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.     

形貌约束的多视角点云分阶配准方法

为提高大数据量多视角点云的配准效率,提出一种基于多分辨率模型的多视角点云分阶配准方法。首先根据平坦形貌约束条件对点云进行递归分割,提取所得割集的核心点作为特征点构造多分辨率模型,然后采用迭代最近点算法基于该模型上层数据求解多视角点云的初始变换矩阵,将其作用于模型后逐级求解下层数据的变换矩阵,最终将复合变换矩阵同步作用于原多视角点云,实现原多视角点云的精确配准。实验结果表明,该分阶配准方法可有效缓解点云单一简化结果导致的配准精度与效率之间的矛盾,在显著降低点云规模的前提下实现原始点云精确配准;当点云规模达106级别时,与加权尺度迭代最近点(WSICP)算法相比,该方法的计算效率提高约2.5倍。     

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.      

基于高重叠度视角的锁销点云模型的快速建立

基于高重叠度视角,提出了一种在集装箱码头针对锁销模型快速建立的三维点云拼接方法.实验使用Azure Kinect深度相机采集场景点云,并对点云进行预处理,得到目标点云.对于视角略微不同的锁销,在采用采样一致性初始配准算法(sample consensus initial algorithm, SAC-IA)的基础上,利用经典的迭代最近点(iterative closest point, ICP)算法进行配准,确定2片点云的重叠位置关系.在总体拼接过程中,用锁销在相机z方向投影的包围盒面积的相对大小,来估计锁销的大体形状;然后通过对比相邻视角该面积的差值,选取数量合适的、重叠度较大的点云视角,保证配准的正确率并减少耗时.实验结果表明,该方法对锁销的配准误差较低,可以较快速地建立适用于类型匹配的工件模型.     

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。     

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.     

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。     

基于R滤波器的超分辨图像配准算法

图像配准是超分辨率图像重建的关键.提出了一种基于R滤波器的超分辨率图像重建的三步算法.第一步:对原图进行加窗模糊;第二步:根据全局运动模型配准,计算平移参数和旋转角度,对图像进行平移和旋转;第三步:把序列低分辨率图像配准到同一个坐标系中,重构高分辨率图像.实验表明,三步算法的配准精度和超分辨率图像重建效果较好.