迭代最近点算法研究进展

曲面配准问题是三维计算机视觉中的一个极其重要的问题,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,ICP算法得到了研究者的关注,本文以一种全新的思路从控制点的选取、特征度量、空间搜索、点对权重和刚体变换的求解等5个方面对深度图像配准的ICP算法的各种改进和优化进行了分类和总结.并提出了该算法尚需研究和改进的方向.     

基于法向量和高斯曲率的点云配准算法

迭代最近点算法(Iterative closest point,ICP)因配准精度高、适应性强而被广泛使用,但是它容易受高斯噪声和离群点的影响,导致运行速度缓慢、配准精度降低,且需要两片点云具有良好的初始位置,否则会出现局部最优问题.针对以上问题,本文提出了一种新的点云配准方法,利用法向量和高斯曲率进行粗配准,去除无关点同时提供较好的初始位置,再采用基于奇异值分解的ICP算法进行精细配准,并采用斯坦福大学的点云数据集进行了配准实验,结果表明,本文算法能够有效降低高斯噪声和离群点对配准效果的干扰,改善了点云配准的运行效率和配准精度,与传统ICP算法相比,平均配准时间减少了53.5%,配准精度提高了43.2%.     

基于半球形邻域的激光雷达点云局部特征提取

为提升激光雷达点云目标识别的效率和减少计算开销,本文通过采用改进的邻域确定方法和LRF估计方法,提出了一种新的特征描述子:半球单值形状上下文特征描述子(Hemispheric Unique Shape Context,HUSC).首先计算关键点处的互相关矩阵,并根据邻域点附近的点密度进行加权,以此估计关键点的法向量和切...     

基于WHI及ICP的点云配准算法

针对两步点云配准中精度差、计算效率低、易受噪声干扰的问题,提出一种基于WHI特征描述符结合改进的ICP点云配准算法。首先,对大数据量的点云通过ISS算法提取特征点集作为配准点云;然后,计算特征点云的WHI特征描述符,利用随机采样一致性算法完成粗配准;最后,基于安德森加速迭代ICP算法对粗配准点云进行精确配准。通过多组点云数据集对所提算法进行验证,实验表明,该算法配准精度高、速度快,在含有噪声数据集的优势更明显。在不同的点云模型下,所提算法的配准效率提高2倍以上,在噪声环境下具有一定的鲁棒性。     

基于几何属性和改进ICP的点云配准方法

点云配准是三维重建的重要研究内容之一,其精度将直接影响到建模结果的好坏。为了提高点云配准的精度和收敛速度,首先提取点云的法矢和曲率等几何属性;然后根据点云密度将点云进行区域划分,并选取不同点云区域中的曲率极值点,再通过对极值点对的相似性度量来实现点云粗配准;最后采用基于K-d树的改进ICP算法进一步实现点云细配准。实验采用颅骨点云数据模型对该方法进行配准验证,结果表明,基于几何属性和改进ICP的点云配准方法是一种精度高、速度快的点云配准方法。     

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息,结合随机抽样一致性（RANSAC）算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。     

基于改进ICP的点云配准算法

文中提出了一种新的点云数据配准算法。首先,估算两组点云数据中每个点的曲面法矢,并据此计算各个点的曲率;然后,根据各个点的曲率确定两组点云数据中可以匹配的点对集合;再采用几何哈希方法计算三维空间变换,实现粗配准;最后,将粗配准的结果作为精配准的初值,通过在ICP算法中添加动态迭代因子的方法来改进ICP算法,实现最终的配准。实验结果表明,文中算法能完成两组点云数据的精确配准,而且改进的ICP算法可以在不影响配准精度的情况下,极大地提高算法的收敛速度。     

基于改进三维形状上下文的点云配准

针对目前常用配准算法不能满足生产制造行业中高精度工艺要求的问题,本文基于三维点云提出一种改进三维形状上下文（3DSC）点云配准的有效解决方案。首先,通过改进的降采样方式设定阈值采集轮廓点云,对采集的点云依次进行三维网格划分形成形状上下文。然后,进行改进的3DSC初始配准,进而采用迭代最近点（ICP）精确配准,实现了源点云与目标点云之间的旋转平移变换。为验证改进算法的有效性,采用FPFH-ICP、PFH-ICP、传统3DSC和本文改进算法进行配准实验对比。实验结果表明,对于bunny点云和flowerpot点云,本文改进算法精度分别可达2.253 55e-05 m和9.969 02e-06 m,明显优于其他算法的配准精度。与传统3DSC配准算法相比,改进的3DSC配准算法可节省75%～85%的配准时间。改进的3DSC点云配准方法有利于提高配准精度且能优化配准时间,提高了配准效率。     

基于邻域点位置特征的点云数据精简

海量点云数据给存储、传输、处理等带来极大困难。针对现有算法在特征保留与精简后重建模型表面积、体积、重建误差不能兼顾的问题,提出一种基于邻域点位置特征的点云精简算法。该算法根据权值计算投影面、搜寻矩阵大小以及精简比例对目标点云进行精简。将目标点云网格化处理;寻找投影面垂直方向（正、负两个方向）,以目标点为中心,获取搜寻矩阵范围内的点;根据搜寻矩阵内点与目标点的位置关系确定其权值;根据所设的精简比例对原始点云进行精简。将所提算法与曲率采样法、均匀网格法和随机采样法进行比较,并从特征保留、表面积和体积变化率这3个方面进行评价。实验结果表明：所提算法的精简结果对特征区域效果优于均匀网格法和随机采样法,与曲率采样法一致;精简结果误差、重建模型的表面积差和体积差总体优于曲率采样法,与随机采样法基本一致,略差于均匀网格法。因此,所提算法既能较好地保留特征,同时又能使重建后的结果模型表面积和体积变化以及误差都较小,综合效果好。     

