基于邻域结构和高斯混合模型的非刚性点集配准算法

非刚性点集配准算法在实际应用中要求对噪声、遮挡或异常点具有很好的鲁棒性。该文采用高斯混合模型并结合点的邻域结构信息实现非刚性点集配准。使用高斯混合模型表示模型点集,通过高斯径向基函数构建变换模型。并根据点的邻域结构信息决定高斯混合模型中每个高斯组成部分所占的比例。在EM算法的期望步(E-step)阶段求解点的对应关系,在最大化步(M-step)阶段求解异常点比例系数和变换的闭合形式解,直至算法收敛得到最优解。通过在合成数据和实际的视网膜图像上的实验,与目前几种先进的点集配准方法进行了比较,证明该算法具有较好的配准效果和鲁棒性。     

基于天牛须改进粒子群算法的点云配准方法

为了提高激光点云配准精度与配准速度,采用了基于天牛须算法改进的粒子群算法,以点云分布熵为寻优目标, 寻找最优空间变换矩阵的点云粗配准,为点云精配准提供良好的初始条件。结果表明,点云分布熵较传统的均值平方差评价方式有更快的计算速度,基于天牛须算法改进的粒子群算法具有全局搜索能力强、计算速度快等特点,与传统点云粗配准方法相比,该方法配准速度提升了近25%;在点云数据量大的条件下,表现出较快的配准速度。这一方法对如何提高激光点云配准速度具有参考意义。     

基于3DSIFT和BSHOT特征的点云配准方法

针对点云配准过程中易产生错误匹配点、配准时间长、配准精度低等问题。提出了基于三维尺度不变特征变换(3DSIFT)关键点检测方法,结合二进制方向直方图描述子(BSHOT)构建点云匹配对的配准方法。该方法首先利用差分高斯模型在三维尺度空间上检测SIFT关键点,其次在关键点的邻域构建局部坐标系来计算SHOT描述子,并将SHOT描述子转化为二进制描述符。然后利用随机采样一致性算法去除误匹配的点云,初步估计点云的变换矩阵。最后在精配准上利用ICP算法估计最优的变换矩阵。在数据集的实验中验证了本文算法的快速性,同时在两个点云重叠率较低时,配准精度较高。     

自动计算重叠度的多源点云配准方法

针对多源点云配准存在噪声、部分重叠、不同模型的配准参数难确定等问题,提出一种基于贡献因子的改进TrICP算法。首先,使用改进体素降采样以及随机降采样对点云进行降采样。然后,利用改进算法的贡献因子来保留对配准贡献度更大的点对,使用奇异值分解法（SVD）对变换矩阵求解,同时计算距离曲线上的点经过原点的斜率来自动计算重叠度,实现点云的全自动配准。使用斯坦福大学的Bunny点云以及“茂县624”滑坡现场点云数据对改进算法及TrICP等多个算法进行对比实验。结果表明:相对于TrICP,改进算法在Bunny点云以及滑坡体点云上,配准速度分别提升50%和67%,且精度更高,并在添加大量噪声情况下仍能正确配准,这表明该算法能对含大量噪声、部分重叠、非同源的激光与影像重建点云进行可靠高效的自动配准,实现多源数据优势互补以获取目标的精准点云信息。     

面向狭窄场景的鲁棒多视角配准方法

多视角点云配准是逆向工程中的关键步骤之一,具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据,多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性,提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云,结合迭代最近点法(ICP)和基于特征的配准方法,提出一种多策略融合的成对点云配准算法,用于求解相邻视角点云的配准结果;然后在增量式相邻视角点云配准的基础上,进一步提出一种基于距离约束的回环检测方法,并依据相邻视角点云的配准结果和回环检测的结果构建位姿图;最后采用实时优化策略对位姿图进行优化,消除累计误差,实现鲁棒的多视角配准。实验结果表明,提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象,而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性,采用多个狭窄场景下连续采集的模型点云进行验证,结果表明:提出的算法取得了不错的效果,表明该方法是一种有效的狭窄场景多视角配准方法。     

基于Frobenius范数奇异值分解的快速ICP算法

迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法,但此类通过迭代计算逐点距离矩阵实现点云配准的方式,严重制约了点云的配准效率。本文提出一种快速ICP算法,利用Frobenius范数表示待配准的两幅点云之间的误差函数,获得误差值最小点位置,并对此位置进行奇异值分解,从而得到旋转矩阵和平移向量,极大压缩了迭代次数和配准时间。在Standford数据集和3DMatch数据集上进行试验,与传统ICP算法及其变体、3种基于学习的点云配准算法进行对比,本文方法配准效率最优;在达到相近的配准精确度时,提出的快速ICP方法的迭代次数仅为传统ICP算法的0.2倍,在Standford数据集上配准所需时间为传统ICP算法的1/4,在3D Match数据集上配准所需时间为传统ICP算法的1/8倍。本文提出的快速ICP算法在数据量大的点云场景下,具有更高的效率。     

