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ICP的三维指纹拼接算法

三维指纹识别技术是生物特征识别领域中十分重要的研究热点,但是如何准确地得到完整三维指纹数据是当下研究问题的关键。本文采用结构光三维成像原理,设计搭建一套三维指纹采集系统,以获取高质量的三维指纹数据。同时通过最近迭代点算法实现多个视角下的三维指纹数据的配准。实验表明该系统可以高效快捷地获取完整,高质量的三维指纹点云数据。     

ICP算法在3D点云配准中的应用研究

三维点云配准是逆向工程中的关键。为提配准确度,提出了一种基于曲率特征点的ICP改进算法。算法在初始配准的基础上,采用二次曲面逼近的方法求得每一点的方向矢量和曲率,利用据曲率确定特征点集,并根据方向矢量调整对应关系,减少了ICP算法的搜索量,提高了ICP算法的效率。针对目标函数,引入Niloy坐标框架,可以根据点云距离调整收敛速度和配准精度。改进后的算法在精确度基本不受影响的情况下提高了配准速度,进行仿真实验。实验验证了配准效果和算法的稳定性。     

一种改进的稀疏迭代最近点算法

稀疏迭代最近点算法是针对含有噪声点的点云配准提出的,但它却存在对目标点云中的离群点敏感、运行效率低等问题。针对这些问题,基于邻域信息的对应点对寻找方法提出了一种改进的稀疏迭代最近点算法。改进的稀疏迭代最近点算法首先使用改进的基于PCA的点云初始配准调整两片点云的位置,而后使用基于邻域信息的对应点对寻找方法为精配准寻找对应点对,针对对应点对,使用乘法器的交替方向法(ADMM)求得最优的变换矩阵。实验表明,对含离群点的斯坦福兔子、盆栽等点云来说,改进后的算法能够处理目标点云含有离群点的情况,并且算法的配准速度平均提高了30%。     

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。     

改进的尺度迭代最近点配准算法

针对点云配准中的尺度和收敛速度问题,提出一种改进的尺度迭代最近点(scaling iterative closest point,SICP)算法。在ICP算法中加入带边界的尺度矩阵,解决点云配准中尺度变换的问题;引入动态迭代因子,自动调整配准过程中的刚体变换参数,在不影响算法的精度和收敛方向的前提下,减少迭代次数,提高算法的收敛速度。实验结果表明,与ICP算法和SICP算法相比,改进的SICP算法能够更好地解决含尺度因素的点云配准问题,是一种更加精确、快速的尺度点云配准算法。     

基于RGB-D相机的多视角机械零件三维重建

为了低成本且高效的实现对机械零件的三维重建和参数测量,研究了利用RGB-D相机从6个角度拍摄机械零件,获得零件不同角度的深度图像与彩色图像,通过坐标转换将深度图像转换成点云数据。首先利用滤波算法去除点云噪声,分割出机械零部件的点云数据,并利用PCA主成分分析法计算点云数据的法向量;使用最近点迭代算法(ICP)实现相邻三视角点云数据的配准,得到正背面的点云,将正背面点云进行旋转融合得到最终的目标点云数据;最后使用泊松重建算法得到完整闭合的零件三维模型。实验结果表明本文的三维重建方法具有较好的鲁棒性和准确性,重建得到的三维模型细节清晰,点云误差较小。     

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。     

基于配准元素选择的改进ICP算法研究

ICP算法作为解决深度图像的配准问题的一个应用较为广泛的算法,得到了研究者的关注,本文全面地回顾了ICP算法的研究背景,对其存在的不足进行了分析,并从配准元素选择的角度对它进行了简单的改进。     

基于改进法向量估计的多视角点云配准算法

针对多视角三维测量中多片点云重叠区域提取及高精度配准的问题,本文提出一种多视角异源低重叠率点云配准方法。首先基于点云之间的初始位置,互相计算源点云和目标点云彼此的最近点集,自动提取两片点云重叠部分;然后使用迭代最近点算法精配准重叠点云。通过法向量特征进一步提高点云配准精度,并提出改进点云法向量估计算法用以剔除错误匹配点对,显著减小了复杂结构点云配准的距离均方根误差。结果表明,使用经典点云数据仿真实验验证了该算法的性能,并通过多视角条纹投影三维测量系统采集点云数据验证了算法的有效性。     