基于天牛须改进粒子群算法的点云配准方法

为了提高激光点云配准精度与配准速度,采用了基于天牛须算法改进的粒子群算法,以点云分布熵为寻优目标, 寻找最优空间变换矩阵的点云粗配准,为点云精配准提供良好的初始条件。结果表明,点云分布熵较传统的均值平方差评价方式有更快的计算速度,基于天牛须算法改进的粒子群算法具有全局搜索能力强、计算速度快等特点,与传统点云粗配准方法相比,该方法配准速度提升了近25%;在点云数据量大的条件下,表现出较快的配准速度。这一方法对如何提高激光点云配准速度具有参考意义。     

基于激光雷达及特征匹配的室内场景设计重建

针对当前采集到的场景出现缺损导致场景设计重建效率较低、准确性较差的问题,提出基于激光雷达扫描及关键点特征匹配的室内场景设计重建。通过Deleta 2B型激光雷达传感器直接采集室内场景图像,利用最小二乘拟合滤波算法曲线拟合室内场景图像的灰度值,根据图像特征向量匹配室内场景图像的关键点特征,通过德洛内三角化算法串联室内场景点云数据,构造三维网格模型,通过wallis滤波器提升重建辨识度,实现室内场景的重建。实验结果表明,该方法重建后的室内图像可辨识度较高,信噪比最高可达到498dB,室内场景图像覆盖率均在90以上,重建场景的结构相似度接近1,次卧室场景重建时间为592 h。     

基于面阵三维成像激光雷达的目标点云分割技术

针对偏振三维成像系统的高效目标三维点云分割问题,提出一种多维信息融合的高效分割理念。系统采用高分辨率EMCCD相机作为面阵探测器,在一次成像过程中,可同时获得视场中的灰度图像以及三维点云数据。根据该成像特点,建立灰度图的像素坐标与点云数据像素坐标之间的点对点映射关系,结合粒子群优化算法的边缘分割方法,将灰度图中目标分割后的坐标信息映射到三维点云数据中,得到其三维点云数据。该方法将三维点云数据降维处理为二维图像处理,显著降低了计算复杂度,避免了点云数据误差对分割精度造成的影响。实验验证了多维数据融合目标三维点云分割方法的有效性。     

基于改进动态差分进化算法的点云配准

针对不同视角下的点云配准问题,提出一种基于改进动态差分进化算法的配准方法。首先利用主成分分析方法估算点云的曲率值与法向量,并根据法向量计算每个点与其k邻域点的法向量的夹角平均值。然后利用曲率和法向量夹角平均值构造第一特征参数进行第一次特征点提取,以及利用曲率值构造第二特征参数对点云进行第二次特征点提取。根据得到的特征点云,最后利用提出的一种基于耦合-最优排序变异的改进动态差分进化算法计算配准参数得到初始配准结果,再利用改进的迭代最近点算法进行细配准。实验表明,该配准算法具有配准时间短和配准精度高的优点。     

基于目标结构和运动的船舶激光点云配准算法北大核心CSCD

由于在野外环境下船舶结构特点及激光雷达测量视野限制,所获取的点云图像存在特征匹配错位和缺失现象,导致经典的配准算法精度较低。在分析点云结构特点和目标运动轨迹的基础上,提出一种基于目标结构和运动轨迹的配准算法。在对待配准点云进行预处理后,通过结构特征的引入解决了迭代最近点法(Iterative Closest Point,ICP)算法特征匹配错位陷入局部最优解的问题;在此基础上利用得出的主体变换矩阵求解出目标的运动轨迹,并根据运动轨迹对缺乏有效特征的点云进行配准同时校准主体点云。实验结果表明,以米为点云坐标单位,相比于ICP和4PCS+ICP方法,所提出方法在船舶点云配准上的均方误差(Mean Square Error,MSE)降低了0.2左右。     

基于改进欧式聚类的三维激光雷达点云目标分割方法

随着科学技术的发展,智能驾驶系统逐渐成为许多学者研究的目标.在这一研究领域中,激光雷达技术已经得到了广泛的应用,其中目标分割在智能车辆对周围环境的识别过程中起着重要作用.由于在对点云进行聚类分割时对相邻目标容易出现欠分割问题,针对这一问题本文提出了一种基于欧式聚类算法的改进方法.首先对点云数据进行预处理,包括下采样和地...     

一种简易的激光雷达点云与光学影像自动配准方法

将激光雷达点云与光学影像进行配准融合,在数字城市建模、自动驾驶和导航避障等方面有重要的应用价值.当前多数自动配准方法需要专门设计特殊的场景结构,操作复杂.根据激光雷达对玻璃具有穿透的特性,提出利用透明的门窗等室内建筑物场景来实现对激光雷达点云与光学影像的自动配准.首先,将激光点云量化为图像,提取光学影像与量化图像的门窗...