基于移动最小二乘曲面的点云拼接算法

针对现有点云拼接方法受被测零件复杂外形和测量噪声影响的问题,提出基于移动最小二乘( Moving Least-Squares,MLS)曲面的点云拼接算法.该算法利用一种极值投影方法来有效计算点到MLS曲面的对应点,并结合迭代最近点(Iterative Closest Point,ICP)算法将各个视角的点云统一到该ML...     

光栅投影测量系统三维形貌拼接技术研究

针对尺寸较大或型面复杂的被测物形貌的测量,提出了一种基于投影仪投射标记点和全局控制点的三维形貌拼接方案。方案充分利用光栅投影测量系统的优势,以拼接相机坐标系为中介,将被测物表面在投影系统视觉传感器坐标系下的多视点云坐标转换到全局坐标系下,实现了将投影系统视觉传感器在不同位置、不同角度的测量数据统一到全局坐标系,完成拼接。该方案避免了人工标记点的粘贴,保持了被测物表面的原有形貌,提高了测量效率,同时克服了基于相邻图像重叠拼接中的误差累积问题。此方案方法操作简单,原理可行,精度可满足要求。实验结果表明:拼接的X,Y,Z坐标均方根误差分别为:0.056 mm、0.023 mm、0.165 mm,测量系统的绝对误差为0.33 mm。     

一种有序点云快速去飞点算法

在结构光高精度测量与生产线自动化结合的过程中往往要求实时性。为了有效提取测量物体的点云信息以及提高运算效率,利用面阵相机与投影仪像素点有序的特性,提出一种针对有序点云的快速去飞点算法。首先,根据点云数据估计投影矩阵,通过估计的投影矩阵把点云投影到一个像平面,然后基于滑动窗口把像平面上的每一个点最近邻搜索k个临近点,最后根据概率阈值并行地统计分析某点的k邻近点,符合条件的作为飞点去除。该算法易于工程实现,简单有效。实验结果表明,该算法具有良好的点云滤波效果和计算效率。在一定条件下可以达到工业化测量的精度和速度要求。     

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.     

基于仿真的无人机遥感图像拼接误差分析

针对多幅无人机遥感图像连续拼接时,累积误差逐渐增大导致拼接的图像严重扭曲变形的问题,提出了一种基于前方交会的投影误差修正算法。该算法根据前方交会原理,解算出同名点对所对应3D点的空间坐标;然后,将所有3D点正射投影到同一物平面上,并将正射点重投影到像平面上,获取校正后的同名点对;最后,利用M估计抽样一致性(MSAC)算法估计单应性矩阵,并进行图像拼接演示。仿真实验结果表明,所提算法能有效地消除投影误差,进而达到抑制无人机遥感图像拼接误差的目的。     

融合稀疏点云补全的3D目标检测算法

基于雷达点云的3D目标检测方法有效地解决了RGB图像的2D目标检测易受光照、天气等因素影响的问题.但由于雷达的分辨率以及扫描距离等问题,激光雷达采集到的点云往往是稀疏的,这将会影响3D目标检测精度.针对这个问题,提出一种融合稀疏点云补全的目标检测算法,采用编码、解码机制构建点云补全网络,由输入的部分稀疏点云生成完整的密...     

基于结构光3D视觉的空间姿态识别系统设计

为提高产品零件空间姿态识别的精度和收敛速度，提出基于结构光3D视觉对空间姿态识别的方法。首先，采用投影仪和相机获取产品零件图像信息，利用相移法获取深度信息，通过深度图点云重建获取3D点云数据；然后对3D点云数据进行特征处理和分类时，建立点云网络(Point Network, PointNet)模型；最后，采用改进的迭代最近点(Iterative Closest Point, ICP)算法对3D点云数据配准，从而实现产品零件姿态的识别。实验结果表明，该方法在对产品零件点云特征分类性能上，准确率能达到96%左右，召回率能稳定在92%左右；在配准精度和收敛速度上，较其他两种方法更优越，进一步验证了该方法的有效性和可行性。     

一种无标记点三维点云自动拼接技术

基于相位投影和双目的三维光学测量系统已经广泛应用于各领域.受投影光测量系统单次测量范围大小的限制,对大型物体的测量需要在表面粘贴圆形标记点进行多次拼接的缺点,探讨一种基于SIFT的无标记点自动拼接技术.该技术采用SIFT方法获取两次测量的特征点,其次结合RANSAC求出图像特征点的匹配关系,再根据立体匹配中图像特征点与三维点云之间的对应关系,将二维特征点的对应关系映射到三维点云的对应关系上,最后由SVD奇异值分解算法求得旋转和平移矩阵实现拼接.实验证明:该方法可以避免在被测量对象上粘贴标记点,能够快速准确地实现自动拼接.     

