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PCA校正的改进ICP销孔工件点云配准方法

针对销孔工件的目标点云和模型（源）点云空间坐标系不一致问题,提出了一种采用主元分析法（PCA）校正的改进ICP点云配准方法。首先,采用主元分析法（PCA）计算销孔工件目标点云和模型点云数据的主轴方向、并求得初始转换矩阵;其次,对初始转换矩阵进行误差分析,采用双向KD树近邻搜索最近点的方法加速两片点云初始转换矩阵的误差校正,得到校正后的转换矩阵,从而完成粗配准;然后,引入法向量夹角阈值约束剔除错误匹配点对改进ICP算法实现精配准,最终将两片点云坐标系调整一致。通过实验进行了比较分析,实验结果表明,该方法可以有效实现销孔工件的点云配准,同时获得较优的配准速度和精度,采用该方法最终的配准误差为0.0354mm,平均配准耗时4.639s。     

一种基于SAC-NDT和ICP的高精度点云配准方法

传统的正态分布变换算法精度低,而精度较高的迭代最近点算法极易陷入局部最优解。为了解决以上问题,将采样一致性算法与NDT算法结合作为点云初始配准方法,再利用KD-tree加速的ICP精配准方法完成点云匹配。实验结果表明,本文所提出的方法大大提高了配准精度。     

基于假设检验匹配约束的点云配准算法研究

针对点云配准中效率低、误差大、抗噪性弱等问题,提出了一种改进的基于t检验的迭代最近点(T-ICP)算法。在初始配准阶段,采用统计分析对源点云和目标点云中的离群点进行标记并提取非离群点,然后采用主成分分析法(PCA)计算非离群源点云和非离群目标点云之间的变换矩阵,并将变换矩阵应用于源点云。在精配准阶段,以迭代最近点(ICP)算法作为基本框架,通过对候选点对的邻域距离分布进行t检验来剔除错误点对,并采用均匀分布策略来搜索点对,保证点云的完整形态配准。实验结果表明,相较于迭代最近点算法以及近两年一些改进的配准算法,该算法在效率和精度上分别提高了10%~50%和4%~40%,并具有较好的鲁棒性。     

基于投影的点云配准算法

点云配准分为粗配准和精配准两个阶段。在精配准阶段,大部分采用迭代最近点(ICP)算法。由于ICP算法的性能很大程度上依赖于点云初始位置,因此点云粗配准是点云配准的关键环节,能为ICP提供良好的初始位置。基于三视图的概念,分析了点云配准的关系,提出了一种新的点云空间位置评价方法,进而利用遗传算法提出了一种降维处理空间点云的点云粗配准新算法。首先,将三维空间点云分别投影到三个坐标平面,利用信息熵概念求解每个投影面的熵值;然后,以三个坐标平面的熵值之和作为目标函数,利用遗传算法搜索出最优空间变换矩阵;最后,将变换矩阵作用于目标点云实现点云的粗配准。试验表明,新算法配准效果好,能为精配准提供优良初始位置,且效率高。该算法能为点云的曲面重构研究提供优良的原始点云数据。     

基于ISS特征点和改进描述子的点云配准算法研究

迭代最近点(ICP)配准算法需要两点云处于良好的初始位置,否则在配准时容易陷入局部最优。针对该问题,提出了一种基于内部形状描述子(ISS)特征点与改进描述子的粗配准方法,使得低重叠度或无公共重叠部分的点云获取良好的初始位置。首先,利用ISS特征点提取点云的特征点;其次,基于特征点与其邻域点法向量夹角提出改进的描述子,根据描述子的欧氏距离将点云特征进行匹配;第三,通过单次最优变换进行粗配准;最后,对两点云进行精配准ICP迭代。实验表明,在点云模型完整的情况下,本文方法可为精配准提供良好的初始位置,且粗配准精度比传统点云配准精度高三个量级,配准效率提升23.7%。     

基于线特征及迭代最近点算法的地基建筑物点云自动配准方法

为克服迭代最近点(ICP)算法易陷入局部最优的缺陷，提出一种基于线特征及ICP算法的地基建筑物点云自动配准方法。首先，基于法向一致性进行建筑物点云平面分割；接着，采用alpha-shape算法进行点簇轮廓线提取，并拆分和拟合处理得到特征线段；然后，以线对作为配准基元，以线对夹角和距离作为相似性测度进行同名特征匹配，实现建筑物点云的粗配准；最后，以粗配准结果为初值，进一步采用ICP算法完成点云精确配准。利用两组部分重叠的建筑物点云进行配准实验，实验结果表明，采用由粗到精的配准方法能有效改善ICP算法对初值依赖的问题，实现具有部分重叠的建筑物点云的有效配准。     