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。     

约束改进的ICP点云配准方法

提高配准速度和精度是点云配准研究的重点。提出一种距离约束改进的迭代邻近点算法,针对邻近点法中找到的配准点,采用最近原则排除含相同点的点对;使用配准点重心作为参考点,结合点对距离约束排除误配准点对后进行点云配准;与使用点云重心作为参考点的方法和迭代邻近点算法进行了比较。实验结果表明,在配准速度和精度方面,提出的算法都有了提高,实现了点云的快速、准确配准。     

改进的ICP算法在三维模型配准中的研究

针对整体与部分3D模型间的配准问题,提出了一种基于自适应最优阈值的迭代最近点(iterative closest point,ICP)算法。首先使用主成分分析法将模型进行初始配准,并使用三维缩放变换调整模型的大小;然后采用KD-tree进行最近邻搜索以提高对应点的查找速度,计算在不同的阈值下对两模型执行ICP算法的配准误差,并记录误差最小时所对应的阈值Kbest;再以Kbest为阈值重新对两模型执行ICP算法,将目标模型和源模型配准;最后执行三维目标重合度检测算法,根据重合度再进行最后的反转调整。实验结果表明,改进的ICP算法既能配准整体与部分模型,也适用于两个完整模型间的配准,提高了ICP算法的精确度。     

基于改进迭代最近点算法的接骨板贴合性快捷计算方法

为了快速计算出接骨板在断骨表面的最佳贴合位置,以减少手术中接骨板反复调整的次数,提出了一种基于改进迭代最近点（ICP）算法的接骨板贴合性快捷计算方法。首先,由医生指导在断骨表面选取贴合区域,并利用接骨板表面点的法向量之间的夹角提取接骨板的内曲面点云;然后,在对两组点云模型进行平滑处理并采用格点采样的方式来简化点云模型后,利用点云之间的特征关系进行初始配准;最后,对接骨板内曲面点云模型进行边界及内部特征关键点提取,并采用K-维树（KD-Tree）搜索邻近点,对接骨板的特征关键点和断骨表面选取区域执行ICP精确配准。以胫骨为例进行实验,实验结果表明,所提算法相较于近年所提配准算法在保持较高配准度的同时提高了配准效率,能够实现胫骨不同受损类型与接骨板之间的快速配准,并且对其他受损骨骼具有通用性。     

基于NDT与ICP结合的点云配准算法

Lidar SLAM技术是无人车进行精确导航的一种重要方式,也是实现无人车在复杂的园区非结构化道路环境中安全驾驶的一种前提保障。构建了一种快速精确定位与建图的方法,通过车载激光雷达返回的大量点云数据,进行噪声点移除以及Voxel Grid滤波的预处理,在保持原始点云形态的同时实现点云配准。首先利用NDT（Normal Distribution Transform）点云配准算法对无人车的位姿粗估计,然后利用ICP（Iterative Closest Point）点云配准算法对已配准的点云进行校正,实现无人车位姿的精确估计,进而完成地图的更新过程。该方法只需要车载激光雷达传感器实现了快速的、精度高的Lidar SLAM。将算法用于小旋风无人车,在校园环境进行了验证,结果表明该算法是可靠、有效的。     

基于改进的差异演化算法的多视角离散数据配准*

针对初始位置差异比较大的不同视角的离散数据的配准,提出了基于差异演化算法和ICP的数据配准方法。首先通过改进的差异演化算法进行点云数据的粗配准,然后利用ICP算法进行精确配准。在演化过程中,通过四元素法减少解空间个体参数个数,对选择操作进行修改;同时采用自适应的交叉和变异概率,以避免过早收敛,提高差异演化的寻优速度。通过实例验证算法有较好的配准效果和运行速度。     

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.