利用Kinect深度信息的三维点云配准方法研究

针对三维重建中的点云配准问题,提出一种基于点云特征的自动配准算法。利用微软Kinect传感器采集物体的多视角深度图像,提取目标区域并转化为三维点云。对点云进行滤波并估计快速点特征直方图特征,结合双向快速近似最近邻搜索算法得到初始对应点集,并使用随机采样一致性算法确定最终对应点集。根据奇异值分解法求出点云的变换矩阵初始值,在初始配准的基础上运用迭代最近点算法做精细配准。实验结果表明,该配准方法既保证了三维点云的配准质量,又降低了计算复杂度,具有较高的可操作性和鲁棒性。     

基于区域扩张的三维点云模型配准算法

为提高三维散乱点云自动配准的准确率,提出一种新的基于区域扩张的配准算法。通过局部点云法向量的变化提取特征点,利用区域扩张方法进行初始配准,在搜索精确匹配点的过程中直接剔除错误匹配,使用改进的最近点迭代算法对点云进行精确对齐。实验结果表明,与经典最近迭代点算法和基于曲率的点云自动配准算法相比,该算法能够提升点云配准精度,对特征平滑的点云模型具有较好的效果。     

基于机械臂的Kinect车辆轮廓点云配准

车辆轮廓的三维点云模型在汽车智能化制造及维保过程中具有重要作用。为提高点云配准的精度和效率,以汽车维保机器人为研究对象,提出一种基于点云数据处理技术的车辆轮廓扫描定位及点云数据配准方法。在机械臂末端安装Kinect深度传感器实现精准移动,在汽车四周采集点云数据并进行预处理,根据机械臂运动学方程计算传感器采样位姿,完成初步配准。在此基础上,使用迭代最近点算法完成车辆轮廓点云的精确配准。实验结果表明,该方法可完成各视角点云数据的准确、快速配准,得到完整的三维点云数字模型。     

机器人辅助的三维点云自动配准

针对三维扫描时不同扫描仪坐标系下三维点云配准困难且耗时过多的难题,提出一种利用机器人转换扫描仪坐标来进行点云配准的算法。该算法主要有两步：第一步为粗配准,将三维扫描仪固定在服务机器人的机械臂末端,在三维扫描过程中实时记录扫描仪的姿势,并利用此信息将不同扫描仪坐标系的点云转换到机器人基底坐标系;第二步为精细配准,以第一步的结果作为改进的迭代最近点算法的初始值,再利用加权的稀疏迭代最近点算法对机器人基底坐标系下不同帧的点云进行精细配准。实验证明,相比其他基于仪器的配准方法和直接利用迭代最近点算法进行配准的方法,该方法能有效提高配准成功率、减少配准时间、提高配准精度。     

Kinect v2的三维物体重建系统设计

三维物体重建一直是计算机图形学领域研究的热点。设计并实现一套基于Kinect v2的三维物体重建系统。使用Kinect v2获取包含物体所在场景的点云,去除离群点,并用三维包围盒将特定的物体点云从场景中分离出来;利用SAC-IA算法对相邻两片点云进行粗配准,将两两配准的ICP算法扩展到多片点云,提出一种从两边向中间逼近的策略,减少累积误差,提高物体点云还原度;实现一套低成本,精确的针对单个物体的三维重建系统。实验结果表明,与传统的只使用ICP算法配准相比,该算法配准的精度更高,重建还原度更好。     

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。     

改进ICP算法实现多视点云精确配准研究

复杂面形的三维整体测量能否顺利完成取决于不同视下测得的三维点云的配准精度。研究表明:采用点到点,点到三角面配准方法易受噪声干扰,采用面形比较计算量大,且在平面和标准球面情况下容易失效。以粗配准标记点所在的立方体区域为重合区域,使用点到点的多邻接三角面距离最近的点对作为初始匹配点,并根据几何结构最大相似原则对所求得的多个粗匹配点对进行筛选,再对筛选后的点对应用最近点迭代(ICP)算法。改进后的ICP算法实现了重合区域的快速自动定位,实现了不同视下点云的快速精确配准,在多个实例下获得了配准精度优于0.01 mm的实验结果。     

