基于混合算法的点云配准方法研究

为解决ICP( Iterative Closest Point) 算法对初始点云位置要求高且易陷入局部最优的问题,提出一种新的配准方法。首先遵从优势互补基本思想,结合将人工萤火虫算法和粒子群算法生成自适应人工萤火虫-粒子群算法( AAGPSO: Adaptive Artificial Glowworm-Particle Swarm Optimization) ,以使算法的收敛速度变快,解的精度得到提高; 其次优化迭代最近点算法( ICP) ,将已改进的AAGPSO 算法引入ICP 配准算法中进行点云配准,解决ICP 算法因点云的初始位置相差较大而陷入局部最优问题,加快整体的配准效率。通过实验对比原始ICP 配准方法和改进的配准方法并对其进行误差分析,结果验证了AAGPSO 算法在传统ICP 算法的基础上提高了配准精度,并且加快了算法收敛速度,改进的配准方法具有明显优越性。     

基于NDT与ICP的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据较大的时候,为此本文提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步：(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,本文算法也能够达到较快的配准速度与较高的配准精度。     

基于佳点集人工鱼群的点云配准算法

针对点云配准迭代最近点(iterative closest point, ICP)算法对点云的初始位置姿态有较高的要求且易陷入局部最优的问题,文章提出一种基于佳点集人工鱼群的点云配准算法。首先采用佳点集方法对人工鱼群初始化,解决人工鱼群因初始种群分布不均而陷入局部最优的问题,并通过下采样与三维尺度不变特征变换(3D scale invariant feature transform, 3D SIFT)特征点提取简化点云;然后采用快速点特征直方图(fast point feature histogram, FPFH)特征描述解求点云间的对应点对并剔除错误对应点对,通过佳点集人工鱼群算法寻优刚性变换的6个参数完成粗配准;最后使用ICP算法完成精配准。实验选取斯坦福大学提供的Bunny、Dragon和Happy Buddha 3组测试数据集进行配准;结果表明,该文算法收敛速度快,能为ICP算法提供良好的初始位姿避免其陷入局部最优。     

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.     

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。     

基于节点相似性的复杂网络聚类特征层次布局算法

针对当前现有布局算法在实际应用中存在布局耗时时间长的问题,引入节点相似性理论,开展对复杂网络聚类特征层次布局算法的设计研究。结合个性化PageRank,对节点相似度计算,完成对复杂网络的粗化处理。在此基础上,利用复杂网络中提取的节点,实现聚类特征多层次分布。通过对比实验证明,新的布局算法在实际应用中完成布局的耗时时间更短,有效促进特征层次布局的效率提升。     

昆虫点云配准方法综述

综述了点云数据的配准方法和相关算法,并对这些配准算法的基本思想加以分析比较,分析了昆虫外形点云的特点及应用领域,对昆虫点云配准技术的发展动态作了介绍,并对未来研究作了展望．     

基于分层粒子群优化的三维点云配准

为了提高三维点云配准的性能,采用基于分层粒子群优化的迭代最近点算法来完成点云配准;首先将源点云作为粒子群粒子,将粒子分成多个子群,然后以点云的曲率为适应度值,分别求解子群适应度值和全局粒子适应度值,并将子群适应度值、全局粒子适应度值和粒子当前速度三者结合,共同搜寻最优粒子,以得到能够精确表达点云结构的特征点,最后采用迭...     

基于移动锚节点的无线传感器网络节点定位算法

针对移动锚节点的定位问题,提出一种基于3个移动锚节点的与距离无关的定位算法,该算法具有避开因测量距离的需要而导致的高硬件成本和高能耗等的功能.主要思想是3个锚节点规则移动遍历整个传感区域,移动过程中实现未知节点的定位.仿真实验结果表明,该算法能够提高节点的定位精度.     

时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题,将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题,提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP,并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性,并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

三维重建中先验概率重加权点云配准算法

基于高斯混合模型的三维点云配准算法在面对大量的外点及对应位置缺失时表现不佳.为此提出了一种结合点到面距离和先验概率重加权的点云配准方法.首先,通过高斯混合模型和均匀分布建立点云之间的位置对应关系;其次,使用先验概率对高斯混合模型的混合比例重新加权来处理对应位置缺失,同时利用后验概率推测潜在外点及其比率;然后,向误差函数...     

基于三点法和ICP算法的手术导航系统患者配准

为提升手术导航系统的患者配准精度和操作效率,提出一种将三点法与迭代最近点(iterative closest point,ICP)算法相结合的配准策略.首先,定义患者配准问题,并介绍术前和术中数据获取方法;然后,以光学定位标记球心为患者空间与图像空间的共同特征,并利用三点法完成初始配准;最后,以经初始映射后的患者点云中各点为球心,建立半径为r的球形区域,并仅保留位于该区域内的图像点云以实现抽样,再利用改进ICP算法对两片点云执行精确配准.实验结果表明,采用所提方法对猪股骨和猪髂骨执行配准的平均误差分别为(0.83±0.10)mm和(0.86±0.09)mm,其精度和稳定性均优于传统ICP算法,且具备高效、易操作的特点以及潜在的临床应用价值.     

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.     

基于微粒群算法的无线传感器网络节点定位方法

为了进一步提高无线传感器网络未知节点定位精度,将节点定位问题和微粒群算法结合在一起,提出了基于微粒群算法的节点定位算法。该算法是一种基于距离的定位算法,根据未知节点到锚节点的距离直接搜索出未知节点的坐标。实验结果表明,和一般的固定节点定位算法相比,该算法具有更高的定位精度,并适用于移动节点的追踪定位。     

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.     

无线传感器网络节点定位改进算法

提出一种改进的距离无关无线传感器网络节点定位算法——变系数弹簧模拟算法.该算法首先得到锚节点跳数距离和平均每跳距离,然后计算出节点的初始位置,再通过模拟方法对节点位置迭代求精.仿真结果显示,在相同的锚节点比例和平均连通度情况下,该算法明显优于DV-op算法.     

基于节点划分的无线传感器网络自适应分簇算法

为延长网络的生命周期,针对随机部署的无线传感器网络节点均匀分布和能量有限的特点,提出了一种基于节点划分的分布式自适应分簇算法.通过节点的划分均衡簇内负载,利用节点的剩余能量与通信距离信息的自适应加权来优化调整节点竞选簇头的概率.模拟实验结果表明,该算法可有效延长网络的稳定周期和生存时间,数据传输量比LEACH-E算法增加了近20%.