基于对比度Harris的快速鲁棒图像配准算法

为进一步提高配准算法的鲁棒性、速度及自适应程度,提出了一种基于对比度Harris的快速鲁棒图像配准算法.依据中心像素与其邻域像素灰度值差异计算分块图像对比度,自适应地确定其角点检测的阈值,并通过灰度相似性剔除伪角点;在构建的尺度空间中检测角点,解决了Harris算法需凭经验手动设定阈值,所提取的角点分布不均匀,对尺度敏感且含有伪角点的问题;采用斜率和距离约束剔除粗匹配后的部分误配准点对,再通过随机抽样一致性（random sample consensus,RANSAC）进行精配准.实验结果表明,与4种同类配准算法相比,所提出的配准算法对于JPEG压缩、模糊、视角、光照及尺度变化图像都具有更好的鲁棒性,配准正确率更高,自适应性更强,且配准时间大幅减少.      

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.      

融合颜色与几何信息的点云配准

目前,大部分点云配准算法是基于点云数据的几何特征进行描述.随着能够同时采集对象坐标和颜色的扫描设备出现,为更好利用颜色信息,对彩色点云中的颜色信息描述进行研究,提出一种基于颜色分布的3DLGOP特征描述子,并将其与几何特征描述子FPFH、颜色特征描述子CSHOT融合,设计出FPFH-3DLGOP的混合描述符,采用最近邻比值法得到初始对应关系,采用随机采样一致性去除错误对应关系,对匹配关系使用奇异值分解（SVD）求得三维刚体变换矩阵,进而完成点云配准.实验表明,所提出的特征描述符充分地利用了点云数据的颜色特征与几何特征,不仅可以很好地完成彩色点云的配准,而且还提高了配准的匹配率和精度.     

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。     

改进的MOPs图像匹配算法

针对MOPs算法在处理图像旋转方面的不足,提出了一种新的旋转不变的特征描述子,用以匹配存在缩放、旋转、平移的图像.用Harris角点检测算法,检测金字塔模型的每层图像,在特征点处提取旋转不变特征描述子,用特征描述子之间的匹配来寻找两图像间的匹配点,最后用RANSAC方法剔除误配点,实验结果表明比MOPs算法具有明显的优越性.     

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.     

阵列工业图像快速拼接算法

相机阵列获取的多目图像拼接常依赖特征点的数量和空间分布情况,采用传统Harris角点检测算法提取特征点时,会产生伪角点和角点簇,影响拼接速度和精度。自定义Harris角点检测阈值,保留明显特征点,利用自适应非极大值抑制(ANMS)优化角点簇问题;再生成特征描述子,实现特征点的初步匹配,接着用随机抽样一致算法(RANSAC)去除误匹配;最后采用渐入渐出融合算法,实现了拼接图像的平滑过渡。结果表明,该算法能够快速、精确地实现工业图像拼接,具有优良的工业实用性。     

基于几何特征的点云配准算法

为了有效地解决不存在明确对应关系的点云配准问题,提出了一种基于点云几何特征的配准算法.首先以点云的曲率为联系特征,搜索配准点云的匹配对集合;然后利用邻域特征对各匹配对进行相似性度量,提取有效配准对,并引入刚体变换中向量几何性质剔除其错配对,生成点云初变换;最后采用ICP算法对点云初配结果进行优化,实现点云精确配准.仿真实验结果表明:该算法具有较高的配准精度,且配准时间较短,是一种可行的点云配准算法.     

基于加权运动平均的多视角点云鲁棒配准方法

本文提出一种基于加权运动平均的多视角点云配准方法,有效提高了多视角点云配准的效率和精度.首先,通过双视角点云配准算法得到点集的相对运动集;提出一种分层渐进式点云配准初值确定方法,该方法计算运动关系图中三视匹配元一致性度量,逐步挑选最为可靠的匹配元进行顶点初值化与顶点扩展,有效避免了因所选初值与真值偏差较大导致加权运动平均效果不佳的问题;依据上述方法确定配准初值,并根据该初值判断双视角匹配结果的可靠性,以剔除相对运动集内包含的外点,最后将剔除外点后的原始相对运动集的内点子集作为加权运动平均算法输入的相对运动集.以斯坦福公开数据集为对象开展了对比实验,基于双视角配准算法分别获得了4个测试点集在30%、25%和20%双视角点云重叠率阈值下的双视角配准结果,共形成12组相对运动集.其中,相对运动集误差随重叠率阈值的下降逐渐增加.所提方法在12组运动集上均获得了最佳的配准结果,证明了本文所提出方法在提高加权运动平均方法计算精度与效率方面的有效性.此外,当运动集包含大量外点时,采用本文所提方法仍能获得较为准确的配准结果,证明了本文所提方法的强鲁棒性.     

