融合IMU的多帧点云场景配准方法

三维重建技术广泛应用于无人驾驶、测绘、物流等领域,其中点云配准是最关键的技术。针对多帧点云配准误差累计大,姿态估计不准确等问题。提出了一种基于惯性传感器(IMU)线性插值的点云去畸变方法,该方法采用激光点前后最近时刻的IMU预积分值进行线性插值获得当前时刻雷达位姿,将单帧不同时刻激光点校正到统一坐标系。同时将IMU雷达位姿作为多帧点云配准初值,通过曲率特征点到直线、到平面的距离观测最小约束,构建包含配准误差和IMU预积分误差的联合优化方程来求解准确的雷达位姿。实验结果表明,引入IMU提高了多帧点云配准精度,减少了点云地图的重影。     

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。     

一种简易的激光雷达点云与光学影像自动配准方法

将激光雷达点云与光学影像进行配准融合,在数字城市建模、自动驾驶和导航避障等方面有重要的应用价值.当前多数自动配准方法需要专门设计特殊的场景结构,操作复杂.根据激光雷达对玻璃具有穿透的特性,提出利用透明的门窗等室内建筑物场景来实现对激光雷达点云与光学影像的自动配准.首先,将激光点云量化为图像,提取光学影像与量化图像的门窗...     

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。     

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。     

TOF点云强度特征匹配迭代最近点配准算法

针对时间飞行(TOF)获取的三维点云数据噪声点多、有效目标在点云中所占比例较小的问题,提出一种适用于TOF点云数据的基于强度特征匹配的迭代最近点配准算法。首先使用强度特征进行有效区域提取,然后对有效区域进行配准,最后使用有效区域的变化矩阵对整个点云数据进行配准。实验结果表明,该方法能在不影响配准速度的情况下,有效提高真实点云配准的精确度。     

面向狭窄场景的鲁棒多视角配准方法

多视角点云配准是逆向工程中的关键步骤之一,具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据,多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性,提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云,结合迭代最近点法(ICP)和基于特征的配准方法,提出一种多策略融合的成对点云配准算法,用于求解相邻视角点云的配准结果;然后在增量式相邻视角点云配准的基础上,进一步提出一种基于距离约束的回环检测方法,并依据相邻视角点云的配准结果和回环检测的结果构建位姿图;最后采用实时优化策略对位姿图进行优化,消除累计误差,实现鲁棒的多视角配准。实验结果表明,提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象,而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性,采用多个狭窄场景下连续采集的模型点云进行验证,结果表明:提出的算法取得了不错的效果,表明该方法是一种有效的狭窄场景多视角配准方法。     

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。     

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。     

自动计算重叠度的多源点云配准方法

针对多源点云配准存在噪声、部分重叠、不同模型的配准参数难确定等问题,提出一种基于贡献因子的改进TrICP算法。首先,使用改进体素降采样以及随机降采样对点云进行降采样。然后,利用改进算法的贡献因子来保留对配准贡献度更大的点对,使用奇异值分解法（SVD）对变换矩阵求解,同时计算距离曲线上的点经过原点的斜率来自动计算重叠度,实现点云的全自动配准。使用斯坦福大学的Bunny点云以及“茂县624”滑坡现场点云数据对改进算法及TrICP等多个算法进行对比实验。结果表明:相对于TrICP,改进算法在Bunny点云以及滑坡体点云上,配准速度分别提升50%和67%,且精度更高,并在添加大量噪声情况下仍能正确配准,这表明该算法能对含大量噪声、部分重叠、非同源的激光与影像重建点云进行可靠高效的自动配准,实现多源数据优势互补以获取目标的精准点云信息。     

一种动态特征匹配的部分重叠点云配准方法

点云配准方法能够有效地完成对不同重叠率、不同规模点云间的配准,可确保三维重建模型的精度。针对该问题,提出一种动态特征匹配的部分重叠点云配准方法,首先基于欧氏距离分割法将点云分割为子点云;然后提取子点云特征,考虑到不同点云的规模不同,提取的特征规模也是不同的,提出利用动态时间规整算法(DTW)完成子点云间的映射;最后利用迭代配准算法求取拼接点云间的平移、旋转矩阵,利用该矩阵完成点云间的配准和拼接。实验结果表明,提出的方法能够有效地解决部分重叠点云和不同规模点云的配准问题。     

基于深度图的道路场景三维点云分割优化方法

点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系,利用相邻激光雷达扫描线的角度阈值进行地物分割,再对分割后的地上物体进行分割,去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化,较好地克服了过分割问题,提高了点云分割的准确率。实验结果表明,该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。     

大规模城市三维重建中点云配准及平面提取研究

点云配准是大规模城市三维重建中的重点问题。考虑到楼宇与地面是城市的主要组成部分,而平面是构成它们的重要几何元素,本文提出了一种通过匹配平面结构来进行大规模城市点云数据配准的新方法。为了准确获得点云平面,本文针对现有聚类方法仅依靠数据点的相关性而导致平面结构错误提取的情况,提出了一种同时结合数据点相关性和模型假设相关性的联合聚类算法。获得平面结构后,论文采用随机采样策略将提取的平面结构匹配,获取点云间的变换矩阵,完成点云的配准。实验结果表明了本文联合聚类算法可以很好地提取点云中平面,同时也验证了利用平面结构匹配对城市点云配准的有效性。由于本文算法仅需对稀疏点云进行处理来完成配准,降低了配准中的计算量与复杂度,所以十分适合应用于大规模城市三维重建。      

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...     

面向铁路场景的大规模点云高效去噪方法

利用车载激光雷达获取铁路沿线环境信息对于保障行车安全具有重要意义。但是激光雷达采集到的点云数据受设备及环境因素影响,会产生大量的噪声干扰,这些噪声严重影响后续的感知和监测任务。为此,本文提出了一种面向铁路场景的大规模点云高效去噪方法。该方法提出了一种新颖的网格投影策略,对大规模铁路点云数据进行高效的降维降采样处理。然后,设计了基于GPU的改进聚类加速算法,快速识别离群的噪声数据。最后综合设计多策略融合方法,有效地去除噪声数据。所提方法充分利用铁路场景前向运动的特点,对点云数据进行基于网格化的时空压缩,同时利用GPU加速聚类算法的矩阵运算,实现了实时高效的铁路场景大规模点云去噪算法。实验结果表明,所提方法不仅能够提高去噪的性能,而且处理效率得到了极大提升。