基于两步式迭代最近点的三维人耳配准算法

提出了一种新型两步式迭代最近点算法对三维人耳点云模型进行配准,该过程主要分为两步完成:(1)采用基于CUDA并行加速的EM-ICP算法进行初始配准,从而使人耳点云数据大致调整为同一姿态,并且为下一步提供良好的初始变化;(2)基于ICP算法对三维人耳点云数据进行精确配准。该方式能够有效避免ICP算法配准过程中局部对齐等缺陷。实验结果证明,采用两步式迭代最近点算法配准后的三维人耳数据具有良好的配准效果与配准速度。     

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。     

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。     

基于特征点匹配的排水管道声点云模型配准算法

三维重建技术逐渐成为获取全面、完备、准确的排水管道信息的关键手段。而实际检测受到管道堵塞等工况与管道检测规程等因素限制,造成所获得的管道声呐点云模型会出现位姿不同、部分重叠或空缺等情况,需要通过配准获取完整管道模型。同时,传统ICP算法针对管道模型存在效率低、精度差的问题。因此,该文提出基于特征点匹配的粗配准与改进的ICP精细配准相结合的点云配准算法。首先,利用ISS特征点检测法检测出模型特征点,通过FPFH对特征点进行进一步的描述;其次,采用RANSAC算法筛选出正确特征匹配点集,利用四元数法解算出初始变换参数完成粗配准;最后,在粗配准基础上,通过改进最近对应点查询的ICP算法完成精细配准。实验结果表明了该文算法的可行性与优越性,能为后续排水管道缺陷检测提供高完备、全面、准确的点云模型。     

3D人耳点云配准的并行Softassign算法

提出了一种新的人耳点云并行Softassign配准算法.在基于CUDA对Softassign算法进行并行加速的基础上,利用三维点云离散曲率估计和三维空间kd-tree相结合的方法,对三维人耳点云进行点云简化,使简化后人耳点云能够保留足够的几何特征,然后对简化人耳点云进行Softassign配准,提高Softassign算法在人耳点云配准中的配准精度,从而避免了局部配准等缺陷,并在实际应用中验证了算法效率和精度.     

基于平移域估计的点云全局配准算法

针对迭代最近点(ICP)算法需要两幅点云具有良好的初始位置,否则易陷入局部最优的问题,提出了一种基于平移域估计的点云全局配准算法。首先分别计算数据点云和模型点云的去模糊主方向点云,利用两者平行于坐标轴的包围盒估计平移域范围;其次利用改进的全局ICP算法在估计出的平移域和[-π,π]³的旋转域中进行全局搜索配准。该算法可以根据待配准点云自适应地估计平移域的大小,进行全局自动配准,配准过程中不需要计算点云的特征信息,所需设置的参数少,对点云的初始位置没有要求。实验结果表明,所提算法能够获取全局优化的精确的配准结果,同时提高了全局配准的效率。     

文物点云模型的优化配准算法*

目的 针对带有噪声的文物点云模型,采用一种由粗到细的方法来实现其断裂面的精确配准。方法 首先采用一种变尺度点云配准算法实现粗配准,即配准测度函数的尺度参数由大到小逐渐变化,可避免算法陷入局部极值,并获得较高精度的初始配准结果。然后采用基于高斯概率模型的改进迭代最近点(iterative closest point, ICP)算法进行细配准,可以有效地抑制噪声对配准结果的影响,实现断裂面的快速精确匹配。结果 采用兵马俑文物碎块的配准结果表明,该优化配准算法能够实现文物断裂面的精确配准,而且在细配准阶段取得了较高的配准精度和收敛速度。结论 因此说,该优化配准算法是一种快速、精确、抗噪性强的文物点云配准方法。     

基于图像的点云初始配准

针对地面激光点云的分辨率不同等问题,提出一种不借助额外装置,把二维图像与三维点云相结合的初始配准方法。把不同分辨率点云均匀滤波,根据深度值把三维点云转化为二维灰度图,利用SURF算法提取图像的特征匹配点对;根据映射关系找到三维特征匹配点,利用单位四元数法求出变换矩阵完成点云初始配准。实验结果表明,该算法对于地面激光数据的配准,无论从配准的精度上还是时间上均有很大提高。     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

