逐步求精的多视角点云配准方法

针对多视角点云配准问题,本文设计了一个合理的目标函数,便于将多视角配准问题分解成多个双视角配准问题,并考虑了两个要素:1）各帧点云均具有其他所有点云所未覆盖的区域;2）基准帧点云的重要程度高于其他点云.为了求解该目标函数,本文提出了逐步求精的解决策略:根据给定的配准初值构造初始模型,依次取出基准帧以外的每帧点云,利用所提出的双视角配准算法计算该帧点云的配准参数,并修正模型,以便进一步计算后续点云的配准参数.遍历完全部点云构成一次完整的循环,多次循环后可获得精确的多视角配准结果.公开数据集上的实验结果表明,本文所提出的方法能够精确、可靠地实现多视角点云配准.     

融合PCA的改进ICP激光点云配准算法北大核心CSCD

针对迭代最近点(iterative nearest point,ICP)算法进行点云配准过程中需要输入较好的初值和收敛速度较慢的问题,提出了一种融合主成分分析(principal component analysis,PCA)的改进ICP配准算法。首先,基于PCA计算两组点云的主方向,得到两组点云的初始位姿变换;然后,利用主轴基向量的关系校正主轴方向,完成两组点云的大致配准。针对具有部分重叠区域的点云,粗配准后利用KD-tree算法搜索最近点。根据点云重叠部分,提出一种利用有效点对进行ICP迭代求解算法,利用有效点对中欧式距离较大的点对,完成精配准。通过在公开数据集Bunny和实测数据支座点云上的实验表明,改进算法能够为ICP算法提供较好初值,加速具有局部重叠度的点云配准,同时对配准精度也有较高的鲁棒性。     

基于Kinect的点云配准方法

Kinect采集的点云存在点云数量大、点云位置有误差,直接使用迭代最近点(ICP)算法对点云进行配准时效率低.针对该问题,提出一种基于特征点法向量夹角的改进点云配准算法.首先使用体素栅格对Kinect采集的原始点云进行下采样,精简点云数量,并使用滤波器移除离群点.然后使用SIFT算法提取目标点云与待配准点云公共部分的特征点,通过计算特征点法向量之间的夹角调整点云位姿,完成点云的初始配准.最后使用ICP算法完成点云的精细配准.实验结果表明,该算法与传统ICP算法相比,在保证点云配准精度的同时,能够提高点云的配准效率,具有较高的适用性和鲁棒性.     

基于机械臂的Kinect车辆轮廓点云配准

车辆轮廓的三维点云模型在汽车智能化制造及维保过程中具有重要作用。为提高点云配准的精度和效率,以汽车维保机器人为研究对象,提出一种基于点云数据处理技术的车辆轮廓扫描定位及点云数据配准方法。在机械臂末端安装Kinect深度传感器实现精准移动,在汽车四周采集点云数据并进行预处理,根据机械臂运动学方程计算传感器采样位姿,完成初步配准。在此基础上,使用迭代最近点算法完成车辆轮廓点云的精确配准。实验结果表明,该方法可完成各视角点云数据的准确、快速配准,得到完整的三维点云数字模型。     

曲率约束的激光点云全局优化配准算法

针对对于多视角下测得的散乱点云数据,ICP算法存在不稳定性和易收敛到局部最优的问题,提出基于曲率特征的ICP改进算法。该方法首先引入随机抽样一致性算法查找特征点,以距离最近为判断依据获得特征点对,然后利用四元数法计算配准参数,最后基于模拟退火法得到全局最优配准参数完成点云精确配准。实验表明,与传统ICP算法相比,改进的ICP算法可以有效提高点云配准的稳定性和精度。     

基于高斯似然估计因子分析的点云配准算法

为解决三维点云数据在白噪声、数据不对应的情况下的配准问题,提出基于高斯似然估计因子分析的点云配准算法。采用因子分析法对点云数据进行表示,利用极大似然估计的方法求得因子载荷矩阵,从而完成对带噪声点云的配准。仿真实验表明,与CDP算法和Go-ICP算法相比,该算法不会陷入局部最小值,在快速精确配准和稳定性方面具有良好的鲁棒性。     

基于建筑物轮廓的地面激光点云与影像匹配点云配准研究

为了高精度融合异源数据,进而充分表达建筑物的顶面及立面信息,提出基于建筑物轮廓特征的地面激光点云与影像匹配点云配准方法.通过边缘估计提取影像匹配点云建筑物屋顶轮廓,利用α-shape算法匹配提取地面激光点云建筑物屋檐轮廓,运用主成分分析算法、质心约束及罗德里格斯公式实现两种轮廓点云的粗配准,根据ICP算法完成精配准.实验结果表明该方法能够实现跨模态数据的优势互补,有效提高影像与点云配准的计算效率和配准精度.     

