基于混合特征的RGB-D数据初始配准方法

针对彩色物体的配准问题,提出一种面向RGB-D数据的初始配准方法.通过几何和颜色的邻域信息构建混合特征,并根据混合特征在源点云中获取物体的特征点;由归一化后的颜色值和混合特征构造特征描述符,通过该特征描述符搜索对应点;再由分块对齐策略,进一步剔除相似性较小的点对,将剩余特征点进行分块配准,选择最优的刚性变换.为了验证该初始配准方法的有效性,通过精确配准算法进一步细化配准结果.实验结果表明,基于混合特征的RGB-D数据初始配准方法对于两片部分重叠点云配准是有效的.     

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.     

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.     

自适应Harris角点提取的点云粗配准算法

针对传统3D-Harris角点提取算法中,Harris算子使用降维后的缺失几何信息、角点提取时响应值计算量大且耗时长、特征点对匹配精度不高以及需要手动设定角点响应阈值等问题,提出了一种完整而高效的Harris角点自适应特征描述、提取和匹配的点云粗配准算法。引入正交梯度算子对传统Harris算子和自相关函数进行改进;利用点云曲率约束实现角点的自适应筛选与提取,减少角点响应值的计算量;构建角点几何结构的特征描述子,结合阈值检测和描述子匹配,将角点匹配对集合进行扩展,从而完成源点云和目标点云之间粗配准;将所提算法得到的配准结果作为精配准初始值,利用迭代最近点算法实现精配准。与对比算法在公开数据集上进行实验比较,结果表明：所提算法的特征正确提取率为0.93,正确率最高;提取时间为7.63 s,效率最快;所提算法结合精配准步骤在实验数据集上的旋转误差、平移误差和运行时间均为最低,配准效果最佳。     

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.      

自适应平衡因子的混合特征提取算法

特征提取是3D点云配准中的重要步骤。针对RGBD点云数据独有的颜色信息,提出一种自适应平衡因子的混合特征提取算法。首先,引入几何特征度、颜色特征度和混合特征度的概念,混合特征度由几何特征度、颜色特征度和平衡因子决定。然后提出一种自适应的平衡因子估计方法,针对不同模型的几何特性和颜色特性自适应估算平衡因子,计算混合特征度,并根据混合特征度选择特征点集,最后采用改进的6DICP算法进行配准。实验结果显示,该算法提高了RGBD点云数据的配准精度、减少了算法耗时。     

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.     

基于改进ICP算法的三维点云刚体配准方法

针对含有噪声和外点的三维点云刚体配准问题,由于迭代最近点(iterative closest point, ICP)算法的配准精度较低,为此,该文提出了一种基于改进ICP算法的三维点云刚体配准方法。考虑到伪Huber损失函数对噪声和外点不敏感、鲁棒性强,首先,建立了基于伪Huber损失函数的三维点云刚体配准模型。其次,利用RGB-D点云数据中颜色信息辅助建立点云对应关系,以提高改进ICP算法中对应点匹配的准确性。最后,结合奇异值分解(singular value decomposition, SVD)和Levenberg-Marquardt(LM)的优化算法对三维点云刚体配准模型进行优化求解。实验结果表明,该文所提三维点云刚体配准方法的配准精度高,能够有效抑制噪声和外点对配准精度的影响。     

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。     

面向单视频超分辨率重建的改进的SIFT配准算法

针对单视频超分辨率重建传统的基于SIFT特征点检测的配准,在特征匹配上占用时间很大,难于满足实时性的要求,而用于计算128维特征描述子的时间最长这一缺点,提出了一种改进的SIFT配准算法,该算法的原理为通过放弃对128维特征描述子的计算,采用特征点之间的灰度相关系数来进行初始匹配,以期大大减少计算时间,提高特征匹配速度。实验结果证明,该算法在配准结果、时间消耗上明显优于传统配置算法。     

改进SIFT算法在特征匹配中的应用

对尺度特征不变SIFT算法进行了研究。针对原算法中128维特征描述子在匹配过程中效率低的情况,提出64维特征描述子。该描述子增加了特征点邻域的统计范围,增强了特征点的特征信息,降低了特征描述子的维数;特征点匹配阶段,采用欧氏距离作为度量,采用基于BBF的Kd-树对特征点进行匹配,提高了匹配速率。实验表明,匹配速率提高了5%到15%,配准精度与原算法相近。     

基于仿射几何不变量的鲁棒图像配准算法

提出了一种新的基于特征的鲁棒图像配准算法.该算法通过构造特征区域将仿射几何不变量应用到特征描述过程中,使其能够处理待配准图像之间满足仿射几何畸变的情况.由于在特征描述过程中,特征矢量计算量小且仅与控制点的坐标信息有关而独立于图像的灰度信息,故该算法不仅具有很好的时效性,而且对图像之间灰度值的偏差具有很好的鲁棒性.     

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.     

复杂零件点云的高精度鲁棒配准方法

点云配准是三维测量中的关键一步,但由于零件点云表面相似特征多,误匹配概率大,导致配准结果难以保证。为此,提出了一种具有高鲁棒性、高精度的点云配准方法。首先,使用FPFH特征描述子来计算点云特征向量,产生初始匹配点对集。然后,依据具有旋转平移不变性的精确几何结构特征对初始匹配点对集进行筛选,剔除误匹配点对。最后,利用列文伯格-马夸尔特(L-M)算法计算点云之间的变换矩阵。实验结果表明,与其他方法相比,其配准精度评价指标RMSE降低80%以上,结合精配准方法可进一步将RMSE值降低86%,从结果可看出本文方法配准精度高且具有较高的鲁棒性。     

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。     

基于改进SIFT的视频超分辨率重建快速配准算法研究

通过改进硬件的方式来提高成像质量,在技术上实现困难且成本高昂,因此采用数字图像处理的方法来提高图像的分辨率.提出了一种改进的视频超分辨率重建的快速SIFT图像配准算法,该算法放弃对128维特征描述子的计算,而采用特征点之间的灰度相关系数来进行初始匹配,并用平面坐标欧氏距离配合匹配关联度算法来取代特征描述子进行误匹配的剔除,大大降低了计算开销.实验证明,改进算法取得了良好的配准效果,在保证配准质量的前提下,其时间开销只有基于传统SIFT特征点检测方法的1/3.     

基于几何代数的彩色图像相似度量与边缘提取

面向彩色图像边缘提取问题,引入具有多维统一表达特征的几何代数理论,利用几何基编码实现了对彩色图像颜色空间和特征空间的集成表达与相互映射;利用几何代数空间中颜色空间和特征空间的整合表达,构建了图像的特征描述和相应的运算算子;根据饱和度相对光源亮度值的不变特性,基于饱和度算子实现了彩色图像的颜色特征描述;设计了基于反射算子和几何积的颜色向量相似性度量算子;利用Clifford卷积实现了融合亮度信息与饱和度信息的彩色图像边缘提取.本文提出的彩色图像边缘提取算法可兼容标量模板和向量模板,并可支撑基于阈值的边缘提取特征约束.案例研究表明,论文的边缘提取方法在提取边缘结果的结构保持性和信息完整性上都具有较为明显的优势.     

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.