基于遗传算法的点云数据配准

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。为此,提出一种基于遗传算法的线扫描点云数据配准方法。曲面线扫描点云数据同一表面的拓扑结构在不同视图下曲率变化趋势相同,根据该性质,利用遗传算法识别两点云数据集的重叠区域,并求解子集的坐标变换矩阵,完成配准。实验结果表明,与ICP算法相比,该方法的运行速度较快,且配准精度较高。     

散乱点云数据配准算法

提出一种以物体表面上不附加任何几何和拓扑信息的散乱点集为处理对象,自动进行点云数据配准的算法．该算法针对待配准的2组点云数据,根据测点及其邻域点估算每个点的曲面法矢,并对法矢方向进行调整,使其指向曲面的同一侧;然后计算各个测点的曲率．根据每个测点的曲率来识别出2组点云数据中可以匹配的点对集合。计算将每一个点对的法矢方向映射为一致的三维空间变换,采用几何哈希方法找出使得最多数量的点对法矢一致的变换,运用该变换将散乱点云作初次配准．以初次配准后的结果作为新的初始位置,将匹配点对集合中的所有点对采用最近点迭代法进行二次配准,从而实现了2组散乱数据的精确配准．应用实例表明,该算法效果良好．     

一种基于曲率的点云自动配准算法

针对兵马俑破碎俑片虚拟复原过程中拼接效率低的问题,提出了一种新型的基于曲率的散乱点云数据自动配准算法.该算法利用MLS表面计算出两组点云中每个点的曲率,提取局部曲率变化最大的特征点,并计算曲率的Hausdorff距离来获得初始匹配点,然后根据初始匹配点之间极大极小曲率的相似度函数,采用粒子群优化算法确定精确匹配点.最后用四元组法求得坐标变换实现粗配准,并且用迭代最近点算法提高配准精度.实验验证了算法的有效性和稳定性.     

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。     

扫描点云的一种自动配准方法

针对无任何预知信息下的扫描点云数据配准问题,通过引入新的匹配点对度量准则和改进最近点迭代算法,提出一种扫描点云数据的自动配准方法.该方法分为初始配准和精细配准2个阶段.初始配准阶段中,在考虑孤立点的曲率相似度的基础上,通过引入一种新的点的邻域曲率相似度度量准则,构造出一个有效的一一对应的初始匹配点对数组;然后根据刚体变...     

基于点云能量计算的半刚性配准算法

针对3D复杂点云模型,提出一种基于能量值的半刚性配准算法。该算法首先对点云进行基于法向量夹角距离的分割处理从而生成多个刚性子点云。通过整数规划法计算子点云间的配准能量从而推测配准的初始3D变换矩阵。基于初始矩阵,点云的最终配准结果由子点云间刚性配准方法 ICP实现。实验结果证明该方法可有效应用于模拟场景以及真实复杂场景的配准应用中。     

一种基于Hausdorff距离的图像配准算法

首先检测两幅图像中的角点,然后自适应地提取基准特征模板,再利用改进的基于特征强度响应空间的Hausdorff距离对基准模板进行初始匹配,最后通过区域相关法进行优化.算法不要求特征间的一一对应,也无需距离变换,实验证明这是一种快速有效的图像配准算法.     

基于相对几何不变性的点云粗配准算法研究

针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图（fast point feature histogram,FPFH）描述子初步获取最邻近匹配对;通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比例不变的特性获取精确的匹配对;利用奇异值分解算法（singular value decomposition,SVD）求解配准目标函数。实验表明,算法策略合理可靠,参数设置相对简易,具有显著的效率及稳定性优势,能够为后续精配准提供稳定精确的初始参数。     

基于人工免疫网络算法的图像配准方法

图像配准在很多领域得到了广泛应用,而且是其中不可缺少的步骤。该文提出了一种基于人工免疫网络算法的图像自动配准方法,该方法利用Partial Hausdorff距离作为相似测度,采用人工免疫网络算法寻找最优解。实验证明该方法可以很好地配准各种图像,为图像配准提供较好的解决方法。     

基于EM-ICP的三维人脸简化点云并行配准算法

提出了一种基于离散曲率估计和kd-tree简化人脸点云的并行EM-ICP配准算法.首先建立人脸点云的三维空间kd-tree,并结合离散高斯曲率对点云进行了保留几何特征的简化;然后基于CUDA对EM-ICP算法进行并行加速,对简化的人脸点云进行配准.该算法能够避免局部配准等缺陷,同时EM-ICP算法并行保证了配准工作的高效.实验证实了本文算法的健壮性和稳定性.     

基于图像的点云初始配准

针对地面激光点云的分辨率不同等问题,提出一种不借助额外装置,把二维图像与三维点云相结合的初始配准方法。把不同分辨率点云均匀滤波,根据深度值把三维点云转化为二维灰度图,利用SURF算法提取图像的特征匹配点对;根据映射关系找到三维特征匹配点,利用单位四元数法求出变换矩阵完成点云初始配准。实验结果表明,该算法对于地面激光数据的配准,无论从配准的精度上还是时间上均有很大提高。     

3D人耳点云配准的并行Softassign算法

提出了一种新的人耳点云并行Softassign配准算法.在基于CUDA对Softassign算法进行并行加速的基础上,利用三维点云离散曲率估计和三维空间kd-tree相结合的方法,对三维人耳点云进行点云简化,使简化后人耳点云能够保留足够的几何特征,然后对简化人耳点云进行Softassign配准,提高Softassign算法在人耳点云配准中的配准精度,从而避免了局部配准等缺陷,并在实际应用中验证了算法效率和精度.     

