基于语义分割的城区激光点云与光学影像配准

基于点云数据与光学遥感影像的协同应用在遥感领域获得广泛关注,为了对两种数据进行精确的配准以更好地融合两者优势,提出了一种城市场景下点云与光学遥感影像的自动配准方法。首先,由点云数据生成深度影像,即3D数据转换为2D影像;然后,运用Unet模型对深度影像和光学遥感影像分别进行训练并分割得到建筑面;再基于建筑面轮廓点集构建建筑最小外接矩形,将矩形长宽比作为寻找同名点的约束条件;接着,利用相似三角形原理寻找矩形中心同名点;最后,同名点坐标代入变换模型计算模型参数,完成配准。实验结果表明该方法对于运用传统点特征方法匹配困难的情况可实现较好的配准效果,且对图像平移、旋转、缩放均具有可抗性。     

基于SIFT算法及阈值筛选的点云配准技术研究

随着三维测量技术应用领域的逐渐拓宽，点云数据处理技术的需求日益迫切，而多视点点云配准，是其中的基础技术环节。在此针对传统ICP算法鲁棒性差、对迭代初值敏感、计算效率低等缺点，提出一种SIFT算法与阈值筛选相结合的点云配准算法。在参考点云和待配准点云中，通过计算SIFT关键点及各点主曲率，获得初始匹配点集；然后根据相似三角形阈值和法向量夹角阈值，进一步优化点对间的旋转平移关系。实验结果证明，相对于传统算法，改进算法能够以更短的时间来获得准确的配准效果，并且其自动化程度高以及能有效提高点云配准的效率和精度。     

带方差补偿的多向仿射变换点云配准算法

结合点云统计学特性和形状特征,提出了带方差补偿的多向仿射变换点云配准算法,将求解放缩因子问题转化为求解带方差的超定非线性方程组,并通过二次曲面拟合对噪声方差进行最小二乘无偏估计。引入点云全局向量特征相似度,以相似度最大化求真解。将多向仿射变换点云配准转化为刚性配准,并利用主方向法配准点云。仿真结果表明,针对点云随机丢失和带噪声的点云配准情况,所提算法比现有配准算法的配准精度更高,并且配准耗时更短。     

基于邻域特征点提取和匹配的点云配准

为解决噪声干扰、数据丢失情况下迭代最近点算法的鲁棒性差、配准精度低等问题,提出一种基于邻域特征点提取和匹配的点云配准方法.首先定义一个由点的k邻域曲率、点与邻近点的法向量内积均值以及邻近点与邻域拟合平面的欧氏距离方差等三部分组成的邻域特征参数,结合在移动最小二乘表面构造的曲率特征参数对点云进行两次特征点提取;其次依据直方图特征定义三个匹配条件,并用双重约束获得正确的匹配点对;最后在配准阶段,采用双向构建k维树的迭代最近点算法实现精确配准.实验结果表明,该算法的配准精度较迭代最近点算法提高了90%以上,并且能够在噪声环境下有效地完成缺失点云的配准,在鲁棒性和精确配准方面有明显优势.     

高维正交子空间映射的尺度点云配准算法

为了解决三维点云在无序、数据被遮挡以及噪声干扰情况下的配准问题,提出了一种高维正交子空间映射的尺度点云配准算法。根据能量-功率的比值,对待配准点云进行等比例放大,完成仿射配准。在点云无序、数据被遮挡、尺寸放缩以及噪声干扰的情况下,所提算法与经典ICP(Iterative Closest Point)算法的配准精度相当。与经典ICP算法相比,所提算法对Bunny点云数据的配准效率提高了98%,对Dragon点云数据的配准速度至少提高了20倍,且在对大尺度Dragon点云数据的配准中,所提算法的配准时间比经典ICP算法短6210.4 s,配准精度也高于其他算法。所提算法不会陷入局部最小值,在快速精确配准和稳定性方面有明显的优势。     

