点云模型的匹配点对优化配准

针对传统迭代最近点（ICP）算法在点云存在重叠或部分重叠时,配准误差大且适应性差的问题,提出一种基于匹配点对加权优化的改进配准算法。首先,提出一种改进体素降采样算法对点云进行采样,减少数据量的同时提高算法对噪声的鲁棒性;然后,采用改进Sigmoid函数赋予参与配准的匹配点对不同的权重,克服传统算法忽视距离较小的匹配点对中仍具有错误点对的缺点,同时提高了配准精度和收敛速度;最后,提出一种采用奇异值分解法（SVD）求解配准参数的方法,进一步提高配准精度。设计了不同重叠度的配准实验和噪声实验,并结合曲轴三维点云重建对本文算法进行验证。实验结果表明：本文算法误差较Tr-ICP算法减少了约34.1%,较AA-ICP算法减少了约29%,配准时间较TrICP算法缩短了约16.1%。最终表明本文算法具有更高配准精度的同时,具有更好的适用性和鲁棒性。     

层次优化的颅骨点云配准

颅骨配准是颅面复原的重要步骤之一,其配准精度和效率对复原结果有着重要的影响。为了提高颅骨点云模型的配准精度和效率,本文提出了一种层次优化的颅骨点云配准方法。将颅骨配准分为粗配准和细配准两个过程。首先对颅骨点云模型进行去噪、简化和归一化等预处理;然后对颅骨点云模型提取特征点并计算其特征序列,根据特征序列进行约束寻找初始对应点对,并采用k-means算法剔除误匹配点,实现颅骨粗配准;最后通过加入几何特征约束的改进迭代最近点(ICP)算法实现颅骨细配准,从而达到颅骨精确配准的目的。本文分别对粗配准、细配准和先粗再细完整配准过程进行实验,结果表明:粗配准过程,与未优化的粗配准算法相比,本文优化后的粗配准算法的配准精度提高了约35%,算法耗时增加了约6%;细配准过程,与ICP算法相比,本文改进ICP算法的配准精度和收敛速度分别提高了约20%和43%,算法耗时减少了约47%;先粗再细的完整配准过程,本文算法的配准精度和收敛速度都要优于其他两种方法。证明了本文方法是一种有效的颅骨点云配准算法,可以实现颅骨点云的精确配准。     

基于点云几何信息改进的自动配准方法CSCD

针对工业流水线上激光扫描工件获得的点云数据的配准问题,提出了一种基于点云数据几何特征改进的点云自动配准新算法。新算法首先根据点云数据中法向量的变化规律选取特征点,作为初始的匹配点集;然后运用一种根据点对间距离约束优化的随机抽样一致(RANSAC)算法对数据初始匹配;并运用k-d tree加速改进的最近点迭代(ICP)算法进行精确匹配;并运用四元数法求得配准参数。分别对提出的新算法、PCA改进算法和经典ICP算法进行了实验,并对实验结果进行了对比。对比结果表明新算法能够实现配准,并显著提高了配准的速度和精度,表明了新算法的有效性,对实际应用具有一定的现实意义。     

改进的多视图点云数据配准方法

传统最近点迭代(ICP)算法在进行点云数据配准时,由于待配准的点集数据量很大,每个点云都要遍历一遍,所以时效性不高而且误匹配率大。针对此问题,提出先用Canny边缘检测算子对点云数据进行预处理,以此简化预处理点云的数据量,然后用K-D树搜索数据,最后再用ICP算法进行点云配准,以此来达到加快配准速度。实验证明,该方法灵活实用,简化了待匹配的点云集,能很好的解决传统最近点迭代算法中匹配慢的问题,可以很好的满足工程需要。     

基于球面特征的点云配准方法研究

针对多视点云的配准问题,提出了基于球面特征的自动配准方法。在测量的零件周围固定标准球,把零件和标准球作为一个整体进行点云测量。用球面拟合的方法求解标准球的球心坐标,并在待配准点云的球心坐标中搜索对应点,从而计算粗配准中的旋转矩阵和平移矩阵,实现点云的粗配准,采用融入球心坐标信息的改进的ICP算法(迭代最近点法)实现点云的精配准。这种方法大大缩少了粗配准中对应点的搜索范围,并实现了自动配准,提高了配准效率,改进的ICP算法增强了配准算法的鲁棒性,实例证明该方法有效。     

