基于坐标几何采样的点云配准方法

为了提高点云配准的精度、鲁棒性和泛化性,解决迭代最近点(ICP)算法容易陷入局部最优解的问题,提出一种基于坐标几何采样的深度最近点(GSDCP)的点云配准方法。首先,基于每个点的周围点的坐标估计中心点曲率,并通过曲率大小筛选出能保留点云几何特征的点,从而完成点云下采样;然后,使用动态图卷积神经网络(DGCNN)配合下采样点云学习融入局部几何信息的点云特征,并通过Transformer捕获两个特征嵌入之间的上下文信息、使用软指针近似组合匹配;最后,利用一个可微的奇异值分解(SVD)层估计最终的刚性变换。在数据集ModelNet40上进行的点云配准实验结果表明,与ICP、Go-ICP (Globally optimal ICP)、PointNetLK、快速全局配准(FGR)、ADGCNNLK (Attention Dynamic Graph Convolutional Neural Network Lucas-Kanade)、深度最近点(DCP)和多特征引导网络(MFGNet)相比,在无噪声、有噪声和看不见点云类别的情况下GSDCP的配准精度和鲁棒性都最好;其中在无噪声的情况下,与MFGNet相比,GSDCP的旋转均方误差(MSE)降低了31.3%,平移MSE降低了58.3%;在有噪声的情况下,GSDCP的旋转MSE降低了33.9%,平移MSE降低了73.4%;在看不见点云类别的情况下,GSDCP的旋转MSE降低了57.7%,平移MSE降低了77.9%。除此之外,对不完整点云数据(包括随机遮挡和点云残缺),在点云完整度为75%以下时,GSDCP的旋转MSE降低了35.1%,平移MSE降低了39.8%。

基于PCA的体素化GICP点云配准算法

为了满足工业中对目标工件进行三维重建的速度和精度,通过分析算法配准过程提出一种基于主成分分析(PCA)和体素化广义迭代最近点(VGICP)的点云配准策略。首先,PCA算法为精配准阶段提供良好的初始位姿,其中在进行主方向矫正时,在保证数据整体特征的基础上进行体素下采样来减少由于计算配准误差所消耗的时间,提高计算速度;其次,精配准阶段采用的VGICP算法对高度依赖最近邻搜索的GICP算法进行体素划分,使用多点分布聚合的方法,可以从较少数量的点中稳健地估计体素分布,具有较快的处理速度。基于PCA改进的VGICP算法将配准效率提高60%以上,并且优于常用配准算法,同时保持了良好的配准精度。

基于ICP的工业测量三维点云配准算法研究

该文介绍ICP算法在工业测量三维点云配准中的应用。三维扫描仪扫描工件获取的海量点云数据首先使用RSLS系统进行粗配准,然后使用ICP算法进行精配准。在精配准阶段,选择体素栅格采样法进行降采样,减少冗余点数量,缩短配准用时。通过最短距离法查找对应点对,对于对应点对中包含的错误匹配点对,使用距离阈值法予以剔除。最后得到准确性较高的对应点对集合,在此基础上构造目标函数并进行求解,所得结果即为点云精配准结果,从而提高配准精度。

基于位姿参数估计的多视角点云配准方法

传统的点云配准算法通过两点云数据之间的特征实现对应点配对,这种方法要求点云具有明确的特征,且存在计算量大、匹配时间长、配准精度低等问题,而ICP算法虽然应用广泛,但对初始值敏感。对此,提出了一种基于位姿参数估计的多视角点云配准方法(PPE-ICP)。首先通过分析误差的分布特性可证明误差极小值存在,使用A^(∗)搜索算法寻找误差极小值,降低误差传播的影响,为后续的参数估计提供较好的初值;其次将总体最小二乘估计引入点云配准,在不依赖点云数据的同时,使用少量参考点就能获得点云从目标坐标系到东北天坐标系的转换矩阵,完成点云位姿矫正,结合迭代最近点算法(ICP),实现点云精确配准。通过与FGR-ICP、FPFH-ICP、NDT-ICP、RANSAC-TrICP和KSS-ICP这5种方法在公开数据集和自制实验装置收集到的点云上进行对比实验,点云数据量为20000点时实现配准只需6.55 s,极大地降低了大数据量下点云配准的时间成本,在实地点云配准中平移误差最大不超过0.03 m,旋转误差控制在0.07°。实验结果表明,PPE-ICP对相似变换、残缺点云和低重复率具有较强的鲁棒性,在多视角点云配准中具有较高的配准效率和配准精度。

