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。     

基于改进SURF算法的人脸点云配准

精准的三维人脸重建是三维人脸识别、三维人脸表情仿真等技术实现的重要前提。基于以往图像特征点和点云数据的三维配准算法研究,提出了一种计算量小、实时性较高的人脸配准算法。提取人脸图像特征点,计算64维的SURF描述符;利用RANSAC算法剔除不稳定匹配点;利用奇异值分解SVD求解粗配准变换矩阵;利用改进的最近点迭代算法求解最终变换矩阵。实验结果显示配准误差只有8.71895×10~(-5)m~2,总耗时为6.61s,相比较SIFT算法和手动寻找匹配点,速度快、精度高。     

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。...     

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。     

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。     

基于曲率图的颅骨点云配准方法

为了提高颅骨点云模型的配准精度和收敛速度,提出一种基于曲率图的颅骨点云配准方法。首先对颅骨点云提取以特征点为中心并且包含其相邻点的三维形状块,将所有点投影到二维平面上;将投影点量化到二维支撑区域的相应单元中,并将其加权曲率编码为曲率分布图来构造特征点的区域曲率图描述符;然后基于区域曲率图描述符匹配具有相似局部形状的点来建立匹配点对,采用奇异值分解方法计算颅骨点云间的刚体变换关系,实现颅骨粗配准;最后通过引入动态迭代系数对迭代最近点(ICP)算法进行改进,使用改进的ICP算法实现颅骨的细配准。实验结果表明,所提粗配准方法是一种有效的初始配准方法。与ICP算法相比,改进的ICP算法在配准精度和收敛速度上分别提高了约11%和37%,配准耗时降低了约34%。为了验证所提方法的普适性,还采用兔子点云模型进行验证,结果显示改进的ICP算法的配准效果优于ICP算法。     

平面特征约束下基于四元数描述的LiDAR点云配准算法

系统探讨基于平面特征约束的地面LiDAR点云的高精度融合问题,引入单位四元数作为空间旋转变换的描述算子,给出了三维空间中平面特征的四参数表达方法,在确保数学表达形式唯一的基础上实现对基于平面特征约束的空间相似变换模型的构建。以配准后同名平面特征的参数对等作为约束条件,基于最小二乘准则构建了三维空间相似变换的目标函数,并通过函数的极值化分析实现了平面特征约束下相邻测站LiDAR点云配准参数的迭代求解。最后,分别通过两组实测LiDAR点云数据对算法的正确性与有效性进行验证。结果表明:在求解空间相似变换参数的过程中,借助平面特征的四参数表达法,通过参数对等的条件约束来判断配准后同名特征的一致性,同时满足了同名平面特征之间的法向一致与距离为零两个约束条件;四元数的引入使空间相似变换模型的表达形式更加简洁,配准过程中的附加约束条件更少,在实验方案中,给定任意的未知参数初值,所提算法均能够运行并得到正确结果。     

基于Levenbery-Marquardt算法的点衍射三维坐标测量方法

针对现有点衍射三维坐标测量系统中的坐标高精度解调问题,提出了一种基于Levenbery-Marquardt(LM)算法的点衍射干涉测量方法。基于L-M算法的点衍射测量技术是以点衍射干涉理论为基础,在实现干涉场相位分布信息解调的基础上运用基于L-M算法的二重迭代算法重构出点衍射源的三维坐标。为验证所提出测量方法的可行性,同时进行了计算机仿真和测量实验,并与三坐标测量机的测量结果进行了对比。结果表明:该测量方法可在xyz三维方向上100mm×100mm×300mm空间范围内实现优于微米量级的测量精度。该测量方法具有不依赖算法迭代初值、测量精度高、运算速度快、抗噪声能力强等诸多优点,在三维坐标测量及测量系统的校准中具有较好的实用性。     

基于SIFT特征点的三维点云模型盲水印算法

为提高三维模型版权信息的安全性和鲁棒性,提出了一种基于尺度不变特征转换的三维点云模型水印算法。首先对三维点云模型进行主成分分析,然后将模型中的点到模型中心的距离r进行一定的排序,形成一个m×n的矩阵。对该矩阵进行尺度不变特征提取,找到其稳健的特征点。在选取合适的特征点后对其邻域进行Contourlet变换,将水印嵌入其低频部分,然后进行Contourlet逆变换,即可生成带水印的三维点云模型。实验表明,该算法对几何攻击以及噪声、裁切、简化等攻击具有较强的鲁棒性。该算法可用于实际三维模型的版权认证。     

基于LBP和PCA机器学习的手势识别算法

为解决听力障碍者与无障碍者的信息交流问题,对哑语手势自动识别技术进行研究。提出了一种改进的手势识别算法。首先通过YUV肤色分割、图像差分、连通域检测等算法进行预处理,获取完整的手型区域图像。然后对手型的二值图像进行轮廓检测,采用LBP变换与主成分分析进行特征提取与压缩。最后运用支持向量机的机器学习算法构建分类器,对哑语手势进行分类识别。通过对630张手势图像进行实验,结果表明,提出的算法有效提高了识别率与速度,识别率达到94.22%,速度达到0.29s/幅,可以满足哑语交流的实时性要求。     

基于海量散乱点数据三维显示新算法的研究

逆向工程中基于海量散乱点的三维模型重建,在许多应用中具有重要意义.由于测量系统精度的限制和测量数据无法直接与三维显示系统相结合,这也成为逆向工程发展的一个瓶颈.对传统的基于多边形网格的生成过程及Bezier插值细化进行了深入的研究,分析了其中的缺点和不足,并在此基础上提出了三维显示模型构建的新算法,即单层串珠算法、相邻...     

提高PCA识别率的新算法

针对基于主元分析(PCA)的识别算法不能最优区分不同种类样本的缺点,提出了一种新的多主元分析(Multi-PCA)识别算法。该算法为每类样本构造单独特征空间,用各个空间的特征向量重建待识别样本。特征空间是基于某类样本图像的共性建立,因此重建该类样本图像时将得到较小重建误差,而重建其它类图像时的误差较大。可以根据重建误差的大小来识别样本图像,将待识别样本分类到具有最小重建误差的特征空间。在ORL、YALE人脸库和标牌压印字符库上的实验结果显示,Multi-PCA的识别率比PCA有较大提高。     

基于PCA的彩色印刷图像色彩分割算法

针对彩色图像的印刷过程中,原图像的色彩分割问题,提出了基于PCA（主成分分析）并结合其它典型彩色图像分割方法的新分割算法。该算法首先利用PCA算法把图像分解为主特征分量和残特征分量两分量图;然后采用二次分水岭算法对残特征分量图进行分割;利用K-Means算法对主特征分量图进行聚类初分割,接着对聚类初分割后的图像进行相似色彩区域融合;最后把分割后的两分量图的进行融合,得到最终的分割结果图。该算法可以应用于彩色印刷图像的色彩自动分割和彩色印刷过程的自动色彩控制中。