基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。     

大型工件部分点云与整体点云的配准方法

部分点云与整体点云的高效、高精度配准是完成大型工件尺寸快速评价工作的基础,但由于部分点云和整体点云全局特征的差异性,使用现有的局部特征描述符进行点对匹配搜索计算量大,点云配准耗时长.为此,针对部分点云与全局点云的几何特征,提出一种基于区域均值特征描述符的部分点云与整体点云配准方法.首先提出一种区域均值特征描述符,能够有效地描述点云中关键点的邻域几何特征;然后通过评价点云区域均值特征描述符的特征度选择数据点作为待配准关键点,搜索与之匹配的描述符,完成部分点云与整体点云的关键点匹配;最后使用奇异值分解法计算点云之间的转换矩阵,基于迭代最近点算法完成部分点云与整体点云的配准.利用斯坦福公共数据库点云集和大型发动机舱段的三维扫描点云数据,对配准算法的配准准确度和配准速度进行实验的结果表明,与现有的几种基于局部特征描述符(PFH,HoPPF,PPFH,FPFH)的点云配准方法相比,所提方法配准准确度平均提高56.75%,配准速度平均提高45.57%,验证了该方法的有效性.     

基于FPFH-ICP的三维工件点云配准方法研究

针对三维工件点云配准方法存在配准精度低等问题,笔者提出一种基于快速点特征直方图（Fast Point Feature Histogram,FPFH）初始匹配与迭代最近点（Iterative Closest Point,ICP）的点云配准方法。首先,在配准前使用随机抽样一致（Random Sample Consensus,RANSAC）算法对初始点云数据进行预处理,获得目标点云数据;其次,使用FPFH算法提取点云特征,进行特征匹配,求得初始变换矩阵;再次,使用ICP算法对初始变换矩阵进行增益,求得最终变换矩阵;最后,完成点云精确配准。基于三维工件点云,将本文算法与经典算法对比测试。实验结果表明,本文算法在配准精度上有所提高。     

ICP算法在文物三维重建中的应用

三维结构光扫描技术作为一种新型的三维数据获取技术,被广泛应用于文物的三维重建中。目前,这项技术在数据获取方面有很多优势,但是在点云数据配准方面还有一些需要优化的地方,特别是在处理大量点数据,为保证配准结果的精确性,就需要对点云数据的配准算法就行优化。利用手持式三维结构光扫描仪获取文物三维数据,在Artec studio9软件中将原始三维数据以ply格式导出为原始点云数据,然后基于Matlab软件对ICP算法通过编程优化,将原始点云数据再通过优化后的ICP算法进行配准,得到文物三维模型的构建数据。实验分析表明,优化后的ICP配准算法不但能提升配准精确度,而且可以保证配准方向的合理性,使得配准得到更佳的展示效果。     

基于两步式迭代最近点的三维人耳配准算法

提出了一种新型两步式迭代最近点算法对三维人耳点云模型进行配准,该过程主要分为两步完成:(1)采用基于CUDA并行加速的EM-ICP算法进行初始配准,从而使人耳点云数据大致调整为同一姿态,并且为下一步提供良好的初始变化;(2)基于ICP算法对三维人耳点云数据进行精确配准。该方式能够有效避免ICP算法配准过程中局部对齐等缺陷。实验结果证明,采用两步式迭代最近点算法配准后的三维人耳数据具有良好的配准效果与配准速度。     

基于曲率信息的人工蜂群点云配准算法

针对仅使用群智能优化算法及点云空间信息进行点云配准时,优化过程寻找两片点云对应点耗时较长,收敛速度较慢的缺点,提出一种基于曲率信息的人工蜂群点云配准算法。算法根据曲率信息提取特征点,通过改进人工蜂群算法优化目标函数得到可以使两片点云重合的最佳变换矩阵。在种群优化过程中根据曲率信息约束对应点寻找范围,缩小参与计算点云的规模。对比实验表明,与仅采用随机选点方法和使用点云空间坐标信息的配准算法等相比,所提出算法可以在不降低配准精度的同时,有效加快配准收敛速度,显著缩短点云配准所用时间。     

