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%。     

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。     

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。     

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。     

融合特征点提取的三维点云配准方法

为了改进传统迭代最近点云配准方法配准精度低,需要较好的初始输入变换矩阵等问题,提出一种基于分块思想结合点云平面拟合提取特征点的改进型点云配准方法。首先,对点云进行分块,结合随机采样一致性定理进行块状点云的平面拟合和特征点提取。其次,采用快速点对直方图来描述点云特征,利用采样一致性配准算法进行初始配准,为精配准奠定良好的基础。精配准通过K-D树改进加速迭代最近点算法,实现点云的整体配准。试验结果表明,所提出的点云配准方法在两种测试集上相较于传统最近迭代点方法,在配准精度上提升89.23%和31.45%,相较于其他点云配准方法,提出的方法也有一定的优势。     

基于点云边界质心的粗配准方法

点云配准的质量直接影响着三维重建的质量。针对传统K-4PCS耗时长且易出现错误匹配等问题,文中提出一种基于边界质心的点云粗配准方法。通过对点云进行边界提取,既保留点云外表特征,又减少了点云数据的大小,提高了粗配准速度。为了加快边界点的提取速度,使用K-D tree算法完成对k近邻点的搜索。通过配准边界点的质心,减少点云初始距离并增加重叠度,保证了粗配准的精度。实验结果证明,文中方法在粗配准速度和精度方面都优于传统K-4PCS算法,其速度约为传统K-4PCS算法的2倍,平移和旋转精度也比传统K-4PCS高了40%以上。文中所提方法对提高点云粗配准的速度和精度具有一定的参考价值。     

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Super4PCS的激光点云配准适用性研究

针对超四点快速鲁棒匹配算法(Super 4-points congruent sets,Super4PCS)对不同特点的激光点云配准的适用性问题,分别对不同重叠率、不同噪声点、不同数据量的点云进行了配准实验,比较分析了算法的配准精度和数据适用性.实验分析得出,Super4PCS算法对于重叠率高于40％、噪声比例低于30...     

基于超体素与几何特征融合的点云配准优化

针对点云配准过程中点云数据冗余、易出现误匹配点对和配准精度低的问题,提出了一种融合超体素及几何特征的点云配准方法。首先使用超体素与法向量信息相结合的方法提取特征点;其次,在粗配准中,通过使用快速特征点直方图(Fast Point Feature Histograms,FPFH)进行特征描述,采用双向最近邻比获取初始特征点对应关系,基于法向量夹角策略和随机采样一致性(Random Sample Consensus,RANSAC)算法进行对应关系的优化,获取良好的初始位姿;最后,在精配准中,基于初始位姿与改进的迭代最近点算法(Iterative Closest Point,ICP)算法完成点云配准。通过在斯坦福数据集中进行配准实验,验证了所提算法具有更好的鲁棒性,能高效且精准的完成点云配准。     

Coarse registration of point clouds with low overlap rate on feature regions

In order to solve the problems of long time consuming and easy failure of the existing coarse registration algorithms based on global registration on two 3D point clouds with low overlap rate, we proposed a coarse registration algorithm based on feature regions and the Super 4-Points Congruent Sets (SUPER4PCS) algorithm. Firstly, intrinsic shape signatures (ISS) algorithm was used to extract and describe the features of the down-sampled point clouds. Secondly, the feature point clouds were divided into regions and the initial overlapped sub-regions were extracted. Thirdly, the complete overlapping regions were grown from the overlapped sub-regions and gradually recovered. Finally, the SUPER4PCS was used for registration on the complete overlapping regions. The experimental results showed that the geometric accuracy, registration success rate, and robustness of the proposed algorithm were better than that of SUPER4PCS and its improved algorithms, and the time consumption was one order of magnitude lower than that of SUPER4PCS on point clouds with low overlap rate.     

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。     

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%。     

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。     

基于点云配准的多固态激光雷达标定算法

针对多个固态激光雷达协同工作时,需要准确地进行外参标定的实际需求,提出一种基于点云配准的多固态激光雷达自动标定算法。该标定算法由标定物分割、初始配准和精确配准三个阶段构成。在标定物分割阶段,首先通过叠加多帧非重复扫描数据制作标定点云,再使用半径滤波和体素下采样滤波分割出纹理特征明显的目标点云。在初始配准阶段,使用3D-HARRIS算法提取关键点,并使用方向直方图(SHOT)特征描述子进行特征描述,然后匹配对应点并使用采样一致算法完成初始配准;在精配准阶段使用迭代最近邻(ICP)算法进行精确配准,从而获得精确的外参标定效果。在Bunny兔数据集和现场获得的数据上进行实验,结果表明,当保证配准平均误差小于1 mm的前提下,所提出算法的性能优于多种现有算法。