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。     

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。     

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。     

基于FPFH特征的三维场景重建

文章在阐述不同视角下在对一对三维点云数据集两两配准的基础之上,针对ICP精确匹配算法须使初始点云收敛否则无法获取准确匹配结果的问题,提出了基于FPFH特征描述子的特征点云粗匹配。调整两片点云的初始位置,为ICP算法提供了良好的初始位置进一步提高点云的匹配精度。并且在此基础上通过大量实验得到点云对应点对之间的最大距离与拟合系数的函数关系,得到粗匹配最优值,进而得到最佳配准效果。实验证明通过粗匹配最高能将匹配拟合系数提高60.3%。     

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。     

面向光学测量跨源点云的多尺度采样配准方法

为了实现具有不同测量尺度、分辨率与精度等特性的跨源点云的精确配准,提出了基于多尺度采样的测量点云数据配准方法。通过尺度滑移算法来滤除高频细节信息,保留轮廓数据,并结合体素网格邻域法来实现点云数据的降采样;对于宏观结构光视觉测量的低分辨率点云数据,通过基于深度学习的渐进式三维点云上采样算法可以精确还原结构光点云的轮廓细节,实现跨源点云在尺度与分辨率上的统一。最后,采用迭代最近点法对处理后尺度近似的数据进行配准,并将配准关系逆向用于原始跨源点云的配准。实验结果表明,多尺度采样方法对于跨源点云的配准精度有所提高,能有效用于发动机叶片等零部件的高性能检测。     

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.     

基于局部血管结构特征的眼底图像二级配准

提出了一种结合全局配准和局部配准技术的眼底图像二级配准算法,该算法采用4个相连的分叉点组成的局部血管结构来代替单独的分叉点作为配准特征,通过减少配对点集,提高了配准效率.同时针对非线性形变造成的局部配准偏移较大的问题,在全局配准基础上进一步采用局部配准技术,提升了配准的准确度.实验结果表明,该算法以很高的配准效率和准确度有效实现了眼底图像的配准.     

基于局部血管结构特征的眼底图像二级配准

提出了一种结合全局配准和局部配准技术的眼底图像二级配准算法,该算法采用4个相连的分叉点组成的局部血管结构来代替单独的分叉点作为配准特征,通过减少配对点集,提高了配准效率.同时针对非线性形变造成的局部配准偏移较大的问题,在全局配准基础上进一步采用局部配准技术,提升了配准的准确度.实验结果表明,该算法以很高的配准效率和准确度有效实现了眼底图像的配准.     

基于自适应阈值的阵列激光三维点云配准

阵列激光三维成像作为一种新型的非合作目标三维图像获取技术,高效的回波信号处理和三维重构方法是提高其探测能力和成像精度的前提,其中配准过程是阵列激光三维成像点云数据处理中必不可少的步骤.本文根据阵列激光三维成像系统的成像特点,对迭代最近点(ICP)配准算法中阈值设定依据进行分析,结合阵列激光三维成像系统中的重要参数测距精度和成像横向分辨率,对配准迭代过程中对应点距离阈值和迭代停止阈值进行有针对的设置,提出了基于自适应阈值的ICP点云配准方法.对阵列激光成像点云和扫描激光深度成像数据的实验表明该算法有效可行,能够提高配准精度和配准速度,同时由于该算法充分考虑了成像系统本身,在实际应用中对系统的合理设计具有一定的指导意义.     

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。     

改进SIFT变换与客观评价结合的图像配准算法

针对SIFT(Scale Invariant Feature Transform)算子在大幅复杂图像中提取的过多不稳定特征点及在只有少量重合区域下图像配准过程中出现的过多误匹配,导致图像配准精度下降。提出一种改进的SIFT算法,在对目标图像提取SIFT特征后,利用双向BBF(Best-Bin-First)匹配算法对提取的特征点进行匹配,采用SIFT描述子的尺度以及梯度方向信息建立最小邻域匹配剔除误匹配点,通过随机抽取一致性算法(RANSAC)进一步筛选匹配点,并利用最小二乘法结合多项式近似拟合出变换模型,利用局部均方根有效值(RMS)评价映射矩阵与实际图像的误差,找出并删除引起误差的误匹配点,迭代至配准图像符合评价标准后,计算出精确变换模型。实验结果表明,该算法提高了大幅复杂图像在少量重合区域时的配准精度。     

基于改进的局部表面凸性算法三维点云分割

点云分割是点云分类、识别以及三维重建等处理的基础,分割结果对后续应用影响巨大。本文提出利用连通点集改进局部表面凸性算法中邻近点关系的方法,解决目前激光三维成像系统点云分割算法在处理复杂环境散乱点云时存在分割过度及分割不充分的问题,通过主顶点与周围点构成连通集,作为分割判断局部子点集,形成有效分割区域。该方法解决了常用点云分割方法无法对形状不规则物体进行有效分割的问题,提高了分割精度。算法实验结果表明,相比于最小切割算法和区域生长算法,基于连通点集的改进局部表面凸性算法对实际路面环境信息的分割效果更好,并能在一定程度上避免分割过度和分割不充分的情况,证明该方法适用于复杂环境散乱点云数据分割。     

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。     

基于改进迭代最近点算法的两视角激光雷达数据配准

两视角激光雷达数据配准是空地探测遮蔽目标研究领域中的一项重要内容,迭代最近点（ICP）算法为其提供了理论基础,但遮蔽条件下激光雷达数据的复杂性使ICP算法在对应点确定上面临很大困难。在分析ICP算法基本原理和遮蔽条件下激光雷达数据特点的基础上,从控制点选择、对应点匹配和伪点对剔除三个方面给出了ICP算法的具体应用策略和改进措施,并提出一种基于固定-自适应重叠率的伪点对剔除方法。详细阐述了基于改进ICP算法的两视角激光雷达数据配准的具体步骤,并进行了实验验证。实验结果表明：改进后的ICP算法能够有效实现了遮蔽条件下的激光雷达数据配准,且与其他算法相比,具有较强的稳建性和较高的配准精度。     

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。     

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。     

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。