板金属冲压零件表面模型与实测点云配准研究

为研究板料零件成形后实测点与设计原型之间的制造偏差,需要将实测坐标点云数据和产品数字模型进行配准,实现设计坐标系和实测点云数据的测量坐标系的统一。以CAD模型离散点云数据为引导,将配准过程分为初步配准和精确配准两个步骤。采用基于PCA提取特征坐标系的方法进行初步配准,采用k-d tree加速的ICP算法进行精确配准,将实测点云数据和设计原型离散点云数据转换到同一个坐标系中。基于UG NX平台将经过坐标转换的实测点云数据读入到CAD模型中,得到同一环境坐标系下配准后的实测点云数据和CAD模型,为制造偏差分析提供了基础,并进行了实例验证。     

基于高斯似然估计因子分析的点云配准算法

为解决三维点云数据在白噪声、数据不对应的情况下的配准问题,提出基于高斯似然估计因子分析的点云配准算法。采用因子分析法对点云数据进行表示,利用极大似然估计的方法求得因子载荷矩阵,从而完成对带噪声点云的配准。仿真实验表明,与CDP算法和Go-ICP算法相比,该算法不会陷入局部最小值,在快速精确配准和稳定性方面具有良好的鲁棒性。     

一种基于降采样后关键点优化的点云配准方法

针对工件点云数据多而导致点云配准耗时长的问题,提出一种基于降采样后关键点优化的点云配准方法。计算点云若干体素的重心,利用kd-tree快速遍历重心的邻近点来代替该体素;提出自适应的点云平均距离计算方法,对降采样后的点云提取ISS3D关键点,并采用基于球邻域的边界点判断方法对其优化;对优化后的关键点进行FPFH特征描述,利用SAC-IA求解近似变换阵,使用ICP算法精配准而解得工件的精确位姿信息。实验结果表明,相较于其他四种配准算法,配准精度分别提高了96.9%、98.1%、93.3%和3.5%,配准速度分别提高了77.2%、77.7%、76.9%和85.4%,表明了该方法的有效性。     

基于OpenCL的ICP点云并行配准算法

针对当前点云配准算法效率过低的问题,运用OpenCL实现了基于通用GPU的kd-tree并行搜索算法,进而实现了ICP点云并行配准算法。首先建立目标点云的三维空间kd-tree,并使用OpenCL并行加速其搜索算法;然后将并行加速的kd-tree搜索算法运用于ICP算法,同时针对ICP算法的其他部分也使用OpenCL并行加速以确保配准过程尽可能高效。通过实验验证了所实现算法的高效性以及健壮性。     

A fast registration algorithm of rock point cloud based on spherical projection and feature extraction

Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms.     

点云重建的并行算法

在三维重建问题中,为了提高重建模型的精确度和完整性,需要增大三维重建的数据量,由此会增加重建的计算量和运行时间。针对该问题,对点云重建过程进行并行设计,降低耗时、提高三维重建的效率,提出在多核CPU、GPU架构和CPU/GPU异构环境下点云重建的并行算法,并在不同实验平台上对Kermit和hallFeng数据集进行了点云重建的并行实验。实验结果表明,相比于串行的点云重建算法,点云重建并行算法在保证重建精度的条件下,取得了较好的加速比,并且并行算法具有实验平台和数据规模的可扩展性。     

基于牙颌模型的散乱点云配准技术研究

在牙齿三维矫正中需要对牙齿进行排列,常用方法是通过人机交互完成,效率不高。提出了一种基于粒子群的自动化排牙方法,将每颗牙齿上的特征点到标准牙弓曲线的距离和作为目标函数,利用粒子群算法对解空间进行搜索,在搜索过程中加入约束条件,得到牙齿移动的最终位置。利用算法对牙齿进行排列,可以省去人机交互中的平移等操作。实验结果表明：该算法能够有效地用于牙齿三维矫正中,提高了排牙效率。     

基于纹理特征的三维点云数据配准算法研究

使用Kinect可以方便地获取物体的纹理图像和三维点云数据。研究一种通过获取纹理图像的特征点进行快速三维点云数据配准的算法．并最终应用到室内环境的三维场芾重建中。实验表明,此算法具有直观、实现简单、运算量小等优点。     

