一维非均匀齿轮形貌点云精确配准方法

为了提高虚拟齿轮形貌点云和实测非均匀齿轮形貌点云的配准精度提出一种配准方法。首先以实测齿轮形貌点云数据为基准生成与其数量相同的虚拟齿轮形貌点云数据;再利用互相关算法求出这两组点云数据的初相位,并对虚拟齿轮形貌点云进行相位平移;最后以实测齿轮形貌点云数据为基准,重新生成一组与其点与点对应的虚拟齿轮形貌点云数据,实现两组点云数据的精确配准。实验结果表明:当周采样数目为125952时,采用一维非均匀齿轮形貌点云配准方法较迭代最近点(ICP)算法,角位移配准精度提高了0.0008°,线位移配准精度提高了4μm。该方法可提高非均匀齿轮形貌点云的配准精度。     

工件四特征点的粗配准方法研究

工件自动配准在柔性生产装配中至关重要,其中装配工件CAD模型数据和实测点云数据的配准是关键技术之一。针对装配工件和CAD模型的配准问题,提出了一种基于工件四特征点的粗配准算法。获得配准物体CAD模型数据和实测点云数据后,该方法包含四步:点云数据取样,特征四点集提取,特征一致四点集寻找,计算变换一致性矩阵。以正方体为模型的仿真实验结果显示该配准方法正确可行,以维纳斯石膏像作为实验对象进行配准实验,当点云数据为80000点时,点到点的误差均值为0.0622mm。该算法稳定,配准结果可以作为精确配准算法ICP(Iterative Closest Point)等的叠代初值。     

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。     

基于点云几何信息改进的自动配准方法

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。     

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。     

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.     

应用改进迭代最近点方法的三维心脏点云配准

在医学多图谱配准中,为了改善因初始位置差异较大、形状复杂和局部残缺导致的配准效率低和精度差的问题,本文采用了先粗配准再精配准的处理策略,在主成分分析法(PCA)实现粗配准的基础上,提出了基于双向距离比例的迭代最近点(ICP)的精配准算法。精配准算法中,首先采用KD-tree进行最近邻搜索以提高对应点对的搜索速度,然后为每个点提出了双向匹配方法并计算其双向距离和比值,为进一步提高配准精度,引入了一个指数函数判断点对正确匹配概率,最后运用奇异值分解法(SVD)计算最终变换矩阵。为了验证算法的可行性和有效性,分别设计了不同缺损程度的斯坦福点云数据实验和两组CT心脏点云数据配准实验,结果表明本文方法较经典ICP算法的平均误差减少约21%,较TrICP算法减少约13%,在心脏点云数据配准实验中,本文方法较TrICP算法的15.5 s加快到1.77 s。因此本文方法在解决三维心脏点云数据的配准问题中具有良好的效率、精度和稳定性。     

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。     

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。