基于3DSIFT和BSHOT特征的点云配准方法

针对点云配准过程中易产生错误匹配点、配准时间长、配准精度低等问题.提出了基于三维尺度不变特征变换(3 DSIFT)关键点检测方法,结合二进制方向直方图描述子(BSHOT)构建点云匹配对的配准方法.该方法首先利用差分高斯模型在三维尺度空间上检测SIFT关键点,其次在关键点的邻域构建局部坐标系来计算SHOT描述子,并将SH...     

三维点云配准中FPFH邻域半径自主选取算法

三维点云快速点特征直方图(FPFH)特征提取的邻域半径采用预设固定值,导致特征描述具有随意性、不全面性、低效性等问题,点云配准整个过程自动化程度低、耗时长.针对该问题,提出一种三维点云配准中FPFH邻域半径自主选取算法.首先,计算多对点云圆周密度并且保留最大圆周半径;其次,设置迭代次数,根据迭代次数和每对点云最大圆周半...     

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...     

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

基于快速点特征直方图的三维点云配准算法

三维点云配准算法是三维场景模型重建的重要研究部分。针对传统迭代最近点算法(ICP)对点云进行配准时容易陷入局部最优的问题,本文研究了基于局部特征点改进的ICP算法。文章分析了点特征直方图(PFH)和快速点特征直方图(FPFH)两种局部特征点,得出了FPFH具有比PFH更低的时间复杂度的结论,因此通过FPFH特征描述子对两片初始点云进行粗配准,使其具有较好的初始位姿,最后用经典的ICP算法进行精配准。实验结果表明,基于FPFH特征点改进后的ICP算法能提供较好的点云初始位姿,一定程度上避免了配准时陷入局部最优的问题,比传统ICP算法具有更好的配准效果。     

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。     

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。     

基于超体素与几何特征融合的点云配准优化

针对点云配准过程中点云数据冗余、易出现误匹配点对和配准精度低的问题,提出了一种融合超体素及几何特征的点云配准方法。首先使用超体素与法向量信息相结合的方法提取特征点;其次,在粗配准中,通过使用快速特征点直方图(Fast Point Feature Histograms,FPFH)进行特征描述,采用双向最近邻比获取初始特征点对应关系,基于法向量夹角策略和随机采样一致性(Random Sample Consensus,RANSAC)算法进行对应关系的优化,获取良好的初始位姿;最后,在精配准中,基于初始位姿与改进的迭代最近点算法(Iterative Closest Point,ICP)算法完成点云配准。通过在斯坦福数据集中进行配准实验,验证了所提算法具有更好的鲁棒性,能高效且精准的完成点云配准。     

基于并行粒子群优化的三维点云配准算法

针对基于群智能优化的点云配准算法计算时间长的问题,提出一种基于CUDA的并行粒子群配准算法.以点对点距离最短为适应度函数,利用粒子群算法各粒子天然的并行性,将运算过程分配到GPU的各个线程中计算变换参数.由于GPU多个线程运算同时执行互不干扰,极大地提高了粒子群的运算速度,从而可以实现点云的快速、精确配准.实验结果表明,该算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题.     

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。     

一种低重叠率的三维点云配准方法

针对重叠率低的两片点云配准难度大、精度低等问题,提出了一种将聚类区域分块和凸优化问题相结合的点云配准方法.首先,利用点云的曲率特征进行多尺度描述符的建立,确保点云数据完整并且使冗余数据最小;其次,利用多尺度描述符的角度差异进行对应关系聚类分块,获取源点云与目标点云的重叠区域;最后,将重叠区域的点云以及它们的对应关系代入...     

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。     

基于改进三维形状上下文的点云配准

针对目前常用配准算法不能满足生产制造行业中高精度工艺要求的问题,本文基于三维点云提出一种改进三维形状上下文（3DSC）点云配准的有效解决方案。首先,通过改进的降采样方式设定阈值采集轮廓点云,对采集的点云依次进行三维网格划分形成形状上下文。然后,进行改进的3DSC初始配准,进而采用迭代最近点（ICP）精确配准,实现了源点云与目标点云之间的旋转平移变换。为验证改进算法的有效性,采用FPFH-ICP、PFH-ICP、传统3DSC和本文改进算法进行配准实验对比。实验结果表明,对于bunny点云和flowerpot点云,本文改进算法精度分别可达2.253 55e-05 m和9.969 02e-06 m,明显优于其他算法的配准精度。与传统3DSC配准算法相比,改进的3DSC配准算法可节省75%～85%的配准时间。改进的3DSC点云配准方法有利于提高配准精度且能优化配准时间,提高了配准效率。     

基于卷积神经网络的点云配准方法北大核心CSCD

点云配准是三维点云信息处理中的重要问题。传统点云配准方法计算量大,不利于实时计算与移动计算。针对传统点云配准方法存在的问题,提出了一种利用卷积神经网络进行点云配准的方法。首先计算点云的深度图像,利用卷积神经网络提取深度图像对的特征差,将深度图像对的特征差作为全连接网络的输入并计算点云配准参数,迭代地执行上述操作直至配准误差小于可接受阈值。实验结果表明,相比传统的点云配准方法,基于卷积神经网络的点云配准方法具有所需计算量小、配准效率高、对噪声点和异常点不敏感的优点。     

基于激光点云的农田玉米种植株数数目识别

为了对玉米种植株数进行无损的自动化识别,利用FARO focus s70地面激光扫描仪、采用四站式扫描方法,采集不同视角下的玉米田块点云数据。设计了一种基于标靶球自动提取的配准算法,对各站获取的点云数据进行精确配准,取得了完整的玉米田块点云数据,并以标靶球拟合误差和标准偏差分析配准精度。对于配准好的3维点云数据,利用采样一致性算法基于圆柱体特征从完整的玉米田块点云中精确分离出茎秆点云,统计玉米种植株数。结果表明,标靶球拟合标准偏差在0.1mm～0.7mm之间,满足仪器测量精度要求;拟合误差总体在2mm～5mm之间,能满足大场景测量配准误差5mm的要求;对玉米种植株数的识别率达到86.1%～92.1%。这一结果对于农田环境下玉米种植株数识别的实际应用方面是有帮助的,为作物的估产提供了数据基础,为智慧农业研究提供了理论方法。     

基于KDTree改进的Super 4PCS+ICP算法在点云配准中的应用研究北大核心CSCD

在点云配准过程中,为了提高点云的配准精度,针对ICP算法对于初始位姿的局限性,对点云数据进行Super4PCS+ICP的“先粗后精”处理。首先利用KDTree树搜索对应点,用局部区域的特征度确定特征点集,再使用Super4PCS算法实现粗配准。针对精配准提出KDTree树来加快速度,SVD求解对应点参数、常数为1的加权平均、求解误差函数等手段来实现对ICP算法的改进,并求出刚体变换后的旋转平移矩阵,提高点云配准精度。实验表明,相较于传统ICP算法,本文方法的配准精度有了显著的提升。本文研究的方法可为点云配准的深入研究提供一定的参考。