基于SIFT算法及阈值筛选的点云配准技术研究

随着三维测量技术应用领域的逐渐拓宽,点云数据处理技术的需求日益迫切,而多视点点云配准,是其中的基础技术环节;在此针对传统ICP算法鲁棒性差、对迭代初值敏感、计算效率低等缺点,提出一种SIFT算法与阈值筛选相结合的点云配准算法;在参考点云和待配准点云中,通过计算SIFT关键点及各点主曲率,获得初始匹配点集;然后根据相似三角形阈值和法向量夹角阈值,进一步优化点对间的旋转平移关系;实验结果证明,相对于传统算法,改进算法能够以更短的时间来获得准确的配准效果,并且其自动化程度高以及能有效提高点云配准的效率和精度。     

基于改进ICP算法的点云自动配准技术

在零件的型面检测过程中,通常有数据采集、曲面重构、曲面配准和误差求取几个步骤。其中,曲面之间的配准是检测中关键的一环。针对传统的经典ICP(Iterative Closest Point)算法在配准过程中受噪声干扰大、鲁棒性差的缺点,在应用点云主方向贴合的粗略配准基础上,以经典的ICP算法为基础,提出了点云数据的欧氏距离阈值去噪和点云的方向矢量夹角阈值两种方法改进ICP算法,并应用改进算法作为点云之间的精确配准算法。对于经过初始配准的点云数据使用欧氏距离阈值法剔除点云间点对的噪声,并经点云各点间的方向矢量夹角阈值进行对应点采样,提高了传统ICP算法的效率和精度。经飞机和汽车零件点云配准实验验证,本算法的配准误差在±1μm内。算法具有设计简洁,响应快速的特点,有实际工作意义。     

基于邻域几何特征约束的植株三维形态配准方法研究

为提高不同角度多次测量得到的植株点云配准速度和精度,提出一种基于植株点云邻域几何特征约束改进的三维形态配准方法。首先,针对点云量大并缺少拓扑信息,选取关键点集并估计其中每个点的支撑邻域来拟合出支撑曲面,进一步计算出邻域几何特征。其次,采用特征相似度的方法实现点云的初始配准。最后,在初始配准的基础上,加入两个新的夹角几何特征约束匹配点对改进ICP算法进行配准优化。利用bunny、兵马俑模型点云对算法的精度和通用性进行测试,并在实际应用中验证了配准效果和算法鲁棒性。结果表明,与传统的特征配准方法相比,该方法配准速度提高约10%以上,精确配准误差约为传统算法误差的1%。     

基于K-means++的多视图点云配准技术

针对大规模点集可能存在噪声、离群点及遮挡等情况,提出一种基于K-means+〖KG-*3〗+的多视图点云配准方法。首先,利用K-means+〖KG-*3〗+算法的随机播种技术对下采样后的多视图点集选取初始化的质心,并根据算法的基本原理完成聚类;其次,将点云数据存入K-D树结构,并利用最近邻搜索算法建立点集间的对应关系,从而提升对应点集的搜索效率;最后,通过迭代最近点算法依照扫描顺序计算各视图聚类得到的点云数据与所有视图间的刚性变换参数,将成对配准造成的误差均匀扩散到每个视图中,直至获得最终配准结果。在Stanford三维点云数据集上进行实验的结果表明,本文提出的方法比近年的部分多视图配准算法具有更高的配准精度及鲁棒性。     

Weighted motion averaging for the registration of multi-view range scans

Multi-view registration is a fundamental but challenging task in 3D reconstruction and robot vision. Although the original motion averaging algorithm has been introduced as an effective means to solve the multi-view registration problem, it does not consider the reliability and accuracy of each relative motion. Accordingly, this paper proposes a novel motion averaging algorithm for multi-view registration. Firstly, it utilizes the pair-wise registration algorithm to estimate the relative motion and overlapping percentage of each scan pair with a certain degree of overlap. With the overlapping percentage available, it views the overlapping percentage as the corresponding weight of each scan pair and proposes the weighted motion averaging algorithm, which can pay more attention to reliable and accurate relative motions. By treating each relative motion distinctively, more accurate registration can be achieved by applying the weighted motion averaging to multi-view range scans. Experimental results demonstrate the superiority of our proposed approach compared with the state-of-the-art methods in terms of accuracy, robustness and efficiency.     

