联合CPD面向复杂场景的自适应激光SLAM算法

激光点云匹配是影响激光SLAM系统精度和效率的关键因素.传统激光SLAM算法无法区分场景结构,且在非结构化场景下由于特征提取不佳而出现性能退化.为此,提出一种联合CPD(coherent point drift)面向复杂场景的自适应激光SLAM算法CPD-LOAM.该算法提出一种基于预判和验证相结合的场景结构辨识方法,首先引入场景特征变量对场景结构进行初步判断,然后从几何特征角度通过表面曲率对其进行验证,增强对场景结构辨识的准确性.此外,在非结构化场景下添加CPD算法进行点云预配准,进而利用ICP算法进行再配准,解决该场景下的特征退化问题,从而提高点云配准的精度和效率.实验结果表明,提出的场景特征变量以及表面曲率可以根据设置的阈值有效地区分场景结构,在公开数据集KITTI上的验证结果显示,CPD-LOAM较LOAM算法定位误差降低了84.47%,相较于LeGO-LOAM与LIO-SAM算法定位精度也分别提升了55.88%和30.52%,且具有更高的效率和鲁棒性.

空间位姿测量中面阵点云CPD方法的优化及验证

面阵激光成像雷达可以实现瞬态三维探测,适用于运动平台及非合作目标的位姿测量。针对相邻像元间具有串扰特性的面阵非均匀格网型稀疏点云,提出了一种适用于空间非合作目标位姿测量的多视角点云自动配准方法。该方法基于改进的相干点漂移(Coherent Point Drift, CPD),将目标点云视为观测数据集,源点云视作为高斯混合模型(Gaussian mixture model, GMM)的质心点集。利用贝叶斯后验概率公式及期望最大化(Expectation-Maximum, EM)方法,对构造的GMM模型似然函数进行求解,在寻优过程中通过点云重叠特性对运算点集的权值参数进行自适应调整。对单次EM迭代后源点云间距离残差进行排序,选取最优变换点云对使用最近邻方法建立局部扰动量,得到每次漂移迭代的空间变换矩阵。为了避免陷入局部解,通过监督点云均方误差更新率,对参与漂移运算的点集属性进行交替。针对空间配准目标,建立了两种近似运行下的阵列成像仿真工况。试验结果表明:在强背景及像元模糊干扰下,该配准框架具有鲁棒性优势,其结果平均最大公共点集测度相对于粗+精组合配准框架提升约61%,可应用于空间面阵平台下的非合作目标位姿测量。

基于相干点漂移的图像配准算法

为解决图像配准问题,结合点集GMM建模思想和相干点漂移思想的影响,设计了一种新的点集配准目标函数。首先对特征点集进行归一化处理,然后利用似然函数梯度下降求解配准参数,同时剔除不满足匹配要求的溢出点,利用实际图像序列对算法进行了验证,结果表明该方法具有良好的性能。

基于非刚性点云配准的运动鞋鞋帮打磨轨迹提取

为了解决冷黏运动鞋自动化生产过程中鞋帮打磨轨迹难以提取的问题,提出一种利用非刚性点云配准算法提取轨迹的方法。搭建三维视觉平台分别获取鞋底侧墙与鞋帮点云,基于高斯混合模型,结合运动相干性和先验分布构建了鞋底与鞋帮点云配准概率的联合概率密度分布,并采用变分贝叶斯推断计算出最佳配准参数,进而实现两种点云间的精确配准。对配准后的点云提取边缘轨迹并聚类分割,提取的边缘轨迹即为鞋帮打磨轨迹。研究证明,该方法可有效提取运动鞋的鞋帮打磨轨迹曲线,相比依靠离线采样点提取打磨轨迹的传统方法,可大幅缩减轨迹的获取时间且精度良好。

改进CPD算法及其在面部点云配准中的应用

针对面部点云配准中头发颜色与面部肤色存在差异,导致配准效率降低的问题,提出一种改进的相干点漂移(Coherent Point Drift,CPD)算法。该算法先提取面部点云的距离和颜色信息,将颜色信息转化为亮度信息,再仿照双侧滤波算法计算对应的亮度权值系数。将亮度权值系数与距离权值系数相融合,得到新的加权系数,有效降低头发区域点的权重,以提高算法的配准精度与效率。最后,将改进的CPD算法应用于面部点云配准。实验结果表明,该算法能够将两点云的距离标准差平均降低66.01%,运算时间平均缩短18.57%,显著提高了面部点云配准效果。

一种带多约束的船体分段点集数据分析方法

为了达到船体分段建造的精度要求,船体分段的测量点集与设计点集的数据分析技术是关键。在船舶领域中,传统的点集数据分析方法没有考虑多种船舶约束,因此数据分析出来的结果与实际结果相差较大。针对此情况,提出一种考虑多种船舶约束的数据分析方法。首先采用基于高斯混合模型(GMM)的相干点漂移法(CPD)算法,获得数据分析初值;然后利用权值向量实现对不同方向上精度要求的误差分配,同时把垂直度、平面性和水平度等多种工程约束引入数据分析的多优化目标函数中,通过调整多约束权值,求解出更合理的数据分析结果。实例表明,该方法在满足多种船舶约束的情况下,可获得更合理的数据分析结果,为后续的合拢搭载提供一定依据。

轮廓匹配的快速相干点漂移方法

相干点漂移（Coherent Point Drift,CPD）方法是近几年出现的一类有效的点模式匹配方法,能对刚体和非刚体进行有效的匹配,但也存在计算效率较低及两个点集存在大角度旋转关系时匹配失效的问题。本文针对轮廓匹配问题,提出了一种融合点的位置和曲率特征的CPD模型的快速匹配方法。在匹配过程中,首先对目标轮廓和数据轮廓进行粗匹配,然后将粗匹配得到的变换参数作为CPD算法的初始输入参数,对轮廓上的仿射不变曲率尺度空间角点及角点在轮廓上的邻近点进行匹配,得到最终的变换参数。通过对实际图像提取的轮廓进行匹配实验,结果显示所提出的匹配方法具有较高的匹配精度,能实现图像的精确配准并能显著提高匹配速度。

基于特征点检测的CPD配准算法

文章针对非刚性配准CPD(coherent point drift)算法的过程中,计算复杂运行时间长的问题,提出了一种基于曲率特征点检测的配准算法。通过提取目标点集的特征点集,并对所提取的特征点集用CPD算法进行配准,可以使减少运算规模进而减少算法运行时间,提高了配准效率。

多层螺旋CT血管造影中的冠脉运动估计

提出了由多层螺旋计算机层析(MSCT)数据估计冠脉三维运动的算法。首先对多期相数据进行基于Hessian矩阵的局部血管增强,随后采用自适应阈值区域生长方法分割出血管并进行细化,得到不同时刻的冠脉骨架。血管进行分段后,利用连贯点漂移(CPD)点配准算法对不同期相的各段血管配准,计算点对之间的对应关系矩阵及空间变换,从而估计三维运动场。采用运动场已知的模拟数据评估算法精度,结果表明,对超过50mm的大幅度运动,配准误差小于1voxel,运动场估计误差小于1%。对实际的全期相数据,估计左右冠脉的运动场,也获得了较为均匀和平滑的结果。