基于曲率信息的人工蜂群点云配准算法

针对仅使用群智能优化算法及点云空间信息进行点云配准时,优化过程寻找两片点云对应点耗时较长,收敛速度较慢的缺点,提出一种基于曲率信息的人工蜂群点云配准算法。算法根据曲率信息提取特征点,通过改进人工蜂群算法优化目标函数得到可以使两片点云重合的最佳变换矩阵。在种群优化过程中根据曲率信息约束对应点寻找范围,缩小参与计算点云的规模。对比实验表明,与仅采用随机选点方法和使用点云空间坐标信息的配准算法等相比,所提出算法可以在不降低配准精度的同时,有效加快配准收敛速度,显著缩短点云配准所用时间。     

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。     

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。     

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。     

基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。     

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。     

基于牙颌模型的散乱点云配准技术研究

在牙齿三维矫正中需要对牙齿进行排列,常用方法是通过人机交互完成,效率不高。提出了一种基于粒子群的自动化排牙方法,将每颗牙齿上的特征点到标准牙弓曲线的距离和作为目标函数,利用粒子群算法对解空间进行搜索,在搜索过程中加入约束条件,得到牙齿移动的最终位置。利用算法对牙齿进行排列,可以省去人机交互中的平移等操作。实验结果表明：该算法能够有效地用于牙齿三维矫正中,提高了排牙效率。     

三维点云配准中的计算智能方法综述

随着三维数据采集设备的成熟与普及,由激光雷达、结构光传感器和立体相机等设备采集的点云数据引起了广泛关注,并以此研究出针对点云的配准、分类、分割和跟踪等算法,推动了点云相关研究领域的科研进展。点云配准是点云数据处理的一个重要研究方向,旨在找到一个刚性变换运动参数,使得运动参数作用于源点云后能够与参考点云对齐。传统的点云配准方法大多存在着对初始位姿、异常值敏感等问题,而计算智能方法在处理点云配准问题,例如去除孤立点或求解矩阵时可以有效解决这些问题,并且能够适用于点云重叠程度低的情况,表现出较强的鲁棒性和泛化性。这种方法不依赖于问题本身特性,也不需要建立精确的模型,只需要求出替代真值解的近似解,大幅简化了计算量。在计算智能中,深度学习因其强大的学习能力越来越多地应用于点云配准问题,同时由于进化计算的强大全局搜索能力以及模糊逻辑对不确定性的良好适应能力,许多研究也将这两种方法应用于配准问题。本文对点云配准领域中的计算智能方法进行全面讨论,分别从基于深度学习、进化计算和模糊逻辑的点云配准方法这 3 个方面展开论述,同时对传统的点云配准方法进行简要介绍,并对各种方法的优缺点进行了详细讨论,旨在以更全面、清晰的方式总结点云配准问题上的相关研究。     

分形维数的全局点云初始配准算法

针对重叠率低、角度大的点云数据之间的配准进行了研究,提出基于分形维数的全局点云初始配准算法。计算点云中各点的维数值;通过维数属性,从点云中提取特征点;聚类特征点,形成全局结构;从全局结构中,获得全等三角形对,作为匹配点对,进行初始配准;进行剪枝迭代最近点（Trimmed Iterative Closest Point,Trimmed-ICP）细配准。该算法与全局最优迭代最近点（Global optimal Iterative Closest Point,Go-ICP）算法相比,能够有效缩小不同角度的点云数据之间的位姿差异,显著提升对重叠率低、角度大的点云数据的配准效果。     

基于3D-Harris 与FPFH 改进的3D-NDT 配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初 始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的 点云匹配算法。首先,运用3D-Harris 算法识别每一幅点云的关键点,并以此为基本点建立局 部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应 估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需 的变换矩阵,完成初步匹配。随后,根据3D-NDT 算法将点云数据空间体素化,运用概率分布 函数完成最终的点云进行精确地匹配。使用改进配准将3 组分别从网络下载的较少噪声、大规 模与Kinect V2.0 采集的较多噪声、大规模的2 组重叠度不同的点云数据匹配到同一个空间参考 框架中,并通过精度分析对比经典3D-NDT,ICP 等算法。实验结果证明,该算法在迭代次数 较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂 度适当降低,缩短配准时间需要更进一步的研究。     

结合方向包围框改进的三维点云配准算法

为了提升源点云和模板点云在初始相对偏转角度过大时的配准精度,提出了一种结合方向包围框的改进 PointNetLK算法PointNetLK-OBB。该算法用三维点云的方向包围框表示源点云和模板点云的宏观特征,在最近点迭代算法的引导下,对齐源点云和模板点云的方向包围框,并在源点云和模板点云间产生镜面对称效应;根据源点云和模板点云的拟合度探测镜面对称的对称面,得到源点云自身的最佳旋转和平移,完成三维点云配准任务。为了验证算法的有效性,在公开数据集ModelNet40上进行对比实验,实验结果显示,PointNetLK-OBB与PointNetLK相比,提升了源点云和模板点云在初始相对偏转角度过大时的配准精度,对源点云和模板点云间的初始相对位置敏感度降低。创新在于,利用PointNetLK绕开传统点云配准的非凸问题,借助于方向包围框的规整性避开PointNetLK语境下出现的局部最优问题。