基于改进PSO-TrICP算法的点云配准

针对传统迭代最近点(Iterative Closest Point, ICP)算法在初始空间位置偏差大时,容易陷入局部最优的问题,提出一种基于改进PSO-TrICP算法的点云配准方法。首先,对传统粒子群(Particle Swarm Optimization, PSO)算法进行改进,引入适应度的相似度测量准则调整粒子的更新方式,然后加入历次迭代的全局最优解的均值作为新的学习因子避免求解过程中出现“早熟”现象;其次用刚性变换参数和点云间的重叠率组成粒子,利用改进PSO算法为配准提供良好的初始相对位置;最后,通过裁剪迭代最近点(Trimmed Iterative Closest Point, TrICP)算法估计点云间的空间变换。实验结果表明,改进PSO-TrICP算法的配准精度与运行效率优于近年提出的同类配准算法,且具有较好的鲁棒性。     

用于多视点云拼接的改进ICP算法

点云拼接在三维物体重建中有着广泛的应用,由于扫描设备会受到光照、遮挡或物体尺寸等的影响,使得扫描设备不能在同一视角下获取待测物体的全部点云信息. 针对迭代最近点算法（ICP）受点云初始位姿影响较大,鲁棒性差的特点,提出一种将多视点云数据作为研究对象,基于改进ICP算法的点云拼接算法. 该算法在选取特征点时,将坐标轴与阈值相结合,设定一个阈值约束候选点的搜索范围,然后得到欧氏距离最近的点集,并使用ICP算法进行点云拼接. 实验结果表明使用本文算法较传统ICP算法在迭代耗时、拼接精度上有明显的优势.     

一种改进的RGB-D SLAM室内空间三维重建方法

提出一种改进的基于ORB(Oriented FAST and Rotated BRIEF)的RGB-D SLAM室内三维重建方法。前端利用改进的RANSAC(Random Sample Consensus)算法提升特征点匹配精度,结合PnP(Perspective-n-Point)实现点云图像的精确配准;后端采用位姿图进行优化,降低噪声数据对重建的影响;并利用回环检测控制重建过程中的误差累积。实验结果表明,所提出的特征点匹配方法能显著提高特征点的匹配精度,正确匹配率约为94%,较传统RANSAC算法提升6.5%;所提方法与传统RGB-D SLAM重建方法相比,重建结果质量更优,其中相机估计轨迹与真实轨迹互差RMS结果更佳,RMS值均小于0.08m。     

同态滤波下RGB-D点云配准方法

目的 为了提高彩色物体配准的精度,针对3维点云颜色信息易受光照条件影响的问题,提出一种基于光照补偿的RGB-D（RGB Depth）点云配准方法。方法 引入同态滤波算法,并将模型对象的3维点云转化成线性点序列,从而对颜色信息进行光照补偿,以提高颜色信息的一致性;获取模型的颜色和几何特征并加权组合成混合特征,以此定义源点云的特征点,并运用K近邻算法搜索其对应点;用奇异值分解（SVD）得到配准的刚性变换矩阵。结果 进行传统的迭代最近点法（ICP）算法、深度信息与色调相结合的算法以及本文算法在不同的光照强度组合的模型配准对比实验,结果显示,在网面凹凸均匀的大卫模型上,配准时间及特征点匹配平均误差方面均约减少到对比方法的1/2;在网面光滑的barrel模型和网面凹凸不一致的阿基米德模型上,特征点匹配平均误差约分别减少到对比方法的1/6和1/8。此外,与Super 4-Points Congruent Set（Super 4PCS）、彩色点云配准算法在不同组合光照强度下进行对比实验,针对4种不同的网面结构模型,本文算法的SIFT特征点距离平均误差全距约减少到对比方法的1/5。结论 利用同态滤波算法抑制光照影响,提高了颜色信息的一致性,在一定效果上消除了光照强度不均匀对3维点云配准精度的干扰。     

基于Kinect的实物地质标本三维重建

基于多视点图像运动结构恢复的三维重建方法相当耗时且鲁棒性低,针对以上问题,提出了一种基于Kinect的实物地质标本的三维重建方法. 首先使用GrabCut算法提取前景目标,结合原始深度图像生成对应视角的点云,再基于SIFT特征利用RANSAC算法执行点云粗对准,然后在ICP算法中引入异常值拒绝方法和动态调整权重思想进行点云精细配准,最终重建出完整三维点云模型. 实验结果表明该方法能快速重建出良好的实物地质标本三维点云模型,能有效处理标本缺少结构特征的情况,并且鲁棒性高.     

一种鲁棒的城市复杂动态场景点云配准方法

针对城市道路环境中面临的动态目标繁多、遮挡严重、以及GPS （全球定位系统）误差较大的问题,提出了一种无需检测动态目标且可以适应不同初始位置误差的快速、鲁棒的配准方法.首先,使用区域生长方法对去除地面的障碍物点云进行目标分割,并通过设定约束条件优化分割效果,生成点云的目标重心点集合;然后,提出了一种多层嵌套的RANSAC （随机抽样一致性）算法架构,迭代地更新配准结果,实现重心点集的粗配准并去除外点;最后,利用ICP （迭代最近点）进行点云的精确配准.与传统RANSAC方法的对比实验表明,该方法能够在复杂的动态场景和较大的初始位置误差下完成精确可靠的点云配准,且其配准成功率和配准速度明显高于传统方法.