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ISS特征点结合改进ICP的点云配准算法北大核心CSCD

针对点云配准时间长、收敛缓慢、对应点匹配易错等缺点,提出一种基于内部形态描述子(ISS)特征点结合改进迭代最近点(ICP)的点云配准算法。首先采用ISS算法进行点云特征提取,并以快速点特征直方图进行特征描述,然后通过采样一致性算法完成点云的初始配准,使两片不同角度点云获得一个相对较好的初始位姿,最后通过k维树近邻搜索法加速对应点对的查找,以提高点云ICP精细配准效率。实验结果表明,与传统配准算法相比,该算法配准精度高,而且执行速度快。     

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。     

基于机械臂辅助的多视角三维点云拼接算法

针对如何快速且准确地获取模具内部完整三维点云数据的问题，提出一种机械臂与三维视觉设备结合的三维点云拼接算法。在初拼接阶段，采用手眼标定方式获取手眼矩阵，并将各幅点云转换到机器人基坐标系，完成初步拼接，得到良好的配准初始位置。在此基础上，提出改进的迭代最近点（ICP）算法，通过结合内部形体描述子（ISS）特征获得关键点，并用随机一致性算法剔除错误匹配点，在点的匹配过程中采用点到面的方式进行匹配，最终得到完整的拼接点云。实验结果表明，所提算法在与ICP算法及其他改进的ICP算法的配准性能对比中具有良好的稳健性，算法耗时及配准误差明显下降，完整的拼接点云误差为0.12 mm，具有较高的工程实践价值。     

实现激光点云高效配准的ICP优化及性能验证

激光点云常规匹配算法是迭代最近点(Iterative Closest Point, ICP)算法,但其收敛速度慢、鲁棒性差,因此,提出一种融合多种优化算法的激光点云高效ICP配准方法。首先对点云体素滤波降采样,通过ISS算子提取关键点,采用快速点特征直方图(Fast Point Feature Histograms, FPFH)提取关键点特征,嵌入多核多线程并行处理模式 (OpenMP)提高特征提取速度;然后基于提取的FPFH特征,使用采样一致性初始配准算法(Sample Consensus Initial Alignment, SAC-IA)进行相似特征点粗配准,获取点云集间的初始旋转平移变换矩阵;最后采用ICP算法进行精配准,同时采用最优节点优先(Best Bin First, BBF)优化K-D tree近邻搜索法来加速对应关系点对的搜索,并设定动态阈值消除错误对应点对,提高配准快速性和准确性。对两个实例的配准点云进行了实验验证,结果表明,提出的优化配准算法具有明显速度优势和精度优势。     

激光扫描与摄影测量异源点云高精度配准方法

针对激光扫描和摄影测量点云非同源数据自动配准困难的问题,提出一种基于快速点特征直方图（FPFH）点云粗配准与八叉树格网迭代改进最近邻点（ICP）算法相结合的方法。在粗配准中,首先采用体素格网对点云数据进行降采样处理,然后使用FPFH进行特征匹配,最后采用采样一致性初始配准（SAC-IA）算法获取初始配准变换矩阵。在精配准中,以经典的ICP算法为基础,首先通过设置欧氏距离阈值剔除错误的对应点,然后在每个体素格网中选取精度最高的同名点对,使用奇异值分解（SVD）法计算最终配准变换矩阵。实验结果表明,所提方法可以解决激光扫描点云和摄影测量点云非同源数据的配准问题,具有一定的研究和应用价值。     

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。     

采用主成分分析的迭代最近点算法优化与验证

通过分析算法配准过程提出一种基于主成分分析（PCA）的点云配准策略,对迭代最近点（ICP）算法迭代过程加入PCA配准设计,以解决ICP算法易陷入局部最小值、配准耗时高的问题。首先,利用重心法在首次迭代开始前使参考点云与待配准点云重心重合以达到初始位姿确定;然后,在ICP算法每次进行迭代时,先对待配准点云与参考点云进行PCA,选取其中前三主成分特征向量,通过姿态变换进行对应匹配,使两点云完成初始配准后再利用欧氏距离寻找最近点,完成后续配准过程。选取了经典ICP算法及3种初始位姿确定方法、文献主流算法与提出的迭代PCA算法及3种初始位姿确定方法进行对比分析,结果表明,在前述两种方法都无法配准的情况下,提出算法不仅成功避免算法陷入局部最小,而且获得了较优的速度与精度,迭代次数为10次,耗时19.427939 s,配准误差为2.1932,综合提高了配准性能。     

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。     

基于邻域曲率改进的迭代最近点激光雷达目标点云配准

为解决激光雷达目标点云配准技术中精确配准步骤中所存在的匹配速度慢和匹配误差大的问题，提出了一种基于邻域曲率改进的迭代最近点（ICP）精准化匹配算法。初始配准采用传统的主成分贴合法，给精确配准找到一个较好的初始位置，精配准采用基于领域曲率改进的ICP算法。以斯坦福兔子和场景点云作为实验研究对象，配准结果和数值分析共同表明，基于邻域曲率改进的ICP算法在点云配准中的可行性，且与其他算法相比，所提算法的配准速度更快、匹配精度更高，为三维数据重建和目标识别技术提供一种更高效的新方法。     

基于FPFH和法向量的改进点云配准算法

针对飞行时间法(TOF)获取点云的相关特点,提出一种适用于TOF点云的改进配准算法,首先使用FPFH特征对点云进行粗配准;在精配准阶段,通过法向量夹角特征采样的方法来减少点云的点数,同时又保留点云的关键信息点,并引入KD树和RANSAC方法来改进ICP的配准效率.实验结果表明,该算法具有良好的配准效率和精度,同时具有较大的适用范围.     

