基于二维正态分布的无人机激光雷达点云匹配研究

无人机激光雷达点云特征多,一次匹配花时间长,难以进行二次匹配,因此研究基于二维正态分布的无人机激光雷达点云匹配方法。采集无人机激光雷达点云图像,通过旋转平移方法、双边滤波方法对图像预处理,利用二维正态分布算法和动态时间规整算法完成点云特征提取,使用初始变换矩阵估计算法对点云进行粗匹配,再使用近点迭代算法进行点云快速精匹配,通过两次匹配实现无人机激光雷达点云快速匹配。实验结果表明,所提方法的无人机激光雷达点云图像去噪效果好,点云匹配时间短,匹配偏差仅在0.04 m-0.15 m之间,匹配精度达到了相关预期。

面向低重叠率点云匹配的多层级过滤网络

针对点云测量过程中由于结构遮挡、视场约束、拼接误差等导致的匹配失真问题,提出一种多层级过滤网络(Multi-level Filter Network,MulFNet)用于实现单次测量点云低重叠率下的精确配准。通过特征金字塔编码网络提取点云的多层级特征,获得不同尺度的语义信息,同时嵌入注意力模块和信息编码模块以增强特征显著性。基于多尺度一致性决策机制对多层级特征进行过滤,筛选离群点并保留点云突出特征,获得初始对应关系。最后,将初始对应结点基于几何信息自适应分组,由局部至全局进行加权转换估计,获得基于多层级过滤筛选后的预测矩阵。实验结果表明,MulFNet网络在标准3DMatch公共数据集上的匹配效果明显优于FCGF,PREDATOR等主流网络,在平均重叠率为10%的测量数据集上的匹配精度比ICP算法和GeoTransformer网络分别提高40.9%和85.4%,有效解决了低重叠率点云匹配失真的问题。

GNSS拒止环境下基于Puzzle描述符的无人机点云匹配自主定位

针对GNSS拒止环境下无人机基于点云匹配自主定位中存在的搜索时间长、误配率高等问题,提出了一种基于Puzzle描述符的二视点云全局配准算法。该算法采用改进的ScanContext点云描述符,对点云进行分割与编码,设计出新的Puzzle描述符。通过SIFT匹配和模板匹配确定预搜索区域,并利用ICP匹配实现无人机的精确定位。仿真结果表明,算法有效降低了搜索时间和误配率,且具备良好的噪声抑制能力,三维定位误差控制在±20 cm以内,单次匹配耗时小于1 s。挂飞实测数据进一步验证了算法的性能,无人机自主定位的平均误差为19.94 cm,单次匹配平均耗时0.59 s,充分满足了精度和实时性要求。

基于自适应局部邻域条件下的点云匹配

为了应对传统迭代最近点(ICP)算法在处理复杂点云空间特征时,面临噪声干扰和数据缺失等问题导致收敛速度缓慢、配准精度不高以及鲁棒性较差等问题,本文提出了一种基于自适应局部邻域条件下的点云匹配算法。首先,采用体素网格滤波对数据进行预处理,根据不同半径邻域内邻近点的分布情况,定义邻域表面的弯曲程度,在此基础上,充分考虑到法向量分布和邻域曲率特征,从而得到更精确的特征点提取;其次,通过运用最小二乘曲面拟合方法,进一步提取出邻域曲率变化最为显著的特征点,采用快速点特征直方图(FPFH)对特征点进行描述,并通过设定距离阈值的采样一致性算法来匹配相似的特征点对,计算出关键的坐标转换参数,完成初始配准。最后,利用线性最小二乘优化点到面的ICP算法,以实现更精确的配准结果。通过一系列实验对比发现相较于现有的几种配准算法(ICP,SAC-IA+ICP,K4PCS+ICP),在存在噪声干扰和数据缺失的情况下,所提方法的配准准确度平均提高45%,配准速度平均提高38%,充分验证了该方法在应对大数据量、低重叠率点云配准方面具备出色的稳健性能。

基于点云匹配的智能工厂室内定位算法研究

针对智能工厂中的无人叉车系统需要精准的室内定位来满足装卸货工序的需求,研究了基于SLAM的定位算法以及基于反光柱的两种激光点云数据匹配定位算法,分析了这两种方法的优势和问题,并提出了一种新的融合定位算法。算法以高精度的反光柱定位算法为核心,通过SLAM定位来弥补反光柱数量不足时的系统延迟和精度损失问题,从而实现了一套连续、稳定、可靠的室内定位系统,其定位精度可以满足无人叉车日常工作的需求,也可以直接用于具体的工业生产流程中。

