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.     

基于点到面度量的多视角点云配准方法

针对现有的大多数基于点到点度量的多视角点云配准方法在配准过程中,由于物体表面离散化而无法获得点到点的精确重叠,从而导致的收敛速度慢、配准精度低的问题,提出一种基于点到面度量的多视角点云配准方法。为获得多视角点云匹配结果,采用逐步求精的策略将多视角配准问题分解成多个点到面双视角配准子问题进行求解。在双视角配准过程中：使用数据点与对应点处切平面的距离误差代替点对距离误差,给出新的目标函数;提出高效法向量转换策略,以减少多视角配准的每次迭代中平面法向量的求解次数。在目标函数的求解过程中,用线性最小二乘法逼近非线性优化问题,从而实现点到平面误差的最小化。将所提方法在斯坦福数据集上进行了测试,实验结果表明：与当下较为流行的多视角配准方法相比,所提方法在不同数据集上的旋转误差均降低了38.9%以上,平移误差均降低了16.6%以上,能够快速实现精确、可靠的多视角点云配准。     

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。     

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。     

基于四元约束的多视角建筑物Lidar点云配准方法

基于建筑物Lidar点云的特点,提出一种基于四元约束的多视角点云配准算法。建筑物Lidar点云的实验结果表明,在复杂和大场景建筑物Lidar点云的多视角配准中,该算法可以得到较好的配准精度。     

基于ISS-BSHOT特征的ICP点云配准方法

针对点云配准处理过程中配准精度低且耗时长等问题,提出一种基于内部形态描述子(intrinsic shape signatures, ISS)关键点与二进制方向直方图描述子(binary signature of histograms of orientations, BSHOT)相结合的点云配准方法.首先,计算点云分辨率,采用ISS算法提取源点云与目标点云的关键点,并利用BSHOT算法描述关键点邻域,通过汉明距离匹配对应点对;其次,采用随机采样一致性算法删除匹配错误的对应点对,完成粗配准;最后,利用迭代最近点(iterative closest point, ICP)算法完成精配准.实验结果表明,该算法可在保证配准精度的同时显著提高配准效率.     

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。     

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.     

地面三维激光扫描多视点云配准设站最佳次数的研究

为探讨扫描仪设站次数的变化给点云配准误差积累造成的影响,研究了点云配准误差传播特性,给出点云配准误差传播的模型.对实验采集的点云数据,计算出不同设站次数下点云配准的最终中误差,通过比较中误差来确定多视点云配准设站的最佳次数为4.设站最佳次数的确定对于减小配准误差传递、提高作业效率具有重要的意义.     

点云配准误差传播规律的研究

引入摄影测量影像匹配的原理,对地面3维激光扫描仪在不同测站采集点云进行配准分析,并在此基础上探讨点云配准误差传播的规律,得出点云配准误差传播的模型.通过点云配准误差实验,验证了点云配准精度与点云模型累积误差的定量关系,从而可为点云配准的质量进行评估.     

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.      

地面三维激光扫描点云配准的最佳距离

分析点云配准的原理,在此基础上推导出点云配准误差传播模型.利用该模型解算了配准后的点位误差,将该误差作为衡量点云配准好坏的指标.为评估地面三维激光扫描测距的变化给点云配准误差造成的影响,设计了一套试验方案,在地面三维激光扫描仪测距精度内对不同距离进行了严格的试验.根据提取的靶心和点云配准误差传播模型,计算得出不同距离下的点云配准精度,从而分析得出点云配准精度的扫描最佳距离.结果表明点云误差传播模型正确,试验方法良好.     

面向全自动三维扫描系统的多视角三维数据自动配准技术

针对利用高精度转台进行配准模型的顶部和底部与模型进行配准时效果不佳的问题, 提出一种面向全自动三维扫描系统的多视角三维数据自动配准方案. 对待扫描模型, 利用单轴高精度转台获取由不同角度扫描的点云数据, 先使用一种快速简单的方法求解转台中轴, 利用中轴将多片点云拼合得到模型主体; 再通过点云包围盒变换, 完成点云的初始配准, 并通过改进的ICP算法完成点云的精确配准. 实验结果表明, 该方法具有较好的操作性和较高的精度.     

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。     

基于特征线提取的三维数据配准

在逆向工程等诸多领域,数据配准都是重要的技术环节;而目前大多数应用,都是基于选取匹配标记点的方式来实现初始匹配;因此寻找一种可靠快速的自动数据配准技术成了目前研究的方向.提出一种基于特征线提取三维数据自动配准技术.通过提取不同视角下点云的特征曲线实现了三维点云数据的配准.实验结果表明了算法的有效性.在有更高精度要求的情况下,此算法的输出结果可以作为其他迭代方法的初值,进一步迭代得到更精确的结果.     

一种三维重建技术中基于点云粗配准方法

伴随着计算机技术应用与三维扫描应用的发展,点云三维重建技术被普遍的应用到计算机辅助设计、虚拟现实、测量学、医学等各种领域.选取了斯坦福大学提供的点云数据作为研究对象,提出了从点云配准,点云降采样,点云滤波到重建三角面的实现方案.通过粗配准算法处理点云,使用精配准ICP算法;经过配准得到的点云降采样;采用双边滤波平滑点云;重建点云模型.通过对比斯坦福大学提供的重建后的模型,结果表明,本文的方法在点云三维重建方面有较好的表现.     

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.     

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。     

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。