基于加窗SIFT和分布式优化的多图自动拼接算法

针对无先验信息传统算法中普遍存在的误差累计问题,提出基于加窗尺度不变特征变换(W-SIFT)和分布式优化的多图自动拼接算法。根据多图拼接应用的特性,对尺度不变特征变换算法进行修改,提出加窗SIFT算法更高效地提取待拼接图像的特征点。运用随机抽样一致(RANSAC)算法计算出两两图像的变换矩阵。之后,建立了一个分布式优化模型,求解出多图拼接的全局最优解。实验结果表明,基于加窗SIFT和分布式优化的多图自动拼接算法能够有效地消除误差累积现象,能够得到更加精确的多图拼接结果。     

航空面阵图像拼接的累积误差消除方法

针对航空面阵遥感图像拼接算法一般存在误差累积的问题,提出了航空面阵图像拼接的累积误差消除方法。首先,利用航空遥感平台位置信息与姿态信息完成每幅图像投影变换与粗拼接,确保了每幅投影变换后图像拼接误差的独立性,从而避免了误差累积现象;然后,采用SIFT算法提取粗拼接相邻图像重叠区域的同名像点对,并根据同名像点对的位置差异,按照误差均分的原则,逐张独立地进行坐标微调及坐标精调,直到满足一定精度为止,以提高图像拼接精度,同时避免坐标调整时产生的误差累积。最后,通过主观评价（对比校正后卫星图像和文中拼接效果图像的地理对应关系）和客观评价（SSIM算法）对图像拼接质量进行评价。理论分析与实验结果表明:该方法能有效规避图像拼接中的误差累积问题,相对当前主要拼接方法,能够很好地与地理空间二维坐标保持一致性,且具有很好的实用价值和应用前景。     

基于全局优化的实时高精度模型重建

三维形貌测量在先进制造、航空航天、生物医学等领域发挥着重要的应用。凭借高精度、全视场、非接触等优点，条纹投影轮廓术是目前使用最广泛的一种光学三维测量手段。为了获得物体全局三维信息，通常需要将待测物置于转台之上，通过不断地扫描和拼接来获得物体的全局信息。然而，传统的扫描和拼接是以离线的方式进行的，导致整个三维模型的重建速度缓慢。现有的实时点云配准方法虽然能够有效提高点云扫描与拼接的速度，但实时点云拼接的精度依然受待测物的运动状态影响。本文针对上述问题进行优化改进，提出一种基于全局优化的实时高精度模型重建方法。首先，介绍了一种由粗配准到精配准的快速点云配准算法并提出了基于点云法向量约束的点云初始化算法，能够提升粗配准过程中点云初始位姿计算的稳定性与精度。其次，在精配准阶段引入了图优化算法以获得全局点云位姿的最优解，进一步提升了全局点云配准的精度。实验结果表明，所提方法相比于现有实时模型重建方法，能够实现更高精度且稳定的全局点云配准。特别地，针对动态场景中由于抖动等因素引起的被测物体速度突变等情况，本方法依然能够鲁棒地完成三维模型重建，全方位模型重建的精度达84μm。     

基于各向异性尺度Junction的图像拼接

图像拼接一般采用特征点匹配和全局变换,特征点仅包含位置信息,无法表达图像局部结构信息,且全局变换模型只适用于旋转拍摄和远距离拍摄情况,当图像视角变化较大时,容易产生明显的配准误差,影响拼接图像的质量。为解决这个问题,提出了一种基于各向异性尺度Junction特征的图像拼接方法。Junction不仅包含点特征信息,还具有线特征信息,表达了图像重要的局部几何结构。基于Junction特征的配准在特征点配准的基础上,利用分支线信息进一步约束和优化配准,同时结合局部单应变换模型,可以较好地容忍图像局部变形,从而提高配准精度,改善拼接效果。实验验证了本文算法的有效性。      