一种基于对偶四元素描述的线面特征约束的点云配准方法

针对地面三维激光扫描仪采集到的相邻测站点云存在空间特征关联,以及城市建筑群中含有大量的线面特征,提出一种基于对偶四元素描述的线面特征约束的点云配准方法,该方法在利用对偶四元素统一描述空间变换参数的同时考虑到尺度因子。将依据直线和平面存在的几何关系,以及线面相交所产生的交点与夹角等作为配准约束条件,构建出空间相似变换目标函数,利用最小二乘准构建出平差模型以计算空间相似变换相关参数。为了避免不恰当的初始值所导致的迭代不收敛问题,将Levenberg-Marquardt法应用于平差模型的解算。最后对该方法的正确性与可行性进行实验分析。结果表明,相较于仅考虑线特征或面特征约束的点云配准方法,所提方法的配准精度更高,并且采用Levenberg-Marquardt法解算平差模型能在任意给定的初始值下正确收敛。     

基于特征匹配的三维点云配准算法

针对当前机器视觉热点研究的配准问题,提出了一种全新的快速点特征直方图(FPFH)特征描述与Delaunay三角剖分相结合的三维点云配准方法。首先采用FPFH综合描述特征信息,通过Delaunay三角网建立特征信息的局部关联性;再根据特征点对的对应关系进行采样一致性初始变换,实现初始配准;最后,根据得到的初值采用迭代最近点法进行精确配准,获得精确转换关系。分别对简单目标物体及复杂目标物体进行配准实验。实验结果表明,将FPFH特征描述与Delaunay三角剖分结合引入传统点云配准,简化了特征提取复杂度,缩小了特征点对匹配的搜索范围,提升了配准精度及速度,实现对目标物体高效配准,对提高机器视觉特征点匹配效率具有一定指导作用。     

基于几何特征和图像特征的点云自适应拼接方法

多视点云拼接技术是物体三维测量过程中的重要环节。现有的无标志点三维点云自动拼接方法在对不同表面进行测量拼接时稳定性较差。针对此问题,提出了一种基于几何特征和图像特征的点云自适应拼接方法。该方法建立了一个配准算法选择模型,通过引入配准算法判断因子来综合评价物体表面的几何、纹理复杂程度,从而系统可根据判断因子自适应地选择合适的配准算法,实现基于几何特征配准和基于图像特征配准的有机结合。并在特征点匹配过程中,采用随机抽样一致(RANSAC)算法对误匹配特征点进行剔除。实验结果表明,该方法可实现不同表面的稳定点云拼接。     

一种基于三维形状上下文特征的点云配准算法

针对点云配准过程中点云数据量大、配准时间长、配准精度低的问题,提出了一种基于内部形态描述子（intrinsic shape signatures, ISS）和三维形状上下文描述子（3D shape context, 3DSC）的点云配准算法。该方法首先使用体素网格滤波器对点云进行下采样,接着利用ISS算法提取特征点,并通过3DSC进行描述,然后通过改进的随机采样一致性（randon sample consensus, RANSAC）算法进行粗匹配,最后用改进的迭代最近点算法（iterative closest point, ICP)对点云进行精匹配。试验结果表明,与基于ISS+3DSC的三维正态分布变换(normal distribution transformation, NDT)算法和基于采样一致性初始配准（sample consensus initial aligment, SAC-IA）的ICP算法相比,本文算法的配准精度及效率更高,且对于数据量大的点云也有较好的匹配效果。     

一种基于轮廓特征约束的飞机蒙皮配准方法

飞机蒙皮表面平缓、光滑、特征少,在使用迭代最近点进行数模配准时会产生错位、局部最小值等问题,因此提出了一种基于轮廓约束的蒙皮点云配准方法。首先定义一种新的三维轮廓Cκ特征点描述方法,并基于距离约束对初始Cκ特征点进行聚类和过滤,实现对蒙皮点云特征的精确描述。其次,基于距离的快速点特征直方图(FPFH-d)特征相似度约束,寻找点云和数模特征点的对应点对,实现蒙皮轮廓的初始配准。最终基于迭代最近点算法,融合Cκ特征描述的轮廓约束,实现蒙皮的精配准。利用斯坦福公共数据库点云对算法的速度和精度进行测试,与点快速直方图算法(FPFH-SAC-IA)相比,初始配准精度分别提高了48.47%和77.29%,速度分别提高了70.35%和97.08%,证明了Cκ特征点提取算法的普适性和有效性。基于以上算法,对飞机蒙皮测量数据进行实验验证,配准准确度达到了100%,在12 m~3范围内全局误差优于3.5 mm。该方法有效解决了蒙皮配准时的错位和局部最小值问题。     