使用霍夫变换的3维点云拼合算法

目的 直接基于点云数据本身的拼合算法对点云模型的位置和重叠度有着较高的要求。为了克服这种缺陷,提出一种针对散乱点云的分步拼合算法。方法 不同于大多数已有的基于曲率信息的拼合算法,本文算法包含了一个序贯式的匹配点对筛选过程和一个基于霍夫变换的坐标变换参数估计过程。在筛选过程中,首先利用曲率相似度确定点云数据之间的初始匹配关系,然后利用刚体不变量特征邻域标识相似度以及持续特征直方图相似度对初始匹配点对进行连续两次筛选以便得到更为精确的匹配点对集。在参数估计阶段,通过对匹配点对的旋转矩阵和平移矢量的参数化处理,利用霍夫变换消除错误匹配点对对坐标变换参数估计的影响,从而得到更加准确的坐标变换参数,实现点云的3维拼合。结果 利用本文算法对两片部分重叠的点云数据进行了拼接实验。实验结果表明,本文算法能很好地实现对部分重叠点云的拼合。由于霍夫变换的引入,本文算法相较于经典的Ransac算法具有更高的正确率、稳定性以及抗噪性,在运行速度上也具有一定的优越性。结论 本文算法不仅能适用于任何具有任意初始相对位置的部分重叠点云的拼接,而且可以取得很高的拼合精度和很好的噪声鲁棒性。     

SIFT算法在点云配准中的应用

提出一种精确有效的点云配准算法。通过对图像进行SIFT特征检测与匹配来获得特征点与匹配关系,用RANSAC算法剔除误匹配点,然后由映射关系获取三维对应特征点,采用投票法来进一步剔除误匹配点。在由单位四元数法获得点云初始位置关系的基础上,采用基于特征点的改进ICP算法来实现精确配准。通过实验验证,该算法在点云配准中具有速度快和稳定性好的特点。     

基于多重特征匹配的点云配准算法

针对最近点迭代（ICP）算法搜索匹配点对规则单一、准确度低的问题,提出一种基于多重特征匹配的点云配准算法。首先采用改进自适应八叉树算法分割点云,通过移动最小二乘法（MLS）对其叶节点进行局部拟合后,计算点的多重特征;然后提出了基于多重特征的点对相似度,选取满足相似度约束的点对作为匹配点对,进而求取旋转矩阵和平移矩阵实现点云配准。实验表明,该算法能在保持点云配准速度较高的基础上,有效提升配准的准确度,且准确度的提升幅度随着点集数量的增大呈升高趋势。     

基于法向量投票的点云配准方法

针对多平面结构的物体,传统的点特征点云配准方法存在鲁棒性差、易收敛到局部最优解等问题,提出了一种基于法向量投票的点云配准方法。用平面特征代替点特征作为配准基元,建立基于平面的坐标转换模型。首先构建kd-tree,计算各点的法向量,并将法向量转换到霍夫空间进行投票,提取平面特征;然后将单位四元数作为特征描述算子,以同名平面特征作为约束条件,根据最小二乘平差原则,求解点云之间的位姿变换关系。实验结果表明：相较于其他两种方法,提出方法对初始位置没有依赖性,在配准过程中可以有效避免局部最小陷阱,并且配准精度得到了提高。     

一种改进的点云数据精简方法

针对Kim的算法在简化散乱点云时经常丢失过多几何特征的不足,提出一种改进的精简方法。首先对点云进行最小二乘抛物面拟合求出所有点的主曲率;然后以数据点主曲率的Hausdorff距离为依据,提取并保留点云中的特征点;最后对具有不同特征的测量数据进行了精简分析。仿真实验结果表明,改进方法既能较大程度地简化数据点云,简化结果比较均匀,又具有不破坏细小特征的特点,能够充分保留原始点云中的几何特征;而且在保证简化质量的前提下提高了算法的效率。该方法能够为后续的三维重建提供有效的数据信息,节约后续工作的处理时间和硬件资源。     

基于特征提取的点云自动配准优化研究

针对三维点云自动配准精度不高、鲁棒性不强等问题,提出一种基于判断点云邻域法向量夹角的自动配准算法。该算法首先计算点云中每个点的法向量与邻域点集的法向量夹角的余弦值,然后把邻域各点的余弦值作为该点的属性特征向量,进行特征分类提取特征点,根据几何特征的相似性初步搜索匹配点对,并采用欧式距离约束条件剔除匹配错误的点对;运用最小二乘法计算初始配准参数,再通过改进的迭代最近点（Iterative Closest Point,ICP）算法进行精匹配。实验证明,该算法相对于经典的ICP算法无论收敛速度还是匹配精度上都有提升。