基于SIFT特征点提取的ICP配准算法

为解决传统迭代最近点(ICP)算法对点云配准的起始点对选择不佳而导致配准时间长、效率低的问题,提出一种基于尺度不变特征变换(SIFT)特征点提取的ICP点云配准算法(ST-ICP)。首先使用SIFT算法进行原始点云与目标点云的SIFT特征点提取,根据提取特征点完成快速点特征直方图(FPFH)特征运算,通过采样一致性初始配准算法(SAC-IA)搜索对应点对、求解变换矩阵,再进一步运用ICP算法进行点云精细配准。实验结果表明:与ICP算法相比较,ST-ICP算法的配准误差在迭代次数为5次时减小了1.019 cm,迭代次数为10次时减小了0.443 cm;在配准误差达到10^(-2) cm级别时,ST-ICP算法所用时间比传统ICP算法减少了12.829 s。ST-ICP算法优化了对应点对的选择,提升了配准精度和配准效率。

结合尺度不变特征的Super 4PCS点云配准方法

点云配准是三维模型重建中的关键步骤。针对传统初配准方法效率低等问题,提出一种结合点云特征的超四点快速鲁棒匹配算法(super four point fast robust matching algorithm,Super4PCS)。首先对点云数据进行尺度不变特征提取,凸显点云的局部特征;然后把提取的特征点作为Super4PCS算法的初始值,以便实现源点云与目标点云的初配准;最后在初配准的基础上利用最近点迭代(ICP)算法进行精确配准。通过斯坦福兔子点云及实测点云数据对比分析,表明该算法具有更好的配准性能。

自研激光雷达三维点云配准技术

为了实现激光雷达点云与图像重建点云的三维空间配准,基于自研三维扫描激光雷达系统,提出了新型的快速多尺度因子(FMSR)点云配准算法,研究了空间点云配准技术。该算法主要包括初始配准和精确配准2个步骤:初始配准使用基于尺度自适应关键点质量(ASKQ)的点云特征提取算法,提取关键点的特征匹配对,求解点云配准初始参数;精确配准利用K-邻近(KNN)算法全局搜索,提升计算效率,多次迭代得到2组点云之间的最优旋转矩阵、最优平移向量和最优尺度因子。仿真和实验结果表明,所提出的算法对空间目标(尺寸为20.30m×7.85m×26.56m)实现空间点云配准,配准精度达到0.194m,运行时间为16.207s;与多尺度迭代最近点(S-ICP)算法相比,配准精度提高了0.131m,运行时间提高了30%。所提出的空间点云配准技术可为场景重建和纹理匹配提供算法基础。