融合特征点提取的三维点云配准方法

为了改进传统迭代最近点云配准方法配准精度低,需要较好的初始输入变换矩阵等问题,提出一种基于分块思想结合点云平面拟合提取特征点的改进型点云配准方法。首先,对点云进行分块,结合随机采样一致性定理进行块状点云的平面拟合和特征点提取。其次,采用快速点对直方图来描述点云特征,利用采样一致性配准算法进行初始配准,为精配准奠定良好的基础。精配准通过K-D树改进加速迭代最近点算法,实现点云的整体配准。试验结果表明,所提出的点云配准方法在两种测试集上相较于传统最近迭代点方法,在配准精度上提升89.23%和31.45%,相较于其他点云配准方法,提出的方法也有一定的优势。     

基于改进ICP的点云配准算法

文中提出了一种新的点云数据配准算法。首先,估算两组点云数据中每个点的曲面法矢,并据此计算各个点的曲率;然后,根据各个点的曲率确定两组点云数据中可以匹配的点对集合;再采用几何哈希方法计算三维空间变换,实现粗配准;最后,将粗配准的结果作为精配准的初值,通过在ICP算法中添加动态迭代因子的方法来改进ICP算法,实现最终的配准。实验结果表明,文中算法能完成两组点云数据的精确配准,而且改进的ICP算法可以在不影响配准精度的情况下,极大地提高算法的收敛速度。     

局部距离优化的点云配准算法

为了降低多视觉点云配准过程中易产生的误匹配等问题,提高配准效率,提出一种加权距离均值的关键点提取算法。以点云表面某点为中心,计算邻近点到中心点处切平面的加权距离均值,以此筛选出具有局部特征信息差异的关键点;选择快速点特征直方图(Point Features Histograms, FPFH)作为关键点的特征描述子;在匹配对应点对方面,采用一种基于邻近匹配对欧氏距离相对一致性的对应关系查找策略,结合随机抽样一致性(Sample Consensus Initial Alignment, RANSAC)算法确定对应点集,得到最优初始变换矩阵完成粗配准;最后使用迭代最近点(Iterative Closest Point, ICP)算法进行精配准。实验结果表明,所提算法在有效提取关键点的基础上提高了对应关系的准确性,较好的初始位姿使得ICP算法最终的收敛速度与传统点云配准算法相比平均提高了约47.75%,具有较好的配准效果。     

三维点云配准中FPFH邻域半径自主选取算法

三维点云快速点特征直方图(FPFH)特征提取的邻域半径采用预设固定值,导致特征描述具有随意性、不全面性、低效性等问题,点云配准整个过程自动化程度低、耗时长.针对该问题,提出一种三维点云配准中FPFH邻域半径自主选取算法.首先,计算多对点云圆周密度并且保留最大圆周半径;其次,设置迭代次数,根据迭代次数和每对点云最大圆周半...     

基于信息论的KL-Reg点云配准算法

针对含有高噪声、体外点及不完整点云数据的配准失效问题,该文提出以信息论为理论基础,相对熵度量点云相似度的KL-Reg算法。该算法不需要显式地建立对应关系,首先将点云数据建模为高斯混合模型,然后用相对熵度量高斯混合模型间的分布距离,最后通过最小化分布距离计算模型变换。实验结果表明所提的KL-Reg算法配准精度高、稳定性强。     

基于FPFH和法向量的改进点云配准算法

针对飞行时间法(TOF)获取点云的相关特点,提出一种适用于TOF点云的改进配准算法,首先使用FPFH特征对点云进行粗配准;在精配准阶段,通过法向量夹角特征采样的方法来减少点云的点数,同时又保留点云的关键信息点,并引入KD树和RANSAC方法来改进ICP的配准效率。实验结果表明,该算法具有良好的配准效率和精度,同时具有较大的适用范围。     

基于IVCCS的三维点云配准算法

针对传统迭代最近点(ICP)算法在数据丢失以及存在噪声点的情况下配准时间过长、精度较低等问题,提出了一种基于改进的体素云连通性分割(IVCCS)与加权最近邻距离比相结合的配准算法。利用双阈值体素去噪剔除初始种子体素中的噪声体素,解决原本体素云连通性分割算法(VCCS)中因单一约束条件导致种子体素错误剔除的问题,同时将体素云分层去噪来加快配准的运算速度;利用流约束聚类提取点云中的特征点,并依据最近邻距离比验证特征点是否为重合点,赋予不同的权重优化ICP最小目标函数,从而加快配准速度。实验结果表明,该算法相对于传统ICP算法迭代次数减少,在精度与速度方面均有显著提升,相比于基于快速点特征直方图(FPFH)的ICP算法配准精度提高了8.5%~24.7%,速度上提高了65.6%~92.3%,迭代次数减少了16.6%~38%。     

基于卷积神经网络的点云配准方法北大核心CSCD

点云配准是三维点云信息处理中的重要问题。传统点云配准方法计算量大,不利于实时计算与移动计算。针对传统点云配准方法存在的问题,提出了一种利用卷积神经网络进行点云配准的方法。首先计算点云的深度图像,利用卷积神经网络提取深度图像对的特征差,将深度图像对的特征差作为全连接网络的输入并计算点云配准参数,迭代地执行上述操作直至配准误差小于可接受阈值。实验结果表明,相比传统的点云配准方法,基于卷积神经网络的点云配准方法具有所需计算量小、配准效率高、对噪声点和异常点不敏感的优点。     

