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。     

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。     

改进迭代最近点算法支持下的LiDAR点云与正射影像粗-精配准方法

针对直接迭代最近点算法(Iterative Closest Point,ICP)算法难以满足无人机LiDAR点云与正射影像高精度高效配准等问题,提出基于改进ICP的LiDAR点云与正射影像配准方法,为遥感地物目标解译提供丰富的空间信息和语义信息。首先采用体素滤波算法消除原始点云数据冗余;然后,利用主成分分析算法(Principal Component Analysis,PCA)对点云进行粗配准和计算刚体变换参数初始值,最后使用ICP算法实现LiDAR点云与正射影像精配准。实验结果表明,基于改进ICP的配准方法能够实现复杂地物分布、地物遮挡等情况下点云与影像快速、高精度地配准和点云纹理精准着色,相比原始ICP算法精度和效率分别提高了约1.8倍和3倍。     

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...     

地形图辅助的建筑物地面和机载点云特征配准

机载和地面激光扫描数据配准的实质是坐标转换问题.以建筑物的立面为研究对象,基于地形图的建筑物线性特征,提出建筑物线-面特征约束的地面和机载点云数据配准方法,实现机载和地面点云数据的配准及其向地形图坐标系的转换.采用拟合方法,获取地面与机载点云、地形图的建筑物线性特征参数.依据特征之间的空间关系,建立特征参数与坐标转换模型的关系,分别实现地面与机载点云向地形图坐标系的水平转换.垂直转换则通过建筑物水平屋顶边缘的高程相对配准以及控制点处的高程绝对配准计算.以上海海洋水族馆点云为例进行实验验证,结果表明该方法可以实现地面和机载点云数据配准.     

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.     

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.     

多视图点云配准算法综述

以多视图点云配准为研究对象,对近二十余年的多视图点云配准相关研究工作进行了全面的分类归纳及总结．首先,阐述点云数据及多视图点云配准的概念．根据配准的任务不同,将多视图点云配准分为多视图点云粗配准和多视图点云精配准两大类,并对其各自算法的核心思想及算法改进进行介绍,其中,多视图点云粗配准算法进一步分为基于生成树和基于形状生成两类;多视图点云精配准算法进一步分为基于点云的点空间、基于点云的帧空间变换平均、基于深度学习和基于优化四类．然后,介绍了四种多视图点云配准数据集及主流多视图配准评价指标．最后,对该研究领域研究现状进行总结,指出存在的挑战,并给出了未来研究展望．     

无序多视角点云的自主配准方法

为了提高自主多视角点云配准方法的效率和精度,提出一种基于特征匹配的无序多视角点云全局配准方法,通过计算和匹配点云的特征描述子快速实现双视角点云配准;设计了有效的判定准则用于判别双视角配准的结果是否可靠;利用所提出的模型扩展方法对可靠的双视角配准结果进行点云模型的扩展。通过交替地执行双视角配准、配准结果判别和模型扩展,该方法可实现无序多视角点云的全局配准。在斯坦福图形学实验室公开数据集上的实验结果表明,与效果较优的同类方法相比,该方法可使得配准效率平均提高近5倍,且配准误差显著下降,同时可提高多视角点云配准的性能。     

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。     

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.     

基于同名控制点的三维激光点云配准

多站点云数据配准是三维激光扫描数据处理的重要环节.基于同名控制点的七参数配准模型是一种具有较高精度的算法模型.推导了七参数配准的过程,编程实现了多站三维激光点云的配准,并验证了配准结果的精度.     

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.      

基于遗传算法和最近点迭代法的多视角数据配准

针对复杂零件多视角下测量的数据,最近点迭代法（ICP）对两个点云相对初始位置不能相差太远的要求,提出了一种初始对齐和精配准相结合的方法来进行测量数据的配准,通过简单易行的各视角点群形心的坐标变换进行初始对齐,以提高遗传算法（GA）二次配准的寻优速度,再利用ICP实现快速的精确配准,具有更高的可靠性和稳定性.     

四自由度点云初始配准算法对比

针对更贴合实际点云数据处理的四自由度点云初始算法,进行了背景的介绍,选取了目前主流的5种四自由度点云初始配准算法,分别为RANSAC算法、LM算法、BnB算法、FMP-BnB算法和K-4PCS算法;对2组室内场景点云数据和2组室外场景点云数据进行配准,对配准结果从精度和效率两方面进行了对比分析.实验结果表明,不同的算法适用的数据类型不同,在进行实际的数据初始配准时,可依据数据类型选取合适的算法.