点云初始配准的优化求解算法

针对基于对应点匹配的点云配准算法过于依赖点云初始位置并且配准效率较低的问题,提出一种基于序列图像运动法重建的点云初始配准算法。首先,根据透视投影原理对相机在点云局部坐标系中的位置进行定位,获取将点云变换到对应相机坐标系的变换矩阵;然后,以图像特征点及其对应的匹配点作为同名点,通过重建序列图像对相机外参数进行全局优化;最后,根据推导的初始配准公式快速实现点云初始配准。实例验证结果表明,该初始配准算法对点云的初始位置无严格要求,能以较小的计算量获取近似全局最优的点云初始配准结果;将初始配准参数作为迭代最近点算法的初始值,可有效提高迭代最近点算法配准的稳健性,计算效率提高了30%以上。     

面向全自动三维扫描系统的多视角三维数据自动配准技术

针对利用高精度转台进行配准模型的顶部和底部与模型进行配准时效果不佳的问题, 提出一种面向全自动三维扫描系统的多视角三维数据自动配准方案. 对待扫描模型, 利用单轴高精度转台获取由不同角度扫描的点云数据, 先使用一种快速简单的方法求解转台中轴, 利用中轴将多片点云拼合得到模型主体; 再通过点云包围盒变换, 完成点云的初始配准, 并通过改进的ICP算法完成点云的精确配准. 实验结果表明, 该方法具有较好的操作性和较高的精度.     

基于曲率图的三维点云数据配准

以曲率图作为三维点云数据的特征描述函数,并运用曲率图实现了三维点云数据的配准.对于含有噪声的点云数据,先根据每个点的邻域特性估算其曲率值,然后根据每个点及其周围邻域点的曲率值构造该点的曲率图.通过在多比例空间下曲率图的特征保持分析,可提取到最能反映该点云数据特征的特征点集.对于两两配准,这些特征点集被用于三维点云数据的粗略配准算法中,该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配,由匹配的特征点对进行坐标变换求解,完成了两三维点云的粗略配准,然后运用迭代最近点算法进行精确配准.最后将整个配准算法应用于真实的三维点云数据,结果表明该算法能有效抑制点云采样密度及噪声的影响,能够快速实现点云数据的精确配准.     

核相关神经网络点云自动配准算法

点云配准是点云数据智能处理的重要问题,也是将点云应用于智慧城市、自动驾驶和智能三维重建等方面的关键。针对现有点云配准方法效率低、鲁棒性差的问题,提出了一种基于核相关神经网络的点云自动配准算法。首先构建点云核用于计算点云中每个点的核相关度,然后通过多层感知机对点云进行特征编码,基于编码特征向量估计点间对应关系并求解变换参数,最后以迭代方式来使待配准点云不断逼近目标点云,完成点云配准。使用斯坦福大学3D扫描模型库中的Bunny、Dragon、Happy、Elephant、Horse点云数据,对该算法以及迭代最近邻点算法（ICP）等多个算法进行对比实验。实验结果表明,所提算法能够对不同物体点云实现精确配准,精度和效率均优于所对比算法,且在点云数据存在噪声和密度不一致的情况下仍具有良好的稳定性和精度。     

基于粒子群优化算法的散乱点云数据配准

针对目前散乱点云数据配准算法在精度、速度和优化等方面存在的问题,提出一种基于粒子群优化算法的点云数据配准算法.该算法首先根据数据点之间曲率的相似度函数,采用粒子群优化算法在两组点云数据中搜索可以匹配的点对集合,然后用最近点迭代算法进行二次配准,实现了两组散乱点云数据的精确配准.对比实验表明,该算法配准速度快,效果好.     

基于分层粒子群优化的三维点云配准

为了提高三维点云配准的性能,采用基于分层粒子群优化的迭代最近点算法来完成点云配准;首先将源点云作为粒子群粒子,将粒子分成多个子群,然后以点云的曲率为适应度值,分别求解子群适应度值和全局粒子适应度值,并将子群适应度值、全局粒子适应度值和粒子当前速度三者结合,共同搜寻最优粒子,以得到能够精确表达点云结构的特征点,最后采用迭代最近点算法对特征点进行配准。仿真结果表明,通过合理设置粒子速度权重和子群规模,相对于标准迭代最近点算法,分层粒子群优化算法的三维点云配准效率提升显著,配准均方误差略有减小。     

基于自由曲面的点云配准算法

为了提高自由曲面工件的配准效率,提出了一种基于共面4点集的RANSAC初始配准算法和改进的迭代最近点(ICP)精确配准算法相结合的2步配准方法.首先,在基于RANSAC算法的机制上,通过点间距离和比例关系寻找2片点云的共面4点集,利用共面4点集这一不变量来约束RANSAC算法提取的样本,使点云经过初始配准后得到一个较好的初始位置;然后在基于原始ICP算法的基础上作出相应的改进,对点云初配结果进行优化,使得点云之间的配准误差达到最小,以实现点云的精确配准;最后,对2组简单工件的CAD曲面点云模型进行配准仿真.结果表明:该算法相对于传统ICP算法运行时间减少48%,精度提高56%,能够满足配准要求.     