基于多视角红外传感器的三维重建方法

为了实现有特征物体和无特征物体更精准的三维重建，本文研究了多视角传感器下三维点云的自动拼接算法。首先由不同视角的传感器双目标定后进行轴线数据的标定，接着在三维空间内对多条轴线数据进行分析并提出了一种基于多视角传感器轴线融合的点云拼接方法，从而计算出误差最小的最优轴线数据，最后以拟合出的轴线数据为轴心在世界坐标系内进行三维点云的拼接。实验结果表明，在1.3～1.9 m的测量范围内，本文所提出的拼接方法对直径为144.954 2 mm的标准球进行三维重建的误差在0.037 mm以内，重建无特征点物体和有特征点物体都能有较好的拼接效果且拼接时间不受点云总量大小的限制。该拼接方法基本满足三维重建的稳定性好、效率快、精度高等要求。     

一种基于自适应关键帧的视频序列拼接方法

由于视频帧数量较大,视频序列拼接时容易造成拼接误差大、耗时较多,为有效解决此问题,提出一种基于自适应关键帧的视频序列拼接方法。将固定间隔采样帧作为关键帧并对其进行特征点提取,利用特征点匹配结合RANSAC鲁棒估计算法得到关键帧间单映矩阵,依此计算关键帧间重叠区域,按照重叠区域比例结合折半排序方法重新定位关键帧,将此关键帧作为基准帧,重复帧采样、重叠区域确定、定位后续所需关键帧过程,直至关键帧提取完毕,最后,利用级联单映矩阵和加权融合实现视频序列无缝拼接。实验验证了该方法的有效性。     

基于图切割的多频带融合图像拼接

由于在视频帧间隔不大的图像拼接过程中,重叠区域存在运动物体和配准误差时,简单的融合会产生融合鬼影和拼接缝隙。针对上述两个问题,首先利用SURF提取特征点,经过配准求单应性矩阵得到图像的重叠区域,再通过基于网络最大流的图切割查找到全局最优的缝合线,最后使用多频带融合得到宽视野的全景拼接图。实验结果表明,该方法在消除鬼影和拼接缝隙方面具有很好的效果。     

视频拼接技术下斗轮机无人值守的可行性研究

由于斗轮机无人值守视频监控画面经常出现遮挡性重叠问题,导致特征点过度累积,影响监控效果。为此,提出一种基于视频拼接技术的斗轮机无人值守的可行性研究方法。通过拼接视频俯视投影变换,获取基于地面完整的全景鸟瞰图。利用SIFT算法确定特征点的候选点,通过图像金字塔形式构建尺度空间,提取拼接视频特征点,避免出现过度累积问题。利用加权平均法配准重叠区域接缝位置,融合图像各点像素值,避免重叠区域灰度值直接叠加,实现斗轮机无人值守下的视频有效拼接。由验证结果可知,该方法特征点匹配正确率均高于95%,整体拼接效果理想,能够为斗轮机无人值守提供清晰的监控画面。     

多传感器点云拼接误差的修正方法

为了减小激光三维扫描仪多传感器点云拼接误差的影响,提出了一种以圆柱体作为标准物体逐层修正拼接误差的简便方法。对标准物体扫描且拟合出各截面圆心坐标,并利用圆柱体实际半径值求得截面真值圆函数,将每层测量数据向真值圆函数进行平移刚性变换,求得该层的拼接误差和修正值。为了减小随机误差的影响,利用多次重复测量求得平均修正值,并用求出的平均修正值分别对圆柱体、长方棱柱体和石膏人体模特的不同位置的扫描结果进行了修正验证实验。从截面图的直观观察和定量数据测量两方面比较了修正前后的点云拼接效果,结果表明,修正后点云拼接更加光滑平顺,数据测量相对误差有显著降低。     