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。     

室内移动机器人目标定位性准确匹配研究

在室内移动机器人目标定位系统中的扫描匹配技术中,传统的迭代最近点算法存在待配准点云初始位置要求苛刻、难以找到正确对应点对的问题,因此提出一种基于Kinect传感器获取三维环境点云,根据旋转投影统计特征描述子的相似性来查找对应点对并进行扫描匹配的移动机器人目标定位方法。首先通过Kinect传感器获取物体点云图,根据特征提取算法提取点云特征;然后获取两个待匹配点云的旋转投影统计特征描述子,通过比较两个描述子之间特征的相似程度,估算它们之间的对应关系,采用距离差分矩阵算法剔除误匹配点,计算初始匹配参数;最后利用最小二乘法迭代进行ICP配准,获得点云间的最终变换矩阵,实现目标定位。实验结果表明,改进后的算法有效地提高了点云匹配效率和配准精度,得到了较精确的目标定位信息。     

基于改进ICP的复杂机械零件测量点云配准方法

点云配准是基于机器视觉进行复杂机械零件三维非接触精密测量的关键环节。针对传统迭代最近点(iterative closest point, ICP)算法对初始位置依赖性强,迭代收敛速度慢,错误对应点对多,难以满足大批量复杂机械零件测量点云配准效率和精度要求的问题,提出了一种基于ISS-FPFH(intrinsic shape signature-fast point feature histogram)特征结合改进ICP的复杂机械零件测量点云配准方法。为了减少点云配准数量,并保留点云表面原来的细微特征,提出了基于重心邻近点的体素滤波器对点云进行下采样预处理。为解决传统ICP算法因合适初始位置难以确定而导致多视角测量点云配准失败的问题,采用了基于ISS-FPFH特征的采样一致性初始配准(sample consensus intial alignment, SAC-IA)算法进行粗配准。为解决传统ICP算法迭代收敛速度慢、错误对应点对多的问题,提出结合法向量夹角约束的点到平面ICP算法进行精配准。以斯坦福大学的bunny点云模型为对象,验证了本文提出方法对噪声点云的鲁棒性。以常见的复杂机械零...     

基于深度传感器的多视角点云配准研究

为了解决大尺寸对称物体在多视角配准过程中出现的误匹配点对和累计误差问题,提出了一种基于深度传感器的多视角点云配准算法。首先,使用深度传感器获取目标物体不同视角下的多片点云并进行预处理,对物体单侧相邻点云采用超四点快速鲁棒匹配算法(Super 4-points congruent sets, Super4PCS)进行粗配准,利用改进的点到平面ICP算法去除误匹配点对并进行精配准,之后将左右两部分的点云拼接,从而获取完整的三维点云模型。最后,针对多视角配准出现的累计误差问题,提出了一种全局优化方法从而减少累计误差。实验结果证明所提方法可以精准地完成多视角点云配准,获得准确的三维点云模型。     

基于KDTree改进的Super 4PCS+ICP算法在点云配准中的应用研究北大核心CSCD

在点云配准过程中,为了提高点云的配准精度,针对ICP算法对于初始位姿的局限性,对点云数据进行Super4PCS+ICP的“先粗后精”处理。首先利用KDTree树搜索对应点,用局部区域的特征度确定特征点集,再使用Super4PCS算法实现粗配准。针对精配准提出KDTree树来加快速度,SVD求解对应点参数、常数为1的加权平均、求解误差函数等手段来实现对ICP算法的改进,并求出刚体变换后的旋转平移矩阵,提高点云配准精度。实验表明,相较于传统ICP算法,本文方法的配准精度有了显著的提升。本文研究的方法可为点云配准的深入研究提供一定的参考。     

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。     

局部距离优化的点云配准算法

为了降低多视觉点云配准过程中易产生的误匹配等问题,提高配准效率,提出一种加权距离均值的关键点提取算法。以点云表面某点为中心,计算邻近点到中心点处切平面的加权距离均值,以此筛选出具有局部特征信息差异的关键点;选择快速点特征直方图(Point Features Histograms, FPFH)作为关键点的特征描述子;在匹配对应点对方面,采用一种基于邻近匹配对欧氏距离相对一致性的对应关系查找策略,结合随机抽样一致性(Sample Consensus Initial Alignment, RANSAC)算法确定对应点集,得到最优初始变换矩阵完成粗配准;最后使用迭代最近点(Iterative Closest Point, ICP)算法进行精配准。实验结果表明,所提算法在有效提取关键点的基础上提高了对应关系的准确性,较好的初始位姿使得ICP算法最终的收敛速度与传统点云配准算法相比平均提高了约47.75%,具有较好的配准效果。     

基于快速点特征直方图的三维点云配准算法

三维点云配准算法是三维场景模型重建的重要研究部分。针对传统迭代最近点算法(ICP)对点云进行配准时容易陷入局部最优的问题,本文研究了基于局部特征点改进的ICP算法。文章分析了点特征直方图(PFH)和快速点特征直方图(FPFH)两种局部特征点,得出了FPFH具有比PFH更低的时间复杂度的结论,因此通过FPFH特征描述子对两片初始点云进行粗配准,使其具有较好的初始位姿,最后用经典的ICP算法进行精配准。实验结果表明,基于FPFH特征点改进后的ICP算法能提供较好的点云初始位姿,一定程度上避免了配准时陷入局部最优的问题,比传统ICP算法具有更好的配准效果。