复杂零件在线三维测量中的点云配准方法

复杂零件的在线检测对质量控制和工艺优化具有重要意义,而如何对齐由多个视点拍摄获得的三维点云是实现在线检测的关键。基于点云内部属性与坐标系无关这一性质,提出基于手眼标定的多视点云配准算法,将不同视点下传感器坐标系中的点云转移到固定的机器人基座坐标系中,实现多视点云的粗配准;针对粗配准精度不高的问题,提出一种由粗到精的自适应距离阈值ICP算法,实现多视点云的精配准。ICP粗配准阶段旨在扩大算法的收敛范围,加快迭代速度;ICP精配准阶段旨在消除误匹配,保证最终收敛结果的准确性。试验结果表明,所提点云配准方法的精度和速度均能够满足复杂在线检测的应用要求。     

面向车身虚拟匹配的非均匀点云数据配准算法

车身点云扫描的质量检测方式为薄板件的虚拟匹配提供了数据基础.针对薄板件虚拟匹配过程的点云数据配准问题,提出了一种考虑车身复杂曲面特征的点云主平面拟合与精确配准流程与方法.首先在曲率化离散方法基础上,提取薄板件数模的非均匀化点云,采用基于主成分分析法的数模与实测点云主平面的构建方法,结合其主向量的旋转重合,通过迭代搜索获得均方根误差最小的最佳初始配准位置.进一步,利用改进的ICP算法对点云进行精确配准.采用车门内板单件的实测案例对提出方法进行验证,实验结果表明本方法较传统ICP算法将配准精度提升50％以上,为车身试制过程的薄板件精度评价与虚拟匹配分析提供了有效的方法基础.     

一种脊柱图像快速重建与配准方法

为提高传统脊柱图像三维重建与配准速度和精度，提出一种基于传统立方体(MC)算法和迭代最近点(ICP)算法的快速重建与配准方法。首先利用双边滤波对CT图像进行预处理，基于区域生长的思想改进MC算法，完成三维重建并获取脊柱三维模型和点云模型。然后采用ISS算法提取脊柱点云关键点，求取关键点的快速点特征直方图(FPFH)，基于采样一致性(SAC-IA)方法完成初始配准，从而改善2片点云的初始位姿。最后通过K-D树加速寻找最近邻点对，并引入基于欧式距离的权重系数改进ICP算法，实现精配准。试验结果表明：重建速度较传统方法提高20%，配准速度较传统统方法从177.8s提高到41.2s，且配准结果平均误差为2.81*10^-1。     

足部模型点云配准方法研究

由于人体足部呈长条状且不规则的几何形状,使得用三维扫描设备进行点云数据采集时,会出现点云数据重叠度较低的情况,配准难度较高。针对人体足部的外表结构不规则几何特性,提出了一种先粗配准再细配准方法对足部模型点云进行配准。先对采集到的足部模型点云数据进行去噪、滤波等预处理,再在足部模型下设置一立方体底座,利用立方体底座法向量规则均匀的特性来辅助粗配准工作;再采用点云分割方法去掉立方体底座,最后利用ICP最近点迭代对足部模型进行细匹配,从而实现对足部模型的点云配准。实验结果表明:提出的配准方法与传统的ICP方法相比,不但可以实现对足部模型点云的配准,且在配准速度上提高了54%,配准精度上提高了42%。     

应用改进迭代最近点方法的点云数据配准

提出了基于点云边界特征点的改进迭代最近点(ICP)方法来提高逆向工程中点云数据配准的效率和精度.首先,提出了基于点云边界特征点的初始配准方法.对点云最小包围盒进行三维空间划分,建立空间网格模型;运用边界种子网格识别及生长算法,从点云边界提取特征点,运用奇异值矩阵分解法(SVD)求出点云的变换矩阵,得到初始配准结果.然后,提出了改进的ICP精确配准方法.对点云对应点赋予权重,剔除权重大于阈值的点,通过对目标函数引入M-估计(M-estimation),剔除异常点.最后,在初始配准的基础上,运用改进的ICP方法精确配准.对经典ICP方法和改进ICF方法做对比实验,结果显示,改进方法的配准效率提高了70％以上,误差减小到0.02％.实验表明,本文方法大幅提高了点云配准的效率和精度.     