带状区域无人机影像自检校光束法平差方法

针对带状序列无人机影像自检校空中三角测量时存在相机参数误差累积过大的问题,提出一种分类自检校(CSC)方法.该方法首先根据影像的GPS位置信息建立KD树,并利用K-Means进行自分类;然后对每类影像分别进行自检校光束法平差,将自检校得到的多组相机参数进行加权平均;最后进行全局自检校光束法平差.多组实验表明,CSC方法与室内检校场检校参数的像点畸变不符值均方根误差为0.5像素,检查点点位均方根误差为10.1 cm,且较Smart3D,VisualSFM和COLMAP软件能更精确地表示数据的原始姿态.综上,CSC方法可为带状区域无人机影像自检校空中三角测量提供一种有效的方案,具有较强的实践应用价值.     

三维点云中关键点的配准与优化算法

传统三维(3D)点云配准过程中存在配准误差高、计算量大及耗时长等问题,针对该问题,提出了一种3D点云中关键点的配准与优化算法。在关键点选取阶段,用边缘点检测算法剔除边缘关键点,以提高关键点特征描述的全面性和重复性,降低3D点云配准误差。在3D点云配准阶段,用K-维树(KD-tree)加速的最近邻算法和迭代最近点算法剔除粗配准结果中的误配准关键点,降低配准误差,提高3D点云配准的速度与精度。实验结果表明,本算法在不同点云数据下,均能获得良好的配准结果。与传统3D点云配准算法相比,本算法的平均配准速率提高了68.725%,平均配准精度提高了49.65%。     

一种新的点云拼接算法

迭代最近点(ICP)算法广泛运用于三维点云数据的多视拼接,其精度和迭代收敛性严重依赖于待拼接数据的初始拼接位置,这就决定ICP只能是一个性能优越的精确拼接算法。粗拼接算法旨在为ICP提供一个良好的初始拼接位置。基于信息论中熵的概念,分析了点云的空间分布规律与所处位置的关系,在此基础上提出了一种新的粗拼接算法—迭代最小空间分布熵法。实验表明,该算法有效可行,可以提供很好的初始拼接位置,在误差允许范围内,该算法可以直接实现点云拼接。     

基于并行粒子群优化的三维点云配准算法

针对基于群智能优化的点云配准算法计算时间长的问题,提出一种基于CUDA的并行粒子群配准算法.以点对点距离最短为适应度函数,利用粒子群算法各粒子天然的并行性,将运算过程分配到GPU的各个线程中计算变换参数.由于GPU多个线程运算同时执行互不干扰,极大地提高了粒子群的运算速度,从而可以实现点云的快速、精确配准.实验结果表明,该算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题.     

基于结构光在机测量的变形薄壁件点云配准方法北大核心CSCD

结合点云局部特征和Octree优化搜索,提出了用于薄壁零件加工过程测量的三维变形点云自动配准的算法,并有效计算出位移偏差量。首先,对薄壁零件点云模型进行数据预处理,去除主体中的无效点和噪声点,计算点云的法向量、3个特征元素作为PPFNET(point pair feature net)特征学习方法的输入,利用最大池化层将变形的局部特征聚合到全局特征中,通过全局和局部特征描述符的深度学习,找出无序点云间的对应关系,完成点云粗配准过程;然后,提出一种基于迭代就近点算法(iterative closest point,ICP)的改进精配准算法,通过增加阈值限定,过滤加工变形时颤振影响,使配准精度达到了98.58%,配准效率提高了10%;最后,采用Hausdorff进行距离计算,使用Cloud-Compare进行位移偏差分析,分析结果与实验结果比较表明,平均绝对百分比误差(mean absolute percentage error,MAPE)为2.32%。在机测量模拟结果表明,所提方法满足在机检测加工变形的实时性和测量精度要求。     

