基于自适应颜色快速点特征直方图的托盘识别方法

托盘识别是无人驾驶工业车辆进行货物搬运的关键技术之一.针对现有托盘识别方法低效耗时、鲁棒性差、参数选择随意的缺点,提出了一种基于自适应颜色快速点特征直方图的托盘识别方法.该方法使用Kinect V2传感器采集包含托盘的场景点云数据,点云经离群点剔除后,基于邻域特征熵函数最小准则获取每个点的最优邻域半径.提取点云关键点,计算关键点的颜色特征和自适应邻域快速点特征直方图,融合成自适应颜色快速点特征直方图,进行特征匹配与误匹配点对剔除,从而实现托盘识别.与固定邻域半径为0.012 m的快速点特征直方图对比,实验结果表明:基于自适应颜色快速点特征直方图的托盘识别精度提高了83.74%,特征提取用时减少了35.55%,验证了方法的优越性.

基于快速点特征直方图的特征点云迭代插值配准算法

为提高三维激光扫描点云数据的配准精度,提出了一种基于快速点特征直方图特征的迭代插值配准方法。配准过程中,点云数据获取时受扫描仪分辨率影响,点云局部或整体密度偏小,两次测量点云数据的相同位置不存在完全相同的点,以致对应点之间存在误差。为减小误差对配准精度影响,引入迭代插值方法,增加点云整体密度。通过计算关键点的快速点特征直方图的特征寻找对应关系,使用随机采样一致算法去除错误对应关系,对对应点协方差矩阵进行奇异值分解求得粗配准旋转平移矩阵,再使用迭代最近点算法进行点云的精确配准。实验结果表明,改进的配准方法简单、稳定可靠、计算速度有所增加,有效地提高了配准精度。

基于快速点特征直方图的树木点云配准

随着农林业智能化与信息化发展,树木三维重建技术成为国内外研究的热点。为获取具有颜色信息的树木三维点云,需配准不同视角下的彩色点云数据,为果树三维重建提供基础数据。为此采用仿真树模拟果树,提出一种基于快速点特征直方图(FPFH)的树木点云配准方法,通过添加标定物增加具有稳定FPFH特征的点云个数,从而提高点对配准精度。首先,采用第二代Kinect相机获取树木多个视角的RGB图像和深度图像,通过数据融合、背景去除、滤波等预处理步骤,得到待配准的树木彩色点云数据。然后,使用采样一致性初始配准算法(SAC-IA)根据FPFH特征寻找不同视角下的匹配点对,求取近似变换矩阵。最后,采用最近点迭代算法(ICP)优化初始配准结果。此外,探讨Kinect采集距离、高度、视角差对配准精度的影响,确定最佳的数据采集方式:相机到树木中心的距离为2 m,相机高度为10 cm,每次扫描间隔45°。试验结果表明:设置标定物可以获取鉴别力更强的FPFH特征,提高配准精度,最终配准误差小于1.9 cm。

基于改进快速点特征直方图和双重迭代的点云配准

为解决迭代最近点算法配准效率低且精度依赖于点云良好初始位姿的问题,提出了一种基于改进快速点特征直方图和双重迭代的点云配准方法,该方法包括点云粗配准和精配准两个步骤。点云粗配准首先利用体素滤波对初始点云进行预处理,再用内部形状描述子算法提取初始点云的特征点并求法向量,最后利用快速点特征直方图提取特征向量,根据法向量夹角和特征向量各自的差异进行粗配准,进而给精配准提供良好的初始位姿。点云精配准利用自适应阈值双重迭代最近点算法得到最终结果。采用两组点云进行试验并与三种传统配准方法作比较。试验结果表明,所提配准方法在主观视觉与客观评价指标方面均优于其它三种对比方法。所提方法能够克服配准点云数量限制,具有较高配准效率和精度。

基于特征变换结合KD树改进ICP的快速点云配准方法

点云配准是三维重建的关键技术。针对迭代最近点(ICP)算法存在收敛速度慢、配准效率低、配准时间长等难题,提出了一种基于特征变换结合KD树改进ICP的快速点云配准方法。首先利用体素网格法进行初步降采样,在其差分高斯模型上获取三维尺度不变特征变换(SIFT)关键点;其次建立快速点特征直方图(FPFH);然后使用采样一致性初始配准(SAC-IA)算法,实现粗配准;最后根据得到的初始变换矩阵使用KD树改进的ICP算法,实现精配准。在斯坦福大学公开数据集上进行配准实验,结果表明,与ICP算法相比,所提改进算法具有较高的配准精确度和时间效率,且可为精确配准选择较优的初始位姿。文中在一定程度上避免了点云配准时存在的局部最优现象,为后续目标识别匹配和三维重建提供了一种高效的方法。