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。     

一种用于制作CBERS-02C卫星融合影像的配准方法

提出了一种用于制作资源一号02C卫星(CBERS-02C)融合影像的配准方法.首先对多光谱及全色影像进行几何精纠正,并采用SIFT算法对两种纠正影像的缩略图进行粗匹配;然后通过提取Harris特征点,并根据粗匹配的结果预测对应同名点的位置,使用基于灰度相关的匹配方法进行精匹配;待剔除匹配点粗差后,再采用基于三角网的面元纠正实现影像的精确配准.多组数据的试验验证了所提方法的可行性.该方法已成功应用于CBERS-02C卫星数据的自动化处理系统.     

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.     

面向缺失点云配准的镜像迭代最近点算法

面向点云配准任务,以改善重叠度较低的点云对之间的配准效果为研究目的,提出了一种有效的缺失点云配准算法——镜像迭代最近点算法。该算法以建立源点云和目标点云之间的镜像型对应关联性为核心,具体过程为：首先建立源点云到目标点云的前向对应关系,以捕获位于重叠区域的特征点;然后建立重叠区域的后向对应关系,以获取可靠匹配对集合;最后根据可靠匹配对估计最优刚体变换矩阵。此外,通过KD树构建和特征扩展两方面进行优化,以提升算法效率。所提算法仅依赖重叠区域匹配对集合,具有良好的鲁棒性和抗干扰能力。在斯坦福数据集上的实验结果表明：对于较低重叠度的数据集,所提算法在精度和效率上均优于以往的多数算法;对于较高重叠度的数据集,所提算法使精度平均提升28.8%,使效率平均提升47.9%。实验证明所提算法能快速且可靠地配准缺失点云。     

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。     

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。     

点云数据的自动配准算法研究

针对传统ICP(Iterative Closest Points)配准算法计算量大、收敛速度慢且要求待配准的两片点云数据重合程度较高的问题提出了一种改进方法:首先基于均匀采样法精简点云数据;其次采用Kd-Tree算法查找最近点并基于距离阈值剔除错误匹配点;接着优化目标误差函数,计算点到切平面的距离;最后采用多角度的全局配准方法将两片重合程度最小的点云较好地配准在一起.通过对比实验,验证了本文的改进型ICP算法在运行时间和配准精度上都对传统的ICP算法做出了较大改进,取得了较好的配准效果.     

基于深度学习图像描述子的三维彩色点云配准

不断发展的激光扫描技术使得获取三维空间中的彩色点云信息更加方便.但是,如何将多个采集点生成的彩色点云数据统一在同一个坐标系下,构建一个完整的数据模型仍是一个挑战.因此,提出了一种基于深度学习的图像描述子,将其应用于三维彩色点云配准中,能够以较高精度获取点云配准的初始位姿.首先,根据点云和图像之间的一一对应关系,将三维彩色点云投影为图像;其次,使用卷积神经网络提取关键点邻域的局部特征,结合方向梯度直方图,形成组合描述子;再次,根据计算出的组合描述子计算点云的匹配点对,得出点云间的转换关系,实现点云粗配准.以实际的三维彩色点云数据与多种配准算法进行对比,验证了所提方法的有效性.     

基于特征点校正的几何鲁棒性水印算法

提出了一种基于SIFT特征点几何校正的抗几何攻击水印算法.该算法首先利用SIFT从原始图像中提取特征点集,并将其作为密钥保存;水印在检测前,再用SIFT从含水印图像中提取特征点集,根据特征点匹配算法(欧式距离)实现两个特征点集的匹配;然后利用匹配点对的几何特性校正几何攻击,恢复含水印图像的同步性.一个可标志的二值图像水印通过量化的方式自适应地嵌入到Coutourlet变换域的低频子带中;水印提取时不用原始图像,水印存在与否不仅可以通过阈值检测,也可以通过视觉直接判定.实验结果可验证,算法对常见的图像处理攻击、几何攻击和多种组合攻击均具有较强的抵抗能力.     

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.     

一种基于几何特征由粗到细点云配准算法

针对点云配准算法对初始位置敏感且收敛速度慢的问题,提出一种基于几何特征由粗到细点云配准算法。在粗配准阶段,通过投影法提取源点云和目标点云各4个轮廓点,然后利用曲率特征和轮廓点之间的距离寻找稳健的特征点对,计算得到初始刚性变换参数;细配准阶段,计算点云法向量及法向量夹角,以法向量为特征进行特征匹配,然后使用法向量夹角来启发搜索,使迭代最近点(iterative closest points, ICP)算法快速收敛。实验结果表明,所提出的由粗到细的配准算法鲁棒性强,具有较高的精度和速度。