一种多尺度特征融合的多模态三维点云配准模型

针对三维点云配准中现有描述符提取方法可能导致点云结构信息不显著以及点云数据细节丢失的问题,提出了一种多尺度特征融合的多模态三维点云配准模型(Multi-scale Feature Fusion,MSFNet)。首先,在编码器中采用基于稀疏卷积的通道注意力模块(Channel Attention Module Based On Sparse Convolution,SCCAM)使得该模型能够自适应地关注点云的特征结构;然后,利用多尺度空间点云编码结构(Multi-scale Spatial Point Cloud Encoding,MSPCE)提取并有效融合不同尺度下的点云特征,从而增加点云描述符的感受野;最后,利用多模态特征融合模块对编码器提取的点云特征与图片特征进行融合,并将其送入解码器进行监督训练,以生成最终的点云描述符。采用特征匹配召回率(Feature-Match Recall,FMR)作为评价指标,在数据集3DMatch上进行实验。实验结果表明MSFNet网络其召回率精度达到了98.4%,与IMFNet(Interpretable Multimodal Fusion)网络相比,提升了0.8%。

多尺度特征融合的点云配准算法研究

现有点云配准算法提取的特征不够丰富,导致配准精度很难进一步提升。针对该问题,本文提出一种基于深度学习的多尺度特征融合点云配准算法。首先,利用EdgeConv提取多个不同尺度的特征,该特征能够保持局部几何结构特性;接着,引入非线性极化注意力对其输出特征进行筛选,从而提高特征信息的有效性;然后,将以上多尺度特征进行融合并再次利用EdgeConv提取其特征,从而提高特征的表达能力;在刚体姿态估计阶段,采用线性李代数处理旋转变换以充分挖掘点云中的变换信息;最后,根据配准过程中提取点云特征的变化,动态调整损失函数各组成部分的权重,获得更准确的模型预测结果。在ModelNet40数据集上进行实验,本文算法在训练集和测试集样本种类相同时的旋转误差为1.8267,位移误差为0.0010;在训练集和测试集的样本种类不相同时(泛化实验)的旋转误差为2.9794,位移误差为0.0010。实验结果表明,本文算法的配准精度相比当前主流算法均有提高且泛化性能较好。

基于边缘卷积的点云配准网络

地下巷道结构狭长且支道繁多,在地下巷道中获取的点云需要进行点云配准获得完整数据,传统的点云配准方法对点云初始位置要求高并且计算迭代次数多,在环境复杂且数据量巨大的地下巷道场景点云中配准效果不佳且计算缓慢。因此,基于深度学习技术,以PCRNet为基础并结合边缘卷积网络在局部特征提取中的优势,构建了一种基于边缘卷积的点云直接配准网络DGRNet,该网络在特征提取模块利用边缘卷积核对输入的点云进行特征提取,能更好地对三维点云的复杂特征变化和几何结构进行学习,提高了对场景局部特征的理解能力。试验结果表明:DGRNet网络在物体模型中对比其他网络在整体上有着更好的配准精度,并且在点云噪声影响下能够保持配准精度稳定,有着较好的鲁棒性;DGRNet在巷道点云配准场景中的4种误差均最小,并且对比PCRNet误差分别降低了19.0%、20.1%、24.2%、21.0%。由此可见,DGRNet网络能够进行高精度的点云配准,为复杂的地下巷道场景点云配准提供了一种新方法。