基于l~p空间力学模型的三维点云配准算法

为了提高三维激光扫描点云的配准效率和精度,提出一种基于l~p空间力学模型的点云配准算法。针对待配准的两组点云数据,首先计算两片点云的重心,通过重心化将两组点云移到以重心为原点的同一坐标系下,然后利用l~p空间力学模型将复杂的两组点云数据分别简化为三个特征向量表示的模型,再根据两点云特征向量的对应关系利用奇异值分解方法求解刚体变换旋转矩阵,得到初始配准参数,最后使用改进的最近点迭代(ICP)算法实现两组点云的精确配准。本文算法可以处理无序散乱点云样本。相比于经典ICP算法,本文算法对Bunny点云数据的配准效率提高了72%,对Dragon点云数据的配准速度提高了4倍。实验表明,本文算法收敛速度较快,效果优良。     

基于分层优化策略的颅骨点云配准算法

颅骨配准是颅面复原过程中的重要步骤之一,颅骨配准的精度直接影响着颅面复原结果的好坏。为了提高颅骨点云模型的配准精度和收敛速度,提出一种基于分层优化策略的颅骨点云配准算法,将配准过程分为粗配准和细配准两个过程,分别采用不同的优化策略进行优化。首先基于点的邻域提取几何特征,从而得到由平均曲率、高斯曲率、法向量夹角和主曲率构成的特征向量;进一步通过距离函数计算特征相似性来建立匹配点对,并采用k-means算法剔除误匹配点对;然后使用四元数法计算颅骨点云间的刚体变换关系,实现颅骨粗配准;最后通过引入k-维(k-d)树和加入几何特征约束对迭代最近点(ICP)算法进行改进,使用改进的ICP算法实现颅骨的精确配准。实验结果表明:粗配准过程采用k-means算法剔除误匹配点对的优化策略和细配准过程加入k-d树与几何特征约束的优化策略都是有效的。与ICP算法相比,本文算法的匹配率和配准精度分别提高了约17%和51%,算法耗时减少了约31%。与其他经典配准算法和改进的ICP算法相比,本文算法的配准效率是最优的。为了验证本文算法的普适性,还采用兵马俑碎片数据进行验证,本文算法也取得了较好的效果和最优的性能。因此,本文算法是一种有效的颅骨点云配准方法。     

基于线特征的城区激光点云与影像自动配准

鉴于激光点云和影像数据成像机理的差异以及现有配准基元的可获取性特点,通常采用基于特征的配准算法修正两者之间的转换关系,其中建筑物的边缘及角点为最常用的特征。针对城区建筑物分布密集、形状相似的问题,提出了一种基于道路线的机载激光雷达数据和高分辨率航空影像自动配准方法。该方法充分利用点云数据提供的高程与强度信息,提取出高精度的规则化道路矢量线;根据初始外方位元素建立点云数据和航空影像的近似变换关系,以道路矢量线在航空影像的投影位置为先验知识,采用改进的道路矩形整体匹配算法得到影像中的道路中心线,获取同名线特征;以同名道路线段的首末端点作为控制信息,利用基于欧拉角的空间后方交会算法解算新的影像外方位元素,实现航空影像和激光雷达数据的配准。实验结果表明,该方法利用道路特征实现航空影像与激光雷达点云的配准,提取特征少且配准精度较高,大大提高了工作效率。     

用于三维重建的点云单应性迭代最近点配准算法

点云配准是光学三维(3D)轮廓测量术的关键技术之一。无标志点的点云配准大多由迭代最近点(ICP)算法实现。为提高ICP算法的性能,提出了一种基于点云单应性的迭代最近点配准算法。描述了该算法中单应性点对的建立方法,并推导了点云之间的坐标变换。用一种手持式三维轮廓扫描仪对一个同时具备高频轮廓和低频轮廓的石膏像进行扫描,共得到92帧点云。利用改进ICP算法,82帧点云被成功配准。同时也利用三种具有代表性的ICP算法对这92帧点云进行配准实验以作比较。实验表明,该算法具有稳健性强、收敛速度快、收敛精度高的优点,有助于三维模型的快速重建。     

结合Harris与SIFT算子的图像快速配准算法

本文提出了一种结合Harris与SIFT算子的快速图像配准方法。首先,对Harris算法进行两方面的改进:一是构建高斯尺度空间,提取具有尺度不变性的角点特征;二是采用Forsnter算子对提取的角点精定位,提高配准精度。然后,利用SIFT算子的特征描述方法描述提取到的特征点,通过随机kd树算法对两幅影像的特征点进行匹配。最后采用RANSAC算法对匹配点对进行提纯,并通过最小二乘法估计两幅影像间的空间变换单应矩阵,完成图像配准。实验结果表明:本文方法在基本保持配准精度的同时,在配准过程的时间消耗上比标准SIFT算法减少了64%。     