迭代最近点算法的改进策略

迭代最近点（Iterative Closest Point, ICP）算法是一种最为常见的点云配准方法，虽然配准精度高，但收敛速度慢，对含噪声、覆盖率较低点云的配准效果不佳。鉴于此，本文提出3种ICP算法的改进方法。针对含噪声的点云，采用概率ICP算法来抑制噪声点对配准结果的影响，提高配准精度；为了提高点云配准速度，采用坐标ICP算法实现点云的快速配准；针对低覆盖率点云，采用盒子ICP算法实现配准，可以大大提高配准精度和速度。通过兔子点云配准实验表明，3种改进的ICP算法在点云配准精度和速度方面都有很大程度的提高，均为有效的点云配准方法。     

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。     

基于多核并行和动态阈值的点云配准算法

针对点云配准中存在错误匹配点对、精度不高等问题,提出一种基于多核并行和动态阈值的点云配准算法。该算法采用改进的SAC-IA算法进行点云粗配准,利用OpenMP实现点云查询点的法向量、FPFH等特征的并行加速提取以及对应点对的并行查找,从而使整个配准算法的速度得到保持甚至提升。在点云精配准阶段,使用改进的ICP算法进行精配准,改进点着眼于错误对应点对的剔除及其阈值的动态确定,即以配准点重心作为参照点,按照动态阈值,使用点对距离约束剔除错误对应点对。实验结果表明,本文算法在提升配准精度的情况下,配准速度也得到了提升。     

改进的基于FPFH特征配准点云的方法

ICP(Iterative Closest Point)算法是点云配准中最常用的算法,而点云的FPFH(Fast Point Feature Histograms)特征可在点云配准中为其提供初始匹配信息。针对该方法的初始匹配中距离测度等问题,提出一种改进的基于FPFH特征配准点云的方法。点云配准时首先计算2个点云的点的FPFH特征之间的巴氏距离,以k-d树检索巴氏距离最小的对应点,然后利用奇异值分解计算初始转换矩阵,进行ICP算法精细匹配,求得最终变换矩阵。实验结果表明,改进的基于FPFH特征配准点云的方法能为ICP算法提供良好的初始变换矩阵,在同等迭代次数下该方法具有更高的精度。     

基于多分辨率的快速迭代最近点配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法计算时间长的问题,提出一种基于多分辨率配准点的ICP算法。使用自适应体素网格滤波器对原始点云进行多分辨率采样,利用低分辨率点云快速迭代获得两点云间初始变换矩阵;利用高分辨率点云在初始变换基础上做更精确配准。实验结果表明,该算法在配准精度基本不变的情况下,可以显著降低配准时间,且随着点云点数增加,速度提升效果越明显。     

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.     

SIFT算法在点云配准中的应用

提出一种精确有效的点云配准算法。通过对图像进行SIFT特征检测与匹配来获得特征点与匹配关系,用RANSAC算法剔除误匹配点,然后由映射关系获取三维对应特征点,采用投票法来进一步剔除误匹配点。在由单位四元数法获得点云初始位置关系的基础上,采用基于特征点的改进ICP算法来实现精确配准。通过实验验证,该算法在点云配准中具有速度快和稳定性好的特点。     

基于区域分割的低覆盖点云配准算法

针对低覆盖点云配准的时间复杂度高、收敛速度缓慢以及对应点匹配易错等问题,提出一种基于区域分割的点云配准算法。首先,利用体积积分不变量计算点云上点的凹凸性,并提取凹凸特征点集;然后,采用基于混合流形谱聚类的分割算法对特征点集进行区域分割,并采用基于奇异值分解（SVD）的迭代最近点（ICP）算法对区域进行配准,从而实现点云的精确配准。实验结果表明,所提算法通过区域分割可以大幅提高点云区域的覆盖率,并且无需迭代即可计算刚体变换的最佳旋转矩阵,其配准精度比已有算法提高了10%以上,配准时间降低了20%以上。因此,所提算法是一种精度高、速度快的低覆盖点云配准算法。     

ICP算法在点云配准中的应用

逆向工程中经常需要把多次测量得到的点云进行配准。提出了一种基于特征点的改进ICP算法,在采用主方向贴合法实现初始配准的基础上,使用曲率特征点和k-dtree寻找最近点,提高了ICP算法的效率。该算法具有速度快精确度高的特点,并且在实际应用中验证了配准效果和算法稳定性。     

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。