平面的对应关系来估计两帧点云之间的位姿变换关系。在一个实验室场景中进行的对比实验表明,该算法能够达到与传统迭代最近点(ICP)算法相似的精度,而且速度大大提升。在仅使用普通笔记本CPU的情况下即可实现实时的点云拼接。     

基于图神经卷积网络的点云配准算法

为了解决现有点云配准算法对配准点云的初始位置或噪声敏感,对独特几何结构的需求以及算法设计复杂、通用性差等问题,本文提出了基于图神经卷积网络的点云配准算法。该算法利用图神经网络在不规则点云图形结构中寻找关键顶点特征,简化原有点云结构,利用在顶点所属对象特征和局部几何信息中学习到的混合特征来构建点对应的分配网络,并提取所需的图特征。同时,通过将模拟配准信息输入另一卷积网络中,计算最佳的配准拟合参数。该算法降低了对配准初始值的依赖,使算法快速收敛,提高了在点云局部可见情况下的配准质量。     

基于改进的SAC-IA-SICP点云配准方法研究

为了改善传统ICP算法迭代误差大、配准精度低的问题,本文提出一种基于采样一致性配准算法(Sample Consensus Initial Aligment, SAC-IA)初始匹配与改进迭代最近点(Iterative Closet Point, ICP)精配准相结合的配准方法。首先采用SAC-IA进行初始配准,然后将一种对称的目标函数引入ICP算法,提高ICP算法收敛性,并用于点云精配准。实验结果表明,本文方法的配准精度较ICP算法提升了93.00%,时效性提高了15.20%,表明SAC-IA-SICP配准方法可靠性较高。     

基于改进ICP算法的叶片型线轮廓度误差评定

针对传统最近迭代点(ICP)算法存在配准精度较低的问题进行算法改进。首先,考虑到三坐标测量机测量数据呈现有序排列、且一一对应的特点,使用了一种基于矢量对齐法的型线数据初配准方法进行初配准;其次,在传统ICP算法配准的基础上,对待配准数据进行非均匀有理化B样条(NURBS)曲线拟合,再利用自适应粒子群算法对测量数据进一步精配准;最后,采用基于最小区域的叶片型线轮廓度误差评定方法进行误差评定。实验分析结果表明:改进方法相对于传统ICP算法,可在原有收敛值基础上达到进一步收敛的效果,轮廓度误差相对减小28.57%。该方法有效提高了叶片型线轮廓度误差评定的精确度,可为叶片的加工质量提供可靠判定。     

加权相位一致性改进的图动态精确配准算法

目的为了解决当前图像配准算法匹配精度较低的问题。方法提出加权相位一致性耦合改进的图变换匹配的精准动态图像配准算法。首先,基于SIFT机制,检测图像中的关键点;并嵌入加权因子,定义相位一致性特征,对关键点完成提纯,消除误配点与稳定性不佳的特征点;随后,设计角度距离,替代相邻特征,改进图变换匹配技术,形成精准匹配关系集;再利用初始匹配特征点与精准匹配特征点间的映射关系,对其完成修正;最后,利用改进的图变换匹配算法处理修正后的匹配关系,进一步提高匹配精度。结果仿真结果显示,与当前图像配准技术相比,改进的算法拥有更强的鲁棒性与更高的匹配精度。结论改进的算法能够提高图像在几何变换程度较大时的匹配精度。     

点特征提取在锂电池丝印图像配准的应用

目的 为了提高锂电池丝印图像配准精度,从而解决产品质量检测中的漏检和误报问题,研究点特征提取算法在锂电池丝印图像配准中的应用.方法 对基于点特征的锂电池丝印图像配准进行综述,首先概述点特征提取算法的发展历程,然后着重围绕Harris,SIFT,SURF,ORB和AKAZE等5种经典的点特征提取算法进行分析,并介绍近几年的提升算法,最后对锂电池丝印图像进行配准测试,利用几种测评技术对实验效果进行分析,总结不同点特征提取算法在锂电池丝印图像配准中的优缺点和适用性.结果 实验结果表明,AKAZE算法提取的特征点具有较高的重复率和匹配准确率,经过配准后的定位误差也都控制在1个像素以内,但是该算法的尺度不变性较差.结论 相较于前4种算法,AKAZE算法具有较高的可靠性和稳定性,能够满足锂电池丝印图像配准的实时性和高效性需求.     

融合配准的多站室外大场景激光点云分割

针对室外场景范围广、分割难度大、识别效果不显著等问题,提出了一种融合多站点云配准的室外大场景分割方法.首先,根据室外场景视野大、点云数据量庞大特点,选取多个视角下重叠区域较多的建筑场景点集,结合SAC-IA和ICP方法进行点云自动配准,从而构建出点云密度相对均匀的室外大场景完整结构;然后,选用公共数据集Semantic...     

A hybrid point cloud alignment method combining particle swarm optimization and iterative closest point method

3D quality inspection is widely applied in many industrial fields including mould design, automotive and blade manufacturing, etc. A commonly used method is to obtain the point cloud of the inspected object and make a comparison between the point cloud and the corresponding CAD model or template. Thus, it is important to align the point cloud with the template first and foremost. Moreover,for the purpose of automatization of quality inspection, this alignment process is expected to be completed without manual interference. In this paper, we propose to combine the particle swarm optimization(PSO) with iterative closest point(ICP) algorithm to achieve the automated point cloud alignment. The combination of the two algorithms can achieve a balance between the alignment speed and accuracy, and avoid the local optimal caused by bad initial position of the point cloud.     