颅骨点云模型的优化配准

由于颅骨的三维点云数据模型复杂且不同人的颅骨差异较小,对其配准精度要求较高。为了提高颅骨点云模型的配准精度和收敛速度,提出了一种先粗配准再细配准的配准方法。首先,对颅骨点云数据模型进行去噪、简化和归一化等预处理;然后,通过区域划分、区域配准和求解组合系数以及求解刚体变换等步骤实现区域层次上的颅骨粗配准;最后,通过引入动态迭代系数来改进基于旋转角约束的迭代最近点算法,并采用该改进的ICP算法实现颅骨的细配准,从而达到精确配准的目的。实验结果表明:与ICP算法相比,改进的ICP算法的配准精度和收敛速度分别提高了约30%和50%。证明该种先粗配准再细配准的颅骨点云模型配准方法是一种精度高、速度快的有效颅骨配准算法。     

基于 IMU 点云特征跟踪一致性的 ICP 配准技术

针对点云非重叠区域较大时,由于场景中存在相似区域和平滑区域, ICP 配准易陷入局部极小值的问题,设计了一种初始配准与精配准结合的快速准确配准算法。首先,结合点云深度图像进行网格分区,基于蒙特卡罗方法随机选取 20 个 NARF 关键点,利用 IMU 惯导跟踪关键点的 FPFH 特征,并根据跟踪矢量的一致性剔除误匹配,快速计算初始配准矩阵;然后,利用所有关键点进行最近邻跟踪匹配,并根据跟踪矢量的一致性剔除误匹配,提高了 ICP 配准的估计精度。通过 Bunny 兔和 NYUv2 数据集将该算法与 ICP 算法进行对比,验证了该算法能够有效地提高点云配准效率和精度。     

基于分层块状全局搜索的三维点云自动配准

提出了一种分层块状全局搜索到临近点局部搜索的改进迭代最近点(ICP)算法,用于进一步提高ICP算法的配准速度并消除点云缺失对点云配准的影响。该配准方法在粗略配准之后,以点云块为分层单元对模型点集进行选取,并对选取的少量模型点进行全局搜索获取其对应最近点;然后,以这些模型点对应的最近点作为搜索中心,在场景点集中进行局部搜索,获取这些模型点的大量临近点的对应最近点;最后,剔除错误对应最近点对,并求取坐标变换。与基于KD-Tree的ICP算法和基于LS+HS(Logarithmic Search Combined with Hierarchical Model Point Selection )的ICP算法相比,该配准算法对Happy bunny扫描数据的配准速度分别提高了78%和24%;对Dragon扫描数据的配准速度分别提高了73%和30%。这些结果表明该算法可以快速、精确地实现三维点云间的配准。     

损伤零件点云模型配准的ICP算法

针对损伤零件的传统点云模型配准过程中存在着运算效率低与损伤部位损伤量确定误差较大等问题,提出一种基于原始ICP算法的改进算法。考虑模型因为损伤而引起的特征与表面形貌的改变,利用法矢夹角进行点云数据的精简,保留模型主要特征,再利用对应点的曲率约束与距离约束设定阈值剔除损伤区域点云,保证对应点之间快速准确地配准。最后,运用Matlab实现改进算法,并利用损伤的轮机叶片点云数据的配准验证该算法的有效性。     