基于局部特征的点云配准算法

针对覆盖率较低的点云,提出一种基于局部特征的点云配准算法。首先提取点云 的局部深度、法线偏角和点云密度等局部特征,得到局部特征描述子;然后计算局部特征集的 相关性,得到相关候选点集;再次通过删减外点达到点云粗配准的目的;最后采用基于旋转角 约束和动态迭代系数的改进迭代最近点(ICP)算法,实现点云的细配准。实验结果表明,基于局 部特征的点云配准算法可以实现覆盖率较低点云的精确配准,是一种精度高、速度快的点云配 准算法。     

颅骨点云模型的局部特征配准方法

目的 点云配准是计算机视觉领域里的一个研究热点,其应用领域涉及3维重建、目标识别、颅面复原等多个方面。颅骨配准是颅面复原的一个重要步骤,其配准的正确与否将直接影响到颅面复原的结果。为了提高颅骨配准的精度和收敛速度,提出一种基于局部特征的颅骨点云模型配准方法。方法 首先提取颅骨点云模型的局部深度、法线偏角和点云密度等局部特征;然后计算局部特征点集的相关性,得到相关候选点集,并通过删减外点实现颅骨点云的粗配准;最后采用基于高斯概率模型和动态迭代系数的改进迭代最近点 （ICP） 算法实现颅骨的细配准。结果 通过对公共点云数据模型以及颅骨点云数据模型分别进行配准实验,结果表明,基于局部特征的点云配准算法可以完成点云模型的精确配准,特别是对颅骨点云模型具有较好的配准效果。在颅骨细配准阶段,跟ICP算法相比,改进ICP算法的配准精度和收敛速度分别提高了约30%和60%;跟概率迭代最近点 （PCP） 算法相比,其配准精度差异不大,收敛速度提高了约50%。结论 基于局部特征的点云配准算法不仅可以用于公共点云数据模型的精确配准,而且更适用于颅骨点云数据模型的配准,是一种精度高、速度快的颅骨点云模型配准方法。     

基于法向量的多视点定标球球心算法

逆向工程中常用基于定标球的方法实现多视点合并,定标球球心的计算精度决定了合并的精度。该文提出了一种基于法向量的定标球球心算法,利用扫描数据点的法向量等相关性信息和视点扫描特性,从扫描点云数据中提取出定标球的球面数据点,从而准确计算出定标球球心。大量真实数据对比实验表明,算法具有较高的精度和较好的稳定性。     

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。     

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。     

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。     

使用霍夫变换的3维点云拼合算法

目的 直接基于点云数据本身的拼合算法对点云模型的位置和重叠度有着较高的要求。为了克服这种缺陷,提出一种针对散乱点云的分步拼合算法。方法 不同于大多数已有的基于曲率信息的拼合算法,本文算法包含了一个序贯式的匹配点对筛选过程和一个基于霍夫变换的坐标变换参数估计过程。在筛选过程中,首先利用曲率相似度确定点云数据之间的初始匹配关系,然后利用刚体不变量特征邻域标识相似度以及持续特征直方图相似度对初始匹配点对进行连续两次筛选以便得到更为精确的匹配点对集。在参数估计阶段,通过对匹配点对的旋转矩阵和平移矢量的参数化处理,利用霍夫变换消除错误匹配点对对坐标变换参数估计的影响,从而得到更加准确的坐标变换参数,实现点云的3维拼合。结果 利用本文算法对两片部分重叠的点云数据进行了拼接实验。实验结果表明,本文算法能很好地实现对部分重叠点云的拼合。由于霍夫变换的引入,本文算法相较于经典的Ransac算法具有更高的正确率、稳定性以及抗噪性,在运行速度上也具有一定的优越性。结论 本文算法不仅能适用于任何具有任意初始相对位置的部分重叠点云的拼接,而且可以取得很高的拼合精度和很好的噪声鲁棒性。     