基于保局PCA的三维点云配准算法

三维点云配准是三维重建过程中的重要环节,PCA算法应用于点云配准时无法保留点云局部特征,影响了配准效果,故提出一种基于保局PCA的三维点云配准算法。为了保留点云局部特征,采用保局投影LPP的思想,通过K近邻准则构造点云的邻接图及其补图;对邻近点和非邻近点采取不同的处理方式进行特征提取,通过特征矩阵求得转换参数,进行坐标归一化完成配准;为了减少光照噪声影响,对特征向量矩阵前三个主分量加权后求转换参数。实验结果表明,改进算法在对局部特征结构明显的点云进行配准时有较好的效果,改善了对光照噪声的鲁棒性。     

基于VG-DBSCAN算法的大场景散乱点云去噪

针对城市环境下三维激光雷达(LiDAR)点云数据密度不均匀、离群噪点多而不利于后期点云帧间匹配的问题,提出一种应用于城市环境下大规模散乱LiDAR点云的离群噪点滤除算法。该算法对传统的基于密度的噪声应用空间聚类(DBSCAN)算法进行改进,通过对三维点云进行体素栅格划分,创建了一个由栅格单元组成的集合,以此大幅减小每个对象在数据空间中邻域的搜索范围。改进后的算法能够快速发现各个聚类,使目标点云与离群点分离,从而剔除点云中的离群噪点。实验结果表明:所提算法能够实时处理点云数据,在保证点云三维几何特征的同时能有效识别并滤除点云中的离群噪点,降低点云规模,加快点云后续处理的效率,使帧间匹配的精确度提高了2倍,且匹配耗时仅为去噪处理前的1/3。     

基于多维混合柯西分布的点云配准

为提高三维点云在数据随机缺失和噪声干扰等复杂情况下的配准精度,提出一种基于多维混合柯西分布(MMC)的点云配准方法。将点云数学模型扩展为MMC模型,求解模型各参数,并构造出特征四面体,以优化旋转矩阵与平移向量;通过最大期望算法分别求出目标点云和待配准点云在MMC模型下的数据中心、协方差矩阵和权重的值。仿真与实验数据表明:与几种常用的算法相比,MMC算法即使在点云数据存在遮挡、缺失,大小不一致,含随机噪声,且具有无序性的条件下,也能精确配准,且具有良好的稳健性。     

基于多模态数据协同的弱纹理表面高精度点云配准算法

为解决大型构件表面弱纹理特征的捕捉和多次测量的精度配准问题,采用集成结构光与光度立体视觉的复合测量系统,利用结构光测量获取工件表面整体形状的点云数据,利用光度立体视觉获取表面精细弱纹理的法向量信息。在此基础上,提出了一种融合邻域点云坐标与法向量信息的新型局部特征描述子,可对弱纹理工件表面特征进行有效且鲁棒地描述。大量仿真和真实实验验证了所提方法的有效性,其性能大幅超越了基于传统特征描述子的迭代最近点算法。所提方法可有效捕捉并描述弱纹理表面的丰富细节特征,构建鲁棒显著的特征描述子,进而大幅提升了测量结果的匹配精度,减小了大型复杂构件的整体重建误差。     

基于T分布混合模型的多光谱人脸图像配准

为了降低多光谱人脸图像中出现的非刚性形变、噪声和离群点等因素对配准结果的准确性和稳健性的影响,提出一种综合考虑特征点的空间几何结构和局部形状特征两方面信息的多光谱人脸图像配准方法。所提方法首先通过基于内部距离的形状上下文描述子来表述点集的局部特征信息,建立可见光和红外图像相似性测度函数。然后利用Student′s-T分布混合模型来表示图像特征点集配准过程中变换模型估计问题,并采用期望最大化算法对模型进行求解。仿真数据表明在点集存在非刚性形变、噪声和离群点的情况下,所提方法仍可以实现点集间的精确配准。可见光和红外人脸真实图像数据表明所提方法的平均匹配误差和运算效率都优于对比算法,配准融合后的多光谱人脸图像可以提高后续的人脸检测和识别性能。