基于点云匹配的AR饰面作业系统跟踪注册方法

针对建筑机器人饰面作业过程中常因视觉遮挡导致作业效率低的问题,使用增强现实解决遮挡并提出一种基于点云匹配的增强现实跟踪注册方法。利用目标模型点云与作业环境点云的匹配进行目标的初始定位;利用改进的相关滤波跟踪算法对目标进行跟踪获取目标位置;基于迭代最近点法对目标位姿进行估计。在跟踪注册过程中加入位姿优化,保证目标位姿估计精度。为了更加准确地跟踪目标位置,提出一种特征融合和尺度自适应的改进相关滤波目标跟踪算法。通过板材安装实验,表明跟踪注册方法精确性、实时性均较好,最小识别误差达到2.88mm,具有良好的虚实融合效果。

基于改进FPFH的栅极件点云匹配方法

针对栅极件点云的匹配问题,提出一种改进的快速点特征直方图(Fast Point Feature Histogram,FPFH)描述子.在FPFH基础上增加邻域密度作为点特征的描述,并在使用k维树(k-dimensional tree,k-d tree)算法搜索对应点时将巴氏距离作为指标.仿真过程中,将该方法与传统FPFH的匹配效果进行比较.搭建试验装置采集栅极件表面点云数据,并利用改进的FPFH算法和经典的迭代最近点算法(Iterative Closest Point,ICP)进行匹配.试验结果表明,匹配后的点云尺寸精度在1μm级别,栅孔误差范围在±(20~40)μm内,理论上满足了栅极件测量精度要求.

叶片机器人砂带磨抛点云匹配算法优化

为解决机器人磨抛路径中工件坐标系难以计算的问题及校正工件装夹误差,将三维点云配准技术应用到叶片机器人砂带磨抛系统中。由三维激光扫描仪扫描工件型面获得工件点云,采用基于主成分分析(PCA)的全局配准算法和改进的迭代最近点(ICP)算法完成了扫描点云和工件模型离散点云间以及不同工件扫描点云间的匹配,以获取工件坐标系和校正工件装夹误差。相关仿真和试验结果表明,优化后的算法在匹配速度与精度上有了长足改进,且加工后产品精度和质量都能满足实际加工要求。

基于点对特征的三维点云匹配算法

针对现有的基于全局特征的三维物体识别方法和基于局部特征的三维物体识别方法在有遮挡和混叠场景中识别效果均不理想的问题,提出了一种基于点对特征的三维点云匹配算法。利用模型上的所有点对特征来完成全局模型描述构建,并在减少的二维空间上,利用快速投票方案,在局部对模型点云和场景点云进行匹配,从而恢复模型在场景中的全局姿态。实验结果表明:该算法在有遮挡和混叠的场景中识别效果比较理想。

基于深度学习的点云匹配

为改变目前部分三维点云数据集存在分辨率低、有噪声干扰和只有部分三维数据的问题,受最近神经网络成功的启发,提出一种基于深度学习的点云匹配方法。通过对RGB-D数据集重建获取三维点云数据集,利用卷积神经网络进行深度学习训练,得出一种能解决这些问题的描述子,完成点云匹配,使点云的匹配更加准确。实验结果表明,使用该方法进行点云匹配时,与其它点云匹配方法相比,具有更好的计算速度、运行时间更短,对点云旋转平移具有更好的鲁棒性,点云匹配的准确度更高。

基于复合多属性决策的点云匹配定位结果准确性评价

激光雷达点云匹配与惯性组合导航技术是高精度定位导航领域研究的热点,匹配定位结果评价的准确性直接影响组合导航定位精度,特别是在室外实际道路场景下,环境复杂,点云误匹配概率较大,只有准确评价匹配定位结果,才能提高组合导航定位精度。因此,对于评价模型的研究具有重要的意义。本文将评价模型的构建抽象为多属性决策问题,采用复合多属性决策算法,识别影响定位结果的因素并进行赋权,定量地评价了定位结果的质量,并利用实际道路数据对模型进行了验证。结果表明,本文算法可靠有效,能够反映实际匹配定位结果质量。

一种基于点云匹配的激光雷达/IMU联合标定方法

针对车载激光雷达和惯性测量单元(Inertial Measurement Unit,IMU)的坐标系标定问题,设计了一种使用角反射器作标志物的标定方法。首先通过区域分割、地面滤除和标志点提取的预处理方法来提取标志点;然后借鉴3D点云匹配的方法,将坐标系联合标定转化为点云匹配问题,使用迭代最近邻点(Iterative Closest Point,ICP)算法求得两坐标系的坐标转换矩阵。最后,将标定结果与基于最小二乘法的标定结果进行对比,结果表明使用3D点云匹配的标定方法是可行的。