融合角点检测的点云配准研究

为提高点云配准效率,提出一种基于点云曲率信息的Harris角点提取算法,通过引入曲率约束,对传统Harris角点提取做出改进;计算每个点的曲率值并与整幅点云的平均曲率作比较,保留曲率值大于平均曲率的点云,实现对配准价值较低的点的剔除,为后续点云配准减少计算量;构建所提取角点之间的特征匹配,结合采样一致性(sample consensus initial alignment, SAC-IA)粗配准和正态分布变换(normal distributions transform, NDT)精配准,寻找最优的变换矩阵,实现源点云和目标点云的重合。通过比较不同算法在公开数据集上进行实验验证,结果表明该方法对复杂点云、多拐点点云都有较好的表现,对初始位置相差较大的点云也有良好的适用性。

点云配准与改进最小二乘法的高精度定位

在贴片机矩形芯片图像采集中,针对检测芯片轮廓的精度易受吸嘴成像干扰的问题,提出了一种基于点云配准和改进最小二乘法的算法。该算法通过吸嘴定位和矩形定位联合优化的方式对芯片轮廓进行描述:在吸嘴定位阶段,利用融合KDTree树的点云配准算法精确定位吸嘴的位置并从中剔除吸嘴部分的轮廓。在矩形定位阶段,创建直线贴合的方法获取矩形四条边的坐标点集,引入正态分布和弧度信息改进最小二乘法对矩形边拟合,以获得芯片的精确坐标信息。所提算法解决了矩形芯片受到吸嘴成像干扰的情况下定位不准确的问题。实验结果表明,本算法能够在有干扰的矩形芯片图像中达到98%以上的准确率,精度控制在0.1 mm以内且算法的执行时间在50 ms左右。综合而言,所提算法具有良好的鲁棒性和精度,为解决复杂工业场景中的矩形芯片定位问题提供了可靠的解决方案。

基于逐点前进法的改进型点云配准方法

点云配准是获取三维点云模型空间姿态的关键步骤,为了进一步提高点云配准的效率和准确性,提出了一种基于逐点前进法特征点提取的改进型点云配准方法。首先,利用逐点前进法快速提取点云特征点,在保留点云模型特征的同时大幅精简点云数量。然后,通过使用法向量约束改进的KN-4PCS算法进行粗配准,以实现源点云与目标点云的初步配准。最后,使用双向Kd-tree优化的LM-ICP算法完成精配准。实验结果显示:在斯坦福大学开放点云数据配准实验中,其平均误差较SAC-IA+ICP算法减少了约70.2%,较NDT+ICP算法减少了约49.6%,配准耗时分别减少约86.2%和81.9%,同时在引入不同程度的高斯噪声后仍能保持较高的精度和较低的耗时。在真实室内物体点云配准实验中,其平均配准误差为0.0742 mm,算法耗时平均为0.572 s。通过斯坦福开放数据与真实室内场景物体点云数据对比分析结果表明:本方法能够有效提高点云配准的效率、准确性和鲁棒性,为基于点云的室内目标识别与位姿估计奠定了良好的基础。

脉冲耦合神经网络下多视角激光图像点云配准

多视角配准能够保持场景中物体的几何一致性,但是存在大量遮挡情况,不同视角下的可见性和完整性受限。对此,提出一种脉冲耦合神经网络下多视角激光图像点云配准方法。通过对多视角激光图像的像素噪声响应和灰度分布特性进行分析,得出脉冲耦合神经网络中各个神经元的关键参数,从而确定与神经元对应的动态阈值,实现激光图像多视角分割。分别计算多视角激光图像点云中各个点的三维特征描述子,进行最近邻关系匹配,组建点云关系集合,通过三元组约束优化关系集合识别错误关系点,以关系集中匹配点对之间的误差平方和组建目标函数,通过优化目标函数确定最佳多视角激光图像点云配准方案。实验结果表明,所提方法应用后,区域内部均匀性、区域对比度和最大香农熵较大,点云重叠以及虚假匹配关系较少,降低了Q值。可以有效提升多视角激光图像点云配准结果的精准度。

