基于目标工件点云的位姿估计方法研究

阐述了点云特征描述方法以及点云配准的粗配准和精配准方法,提出了一种结合SAC-IA与Trimmed ICP的点云配准方法。分别采用6个不同摆放位姿下的长方体目标工件点云和11个不同摆放位姿下的内六角螺丝目标工件点云进行位姿估计实验。实验结果表明,该点云配准方法与SAC-IA粗配准和优化后的传统ICP精配准相比,在配准精度和配准时间上均有所改善。该点云配准方案可以更快、更有效地计算目标工件的位姿信息,在定性和定量分析的基础上,通过实验验证了该方案的可行性。     

面向深度相机位姿优化的帧间点云数据配准算法

TOF相机能够同时采集灰度图像和深度图像从而优化相机位姿的估计值. 应用图结构调整框架优化多帧数据采集时的相机位姿,采用帧间配准决定优化的精度和效率. 从2帧图像上提取并匹配尺度不变特征点对,二维特征点被扩展到三维空间后,利用与特征点的空间位置关系将2帧三维点云配准;逐步应用提出的算法配准参与位姿优化的多帧点云中的任意2帧点云;最后将有效配准的点云帧对作为输入数据,采用图结构算法优化位姿. 实验结果表明,提出的帧间配准算法使得位姿估计值精度显著提高,同时保证了估计效率.     

双Kinect联合扫描点云配准方法

大型场景或者大尺寸物体的三维重建无法由单台设备完成,而由多台设备采集得到的点云位置偏移较大,一般的点云配准方法无法达到三维重建所需的精度。该文提出了一种基于Kinect标定的点云配准方法。首先通过棋盘格标定算法对两台Kinect进行标定,然后利用标定得到的相机内外参数计算不同视角下点云数据间的运动参数,接着根据得到的运动参数,对原始采集的点云数据进行初始配准。在此基础上,采用改进的迭代最近点算法,对初始配准后的点云数据进行精确配准。实验结果表明,与直接采用改进的ICP算法相比,该方法配准结果无明显的错位现象,且计算速度提高了15%左右。     

基于点云的膝关节胫骨三维CT与MRI图像配准

同时利用CT和MRI图像对膝关节及胫骨疾病进行诊断和治疗,是目前临床上的常规方法。精确配准膝关节胫骨部分三维CT和MRI图像可以更有效地利用这两种图像中的组织信息。目前,基于图像特征或者图像灰度值的方法可以实现图像间的配准,但是都存在一些配准精度低或者时间复杂度高的缺陷。针对膝关节胫骨组织的刚性特征,采用一种基于骨组织表面重建的点云配准方法。首先对数据集进行骨表面重建,通过重建后的结果提取点云数据,对点云数据进行下采样并利用重心进行初始变换,最后利用ICP算法对点云数据进行配准。对该方法进行配准结果分析及配准精度实验,表明这种方法简单可靠并且配准精度较高。     

机械工件形变激光扫描识别中缺失点云配准方法

为解决局部激光点云数据缺失导致识别结果准确度下降的问题,提出一种三维激光点云数据配准方法,并应用到机械工件形变识别中。利用三维激光扫描技术采集机械工件三维激光点云数据,经过聚类及逆变换处理后,完成机械工件激光扫描的点云配准;根据点云数据,获取机械结构在某点处的应变形态大小,通过计算机械结构的位移函数完成机械工件形变识别。实验结果表明,该方法可以有效配准机械工件的激光点云数据,提取的准确性高、耗时少,可有效实现精度较高的形变识别。     

基于CEGI和Fourier变换的全自动点云配准算法

针对没有任何几何和拓扑信息的散乱点云,提出一种全自动点云数据配准算法。针对待配准的两组点云数据,首先通过局部最小二乘曲面拟合,估计每个点的法向和曲率,其次计算点云的扩展高斯图（EGI）和复扩展高斯图（CEGI）,然后根据EGI和CEGI利用球面调和函数计算旋转欧拉角,构造相关函数,通过Fourier变换估计平移向量,完成粗配准,把粗配准结果作为新的初始位置,采用最近点迭代算法（ICP）进行精确配准,从而实现两组散乱点云的精确配准。实例分析表明该算法配准效果良好。     

