空间点集配准算法研究

研究不同坐标系下空间点集的配准算法.所提出的算法分为粗配准和精配准两个阶段.粗配准是利用主成分分析方法对每个点集计算其3个主轴.然后通过空间变换将两个点集的主轴一一对应,使得两个点集大致对齐.精配准利用改进后的最近点迭代方法对两个点集进行局部优化,最终达到初始方向相差较大的两组点集在同一坐标系下的精确配准.模型实验验证了该方法的有效性和精度.实验结果表明,算法通过粗配准有效地将两组点集的主轴对齐,同时,精配准对粗配准的结果进一步优化,使得初始方向相差较大的点集间实现精确配准,提高了配准的精度.     

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。     

基于混合配准策略的多模态医学图像配准方法研究

提出了一种由"粗"到"细"的混合配准策略,该配准策略吸取了以往配准方法的优点,且在细配阶段将基于特征的配准方法和基于灰度的配准方法结合在一起,提出了基于轮廓特征点集最大互信息的配准方法,从而在速度和精度上都得到了很大提高。     

基于佳点集人工鱼群的点云配准算法

针对点云配准迭代最近点(iterative closest point, ICP)算法对点云的初始位置姿态有较高的要求且易陷入局部最优的问题,文章提出一种基于佳点集人工鱼群的点云配准算法。首先采用佳点集方法对人工鱼群初始化,解决人工鱼群因初始种群分布不均而陷入局部最优的问题,并通过下采样与三维尺度不变特征变换(3D scale invariant feature transform, 3D SIFT)特征点提取简化点云;然后采用快速点特征直方图(fast point feature histogram, FPFH)特征描述解求点云间的对应点对并剔除错误对应点对,通过佳点集人工鱼群算法寻优刚性变换的6个参数完成粗配准;最后使用ICP算法完成精配准。实验选取斯坦福大学提供的Bunny、Dragon和Happy Buddha 3组测试数据集进行配准;结果表明,该文算法收敛速度快,能为ICP算法提供良好的初始位姿避免其陷入局部最优。     

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。     

基于粒子群优化算法的多模态医学图像刚性配准

提出了一种基于轮廓特征点及利用PSO(粒子群优化)求解多模态医学图像自动配准新方法．首先采用数学形态学中腐蚀和膨胀算法对图像进行预处理,用区域生长法提取图像的边缘;再用subtractive聚类算法提取出轮廓特征点,将两个特征点集的均方根极小值作为配准准则,然后用PSO算法求解空间变换参数．该算法适用于多模态医学图像配准,与其他算法相比,PSO算法具有操作方便、可靠性好、不易陷入局部极值等优点。     

基于形状特征的图像配准

针对图像配准,提出了一种高效的配准方法,结合小波变换与传统的配准方法,检测形状的轮廓,利用小波分解后的系数分层提取图像形状信息,并进行由粗到细的逐次配准,然后利用最小距离函数对两轮廓进行判别,减少了计算量,得到了高精确的配准结果,有效地提高了配准效率。     

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.      

图像自动配准初始参数确定

为了实现图像自动配准，需要确定初始变换参数，为此提出了图像特征线和图像特征圆的概念。以仿射变换作为图像配准变换模型，由Harris角点检测法确定图像特征点，由图像特征点求取图像特征线和图像特征圆，根据该特征线和特征圆洋细推导了图像自动配准初始参数的确定算法。根据以上算法实现了图像自动配准，证明了该算法的有效性。     

采用特征预处理ICP算法的机器人运动环境建图

针对机器人运动环境建图中迭代最近点(ICP)算法的扫描配准过程存在关联点对对应困难、迭代初值要求高的问题,首先,提出一种特征预处理的粗配准方法,以保证配准过程的迭代初值较小;然后,基于扫描点过滤思想对粗配准后存在较大误差的数据进行过滤,剔除测量噪声,提高点对关联准确率.结果表明:经过特征预处理的粗配准及噪声剔除后的改进ICP算法能够有效地进行扫描配准,解决机器人运动环境建图存在的问题.     

基于正态分布变换的多位姿手掌部三维静脉识别

研究基于三维点云匹配的多位姿手部静脉识别.考虑手部静脉点云的特点,结合双目视觉原理,建立了一种结合三维特征阵列和静脉点云的扩展数据库,提出了一种基于三维特征阵列的静脉点云粗配准算法.在双目静脉图像中提取稳定特征并重建为三维特征,根据三维特征匹配结果初步消除静脉点云位姿差异.并采用改进的正态分布变换算法完成静脉点云匹配.实验表明,本文算法能够有效提高多位姿下的静脉点云识别率,即使手部位姿变化范围较大时,系统的识别率仍超过90%.      

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题,以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构,获取数据点最近邻,并通过邻域点拟合出微切平面的方法,计算出点云数据的法向量。利用法向量夹角大小关系,选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索,从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法,对非特征点进行数据精简,最后,合并特征点云与非特征点云,实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理,结果表明：相比于其他两种方法,所提方法更好地保留了模型边界以及孔洞邻域特征数据点,其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。     

一种基于SURF的图像配准改进算法

为了更好地构造逼真的虚拟环境,提高虚拟场景中图像配准的效率,提出了一种改进的SURF算法。改进算法根据特征点的数量和其间疏密关系作为判定条件,可以在更短时间内得到数量适当且分布相对均匀的图像特征点,同时在特征点匹配阶段利用Hessian矩阵迹的正负性提高特征点匹配的速度。针对误匹配影响图像拼接准确性的问题,采用随机采样算法（RANSAC）提高匹配的精确度。实验结果表明该算法节省了特征点检测和匹配的时间,提高了匹配效率。     

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。     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.     

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类,利用自组织特征映射神经网络（SOFM）方法可以实现无监督的特征聚类。使用SOFM进行反向工程中点云的区域分割,选用数据点的坐标、法向量六维向量作为SOFM的输入,通过改进SOFM的学习算法,加入输入权和距离权,加速了分割的速度和正确性。利用SOFM方法实现点云分割具有以下优点：不必限定面的类型;用户可以控制分区的个数;可以处理噪声数据,实例运行结果验证了此方法的可行性。     

自适应法向量约束的工件分割方法

针对目前对工件点云分割中出现的过分割、欠分割等问题,提出一种结合欧式聚类和自适应法向量约束的工件分割方法.首先对采集到的点云进行体素滤波,使用随机采样一致性(random sample consensus,RNASAC)算法滤除背景并通过统计滤波器去除噪点,接着利用欧式聚类算法将目标点云划分成点云簇,最后针对点云簇中含...     

基于关键点的点对特征三维目标识别算法

针对复杂场景下的三维点云目标识别速度慢,准确率低的问题,提出了一种基于关键点的点对特征三维目标识别算法. 通过直接对关键点建立点对特征,避免了周围邻域局部曲面的特征计算,具有空间维度小和计算速度快的特点. 使用哈希表存储,加快了特征匹配的时间. 利用快速投票方案对模型点云和场景点云进行匹配识别,生成候选位姿,利用贪婪算法对候选位姿进行聚类与筛选,采用ICP算法对物体位姿进行优化,基于配准后的点云重叠情况完成目标识别. 对提出的算法在多个数据集以及真实场景下进行了实验,验证了所提出的识别方法具有可行性和有效性,且对噪声的鲁棒性较强,具有一定的实际工程应用价值.