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.      

基于相对坐标ICP的室内场景三维重建算法

针对不同视角下多帧点云数据的坐标中心不统一的问题,提出了一种基于相对坐标ICP(iterative closest point)的室内场景三维重建算法.该方法首先基于Kinect传感器获取场景的彩色图像和深度图像,并利用SIFT(scale-invariant feature transform)特征匹配点对计算相邻帧的坐标变换矩阵;然后由ICP算法建立以初始点云数据为中心的相对坐标关系进行帧间匹配;最终基于上下层配准点云数据,将配准后的点云数据与对应的颜色纹理信息融合,得到可视化的室内场景三维重建模型.实验结果表明,本文方法对于室内场景三维重建有较好的效果,具有一定的理论和实际应用价值.     

基于SURF-RANSAC配准的三维重建

为了提高三维重建中双目特征匹配的匹配效率和重建质量,在基于传统的加速鲁棒特征(SURF)匹配算法基础上,提出了一种基于SURF-RANSAC配准的三维重建算法。利用左右两幅图像来进行三维重建,首先通过Hessian矩阵来获取目标图像的初始特征点,并用邻近快速搜索算法完成初步的特征点匹配,然后融合随机抽样一致性算法(RANSAC)来优化匹配,最后利用三维坐标和纹理映射来完成三维重建。在Open CV上对该算法进行验证。结果表明,本文算法比传统的三维重建算法具有更高的精确度和更快的速度。     

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.     

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.     

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Harris-Affine和SIFT特征匹配的图像自动配准

针对大失配多传感器图像,提出了一种基于SIFT(scale invariant keypoints)和Harris-Affine(H-A)互补不变特征匹配的自动配准算法.算法应用SIFT和H-A两种具有互补特性的局部不变特征,根据最近邻特征点距离与次近邻特征点距离之比确定初始匹配点对,然后利用马氏距离的仿射不变性删除误匹配特征点对,据此求取2幅源图像间的仿射变换参数.使用估计的变换矩阵把待配准图像上的所有点映射到参考图像,并对其进行重采样,实现图像的配准.实验结果表明:该算法能够快速高精度实现大失配图像的自动配准.     

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。     

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.     

基于一致性随机采样的图像特征匹配鲁棒确认

误匹配点的存在影响了计算图像问变换关系的准确性,从而导致较差的图像匹配效果.通过随机采样一致性算法,提出了一种剔除错误匹配,精确确认图像匹配特征,从而计算图像间几何变换矩阵的鲁棒方法.该方法首先基于特征向量相似性准则,得到初始匹配点对,再利用特征点周围的灰度信息进行权值计算,在用随机采样一致性算法拟合几何变换矩阵的迭代过程中,得到使目标函数最小的匹配关系以筛选由噪声等引起的误匹配点对,从而精确计算图像间的几何变换关系矩阵,实现图像的精确配准.实验结果表明,该算法具有良好的噪声鲁棒性,得到了理想的图像配准效果.     

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.     

三维人体的点云获取与点云重建

针对三维人体重建中人体曲面复杂,点云庞大的问题,提出一种基于三维Voronoi图,并利用Delaunay三角剖分性质的Crust算法进行人体三维重建.采用三角测量原理计算三维坐标,散乱的点云构成Voronoi图,Delaunay三角剖分Voronoi图得到原始模型.利用Xjtuom三维面扫描仪测量人体点云,进而采集到了49幅不同角度和高度的图片,并用自带软件完成了配准.通过Matlab平台完成点云读取,点云精简和基于Crust算法的三维重建.实验表明,该算法可以保证曲面重建的拓扑正确性和收敛性.该三维重建系统能够实现人体庞大点云的三角剖分与人体复杂自由曲面的重建,并得到了360°无缝隙的人体重建模型.     

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。     

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.     

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.     

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.      

基于特征点提取的轴承瑕疵工业在线检测

基于ORB(oriented FAST and rotated BRIEF)图像特征点的配准方法实现差异性的比较,提取模板图像和待检测图像特征点,对特征点描述的集合进行匹配,通过RANSAC算法消除错误的匹配点,根据匹配对计算最优旋转角度,计算变换矩阵,通过仿射变换实现模板图像与检测图像的配准。在轴承图像上经过不同特征点提取算法,分析运行时间和图像配准的情况。结果表明,基于ORB提取特征点进行轴承瑕疵检测的方法,检测精度达96%,运行效率为67 ms。     

基于改进型随机抽样一致法的图像配准算法

为了提高相似变换图像配准的速度和精度,提出了1种基于改进型随机抽样一致法的图像配准算法.在利用Harris角点检测提取待配准图像的特征点以及利用归一化互相关粗匹配后,采用改进的随机抽样一致法进行快速精准的变换模型估计.算法采用图像相似变换的简化配准模型,利用相似特征3角形进行快速模型预检验,并使用最大欧氏距离法提高计算数据的可靠性.实验结果表明,该算法在具有较高计算精度和鲁棒性的情况下,大幅减少了运算量,提高了变换模型的计算速度.