V－SLAM中点云配准算法改进及移动机器人实验

针对移动机器人视觉同时定位与地图构建(visual simultaneous location and mapping,V-SLAM)中,存在帧间配准误差大造成重建精度低、位姿轨迹丢失的问题,提出一种三阶段改进点云配准的ICP算法.首先通过RANSAC(随机采样一致性)采样策略对RGB图进行点对的筛选从而获得内点完成预处理;然后采用基于刚体变换一致性的对应点双重距离阈值法完成点云初配准;在得到良好的初始位姿下,引入一种动态迭代角度因子的ICP精配准方法.在后端部分引入滑动窗口法和随机采样法相结合的关键帧筛选机制,结合g2o(general graph optimization)图优化算法优化机器人位姿轨迹,实现全局一致的VSLAM系统.采用标准点云模型对本文算法与文献算法进行点云配准实验对比,在配准精度上有明显提高;通过移动机器人在真实环境下的地图重建实验,验证了本文算法的有效性;最后基于TUM数据集的实验表明了本文算法能有效估计出机器人运行轨迹.     

基于改进SSD神经网络和点云配准算法的变电站三维模型快速建立方法

为提高变电站三维建模的效率,提出了一种改进SSD(single shot detection)目标检测算法和ICP(iterative closest point)点云配准算法结合的变电站三维模型快速建立方法。该方法针对变电设备点云训练样本数量不足造成的设备识别准确率低这一问题,将三维模型快速建模转换为设备类型、型号识别和点云导入。首先利用改进SSD目标检测算法对变电设备类型进行初步识别,然后运用ICP配准算法对变电设备进行型号识别,2种方法的结合实现了变电设备点云的准确识别,最后根据配准得到的设备在变电站点云场景中的实际位姿,将模型库中配准的标准模型导入变电站三维点云场景,极大地提高了变电站三维模型的建模效率。该方法已在某变电站三维建模中得到应用,结果表明,不同变电设备型号识别准确率较高,设备建模平均时间为32 s,效率远远高于人工建模。     

基于线结构光扫描的工件高精度三维测量方法

为了提高工业中对复杂轮廓工件的测量精度和效率,设计了一套高精度非接触三维测量系统,并提出了一种基于线结构光扫描的工件轮廓三维测量方法。首先,利用高精度相机和三轴移动平台采集线结构光图像。然后,通过基于差分区间的灰度质心算法,精确而高效地提取出线结构光中心线,并生成原始点云模型。接着,对采集到的点云数据进行必要的点云滤波和精简预处理。最后,将预处理后的点云数据与CAD模型精确配准,进行工件表面轮廓的测量与误差评定。实验结果表明：测量工件轮廓高度的绝对误差小于0.07 mm,相对误差小于0.5%。所提出的三维测量系统及方法测量误差较低,能够实现工件的高精度三维测量,具有一定的工业应用价值。     

基于特征匹配的三维点云粗配准方法

针对无初值情况下点云配准精度不高以及配准效率低下的问题,提出一种基于特征匹配的三维点云粗配准方法。首先,利用点云局部法向量的变化描述其特征,加入特征保留权值筛选突出特征信息,提高配准效率;然后,根据保留的特征信息建立特征直方图,通过比较特征直方图描述的信息获取初始匹配的点对;最后,将刚性不变约束与随机抽样一致性算法结合筛选正确的匹配点对,再利用四元素法得到旋转矩阵和平移向量。实验结果表明,提出的算法与其他粗配准算法相比具有较高的精度和效率,为后续的点云精配准工作提供了良好的初值。     

基于KFCM的三维点云精简算法

毫米波雷达、TOF相机等扫描设备捕获的点云包含大量的冗余信息与噪声点,降低了点云配准的精度与处理效率．针对上述问题,提出基于KFCM的三维点云精简方法,将原始扫描点云以核函数映射至特征空间,同时更新聚类中心及隶属度矩阵,利用加权误差平方和建立目标函数且以其收敛为算法终止标准,最终将聚类中心作为精简结果输出．实验结果表明,可在良好保持点云基本特征的前提下降低源点云分辨率以达到精简效果,且可通过调节参数控制输出点云的疏密程度,在与配准任务的适应性实验中可满足ICP等配准算法的需求．     

基于主成分分析与迭代最近点的三维膝关节配准

针对膝关节与假体空间坐标系不一致的问题,提出了一种基于主成分分析（PCA）与迭代最近点（ICP）算法相结合的三段式配准方法.采用PCA结合两次ICP算法的配准策略,对膝关节与关节假体的点云数据进行PCA配准处理,然后对得到的初始配准结果采用ICP算法进行调整,最后对调整好姿态的点云数据再次进行ICP配准,从而将其空间坐标轴调整到一致.实验结果表明,三段式配准方法相较于其他算法,可在保持较高配准精度的同时缩短配准时间.     