叶片机器人砂带磨抛点云匹配算法优化

为解决机器人磨抛路径中工件坐标系难以计算的问题及校正工件装夹误差,将三维点云配准技术应用到叶片机器人砂带磨抛系统中。由三维激光扫描仪扫描工件型面获得工件点云,采用基于主成分分析(PCA)的全局配准算法和改进的迭代最近点(ICP)算法完成了扫描点云和工件模型离散点云间以及不同工件扫描点云间的匹配,以获取工件坐标系和校正工件装夹误差。相关仿真和试验结果表明,优化后的算法在匹配速度与精度上有了长足改进,且加工后产品精度和质量都能满足实际加工要求。     

基于继承与优化算法的无序点云拼接技术的研究

摘要：点云拼接技术的核心是建立两个待拼接点云之间的对应关系。提出继承与优化算法进行点云精确拼接,阐述了算法原理,通过建模获取拼接过程中的旋转和平移参数,提出并分析了拼接的实现过程。采用光栅投射式三维扫描仪获取某型号汽车防雨板的6组点云数据,使用提出的算法进行点云拼接,采用多分辨率层次精度分析法对拼接结果进行误差分析,与最临近点迭代法在拼接精度、收敛速度和耗时上进行了比较。实验结果表明：继承与优化算法可实现海量无序点云的精确拼接,拼接的标准偏差小于0.10mm,两点云对拼接时间小于2秒,相比最临近点迭代法,所需迭代次数减少5次以上。     

ALGORITHM OF PRETREATMENT ON AUTOMOBILE BODY POINT CLOUD

As point cloud of one whole vehicle body has the traits of large geometric dimension,huge data and rigorous reverse precision,one pretreatment algorithm on automobile body point cloud is put forward.The basic idea of the registration algorithm based on the skeleton points is to construct the skeleton points of the whole vehicle model and the mark points of the separate point cloud,to search the mapped relationship between skeleton points and mark points using congruence triangle method and to match the whole vehicle point cloud using the improved iterative closed point(ICP)algorithm. The data reduction algorithm,based on average square root of distance,condenses data by three steps, computing datasets' average square root of distance in sampling cube grid,sorting order according to the value computed from the first step,choosing sampling percentage.The accuracy of the two algo- rithms above is proved by a registration and reduction example of whole vehicle point cloud of a certain light truck.     

基于激光扫描和SFM的非同步点云三维重构方法

室外场景具有测量数据量大、扫描数据易重叠及建筑物表面信息复杂等特点,单靠激光扫描方法能够获得场景精确的深度信息,但缺乏颜色和纹理信息,利用从运动中恢复结构(SFM)方法可获得丰富的彩色信息,但重构精度不高,若将两种设备固定进行在线实时同步测量,易受到测量环境和系统制约不易实现。针对此问题,提出了一种基于激光扫描和SFM结合的非同步点云数据融合的三维重构方法。首先,提出利用手动选择控制点进行7自由度初始配准,再利用迭代最近点(ICP)算法对初始配准结果进行精确配准,最后利用最近点搜索算法将分布在经基于面片的多视图立体视觉(PMVS)算法优化后的SFM数据中的颜色信息与激光扫描的点云坐标进行融合。实验结果和数据分析显示,本文的方法能有效地将激光扫描与SFM点云数据进行融合,实现了室外大场景的三维彩色重构。     

单线激光雷达与GNSS/INS的空间重构

为了解决多线激光雷达在三维空间重构任务中数据吞吐量过大导致运算负担过重以及扫描俯仰范围有限的问题,本文提出了一种利用单线激光雷达与惯性测量单元GNSS/INS相互结合的多站点扫描空间重构方案及相应解算方法。首先使用单线激光雷达扫描待测空间获取三维尺度信息,然后将点云数据与对应的任意方向的航向角相结合,再利用四元数姿态解算获取各站点扫描的点云图像。为提高计算效率,使用迭代最近点算法实现站点间点云配准时,对待匹配点云数据筛选并更新。实验结果表明在保留点云数字特征前提下,单线激光雷达与GNSS/INS系统能够提高76%的运算速率。本文提出的硬件方案和解算方法不但能够实现较高的配准精度,与多线激光雷达方案相比工程成本也得到显著下降。