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。     

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。     

工程装备逆向建模中的点云配准技术研究

通过应用一种基于区域划分的Super4PCS算法用于点云全局配准,根据源点云与目标点云的重叠比例对点云进行区域划分,计算出能够实现最大比例重叠的区域;最后求解出各区域配准的旋转矩阵和平移向量,并将其用于全局配准,同时采用了基于重启加速ADMM改进的稀疏ICP算法用于点云局部配准。实验结果表明,所用算法在两配准点云低重叠比例时,能够有效地提高配准精度与配准效率,同时避免了陷入局部最优解的问题。     

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。     

序列图像约束的点云初始配准方法

针对现有算法难以精确配准重叠区域较小的点云,提出一种结合二维序列图像的点云初始配准方法。基于移动式三维测量方法获取实物表面灰度图像及三维数据,根据透视投影原理对相机在点云局部坐标系中的位置进行定位,获取点云到对应相机坐标系的变换矩阵,并以灰度图像的特征点及其匹配点作为匹配对,通过重建序列图像对相机外参数予以全局优化,根据初始配准公式实现点云初始配准。试验结果表明,该算法可正确配准重叠区域较小的点云,且能显著提高配准过程的稳健性及配准效率。     

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。     

改进的点云精确匹配技术

针对点云精确匹配,提出一种改进的ICP算法.首先采用标签法寻找对应的标志点对.计算变换矩阵完成点云的粗匹配,其次采用KD-Tree髓的空间搜索策略,计算点云之间的重叠部分以缩小ICP算法的遮代区域;然后给出对应点对的约束条件,通过删除错误的对应点对以提高有效性.该算法提高了精匹配的效率和匹配精度,并用实例验证了方案.     

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。     

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。     

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。     

混合稀疏迭代最近点配准

为了避免离群值的影响,提出了混合稀疏迭代最近点(SM-ICP)方法,以实现点云精确配准。本文对稀疏表示、正则化求解和点云配准方法进行了研究。首先,利用混合正则项表示配准残差,构建混合稀疏配准函数。然后,结合交替乘子法(ADMM)构建了所提出函数的双循环优化框架。其中,混合正则项的平衡权重θ可由Sigmoid函数求解;此外,还给出了ADMM优化框架内循环中对应损失函数的标量形式。最后,推导了该标量化损失函数在点云配准中的软阈值表达式。实验结果表明,所提出SM-ICP算法的配准精度优于所对比的算法。特别的,在重叠率约为50%的斯坦福兔子配准实验中,SM-ICP算法的截断配准误差为2.04×10-4,较Robust Trimmed-ICP(Tr-ICP)算法和ICP算法的配准误差减小了一个量级,且较稀疏ICP(S-ICP)算法减小了约三倍;在其它对象、场景类型的点云配准实验中,SM-ICP算法的配准精度同样较其它对比算法更优;在具有不同层级随机噪声点云的配准实验中,SM-ICP的截断配准误差为4.90×10-6～1.33×10-4,同样较其它对比算法减小了一个量级或几倍;在发动机叶片配准实验中,本文方法成功实现了点云精确配准,而其它对比算法的配准结果中存在不同程度的点云错位情况。所提出的点云配准方法具有精确、鲁棒性和泛化性等优势。     

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%。     

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。     

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。     

大型自由曲面零件的机器人视觉快速定位方法

针对大型自由曲面零件缺少规则特征导致定位成本高、效率低且精度难以保证的问题,提出一种机器人视觉快速定位方法.设计了自适应分辨率的超体素聚类算法,对不同模型点云进行均匀分割;提出以分块质心点的曲率、夹角以及快速点特征直方图(FPFH)描述子为依据,快速识别出完整CAD模型点云与局部测量数据的重叠区域并求解粗配准矩阵.改进了分支定界(BNB)嵌套迭代最近点(ICP)算法,提出基于关键点的快速精配准方法.以冲压件为对象进行实验验证,结果表明本方法节省了30％以上的配准时间,并显著提高了配准精度,能够解决大型自由曲面零件的定位难题.     

逆向工程中基于小波和曲率图像的离散数据配准

提出了基于小波和曲率图像的数据配准算法,用于逆向工程中不同视角测量数据的配准.对原始数据不需要进行预处理,该算法可直接操纵原始数据,并自动检测不同视角数据集的公共重叠部分,进行快速配准.首先采用局部Bezier曲面拟合方法计算测量数据的离散曲率,然后采用主元分析方法对数据进行采样,构造曲率图像.利用小波分析对曲率图像进行匹配后,可求得原数据集的公共重叠数据.在此基础上利用单位四元数法可求得空间旋转和平移矩阵,实现原始数据配准.运行实例证明了此算法的有效性.     

基于ORB关键帧匹配算法的机器人SLAM实现

针对复杂环境下机器人的同时定位与地图构建(SLAM)存在实时性与鲁棒性下降等问题,将一种基于ORB特征点的关键帧闭环检测匹配算法应用到定位与地图构建中。研究并分析了特征点提取与描述符建立、帧间配准、位姿变换估计以及闭环检测对SLAM系统的影响,建立了关键帧闭环匹配算法和SLAM实时性与鲁棒性之间的关系,提出了一种基于ORB关键帧匹配算法的SLAM方法。运用改进ORB算法加快了图像特征点提取与描述符建立速度;结合相机模型与深度信息,可将二维特征图像转换为三维彩色点云;通过随机采样一致性(RANSAC)与最近迭代点(ICP)相结合的改进RANSAC-ICP算法,实现了机器人在初始配准不确定条件下的位姿估计;使用Key Frame的词袋闭环检测算法,减少了地图的冗余结构,生成了具有一致性的地图;通过特征点匹配速度与绝对轨迹误差的均方根值对SLAM系统的实时性与鲁棒性进行了评价。基于标准测试集数据集的实验结果表明,ORB关键帧匹配算法能够有效提高SLAM系统建图速度与稳定性。     

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。