Optimization algorithm for estimating the human pose by using the morphable model

An optimization algorithm is proposed utilizing the video data and point cloud data captured by the depth camera to solve the problems such as error-proneness and incoherence of motion sequence caused by the existing human pose estimation algorithms based on the morphable model. For video data, the neural network is first used in extracting the model parameters from each color image frame. Next, the human key-points and contour constraint are considered to optimize the above parameters. Then the coherence between every two consecutive frames is utilized to correct the error of pose estimation, thus making the resulting motion sequence smoother. In addition, the point cloud and the model obtained from the corresponding color image frame are used as the joint input to further improve the estimation accuracy. Finally, the distance between the point cloud and the corresponding point of the model is constrained to be as small as possible to obtain a more reasonable solution. The proposed algorithm and the state-of-the-art algorithms are compared qualitatively and quantitatively on the data set and real video set. Experimental results show that the algorithm can effectively correct the error and incoherence in the single-frame pose estimation results and greatly improve the accuracy when using point cloud data optimization.     

Optimized initial aligning algorithm for point cloud registration

This paper deals with the initial aligning problem of pairwise point cloud registration. A novel Distance Disparity Matrix algorithm derived from Euclidean invariants of rigid motion is proposed to prune the obvious outlier matches while keeping the most inliers.The pruned matches are then sent into a Least-Squares Backward procedure to estimate optimized rigid transformation in fewer iterations.The employed thresholds are automatically determined with respect to the actual resolution of input point clouds. Experimental results show that the proposed strategy effectively eliminates the outliers to achieve better initial alignment at a high speed, and further enhances the performance of point cloud registration.     

傅里叶-梅林变换用于地面激光扫描点云配准研究

点云配准技术在国内外各个领域都在不断的发展并且受到广泛地关注,不同的配准方法都有其优势与不足.针对地面激光扫描获取的多个测站的点云的拼接问题,提出了一种新的配准方法,即在频域中对点云数据进行配准.该方法使用傅里叶变换将点云从空间域变换到频域,利用傅里叶梅林-变换可以将旋转、缩放这两个参数与平移参数分离,即可以单独在频域求解旋转和缩放,之后再在此基础上求解平移参数,从而实现对点云的配准.这种方法具有很强的鲁棒性,而且在频域中,不受点云本身噪声点、密度、或者某些结构缺失的影响,且不需要平移的初始估计.最后的实验结果也表明,这种算法在实现点云配准时与传统的算法相比具有一定的优势.     

堆叠散乱目标的6D位姿估计和无序分拣

针对目标散乱堆叠场景下的机器人分拣问题,建立一种从目标筛选、识别到6D位姿估计的无序分拣系统。利用局部凸性连接方法将Kinect V2相机采集的堆叠散乱目标点云数据分割成单独的点云子集,定义抓取分数从中筛选出最上层未被遮挡的目标作为待抓取目标,保证机器人分拣目标时能从上至下进行抓取;针对不同种类目标的分拣需求,基于匹配相似度函数对三维目标进行识别并定位抓取点;融合截断最小二乘-半定松弛算法和最近点迭代算法,建立目标6D位姿估计模型,保证目标点云和模型点云重合率低情况下的精确配准。在自采数据上进行目标6D位姿估计实验以及机器人无序分拣实验,结果表明：提出的6D位姿估计方法相较于流行的几种方法,可以更快速、精确地获取目标的6D位姿,均方根距离误差<3.3 mm,均方根角度误差<5.6°;视觉处理时间远小于机械臂运动的时间,在实际场景中实现了机器人实时抓取的全过程。     

基于点云和设计模型的仿真模型快速重构方法

随着产品装配质量要求的不断提高,为了在CAD模型仿真试验中快速且准确地表达零件实际加工质量,提出基于点云和设计模型的仿真模型快速重构方法. 采用“一面两孔配准”方法,将零件实测点云数据配准到设计模型上;根据设计模型边界提取出曲面重构所需的控制顶点;采用非均匀有理B样条（NURBS）方法对控制顶点进行曲面拟合;根据仿真需求,结合边界表示法（BREP）和构造实体表示法（CSG）实现模型表面的局部和快速替换. 在CATIA中开发基于实测点云数据和设计模型的仿真模型快速重构模块,和基于可拓展标记语言（XML）和特征完全匹配的数字预装配模块. 以某航空企业典型零件和舱门预装配为例,验证该方法的重构精度和效率及其在预装配仿真中的高效性和准确性.