基于混合滤波和DBSCAN的点云去噪算法

为了避免点云在人工去噪时的复杂工作流程,进一步提高点云去噪效率,在相关研究基础上,设计了一种基于混合滤波和空间密度聚类的点云去噪算法。首先,通过直通滤波去除点云的无效点;其次,采用统计滤波删除点云的大尺度噪声点;再次,利用空间密度聚类算法移除点云的小尺度噪声点。最后,通过相关点云测量数据对设计的算法进行仿真实验验证,并与传统点云去噪算法的计算结果进行对比分析。结果表明,所设计的算法去噪效果优于传统点云去噪算法。     

3D scanning data processing and registration for the construction of urban scenes via image methods

The difficulty of the 3D registration mainly lies in the huge computation for a precise alignment, especially for large data of urban scenes. In this paper, we proposed an algorithm that converts this 3D problem into 2D case. The main idea is to map the point cloud onto the image. Then, SIFT algorithm is adopted to detect the key points of the images, and key points from two images corresponding to the two point clouds ready to be registered are matched to form several pairs. Next, the key point pairs construct an intrinsic link between the images. From the one-to-one correspondence between pixel and point, this relation can be converted back to 3D space, according to which a transform matrix can be consequently established. The resultant matrix aims at guiding the spatial transform to achieve an ideal 3D registration. Later experiments illustrate that it will obtain a preferable result in much less time.     

An efficient method for estimating soft tissue deformation based on intraoperative stereo image features and point‐based registration

Estimation of soft tissue deformation occurring during image‐guided surgery using an easily implemented and accurate method is necessary. Using a stereo camera, this study focuses on two efficient methods for estimating soft tissue deformation. Two methods were proposed to overcome limitations associated with the typical methods used for estimating soft tissue deformation, such as dependence on accuracy of the operator and indentation of skin. The first method is based on Triclops SDK, and the second method is based on projecting a pattern to acquire P‐Lands (Projected Landmarks). Based on the proposed methods, surface information is acquired in the form of point clouds of surface point coordinates to the submillimeter accuracy. The reconstructed predeformation three‐dimensional (3D) point cloud obtained for each method is registered with a modified iterative closest point algorithm to a postdeformation 3D point cloud obtained from the same region of interest. Results were compared with an MRI–MRI registration method as a control. Results are provided as RMS differences between the initial and final coordinates of corresponding points. The average RMS difference for the typical method is 3.53 mm, that for the Triclops SDK method is 2.32 mm, and that for the P‐Lands projection method is 2.06 mm. The MRI‐MRI registration had an average RMS difference of 1.12 mm. Using MRI‐MRI registration as the gold standard, the average error obtained for the typical method was 2.41 mm, that for the first method was 1.2 mm, and that for the second method was 0.94 mm. © 2013 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 23, 294–303, 2013     

激光点云中散乱电子元器件分割方法

目的 针对散乱电子元器件计数过程中电子元器件分割困难的问题,提出一种基于点云簇平均法线夹角、平均点云密度边缘提取和区域生长阈值自适应的散乱电子元器件分割方法。方法 通过体素化处理、RANSAC算法和统计离群滤波算法对原始点云数据进行预处理,去除大量无关点云;使用欧式聚类算法对预处理结果粗分割得到电子元器件点云簇,以点云簇为阈值设置单元,避免阈值设置不合理的情况;通常边缘点较非边缘点法线夹角更大、邻域点更少,提出通过点云簇平均法线夹角和平均点云密度自适应约束来去除点云簇中边缘点的方法;对去边缘点后的点云簇细分割,根据细分割后点云簇的平均法线夹角进行区域生长阈值的自适应选择,通过改进的区域生长算法将每个电子元器件从点云簇中分割出来。结果 实验结果证明,文中方法分割正确率达97%以上,每10个目标分割耗时约345 ms。结论 提出的方法具有良好的准确性和实用性,分割效果优于传统分割算法,能够准确地将每个电子元器件从复杂场景中分割出来。     

列车车轮三维结构光检测中的点云处理研究

列车轮对作为转向架的关键零部件,其检测手段仍以人工检测为主,现有的自动检测方案,大多针对车轮某一断面的参数尺寸进行测量,难以真实反映车轮轮缘踏面的损伤情况。为此,该文提出一种列车车轮三维结构光检测中的点云处理方案。首先,利用三维结构光测量仪器采集列车车轮的三维点云数据;其次,根据列车车轮三维点云的特点,确定包括离群点去除、点云配准、点云平滑处理以及孔洞修补在内的点云处理方案,并对各处理步骤的最优参数进行分析;最后,利用贪婪投影三角化算法,进行列车车轮三维点云数据的曲面重建,使用拉普拉斯平滑算法对重建后的曲面进行平滑处理。结果表明,该文所提出的列车车轮点云处理方案能够实现对三维点云数据的处理,最终得到的列车车轮的三维曲面模型与基准模型的标准偏差为1.768 mm,实现对于列车车轮的三维检测。