基于曲率的点云数据配准算法

为了实现不同视角下测得的数据的多视定位,提出一种点云数据配准算法。该算法针对近邻内的点,采用二次曲面逼近的方法来求得每个点的曲率,并根据曲率的Hausdorff距离来寻找有效点集,建立名义上的对应关系,最后用四元组法来求得坐标变换,把数据统一到一个坐标系下。该算法利用曲率的性质准确判断对应点集,解决了任意多视点云的拼合问题,试验结果验证了其有效性和精度。     

保特征的点云骨架提取算法

三维模型的骨架提取是计算机图形学中一个重要的研究方向。对于有噪声的点云模型,曲线骨 架提取的难点在于保持正确的拓扑结构以及良好的中心性;对于无噪声的点云模型,曲线骨架提取的难点在于 对模型细节特征的保留。目前主流的点云骨架提取方法往往无法同时解决这 2 个难点。算法在最优传输理论的 基础之上结合聚类的思想,将点云骨架提取的问题转化为一个最优化问题。首先使用最优传输得到原始点云与 采样点云之间的传输计划。然后使用聚类的思想将原始点云进行分割,采样点即成为了簇的中心。接着通过簇 与簇之间的调整与合并减少聚类个数,优化聚类结果。最后通过迭代的方式得到粗糙的骨架并使用插点操作进 行优化。大量实验结果表明,该算法在有噪声与无噪声的三维点云模型上均能提取出质量良好的曲线骨架并保 留模型的特征。     

Automated registration of multi-view point clouds using sphere targets

This paper addresses the problem of automated registration of multi-view point clouds generated by a 3D scanner using sphere targets. First, sphere targets are detected from each point cloud. The centroids of the detected targets in each point cloud are then used for rough registration. Congruent triangles are computed from the centroids for the correspondence among them, with which a rigid body transformation is obtained to bring the two point clouds together as closely as possible. After the initial registration, the two point clouds are further registered by refining the position and orientation of the point clouds using the underlying geometric shapes of the targets. These registration steps are integrated into one system that allows two input point clouds automatically registered with no user intervention. Real examples are used to demonstrate the performance of the point cloud registration.     

一种基于RANSAC的点云特征线提取算法

点云中提取的特征线在点云处理中具有重要的应用价值,已被应用于对称性检测、表面重建及点云与图像之间的注册等。然而,已有的点云特征线提取算法无法有效地处理点云中不可避免的噪声、外点和数据缺失,而随机采样一致性RANSAC由于具有较高的鲁棒性,在图像和三维模型处理中具有广泛的应用。为此,针对由建筑物或机械部件等具有平面特征的物体扫描得到的点云,提出了一种基于RANSAC的特征线提取算法。本算法首先基于RANSAC在点云中检测出多个平面,然后将每个平面参数化域的边界点作为候选,在这些候选点上再应用基于全局约束的RANSAC得到最终的特征线。实验结果表明,该算法对点云中的噪声、外点和数据缺失具有很强的鲁棒性。     

基于Surfel点云数据的压缩算法*

针对点云数据局部集中的特点,使用差值预测对点云数据进行预测处理;在预测的同时,根据IEEE754浮点数标准,简化浮点数的尾数,使用3.5 Byte来表示一个浮点数,以提高压缩效果;然后对预测数据中连续重复的字节使用该字节加该字节重复的次数的方式存储;最后对经过以上处理的数据使用一阶自适应算术编码进行压缩。最终得到的程序在压缩比和内存占用两个方面远优于WinRAR、WinZip压缩软件。     

一种基于曲率的点云自动配准算法

针对兵马俑破碎俑片虚拟复原过程中拼接效率低的问题,提出了一种新型的基于曲率的散乱点云数据自动配准算法.该算法利用MLS表面计算出两组点云中每个点的曲率,提取局部曲率变化最大的特征点,并计算曲率的Hausdorff距离来获得初始匹配点,然后根据初始匹配点之间极大极小曲率的相似度函数,采用粒子群优化算法确定精确匹配点.最后用四元组法求得坐标变换实现粗配准,并且用迭代最近点算法提高配准精度.实验验证了算法的有效性和稳定性.     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。