融合颜色与几何信息的点云配准

目前,大部分点云配准算法是基于点云数据的几何特征进行描述.随着能够同时采集对象坐标和颜色的扫描设备出现,为更好利用颜色信息,对彩色点云中的颜色信息描述进行研究,提出一种基于颜色分布的3DLGOP特征描述子,并将其与几何特征描述子FPFH、颜色特征描述子CSHOT融合,设计出FPFH-3DLGOP的混合描述符,采用最近邻比值法得到初始对应关系,采用随机采样一致性去除错误对应关系,对匹配关系使用奇异值分解(SVD)求得三维刚体变换矩阵,进而完成点云配准.实验表明,所提出的特征描述符充分地利用了点云数据的颜色特征与几何特征,不仅可以很好地完成彩色点云的配准,而且还提高了配准的匹配率和精度.

改进ICP算法的激光雷达点云配准

针对传统ICP算法在激光雷达目标点云配准中存在匹配时间长,以及受初值影响导致该算法应用在无人车SLAM技术中容易存在定位精度不高和稳健性较差的问题,本文提出了一种结合KD-tree算法的NDT-ICP算法。首先,通过Voxel Grid滤波对激光雷达获取的点云数据进行预处理,利用平面拟合参数的方法去除地面点云;然后,利用NDT算法进行点云粗匹配,缩短目标点云与待匹配点云距离;最后,通过KD-tree邻近搜索法提高对应点查找速度,并通过优化收敛阈值,完成ICP算法的精匹配。试验结果表明,本文提出的改进算法相比于NDT算法和ICP算法,在点云配准速度和精度上有明显提高,且在地图构建上精度和稳健性更好。

基于边缘特征的港口场景点云配准方法

传统ICP等配准算法对初值敏感容易陷入局部最优,难以在港口等较大场景点云配准的过程中应用。文中针对这一问题,借助港口场景及设备包含丰富的线面几何特性的特点,提出一种基于点云边缘直线特征的点云配准方法。首先,通过区域生长和区域合并将点云分割成平面,根据平面投影得到二维图像后利用二维图像轮廓提取和最小二乘法拟合得到二维线段,然后将2d线段重投影至三维得到3d线段点。将提取到的边缘直线采用先粗后精的配准方法,先使用Super4PCS粗略对齐2帧点云边缘线,最后使用改进Trimmed-ICP对初始点云实现精确配准。通过实地采取港口场景点云数据,通过实验证明文中方法的实用性和优越性。

基于统计局部特征描述与匹配的点云配准算法

针对ICP算法在初始位姿差、部分数据丢失和噪声干扰情况下鲁棒性差、配准精度低的问题,提出一种基于统计局部特征描述与匹配的点云配准算法。首先,用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个四维的统计局部特征描述符,准确地描述查询点的局部特征;然后,通过点对间的特征差异进行对应点匹配,剔除错误点对,解决点云部分数据缺失和噪声干扰的问题;最后,使用平均匹配距离作为度量改进ICP算法,对点云进行配准,解决初始位姿较差时配准精度低的问题。实验结果表明,该算法在初始位姿差、部分数据丢失和噪声干扰情况下的配准精度提高至少1个量级,配准速率也有较大提升,在鲁棒性和配准精度方面均表现出明显优势。

基于激光扫描仪的点云配准方法

针对激光扫描仪实际扫描得到的不完整点云配准困难问题,提出了一种基于对应点对的配准方法。通过激光扫描仪进行实验,得到被测工件的实测点云数据,基于Visual Studio软件配置Point Cloud Library环境,对实测模型与理想模型的点云配准进行研究。首先对实测点云数据进行体素滤波以及均匀下采样的预处理;其次通过对应点对的方式进行对齐为后续精细配准提供较好的变换初值,后基于ICP算法实现点云配准精配准;最终以均方根误差作为点云配准精度评价指标对配准结果进行评价。借助CloudCompare软件对配准结果进行直观展示分析可知,在实测工件本身存在不绝对光滑的情况下,配准的均方根误差可控制在0.62 mm,表明该方法对于不完整点云的配准效果较好。

