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。     

改进TrICP算法的多源点云配准研究

针对建筑物多源点云数据配准时出现配准精度低和效率不高的问题,提出一种基于主成分分析(PCA)的改进修剪迭代最近点(TrICP)多源数据配准方法。首先采用PCA算法对点云计算主轴方向,并基于方向反向问题创建校正矩阵进行校正,从而得到两组点云的初始良好位姿转换,完成点云的粗配准步骤;然后针对修剪迭代最近点中搜索点对和迭代次数问题,采用赋权的改进修剪迭代最近点算法完成两种点云数据的精配准。实验数据结果表明,改进的配准算法可以有效地减少多源点云数据迭代次数,提高配准精度并且保证了点云的完整性,相较于其他三种对比算法,精度分别提高56.75%、39.60%、28.08%,有效提升了配准的效率。     

一种改进的ICP激光点云精确配准方法

传统迭代最近点(Iterative Closest Point,ICP)算法在进行点云配准时,若点云初始位置相差较大时,容易陷入局部最优,同时,该算法无法解决部分重叠的点云的配准问题.鉴于此,提出了一种改进的ICP 激光点云精确配准方法.首先通过对两片点云的主成分分析并矫正主轴方向以完成初始配准,获得一个较好的初始位置...     

基于SIFT特征点结合ICP的点云配准方法

在点云配准过程中,针对迭代最近点(ICP)算法对点云初始位置依赖性强且迭代速度慢的问题,提出一种基于尺度不变特征变换(SIFT)特征点结合ICP的点云配准方法.首先利用SIFT算法提取待配准点云和目标点云的特征点;接着计算出特征点的快速点特征直方图(FPFH)特征;然后依据该特征使用采样一致性初始配准(SAC-IA)算...     

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。     

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。     

基于视点特征直方图的激光点云模型的位姿估计

提出一种基于视点特征直方图的点云模型位姿估计 算法。首先在目标物体周围采 集三维点云,拼接后获得物体的完整点云模型;然后对点云模型计算其视点特征直方图, 构建特征数据 库;对待估计点云同样计算其特征直方图,使用KNN算法在数据库中搜索与之最接近的位 姿作为初始位 姿估计值;最后使用迭代最近点(ICP)算法将待估计点云精确配准到模型点云,从而获得坐 标系之间的相 对位姿。实验表明,这种方法对于物体位姿识别有很强的稳健性,能很好实现目标物体的 三维位姿计算。     

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。     

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。     

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。     

一种基于特征提取的点云自动配准算法

针对在不同视角下所获得的三维点云数据,提出了一种基于特征提取的点云自动配准算法。算法根据点云在不同半径内的法向量变化度来提取特征点,综合利用点云局部点的三种几何特征搜索匹配点对。通过利用距离约束条件来获取准确匹配点对并计算初始配准参数。精确配准阶段采用改进的迭代最近点(ICP)算法完成二次拼接。实验结果表明,与传统ICP算法相比,该算法在运行时间与精确度上都有着明显的提升。     

一种椎弓根螺钉内固定术中非同源低重叠率点云的配准方法

在手术导航系统辅助的椎弓根螺钉内固定术中,术前与术中点云配准精度是影响导航定位效果的重要因素。由于术前与术中点云的获取方式不同,且术中暴露位置受限,两种非同源三维点云存在初始位姿差异大、重叠率低的问题,现有的配准算法在术前术中点云配准时容易失效且精度不高。为此,本文提出了一种椎弓根螺钉内固定术中非同源低重叠率点云的配准方法。首先,对术中点云进行降采样,对术前点云进行基于最远点采样的局部区域划分,选取其中的最优局部区域,与术中点云进行采样一致性初始配准;之后,采用迭代最近点算法进行进一步优化,实现点云的准确对齐。在本文所用数据集上,所提算法在术前术中点云配准实验中的平均旋转误差为0.406°,平移误差为0.474 mm,实现了初始位姿差异大、重叠率低的非同源术前术中点云的高精度配准,与现有算法相比,配准成功率从66.67%提高至100%。     

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。