无序多视角点云的自主配准方法

为了提高自主多视角点云配准方法的效率和精度,提出一种基于特征匹配的无序多视角点云全局配准方法,通过计算和匹配点云的特征描述子快速实现双视角点云配准;设计了有效的判定准则用于判别双视角配准的结果是否可靠;利用所提出的模型扩展方法对可靠的双视角配准结果进行点云模型的扩展。通过交替地执行双视角配准、配准结果判别和模型扩展,该方法可实现无序多视角点云的全局配准。在斯坦福图形学实验室公开数据集上的实验结果表明,与效果较优的同类方法相比,该方法可使得配准效率平均提高近5倍,且配准误差显著下降,同时可提高多视角点云配准的性能。     

基于点到面度量的多视角点云配准方法

针对现有的大多数基于点到点度量的多视角点云配准方法在配准过程中,由于物体表面离散化而无法获得点到点的精确重叠,从而导致的收敛速度慢、配准精度低的问题,提出一种基于点到面度量的多视角点云配准方法。为获得多视角点云匹配结果,采用逐步求精的策略将多视角配准问题分解成多个点到面双视角配准子问题进行求解。在双视角配准过程中：使用数据点与对应点处切平面的距离误差代替点对距离误差,给出新的目标函数;提出高效法向量转换策略,以减少多视角配准的每次迭代中平面法向量的求解次数。在目标函数的求解过程中,用线性最小二乘法逼近非线性优化问题,从而实现点到平面误差的最小化。将所提方法在斯坦福数据集上进行了测试,实验结果表明：与当下较为流行的多视角配准方法相比,所提方法在不同数据集上的旋转误差均降低了38.9%以上,平移误差均降低了16.6%以上,能够快速实现精确、可靠的多视角点云配准。     

三维后期重建中基于果蝇优化的点云数据配准研究

为了提高三维后期重建中的点云数据配准成功率，采用果蝇优化算法进行点云的最优变换矩阵和平移向量求解。首先，提取源点云特征，并结合模板点云特征构建点云配准目标函数。接着，建立果蝇优化算法点云配准模型，以点云配准目标函数作为果蝇优化算法适应度函数，并通过对最优浓度个体的搜索，完成最优变换矩阵和平移向量的求解。为了提高果蝇优化算法搜索精度，采用自适应气味浓度变换率参数，以增强果蝇优化算法对大规模点云的配准适应度。仿真结果表明，即使对源点云引入不同强度的噪声信号和不同规模的离群率干扰，果蝇优化算法的仍能够表现出较高的点云配准成功率和稳定性。相比常用点云配准算法，所提算法的旋转均方根误差和平移均方根误差更小，且配准的成功率更高。     

基于特征点匹配的点云配准方法研究

针对快速点特征直方图(fast point feature histogram, FPFH)与迭代最近点(iterative closest point, ICP)算法结合的配准方法达不到精度要求的问题,文章在FPFH的基础上加入特征点的提取与匹配,使得配准精度进一步提升。该方法先通过尺度不变特征变换(scale-invariant feature transform, SIFT)算法和3DHarris算法对点云数据的特征点进行提取,再通过计算FPFH寻找对应点对,使用随机采样一致性(random sample consensus, RANSAC)算法剔除错误点对,通过奇异值分解(singular value decomposition, SVD)算法计算初始旋转矩阵和平移矩阵,最后用传统ICP精配准。结果表明,基于特征点匹配的算法相比基于特征描述的算法精度更高。     

面向RGB-D数据的4D-ICP点云配准方法

针对三维彩色物体的配准问题,提出一种面向RGB-D数据的点云配准方法.首先利用主方向贴合方法将待配准的两片点云快速拉近,使它们近似对齐;在点云精确配准阶段,将RGB颜色值转换成单通道的灰度值,并将灰度值范围映射到几何数据的范围,由映射后的灰度值和点云的几何信息构成四维向量;然后由点的局部邻域几何信息和颜色信息构造混合特征描述子,根据混合特征描述子获得源点云的特征点,在四维向量空间,利用k近邻算法在目标点云中搜索对应点,以提高搜索效率;最后,定义了一种基于4D欧氏距离的ICP算法,通过4D-ICP迭代算法实现点云的精确配准.实验结果表明,面向RGB-D数据的4D-ICP配准方法,能够快速有效地实现RGB-D点云模型的配准,并在配准精度和保持颜色纹理方面效果突出.     