基于随机采样一致性算法的激光点云大数据自动配准技术

激光点云大数据中存在冗余数据，导致其大数据自动配准过程中存在配准速率慢、精度差等问题，为此提出基于随机采样一致性算法的激光点云大数据自动配准技术。将初始半径和最小邻域拟作自定义变量，使用密度聚类法剔除冗余激光点云数据，运用双边滤波平滑点云信息；分析不同角度下两组激光点云数据的刚体变换关联，获取对应且不共线的采样点，将模型点配准率作为激光点云采样数据和真实数据一致性衡量指标，完成激光点云大数据初始配准；通过迭代最近法找出两个点云集合的最近点，利用M-估计方法优化误差惩罚函数，实现激光点云大数据自动配准。仿真结果证明，应用所提方法得到在未引入噪声时的激光点云数据配准重合度为0.97,噪声环境下的点云配准重合度为0.96,配准平均耗时为59.6 s。     

基于改进ICP的点云配准算法

文中提出了一种新的点云数据配准算法。首先,估算两组点云数据中每个点的曲面法矢,并据此计算各个点的曲率;然后,根据各个点的曲率确定两组点云数据中可以匹配的点对集合;再采用几何哈希方法计算三维空间变换,实现粗配准;最后,将粗配准的结果作为精配准的初值,通过在ICP算法中添加动态迭代因子的方法来改进ICP算法,实现最终的配准。实验结果表明,文中算法能完成两组点云数据的精确配准,而且改进的ICP算法可以在不影响配准精度的情况下,极大地提高算法的收敛速度。     

邻域多维度特征点结合相关熵的点云配准北大核心CSCD

针对传统点云配准中存在配准精度低、耗时长的问题,提出一种邻域多维度特征点结合相关熵模型的点云配准方法。首先根据邻域点的加权投影信息、表面曲率和法向量夹角提取特征点;其次用二值化的方向直方图描述子(B-SHOT)进行特征描述与匹配,然后利用刚性距离约束剔除误匹配,并通过随机采样一致性算法获取初始变换矩阵;在精配准阶段,以点到面的距离为准则双向搜索对应点,并通过多种几何特征约束剔除误匹配点对,最后迭代最大相关熵模型的目标误差函数完成精配准。实验结果表明,本文算法比迭代最近点算法(ICP)的配准精度提高了15%~97%、配准效率提高了约90%。     

改进TrICP算法的多源点云配准研究

针对建筑物多源点云数据配准时出现配准精度低和效率不高的问题,提出一种基于主成分分析(PCA)的改进修剪迭代最近点(TrICP)多源数据配准方法。首先采用PCA算法对点云计算主轴方向,并基于方向反向问题创建校正矩阵进行校正,从而得到两组点云的初始良好位姿转换,完成点云的粗配准步骤;然后针对修剪迭代最近点中搜索点对和迭代次数问题,采用赋权的改进修剪迭代最近点算法完成两种点云数据的精配准。实验数据结果表明,改进的配准算法可以有效地减少多源点云数据迭代次数,提高配准精度并且保证了点云的完整性,相较于其他三种对比算法,精度分别提高56.75%、39.60%、28.08%,有效提升了配准的效率。     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

一种改进的ICP激光点云精确配准方法

传统迭代最近点(Iterative Closest Point,ICP)算法在进行点云配准时,若点云初始位置相差较大时,容易陷入局部最优,同时,该算法无法解决部分重叠的点云的配准问题。鉴于此,提出了一种改进的ICP激光点云精确配准方法。首先通过对两片点云的主成分分析并矫正主轴方向以完成初始配准,获得一个较好的初始位置。然后利用2次搜索最近距离来获取各点的概率值,并将其嵌入到最小二乘函数中来改进ICP算法,以达到对部分重叠的点云进行配准的目的。实验结果表明,在不同重叠度的数据下,提出的方法的配准误差分别为0.307 8 mm、0.287 2 mm;运行时间仅为4.4 s、4.2 s。该方法可以对初始位置相差较大且具有部分重叠的点云进行精确配准,同时提高运行效率并对噪声具有相应的鲁棒性。     

