基于IGGⅢ方案的加权总体最小二乘点云球面拟合

为了减少测量粗差对球标靶拟合精度的影响,在加权总体最小二乘法基础上,针对地面3维激光扫描球标靶数据特点,采用了权函数IGGⅢ方案,自适应地修正拟合权阵,构建了新的点云球面拟合方法。利用新方法分别拟合了模拟球面数据、实际扫描球面数据。结果表明,该方法在同时考虑拟合模型系数矩阵误差与观测向量误差基础上,通过合理定义及优化拟合权阵,获得了更为精确的球面参量。其拟合评价指标均优于常规方法。     

激光点云与密集匹配点云联合测量方法研究

针对地面激光扫描仪在进行作业时，有时因遮挡视线而无法采集数据的问题，设计了一种利用改进的采样一致性初始配准(Sample Consensus Initial Aligment, SAC-IA)算法在异源多视角点云中进行联合测量的方法。将三维激光扫描仪从地面视角采集的点云和倾斜摄影测量从空中视角获取的影像密集匹配点云，使用改进的采样一致性初始配准(SAC-IA)算法进行配准融合，实现了空中和地面视角的集成，大大减轻遮挡对测绘工作的影响。用某建筑物三维激光扫描得到的点云数据和倾斜摄影得到的密集匹配点云数据进行实验，并对配准融合后得到的点云数据进行了精度验证。实验结果表明，使用本算法配准点云数据时，比现有方法精度上有明显的提升，算法效率提高了57.46%～59.73%。同时，使用本方法配准融合的点云数据其精度小于5 cm,满足测图精度要求。     

利用SLAM点云的玉米株数自动识别

为了实现农田玉米株数的快速无损自动化识别,提出一种利用同时定位与地图构建(SLAM)点云的农田玉米株数自动识别方法。借助飞马SLAM100手持扫描仪进行玉米田块点云数据采集,充分利用SLAM点云中玉米植株的竖直度特征和扫描过程中植株的先验纹理特征,进行玉米植株顶部的自动提取,引入密度聚类算法进行玉米植株的区分与株数自动识别,并通过农田实测数据进行实验。结果表明,所设计的方法能够实现玉米植株的自动识别,对玉米种植株数的识别率达到92.53%。该研究在玉米植株自动识别、作物估产以及智慧农业研究领域具有良好的工程应用价值。     

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。     

点云配准中的初始配准研究

针对精确配准容易陷入局部最优的问题,文章提出结合初始配准与精确配准相结合,更好地完成点云数据集的精确配准。通过实验表明,在两个点云数据集旋转角度相差较大时,使用传统的精确配准算法会陷入局部最优,导致配准失败;同时,实现了FPFH算法和4PCS算法,在原始点云数据旋转角度偏差较大时能够完成点云数据的初始配准,更有利于精确配准的实现。     

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。     

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%。     

结合形态描述和直方图特征改进的点云配准北大核心CSCD

针对点云配准过程中配准效率和精度无法兼得的问题,提出一种将内部形态描述(ISS)特征点和二进制方向直方图(BSHOT)特征描述符相结合的改进的点云配准算法。该算法先采用体素格网下采样和ISS算法提取特征点;然后通过二进制的方向直方图(BSHOT)特征描述符结合汉明距离和随机采样一致性算法(RANSAC)进行粗配准;最终利用改进的ICP算法进行精确配准。利用多组点云数据对该方法进行验证。结果表明,在相同条件下,改进后的算法在配准时间和配准精度上均优于其他算法。说明所提出的方法具有较高的配准效率与精度,且随着点云数量的增多,配准精度的提高效果会增强。     

基于面结构光的工件内壁点云旋转拼接研究

针对某些工件内部空间有限、测量困难的问题,提出了一种基于面结构光的点云旋转拼接方法。介绍了面结构光单一视野的重建方法,采用四步相移与互补格雷码结合的方法获取绝对相位值,通过多项式拟合法对相机、投影仪进行标定。基于机械臂末端腕关节旋转平面（简称:旋转平面）对点云的配准进行了研究,提出了基于辅助相机的标定方法,给出了相机成像坐标系和旋转平面坐标系之间的变换关系。实验结果表明:该方法适用于工件内壁测量,拼接平均误差不大于0.05 mm,满足实际应用需求。     

改进型点云数据融合的多站组网SVD算法

在大型结构的加工与装配过程中激光雷达的多站组网测试十分常见,但由于点云数据拼接过程需要统一的坐标系,故环境干扰、站位布局导致的转站误差大幅降低了系统的整体测量精度。为了提高多站组网后点云数据融合的面型测量精度,提出了一种改进型奇异值分解算法。该算法在分析站位布局的基础上,通过在多站之间匀差的方式抑制粗大偏差。对目标函数进行了奇异值分解,并通过最优值完成站位的优化布置。实验采用单点精度001mm的MV350型激光雷达,并对6组不同布站情况进行对比分析。结果显示,本算法的点最大误差为00824mm,点平均误差为00214mm,点测量不确定度为00122mm,均优于未规划的测量结果。其测量综合不确定度最接近单机测量综合不确定度,可见,采用本算法对提升转站精度具有一定价值。     