三维扫描系统中的数据配准技术

通过引入特征点和改进最近点迭代法,提出了一种在三维扫描系统中对三维点云数据进行配准的方法。该方法通过对特征点的提取,首先得到一组匹配点对,然后运用SVD矩阵分解算法求出转换参数R和T,进而以此作为最近点迭代法的初始值,并对最近点的求法和迭代截止条件作了改进,得到了很好的配准效果。该文论述了该方法的基本原理,并通过不同视觉下物体三维测量点云数据配准的应用实例证明了该方法的有效性。     

基于点云的SUSAN特征点检测算法在三维重建中的应用

针对三维重建中点云特征点检测问题,提出了一种基于点云的最小核值相似区(SUSAN)特征点检测算法,并将其应用于三维重建的初始配准.首先,对待测点云进行遍历,利用kd-tree数据结构获取三维r-邻域核值相似区,计算得到点云的候选特征点;其次,使用快速点特征直方图对候选点进行特征描述并实现两幅点云特征点间的匹配;最后,利用奇异值矩阵分解法计算变换矩阵,完成两幅点云的初始配准.实验结果表明该特征点检测算法计算效率较高,产生的特征点匹配准确,可为精确配准提供较好的初始位置.     

基于ISS特征点的快速CPD建筑物点云配准算法

针对大规模建筑物点云数据采用CPD（coherent point drift）算法进行配准时,计算复杂度增大的问题,提出了一种基于建筑物点云特征点简化数据的快速配准ISS-CPD算法。该配准算法采用ISS(intrinsic shape signature)算法求得建筑物点云的特征点,可减少建筑物点云的数据量规模,再对所提取的不同视角下建筑物点云的特征点用CPD算法进行配准。实验结果表明,改进的配准算法提高了建筑物点云的配准效率。     

基于四元约束的多视角建筑物Lidar点云配准方法

基于建筑物Lidar点云的特点,提出一种基于四元约束的多视角点云配准算法。建筑物Lidar点云的实验结果表明,在复杂和大场景建筑物Lidar点云的多视角配准中,该算法可以得到较好的配准精度。     

流形和非流形方法对配准算法的影响分析

针对最近点迭代算法(Iterative closest point,ICP)求解步骤繁琐导致的迭代速率下降问题,提出了一种利用李群流形空间扰动的变换率求解雅可比矩阵的方法.该方法首先在点云配准前对点云数据进行随机降采样,其次使用K-D树搜索的方法进行2帧点云的搜索匹配,然后利用非流形的方法对ICP进行迭代求解,最后得到...     

三维点云配准算法的研究

本文针对现有配准算法精度较低且适用范围有限的问题,提出了基于几何特征和RANSAC思想的粗配准算法以及基于点的邻域几何特征的迭代配准算法。该配准算法依据点的邻域曲率值提取两个点云的关键点集。配准过程中采用RANSAC算法的思想,每次采样中,利用FPFH特征来搜索对应点,并结合刚体变换不变量进一步约束,提高对应关系的准确性。经多次采样后,利用两点云一致性程度来选择最优的变换作为最终的变换关系。精配准过程依据最近点搜索法和点的几何特征初步确定候选点对,并结合本文提出的5维描述子和刚体变换不变量剔除错误的点对,提高对应关系的准确性,加快算法的收敛速度。     

基于关键点特征匹配的点云配准方法

针对ICP配准算法对点云的初始位置要求高、处理低重叠率的点云配准能力低的问题,提出了一种基于关键点特征匹配的点云配准方法. 设计一种多尺度加权法向投影均值差的关键点提取算法,结合SHOT描述子对关键点进行特征描述,融合几何一致性以及RANSAC算法去除匹配过程中的误匹配点对,优化关键点之间的对应关系,通过奇异值分解计算刚体变换矩阵,完成点云粗配准,使用ICP进行精确配准. 实验表明,本文提出的关键点提取算法能有效提取点云表面特征变化明显的点,使用SHOT特征对关键点进行描述,能够快速、精确地完成点云数据配准,并且对于较低重叠率的点云,也具有较好的配准效果.      

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题，提出了一种基于快速点特征直方图（fast point feature histograms, FPFH）初始匹配与改进迭代最近点（iterative closestpoint,ICP）精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理；采用FPFH提取点云特征，基于采样一致性（sample consensus initial alignment, SAC-IA）进行初始配准，为精确配准提供良好的位姿信息；建立K-D树并在传统ICP配准算法的基础上添加法向量阈值，对车载激光雷达点云数据进行精确配准；在4种不同场景的实验中，改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%，比点特征直方图（point feature histograms, PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%，表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。