基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

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。     

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.      

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。     

一种基于PVDAC描述子的RGB-D三维点云配准方法

利用RGB-D数据进行三维点云配准时容易陷入局部最优.针对这个难题,提出了一种基于多维特征的PVDAC描述子实现三维点云配准的方法.该方法首先通过ORB特征检测算法提取二维数据的关键点,并计算关键点在2D下的灰度特征,然后构建关键点在3D下的局部像素值距离、点云法线角度以及曲率特征,接着将2D特征和3D特征联合生成全新的PVDAC像素描述子,并利用PVDAC像素描述子描述关键点实现三维点云的粗配准,最后基于ICP算法完成三维点云的精细化配准.实验表明,本文算法在大场景点云配准时总体均方误差约为0.05 m2,在小场景单物体点云配准时达到了0.000 2 m2的较小误差,实现了三维点云的精确配准.     

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NDT与ICP的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据较大的时候,为此本文提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步：(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,本文算法也能够达到较快的配准速度与较高的配准精度。     

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。     

基于三点法和ICP算法的手术导航系统患者配准

为提升手术导航系统的患者配准精度和操作效率,提出一种将三点法与迭代最近点(iterative closest point,ICP)算法相结合的配准策略.首先,定义患者配准问题,并介绍术前和术中数据获取方法;然后,以光学定位标记球心为患者空间与图像空间的共同特征,并利用三点法完成初始配准;最后,以经初始映射后的患者点云中各点为球心,建立半径为r的球形区域,并仅保留位于该区域内的图像点云以实现抽样,再利用改进ICP算法对两片点云执行精确配准.实验结果表明,采用所提方法对猪股骨和猪髂骨执行配准的平均误差分别为(0.83±0.10)mm和(0.86±0.09)mm,其精度和稳定性均优于传统ICP算法,且具备高效、易操作的特点以及潜在的临床应用价值.     

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。     

基于正态分布变换与迭代最近点的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据量较大的时候,为此提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步:(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,算法也能够达到较快的配准速度与较高的配准精度。     

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。     

基于遗传算法的点云注册技术研究

提出了一种基于遗传算法的点云配准技术,将点云数据与3D模型进行配准,对模型建立KD树,进行最近邻搜索,获取点云到3D模型中最近的点,根据各点到模型的距离来作为适应度判断依据.仿真结果表明:该算法达到一定的配准精度,具有全局收敛、配准时间短、对初始位置要求不高的特点.     

基于混合注意力机制和相关性估计网络的点云配准算法

点云配准是对同一物体上采集到的点云数据进行精确匹配,然而传统方法计算成本高,配准精度差.基于神经网络的算法也存在噪声干扰,在类别未见的点云数据上应用时效果不佳.为解决这一问题,本文提出了一种基于混合注意力机制和相关性估计网络的点云配准算法.考虑到点云内部特征的复杂性和点云对变换的随机性,提出一种混合注意力机制来提取关键特征信息,利用残差的方式进行连接,可以得到更具鲁棒性的点云特征.通过相关性估计网络对点云特征进行非线性激励,可以提高表达能力,获取点云对之间更紧密的相关性.在人工合成数据集ModelNet40和真实数据集ICL-NUIM上的仿真实验结果表明,本文算法在大尺度仿射变换下,对掺杂噪声、类别未见点云数据的配准精度有显著的提升,证明了其有效性.     

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.     

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.     

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。