基于点云匹配的船体分段对接特征辨识方法

船体分段合拢对接过程中,需要对合拢面结构对接特征进行位置测量。目前采用的全站仪测量方法依赖人工放置标靶,难以覆盖合拢面上所有对接特征,且安全性低。随着三维激光点云扫描技术的发展,现阶段已经能够对船体分段进行大范围高精度的三维点云扫描采集。因此,提出一种在三维点云中有效辨识合拢面结构对接特征的方法,将船体分段点云与理论设计模型间进行层次化的匹配,自动识别得到扫描点云中的对接特征。最后在实际点云数据上进行了试验,验证了所提方法的有效性。

遥感影像点云匹配技术在公路地形图测绘中的应用

文中在公路地形图测绘中,利用遥感影像点云匹配技术,替代传统内业采集中的高程点、特征点采集以及等高线生产,提高了公路地形图测图效率,为同类工程项目提供借鉴。

基于ICP和NDT的激光点云匹配方法研究

在三维激光SLAM中,激光里程计的求解精度对建图精度有着至关重要的作用。为定量分析前端激光里程计中点云匹配方法的效率和精度,本文根据2种不同的点云匹配方法:迭代最近点ICP,正态分布变换NDT,搭建了前端激光里程计,并分别在KITTI数据集上进行了仿真实验,得出了绝对位姿误差和相对位姿误差,结果表明NDT算法精度和鲁棒性均高于ICP算法,且NDT算法适用于粗匹配,ICP算法适用于精匹配。

基于加权距离投票的点云匹配算法设计

点云匹配问题是计算机技术中的一个非常重要的问题,在表面重建、三维物体识别、定位追踪等问题中有着极为重要的作用。针对现有的点云匹配算法无法很好地适用于部件位姿调整过程中的点云匹配任务,进而无法完成姿态追踪等问题,提出基于加权距离投票的点云匹配算法,完成部件表面点云的匹配。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

基于无人机影像匹配点云的土石方量计算

针对传统土石方量测量中存在受地形限制、耗时费力、成本高等问题,提出一种基于无人机影像匹配点云的土石方量计算方法。使用单镜头多旋翼无人机获取玉林市某矿山区域范围内正射影像与倾斜影像,借助Pix4Dmapper软件对无人机影像进行处理与分析,提取矿山地表三维点云数据;利用布料模拟点云滤波算法对所获取的点云数据进行滤波处理,进而分离非地面点与地面点;同时利用局部多项式插值算法对地面点云缺失区域进行插值拟合,生成更加准确的地形特征;利用EPS软件对点云成果进行分析,计算矿山现状开采范围内的土石方量值。结果表明:基于无人机影像匹配点云的土方量计算所得结果与GNSS-RTK实测结果差值比为1.9%,计算方法具有可行性与可靠性,可作为土石方量计算新方法。

基于影像密集匹配点云的建筑物变化检测方法

采用影像密集匹配点云开展变化检测能有效发现建筑物高度的变化。提出了一种融合深度神经网络与空间体素的影像密集匹配点云建筑物变化检测方法。首先构建注意力驱动的建筑物点云提取深度神经网络,再分别利用布料模拟滤波算法和植被指数剔除地面点和植被点云,最后通过空间体素比较提取建筑物点云变化。实验结果表明,该方法的漏检率为0%,且虚警率比传统方法降低了48.64%,说明其具有大幅提升违章建筑发现效率的潜力,能够满足实际生产需求。

机载阵列SAR点云区域网平差

阵列SAR技术作为一种新型的三维重建技术,是InSAR发展一个重要的方向。由于其存在与点云位置成非线性关系的高频误差,难以直接用于测绘产品生产。针对阵列SAR点云中误差的特点,首先对点云进行了噪点去除和点云匹配,然后对平面坐标采用线性精化模型,在对高程坐标采用二次多项式精化模型进行平差的基础上,通过增加对虚拟观测值的约束,构建阵列SAR点云数据的区域网平差模型。最后选择山区和城区两种典型地表数据进行实验。分析结果表明:文章所构建的区域网平差模型可有效降低阵列SAR点云定位中存在的高频误差影响;在不同控制点情况下,定位精度和解算稳健性均得到有效提升。