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.     

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.     

基于概率直方图的点云特征描述符算法

针对现有点云特征描述符算法提取较慢的问题,提出一种基于概率直方图的点云特征描述符提取方法。该算法首先选中计算点作为中心点,建立一个球形点云区域,在此球形区域内建立局部坐标系,计算球形区域内所有邻域点和原点的模长及与坐标轴的角度,得出概率直方图,作为该点的特征描述符。实验结果表明,该算法能够快速提取出该点的特征,并且能使用此特征在采样一致性初始配准算法中准确的进行点云的配准,配准速度较传统算法有所提升。     

面向三维人体重建的前、后片配准算法

针对传统三维图像配准算法需要获取目标物体多个模型数据的不便,以及三维重建过程耗时较长的不足,提出了一种基于三维人体表面前、后片模型的配准算法.该算法首先使用Kinect三维扫描设备获取的人体表面前、后片模型点云数据,作为配准过程的参考点集和目标点集;然后,选取前、后片模型的边缘轮廓信息作为配准特征点,通过迭代优化过程,使得前、后片能够较好地配准;最后,通过空间曲线插值方法填充模型边缘缝隙,得到完整的三维人体模型.试验结果表明,该算法只需要获取目标物体的前、后片三维数据,模型采集及配准效率高,配准精度好,即使针对初始位置相差较大的两个模型片也能得到准确的配准效果.     

基于分块信息熵和特征尺度的图像配准算法

针对当前图像配准技术中特征点的检测和匹配存在的问题,提出了一种基于分块信息熵和特征尺度的图像配准算法.通过对图像进行分块,结合每块图像的信息熵,改善了Harris-Laplace算子提取的特征点分布过于集中的问题.通过比较角点响应函数的值,剔除了特征点中的冗余点.通过结合特征点的尺度信息、Hu矩和双向匹配策略,提高了初始匹配点对的准确率.仿真结果表明,改进的配准算法可以实现高精度的图像配准,对图像的几何变换具有很强的鲁棒性.      

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。     

基于面特征和SIFT特征的LiDAR点云与航空影像配准

针对LiDAR数据与航空影像融合中的配准问题,提出一种将面特征与点特征相结合的配准方法,首先由LiDAR点云生成深度影像,对深度影像和航空影像提取面特征,在此基础上采用SIFT算子提取点特征,完成LiDAR点云与航空影像的配准。文中方法采取了由面特征到SIFT特征的配准策略,减少了面特征配准的数据量和SIFT算法的计算量。从ISPRS提供的数据集中选取了3组数据进行实验,实验结果表明该方法能有效减少SIFT算子的特征描述符的数量,减少寻找正确匹配点的时间,在保证配准精度的情况下提高配准的效率,适用于城市地区等包含大量面特征地区的LiDAR点云与航空影像配准。     

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.     

基于Kinect传感器的移动机器人室内环境三维地图创建

针对移动服务机器人在未知室内环境下的三维感知问题,提出了一种基于低成本Kinect传感器的三维地图创建实用方法.对于机器人在运动过程中连续采集的多帧RGB-D信息,首先利用SURF算子对RGB图像提取稳定特征点并进行特征点匹配,然后结合深度图像,采用RANSAC算法剔除可能存在的误匹配点并完成初始配准,从而估计得到图像帧间粗略的相对转移关系,最后运用广义ICP算法对采集的深度图像进行精确配准,得到拼接的三维点云图.在此基础上进一步开发了移动机器人三维地图创建应用系统,实验验证了该方法的可行性和有效性.     

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.     

一种改进的SIFT图像配准算法

针对SIFT算法实时性差的缺点,提出一种改进的SIFT图像配准算法,该方法:(1)运用积分图像解决了构建尺度空间时间花费大的问题;(2)利用圆的特性对每一个特征向量进行序列化,以保证物体旋转不变性,同时将每一个描述子由原来128维降低到32维,解决了原SIFT算法维度较多所造成的算法效率低下的问题;(3)采用欧氏距离作为特征描述符之间的相似性度量并去除不具有配准意义的特征点对,提高匹配算法的鲁棒性.实验结果证明,该方法能在保证配准精度的同时降低配准的时间复杂度,在实时性要求高的应用中具有一定实用前景.     

三维扫描系统中的数据配准技术

通过引入特征点和改进最近点迭代法,提出了一种在三维扫描系统中对三维点云数据进行配准的方法。该方法通过对特征点的提取,首先得到一组匹配点对,然后运用SVD矩阵分解算法求出转换参数R和T,进而以此作为最近点迭代法的初始值,并对最近点的求法和迭代截止条件作了改进,得到了很好的配准效果。该文论述了该方法的基本原理,并通过不同视觉下物体三维测量点云数据配准的应用实例证明了该方法的有效性。     

基于Harris—Laplace特征点的多时相SPOT图像配准方法

提出一种改进的多时相SPOT图像配准方法。首先通过分块提取H—L特征点,确保特征点分布均匀：然后对H—L特征点进行匹配,通过RANSAC一致性检验构建配准模型;最后利用图像重采样得到图像配准结果。实验结果表明,该方法能够有效地解决不同时相SPOT图像在几何变形、地物改变等情况下的配准,具有较高的自动化程度与实用性。     

图像自动配准初始参数确定

为了实现图像自动配准,需要确定初始变换参数,为此提出了图像特征线和图像特征圆的概念。以仿射变换作为图像配准变换模型,由Harris角点检测法确定图像特征点,由图像特征点求取图像特征线和图像特征圆,根据该特征线和特征圆洋细推导了图像自动配准初始参数的确定算法。根据以上算法实现了图像自动配准,证明了该算法的有效性。     

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.     

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.     

弹性的二维医学图像配准算法

提出了一个弹性二维医学图像配准算法,该算法将基于像素浓度值配准算法和基于特征点的配准算法相结合,采用自动的特征点定位算法,使用薄板样条算法来提高配准的精度,从而可以对二维医学图像进行自动、准确的配准。首先,用基于像素浓度值的全局仿射配准实现对鲁棒配准的初始估计;然后,通过使用基于特征点的迭代配准算法,使得全局仿射配准结果在第2步配准算法中得到进一步的细化而使其配准结果具有更高的准确性。对二维PHANTOM图像的实验结果表明,该算法具有鲁棒性。     

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.