基于Frobenius范数奇异值分解的快速ICP算法

迭代最近点法(ICP)及其变体是三维点云刚性配准的典型方法,但此类通过迭代计算逐点距离矩阵实现点云配准的方式,严重制约了点云的配准效率。本文提出一种快速ICP算法,利用Frobenius范数表示待配准的两幅点云之间的误差函数,获得误差值最小点位置,并对此位置进行奇异值分解,从而得到旋转矩阵和平移向量,极大压缩了迭代次数和配准时间。在Standford数据集和3DMatch数据集上进行试验,与传统ICP算法及其变体、3种基于学习的点云配准算法进行对比,本文方法配准效率最优;在达到相近的配准精确度时,提出的快速ICP方法的迭代次数仅为传统ICP算法的0.2倍,在Standford数据集上配准所需时间为传统ICP算法的1/4,在3D Match数据集上配准所需时间为传统ICP算法的1/8倍。本文提出的快速ICP算法在数据量大的点云场景下,具有更高的效率。     

一种多模式融合的激光点云配准算法

针对经典迭代最邻近点(iterative closest point,ICP)算法在三维激光点云配准领域内,存在收敛速度慢、配准误差大、配准效率低的问题,提出了一种基于法向量夹角特征和边界旋转角相融合的改进ICP算法。利用点云区域层划分将点云分成若干独立单元方格,搜寻方格的法向量夹角特征关键点,结合点面曲率对应关系形成初始匹配点对,随后引入距离约束函数,估算边界旋转角和相关动态迭代系数,自动优化刚性变换参数。实验结果表明,与传统ICP算法相比,改进后的算法配准误差降至0.3%以下,配准时间减少50%以上,有效提升点云配准效率。     

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了 一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻 域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精 简;其次,设计了一种依据邻域多 法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描 述子,使用最小距离与次小距离比值阈 值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到 精确的点与点对应关系;最后,使 用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选 取、特征描述子提取和对应关系筛选 方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点 云配准具有实用价值。     

融合IMU的多帧点云场景配准方法

三维重建技术广泛应用于无人驾驶、测绘、物流等领域,其中点云配准是最关键的技术。针对多帧点云配准误差累计大,姿态估计不准确等问题。提出了一种基于惯性传感器(IMU)线性插值的点云去畸变方法,该方法采用激光点前后最近时刻的IMU预积分值进行线性插值获得当前时刻雷达位姿,将单帧不同时刻激光点校正到统一坐标系。同时将IMU雷达位姿作为多帧点云配准初值,通过曲率特征点到直线、到平面的距离观测最小约束,构建包含配准误差和IMU预积分误差的联合优化方程来求解准确的雷达位姿。实验结果表明,引入IMU提高了多帧点云配准精度,减少了点云地图的重影。     

普适计算中定位服务的参考点选择及误差分析

通过分析多边定位法在未知节点的定位过程中产生的定位误差,提出并证明了有关定位参考点布置的三个定理,使在普适计算环境中可通过有针对性地布置参考点的位置来减小未知节点的定位误差.在此基础上提出定位参考点选择算法,该算法以参考点间的位置关系为基础,通过选择合适的参考点对未知节点进行定位.仿真实验结果表明所提出的定位参考点布置定理及选择算法能满足普适计算环境中移动对象实时定位的需求,并具有较高的定位精度.     

基于广义特征点匹配的全自动图像配准

该文针对图像配准中用到的特征点提出了狭义特征点和广义特征点两个范畴。广义特征点是针对区域特征定义的, 可以有各种不同的定义方法。该文建议了一种广义特征点的定义和自动提取算法。该算法以多尺度小波变换来定位图像中的强棱边点,以局部区域的复杂性和非周期性约束最终检测广义特征点。该文采用两个步骤建立广义特征点之间的对应关系。正确匹配的特征点对作为控制点,以最小化控制点处的均方根误差方法求得用于配准图像的仿射变换参数。用一个迭代机制进一步修正控制点的位置,从而达到最佳的配准精度。多种实验结果展示了该文方法的配准效果。