A novel partial-to-partial registration method based on sampling network

Point cloud registration is mainly to estimate a rigid transformation between point clouds. The traditional optimization-based registration method requires a good initial position, and it is easy to fall into a local optimal solution. Some learning-based methods are introduced to reduce the dependence on the initial transformation, but they cannot handle partial-to-partial registration tasks. This paper proposes a learning-based registration method for partial-to-partial scenario. The local geometry is encoded into the feature representation of each point. A transformer network is used to enhance attention features. A designed sampling network down-sample key matching points and their corresponding features. The rigid transformation is calculated according to virtual correspondence by a singular value decomposition layer. The ModelNet40 dataset and Stanford 3D Scanning models are used to test the registration performance. Experimental results show that the proposed method achieves better registration accuracy than traditional methods, and it is robust to any initial transformation and noise.     

3D reconstruction and multiple point cloud registration using a low precision RGB-D sensor

A 3D reconstruction method using feature points is presented and the parameters used to improve the reconstruction are discussed. The precision of the 3D reconstruction is improved by combining point clouds obtained from different viewpoints using structured light. A well-known algorithm for point cloud registration is the ICP (Iterative Closest Point) that determines the rotation and translation that, when applied to one of the point clouds, places both point clouds optimally. The ICP algorithm iteratively executes two main steps: point correspondence determination and registration algorithm. The point correspondence determination is a module that, if not properly executed, can make the ICP converge to a local minimum. To overcome this drawback, two techniques were used. A meaningful set of 3D points using a technique known as SIFT (Scale-invariant feature transform) was obtained and an ICP that uses statistics to generate a dynamic distance and color threshold to the distance allowed between closest points was implemented. The reconstruction precision improvement was implemented using meaningful point clouds and the ICP to increase the number of points in the 3D space. The surface reconstruction is performed using marching cubes and filters to remove the noise and to smooth the surface. The factors that influence the 3D reconstruction precision are here discussed and analyzed. A detailed discussion of the number of frames used by the ICP and the ICP parameters is presented.     

结合NARF特征的改进型3D-NDT多视点云配准

提出了一种精确有效的多视图配准算法。首先,使用NARF算法对每幅点云进行关键点检测,并以NARF关键点为原点建立局部坐标系,估算FPFH描述符;其后使用基于RANSAC的对应估计和对应关系去除算法剔除错误对应关系,确定三维特征匹配点对,并求解出变换矩阵,完成初始配准。然后,使用3D-NDT算法体素化点云,并使用概率分布函数对点云精细配准。最后,使用逐步匹配法对一系列点云进行配准,使其全部配准到统一坐标系中。实验结果证明,该算法能精确的对由KinectV2.0获取的同一场景不同角度的多幅点云图像进行配准,且其配准精度较高。      

空间非合作目标点云聚类配准方法

空间非合作目标的相对位姿测量问题成为空间在轨操作任务的重难点,通过对激光雷达获取的目标三维点云进行聚类,得到小规模、特征明显的聚类点云,有效提高了配准效率和精度。针对基于区域生长的聚类算法在对可视点云进行聚类时,特征相似部分无法聚类识别的问题,提出了二维图像优化三维点云聚类的方法。该方法将深度值信息和RGB颜色值建立数学映射关系,点云降维后,利用颜色梯度突变进行边界提取,将边界内的点逆向恢复到原始点云,最后将各个类的点云进行合并,得到易于识别的显著特征点云。实验结果表明,在配准角度误差为±5°的条件下,可有效地缩减点云规模并保留了显著特征,提高ICP配准算法的计算效率,为解决空间非合作目标相对位姿实时测量提供技术支持和解决思路。     

大规模城市三维重建中点云配准及平面提取研究

点云配准是大规模城市三维重建中的重点问题。考虑到楼宇与地面是城市的主要组成部分,而平面是构成它们的重要几何元素,本文提出了一种通过匹配平面结构来进行大规模城市点云数据配准的新方法。为了准确获得点云平面,本文针对现有聚类方法仅依靠数据点的相关性而导致平面结构错误提取的情况,提出了一种同时结合数据点相关性和模型假设相关性的联合聚类算法。获得平面结构后,论文采用随机采样策略将提取的平面结构匹配,获取点云间的变换矩阵,完成点云的配准。实验结果表明了本文联合聚类算法可以很好地提取点云中平面,同时也验证了利用平面结构匹配对城市点云配准的有效性。由于本文算法仅需对稀疏点云进行处理来完成配准,降低了配准中的计算量与复杂度,所以十分适合应用于大规模城市三维重建。