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。     

基于点云配准的工业测量技术研究

对待测产品的测量点云和标准设计点云进行配准,得出产品制造偏差量,进行精度测量评定。先采用主元分析(PCA)法作预匹配,再用随机抽样（RANSAC）算法取重合度高的匹配点对,最后利用最近点迭代（ICP）算法得到高精度的点云配准。其中,采用RANSAC算法得到高重合度的匹配点对,便于得出最优空间坐标转换参数,使得配准精度更高;对抽样次数的估计可以推出点云配准迭代次数,进而有效减少运算时间。实验结果显示算法是有效的。     

Interactive 3D registration of ultrasound and magnetic resonanceimages based on a magnetic position sensor

The use of stereotactic systems has been one of the main approaches for image-based guidance of the surgical tool within the brain. The main limitation of stereotactic systems is that they are based on preoperative images that might become outdated and invalid during the course of surgery. Ultrasound (US) is considered the most practical and cost-effective intraoperative imaging modality, but US images inherently have a low signal-to-noise ratio. Integrating intraoperative US with stereotactic systems has recently been attempted. In this paper, we present a new system for interactively registering two-dimensional US and three-dimensional magnetic resonance (MR) images. This registration is based on tracking the US probe with a DC magnetic position sensor. We have performed an extensive analysis of the errors of our system by using a custom-built phantom. The registration error between the MR and the position sensor space was found to have a mean value of 1.78 mm and a standard deviation of 0.18 mm. The registration error between US and MR space was dependent on the distance of the target point from the US probe face. For a 3.5-MHz phased one-dimensional array transducer and a depth of 6 cm, the mean value of the registration error was 2.00 mm and the standard deviation was 0.75 mm. The registered MR images were reconstructed using either zeroth-order or first-order interpolation     

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。     

激光雷达场景三维姿态点法向量估计方法

激光成像雷达能够获取反映目标三维空间位置的点云数据,可直接估计目标三维姿态角,是完成特征提取、目标配准等工作的重要参数。实现场景的三维姿态估计,借鉴基于点法向量的三维姿态估计算法（PDVA）,针对真实场景中表征场景坐标系（SCS）坐标轴的正方向向量偏差较大的问题,提出了一种优化的三维姿态估计算法（OPDVA）。该方法利用场景点云存在大面积近似平面区域的特点,通过随机抽样一致算法（RANdom SAmple Consensus,RANSAC）的平面模型对聚类中其他方向的点法向量进行滤除,得到最优拟合平面对应的法向量即为修正后的SCS坐标轴。利用旋转变换和重采样等技术手段,分别采用矩形包围盒法、PDVA和OPDVA对3组真实场景距离像进行实验。实验结果表明:OPDVA方法对场景的姿态估计明显优于其他两种方法,姿态估计误差不超过4°,对存在遮挡的场景也同样适用。     

空间非合作目标点云聚类配准方法

空间非合作目标的相对位姿测量问题成为空间在轨操作任务的重难点,通过对激光雷达获取的目标三维点云进行聚类,得到小规模、特征明显的聚类点云,有效提高了配准效率和精度。针对基于区域生长的聚类算法在对可视点云进行聚类时,特征相似部分无法聚类识别的问题,提出了二维图像优化三维点云聚类的方法。该方法将深度值信息和RGB颜色值建立数学映射关系,点云降维后,利用颜色梯度突变进行边界提取,将边界内的点逆向恢复到原始点云,最后将各个类的点云进行合并,得到易于识别的显著特征点云。实验结果表明,在配准角度误差为±5°的条件下,可有效地缩减点云规模并保留了显著特征,提高ICP配准算法的计算效率,为解决空间非合作目标相对位姿实时测量提供技术支持和解决思路。     

水下目标物三维激光重建方法研究

文中提出了一种水下线激光的三维重建系统,由相机、绿色线形激光器和转台组成,通过对系统扫描获得的图像进行分析与处理,实现对目标区域的三维重建。采用边缘检测算法与基于极值法的高斯拟合法相结合的条纹中心提取算法,利用坐标转换公式,得到相应的三维点云坐标。点云处理方面,将alpha shapes边界提取算法和Delaunay三角剖分相结合,实现对点云的滤波与重建。针对实验中由于光线在不同介质表面折射造成的视角误差问题,提出了一种折射校正算法,并用已知尺寸的标准球进行了误差实验。结果表明,在500~1200 mm的工作距离内,系统可以实现对水下目标物体及区域的三维形貌还原,重建误差小于0.6 mm,满足设计要求,为水下三维重建技术提供新的参考。     

基于立体视觉与特征匹配的点云目标识别算法

准确提取三维点云数据中待测目标的点云集合是三维点云目标识别技术的一个关键问题,也是近年来目标识别领域从二维向三维拓展的一个重要挑战,其主要难点在于快速寻找离散点云之间的相关函数关系。结合立体视觉与特征匹配构建了可以表征不同视场条件下的目标点云约束的机制,通过采用立体视觉作为约束条件完成了对原有特征匹配算法的优化。设计了基于立体视觉的估计算法,通过训练学习获得了不同选取比例条件下的识别规则。实验采用ARIES激光雷达采集点云,并通过MATLAB选取三种典型目标状态。当目标区分度高时,优化前后的目标识别率都在98%以上;当目标区分度低时,优化后对目标边界的限定条件可以很好地提高识别概率。采用优化的点云数据位置偏差量可达到0.55 mm,相比未优化的0.74 mm提高了0.19 mm。同时,优化后算法的收敛时间曲线要优于未优化的,3000点以上的收敛时间均值约为8.33 s,优于未优化的12.76 s。综上所述,优化后的算法具有更好的识别效率。