基于几何代数的SVS-NLMS点云配准算法

针对欧氏空间点云配准方法匹配精度低、计算成本大、收敛速度慢等问题,利用几何代数对于高维空间的表达能力,提出一种基于几何代数的点云配准算法。首先,将点云数据转化为几何代数形式,基于几何代数的rotor转子,给出了几何代数空间点云配准的代价函数。其次,结合归一化最小均方算法,将求解rotor转子模拟为信号滤波问题,在几何代数空间基于最速下降法构建rotor转子迭代公式,使每次迭代计算仅使用一对匹配点对而不是全部点对。迭代计算得到的转子可用于任意维度的旋转估计问题,从而将三维点云逐步旋转配准。最后,为进一步解决收敛速度与稳态误差之间的冲突,利用Sigmoid函数给出了一种变步长的rotor转子迭代公式,在加快收敛速度的同时降低稳态误差。采用模型数据集与公共数据集验证所提算法的配准性能,与经典迭代最近点算法相比,模型数据集的配准精度由10?2提升至10?8数量级,公共数据集的配准精度提升35%,所提算法收敛速度更快,配准精度更高,且具有较低的稳态误差。     

基于改进动态差分进化算法的点云配准

针对不同视角下的点云配准问题,提出一种基于改进动态差分进化算法的配准方法。首先利用主成分分析方法估算点云的曲率值与法向量,并根据法向量计算每个点与其k邻域点的法向量的夹角平均值。然后利用曲率和法向量夹角平均值构造第一特征参数进行第一次特征点提取,以及利用曲率值构造第二特征参数对点云进行第二次特征点提取。根据得到的特征点云,最后利用提出的一种基于耦合-最优排序变异的改进动态差分进化算法计算配准参数得到初始配准结果,再利用改进的迭代最近点算法进行细配准。实验表明,该配准算法具有配准时间短和配准精度高的优点。     

基于WHI及ICP的点云配准算法

针对两步点云配准中精度差、计算效率低、易受噪声干扰的问题,提出一种基于WHI特征描述符结合改进的ICP点云配准算法。首先,对大数据量的点云通过ISS算法提取特征点集作为配准点云;然后,计算特征点云的WHI特征描述符,利用随机采样一致性算法完成粗配准;最后,基于安德森加速迭代ICP算法对粗配准点云进行精确配准。通过多组点云数据集对所提算法进行验证,实验表明,该算法配准精度高、速度快,在含有噪声数据集的优势更明显。在不同的点云模型下,所提算法的配准效率提高2倍以上,在噪声环境下具有一定的鲁棒性。     

基于并行粒子群优化的三维点云配准算法

针对基于群智能优化的点云配准算法计算时间长的问题,提出一种基于CUDA的并行粒子群配准算法.以点对点距离最短为适应度函数,利用粒子群算法各粒子天然的并行性,将运算过程分配到GPU的各个线程中计算变换参数.由于GPU多个线程运算同时执行互不干扰,极大地提高了粒子群的运算速度,从而可以实现点云的快速、精确配准.实验结果表明,该算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题.     

基于点云配准的多固态激光雷达标定算法

针对多个固态激光雷达协同工作时,需要准确地进行外参标定的实际需求,提出一种基于点云配准的多固态激光雷达自动标定算法。该标定算法由标定物分割、初始配准和精确配准三个阶段构成。在标定物分割阶段,首先通过叠加多帧非重复扫描数据制作标定点云,再使用半径滤波和体素下采样滤波分割出纹理特征明显的目标点云。在初始配准阶段,使用3D-HARRIS算法提取关键点,并使用方向直方图(SHOT)特征描述子进行特征描述,然后匹配对应点并使用采样一致算法完成初始配准;在精配准阶段使用迭代最近邻(ICP)算法进行精确配准,从而获得精确的外参标定效果。在Bunny兔数据集和现场获得的数据上进行实验,结果表明,当保证配准平均误差小于1 mm的前提下,所提出算法的性能优于多种现有算法。     

基于目标结构和运动的船舶激光点云配准算法北大核心CSCD

由于在野外环境下船舶结构特点及激光雷达测量视野限制,所获取的点云图像存在特征匹配错位和缺失现象,导致经典的配准算法精度较低。在分析点云结构特点和目标运动轨迹的基础上,提出一种基于目标结构和运动轨迹的配准算法。在对待配准点云进行预处理后,通过结构特征的引入解决了迭代最近点法(Iterative Closest Point,ICP)算法特征匹配错位陷入局部最优解的问题;在此基础上利用得出的主体变换矩阵求解出目标的运动轨迹,并根据运动轨迹对缺乏有效特征的点云进行配准同时校准主体点云。实验结果表明,以米为点云坐标单位,相比于ICP和4PCS+ICP方法,所提出方法在船舶点云配准上的均方误差(Mean Square Error,MSE)降低了0.2左右。