基于切片原理的海量点云并行简化算法

针对传统点云简化算法效率低且处理点数少的缺陷,结合快速成型领域的切片原理顾及特征计算复杂度低的特点,设计并实现了适合千万级海量激光雷达（LiDAR）点云的并行切片简化算法。该算法根据切片原理对点云模型分层并按照角度排序,利用NVIDA的统一计算设备架构（CUDA）和可编程图形处理器（GPU）高度并行的性能优势,使用GPU多线程高效并行地执行单层切片点云简化,提高了算法效率。最后,应用3组不同数量级点云模型分别进行简化对比实验。实验结果表明：在保持模型特征与压缩比不变的情况下,所提算法效率高出传统基于CPU的串行切片算法1～2个量级。     

结合方向包围框改进的三维点云配准算法

为了提升源点云和模板点云在初始相对偏转角度过大时的配准精度,提出了一种结合方向包围框的改进 PointNetLK算法PointNetLK-OBB。该算法用三维点云的方向包围框表示源点云和模板点云的宏观特征,在最近点迭代算法的引导下,对齐源点云和模板点云的方向包围框,并在源点云和模板点云间产生镜面对称效应;根据源点云和模板点云的拟合度探测镜面对称的对称面,得到源点云自身的最佳旋转和平移,完成三维点云配准任务。为了验证算法的有效性,在公开数据集ModelNet40上进行对比实验,实验结果显示,PointNetLK-OBB与PointNetLK相比,提升了源点云和模板点云在初始相对偏转角度过大时的配准精度,对源点云和模板点云间的初始相对位置敏感度降低。创新在于,利用PointNetLK绕开传统点云配准的非凸问题,借助于方向包围框的规整性避开PointNetLK语境下出现的局部最优问题。     

面向三维重建的自适应列文伯格-马夸尔特点云配准方法

针对三维重建时点云配准过程易受环境噪声、点云曝光、光照、物体遮挡等因素的影响,以及传统ICP配准算法配准精度低、耗时长等问题,提出一种基于自适应列文伯格-马夸尔特迭代式的点云配准方法。首先,对初始点云数据采用统计滤波和体素栅格滤波相结合的方式进行降噪预处理;然后,对滤波后的点云进行分层,剔除位于层外的外点数据,以提高后续点云配准的精度;针对传统点云特征描述方法计算量大的问题,使用平滑度参数提取点云特征,以提升点云配准的效率;最后,根据点云特征建立帧间点到线及点到面的约束关系,采用改进的列文伯格-马夸尔特(Levenberg-Marquardt)方法完成点云配准,构建较理想的三维重建模型。实验结果表明,提出的点云配准方法适用于室内及室外场景的三维重建,环境适应性强,且点云配准精度和效率都有较大提升。     

Improved Iterative Closest Point(ICP) 3D point cloud registration algorithm based on point cloud filtering and adaptive fireworks for coarse registration

ABSTRACT

Aiming at the problem of long computation time and poor registration accuracy in the current three-dimensional point cloud registration problem, this paper presents a k-dimensional Tree(KD-tree) improved ICP algorithm(KD-tree_ICP) that combines point cloud filtering and adaptive fireworks algorithms for coarse registration. On the basis of the typical KD-tree improved ICP algorithm, the point cloud filtering process and adaptive firework coarse registration process are added. Firstly, the point cloud data acquired by the 3D laser scanner is filtered. And then the adaptive fireworks algorithm is used to perform coarse registration on the filtered point cloud data. Next, the KD-tree_ICP algorithm is used to perform accurate registration on the basis of coarse registration, and the obtained translation and rotation relations are applied to the original point cloud data to obtain the result after registration. Finally, 3D point clouds of physical models of five statues are used for experimental verification, including error analysis, stability analysis and comparison with other algorithms. The experimental results show that the method proposed in this paper has greatly improved the calculation speed and accuracy, and the algorithm is stable and reliable, which can also be applied to the reconstruction of 3D building models, restoration of cultural relics, precision machining and other fields.