一种基于降采样后关键点优化的点云配准方法

针对工件点云数据多而导致点云配准耗时长的问题,提出一种基于降采样后关键点优化的点云配准方法。计算点云若干体素的重心,利用kd-tree快速遍历重心的邻近点来代替该体素;提出自适应的点云平均距离计算方法,对降采样后的点云提取ISS3D关键点,并采用基于球邻域的边界点判断方法对其优化;对优化后的关键点进行FPFH特征描述,利用SAC-IA求解近似变换阵,使用ICP算法精配准而解得工件的精确位姿信息。实验结果表明,相较于其他四种配准算法,配准精度分别提高了96.9%、98.1%、93.3%和3.5%,配准速度分别提高了77.2%、77.7%、76.9%和85.4%,表明了该方法的有效性。     

A fast registration algorithm of rock point cloud based on spherical projection and feature extraction

Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms.     

基于重叠域采样混合特征的点云配准算法

针对部分重叠的两片点云配准效率低、误差大等问题,提出了一种基于重叠域采样混合特征的点云配准算法。首先,通过编码和特征交互的方式预测每个点的重叠分数,获得更丰富的点云特征。其次,提取重叠点的局部几何特征,基于重叠分数和点特征的显著性保留重叠关键点。最后,利用重叠关键点的几何信息和空间信息构建混合特征矩阵,计算矩阵的匹配相似度,采取加权奇异值分解运算得到配准结果。实验结果表明,该方法具有较强的泛化能力,能在保证配准效率的同时显著提升点云配准精度。     

深度学习刚性点云配准前沿进展

随着3维采集设备的日渐推广,点云配准在越来越多的领域得到应用。然而,传统方法在低重叠、大量噪声、多异常点和大场景等方面表现不佳,这限制了点云配准在真实场景中的应用。面对传统方法的局限性,结合深度学习技术的点云配准方法开始出现,本文将这种方法称为深度点云配准,并对深度点云配准方法研究进展予以综述。首先,根据有无对应关系对目前的深度学习点云配准方法进行区分,分为无对应关系配准和基于对应关系的点云配准。针对基于对应关系的配准,根据各类方法的主要功能进行详细的分类与总结,其中包括几何特征提取、关键点检测、点对离群值去除、姿态估计和端到端配准,并重点介绍了最新出现的一些方法;针对无对应配准方法,详细介绍了各类方法的特点并对无对应与有对应方法的特点进行了总结。在性能评估中,首先对现有主要的评价指标进行了详细的分类与总结,给出其适用场景。对于真实数据集,给出了特征匹配、点对离群值去除的对比数据,并进行了总结。在合成数据集中,给出了相关方法在部分重叠、实时性和全局配准场景下的对比数据。最后讨论了当前深度点云配准面临的挑战并给出对未来研究方向的展望。     

ICP算法在文物三维重建中的应用

三维结构光扫描技术作为一种新型的三维数据获取技术,被广泛应用于文物的三维重建中。目前,这项技术在数据获取方面有很多优势,但是在点云数据配准方面还有一些需要优化的地方,特别是在处理大量点数据,为保证配准结果的精确性,就需要对点云数据的配准算法就行优化。利用手持式三维结构光扫描仪获取文物三维数据,在Artec studio9软件中将原始三维数据以ply格式导出为原始点云数据,然后基于Matlab软件对ICP算法通过编程优化,将原始点云数据再通过优化后的ICP算法进行配准,得到文物三维模型的构建数据。实验分析表明,优化后的ICP配准算法不但能提升配准精确度,而且可以保证配准方向的合理性,使得配准得到更佳的展示效果。