融合几何注意力和多尺度特征点云配准网络

点云不同的几何特征影响着点云配准的难度。然而,大多数点云存在部分重叠,几何特征被噪声干扰,并且点云表面有部分不可区分的特征,这使得提取具有代表性的几何特征更加困难。结合以上原因提出一种融合几何注意力和多尺度特征的点云配准网络GMNet,利用几何Transformer提取几何特征并对点云点对距离和角度编码,使其在低重叠情况下更具鲁棒性;并使用多尺度特征架构聚合不同尺度上丰富的语义信息,提高点云配准的准确率;最后特征通过一致决策算法选择具有适当邻域大小的特征。GMNet分别在室内数据集3DMatch、3DLoMatch和室外数据集KITTI上进行实验,实验结果表明GMNet的整体配准精度较高,在3DMatch数据集和3DLoMatch数据集上配准召回率分别提升到93.4%和76.0%,在KITTI数据集上相对旋转误差和相对平移误差分别降低到6.2 cm和0.26°。该方法使用的几何Transformer提取有代表性几何特征,联合多尺度特征学习点云中的不同层次几何信息,有效提升点云配准精度。

子图匹配和强化学习增强的三维点云配准

针对低质量三维点云数据配准精度不足、效率低的问题,为了实现低质量点云的精确、快速配准,提出一种基于子图匹配和强化学习的点云配准方法.首先将三维点云配准转化为一系列离散的刚性变换连续作用结果,利用强化学习策略训练一个端到端的模型以迭代输出刚性变换动作;然后对于模型架构,采用双流主干网络分别提取源点云与目标点云的局部特征信息,设计交叉图注意力模块将源点云图和目标点云图中的相似节点关联起来,使用带选通向量的加权实现图节点的聚合,分别获取源点云图与目标点云图的全局特征表示;最后融合源点云图与目标点云图的全局特征,基于融合特征预测离散的刚性变换动作.强化学习策略的引入显著提高了点云配准算法的泛化性,在加入交叉图注意力模块后,点云配准的精度及效率也进一步被提升.在ModelNet40和ScanObjectNN这2个公共基准数据集上与最新的点云配准方法 ReAgent进行实验的结果表明,所提方法能够将旋转误差的均方差数值降低至少0.16,各向同性旋转误差数值也降低至少0.16,有效地提升低质量点云配准的精度.

结合改进FPFH的Super-4PCS点云配准方法

针对超四点快速鲁棒匹配算法(Super-4PCS)粗匹配过程计算复杂度较高,配准时间长等问题,提出一种结合改进快速点特征直方图(FPFH)的Super-4PCS粗配准算法。通过主成分分析法(PCA)从快速点特征直方图中筛选出能代表点云特征信息的特征点,并将筛选出的特征点云作为输入数据进行Super-4PCS粗配准,由Super-4PCS粗配准得到初始变换矩阵,再进一步进行最近点迭代算法(ICP)精配准。为了验证在不同密度点云下的匹配效率,分别使用Bunny、Dragon两种不同密度的点云数据集进行配准实验,在满足精配准精度的基础上,对比FPFH-SAC和Super-4PCS粗配准方法,粗配准速率分别提升了72%和58%,总体配准速率分别提升了43%和32%。

面向铁路无人机巡检的大范围点云配准方法

在我国铁路网络广阔、运输需求巨大的背景下,利用无人机配合高精度激光雷达进行铁路巡检,相较传统人工方法,不仅提高了效率,而且通过精准的点云数据配准与分析,构建出完善的三维铁路环境地图,为线路维护、故障排查及安全隐患定位提供可靠的数据支持。针对铁路及周边环境大规模非结构化数据的挑战,提出一种旋转不变性强、泛化能力优异的点云配准算法。通过在3DMatch公开数据集上训练模型,并在ETH数据集及京沪高铁数据集上进行测试,该算法展示了对未知数据集高效准确配准的能力,显著提升了无人机在铁路巡检中的应用价值,为铁路系统的安全运营与高效管理提供了强有力的技术支持。