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。

基于点云配准的航空发动机数字孪生模型构建

点云配准是实物和场景数字孪生模型构建的关键技术。为了适应航空工业高效、精确的虚实结合工业模式,提出了基于快速点特征直方图FPFH(Fast Point Feature Histogram)特征识别配准算法的数字孪生模型构建方法。该方法在保障精确性的前提下,通过数字化检测、信息采集、数据处理与融合,构建物理与虚拟高效互通的数字孪生模型。最后,以燃气涡轮式航空发动机中尾喷管风扇类零件为实例,验证该方法应用于该类发动机零件用于构建数字孪生模型的可行性,并最终将该方法作用于整个涡扇发动机。

融合形状与纹理的点云局部特征描述算法

针对现有点云局部描述符缺乏色彩纹理信息导致特征描述能力不足,以及耗时过长的问题,提出一种基于FPFH(快速点特征直方图)的多特征融合描述符。利用FPFH算法提取形状特征;为特征邻域内点云建立拓扑结构,利用点对间HSV色彩通道比值提取纹理特征;通过特征融合构造描述符,基于最近邻比值的策略进行特征匹配来评估性能。实验结果表明,该算法相较其它描述符有效减少了计算量,可以提高彩色点云特征匹配的效率和精度。

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%。

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。

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图(FPFH)综合描述每个特征点的局部信息,结合随机抽样一致性(RANSAC)算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。

基于关键点精确配对的点云曲面匹配方法

针对基于特征的点云曲面匹配方法在关键点匹配时匹配效率低和精度不够的问题,提出了一种基于关键点精确配对的点云曲面匹配方法。通过采用基于曲率信息的改进3D-SIFT(3D scaleinvariant feature transform)算法,提取点云数据的关键点;将关键点处的FPFH(fast point feature histograms)特征描述以及模型中心点到关键点的向量与模型主趋势的夹角作为约束条件,获取精确的关键点匹配点对集合;求解刚体变换参数实现模型曲面的初始匹配;使用ICP(iterative closest point)算法进行二次优化,实现模型曲面的精确匹配。实验表明:该方法既能解决关键点匹配精度问题,又能很好地解决匹配效率的问题。

基于关键点特征描述子的三维文物碎片重组

对多个文物碎片进行重组时,确定文物碎片之间的邻接关系时间复杂度非常高;文物断裂部位因受损而存在一定的几何特征缺失,仅依靠断裂区域的几何特征进行拼接或重组难免会出现错误.鉴于此,提出一种基于关键点特征描述子的三维文物碎片重组方法.首先利用已有的文物"模板",采用内在形状签名算法提取文物"模板"和文物碎片原始面上的关键点;然后计算关键点的快速点特征直方图特征描述子;再通过比较其相似性来确定文物碎片在"模板"上的对应位置,即确定各个碎片断裂面之间的邻接关系;最后采用顺序拼合的方式及迭代最近点算法对多个碎片进行重组.实验结果表明,该方法能够有效地提高文物碎片虚拟拼接的效率.

基于FPFH特征和模糊聚类的自适应点云压缩

针对三维激光扫描技术获取的点云数据存在大量冗余问题,文中提出了一种基于快速点特征直方图和模糊C均值聚类(FPFH-FCM)的点云压缩算法。利用FPFH特征在点云模型不同几何位置的分布差异,基于FCM算法自适应地将点云集合分为特征点集和非特征点集。并建立压缩准则:对非特征点集进行较大比例的压缩,去除冗余点;对特征点集进行较小比例的压缩,尽量保留更多的特征点,以实现点云压缩。在对比试验中,分别使用提出的基于FPFH特征的点云压缩算法与基于曲率特征的点云压缩算法,对人体点云数据进行压缩,对比压缩后点云的曲面重建效果,同时使用原始点云与压缩后点云之间的Hausdorff距离作为压缩误差评价指标,结果证明,该压缩算法能够更好地保留重建模型的细节特征,具有更高的压缩精度。

结合NARF特征的改进型3D-NDT多视点云配准

提出了一种精确有效的多视图配准算法。首先,使用NARF算法对每幅点云进行关键点检测,并以NARF关键点为原点建立局部坐标系,估算FPFH描述符;其后使用基于RANSAC的对应估计和对应关系去除算法剔除错误对应关系,确定三维特征匹配点对,并求解出变换矩阵,完成初始配准。然后,使用3D-NDT算法体素化点云,并使用概率分布函数对点云精细配准。最后,使用逐步匹配法对一系列点云进行配准,使其全部配准到统一坐标系中。实验结果证明,该算法能精确的对由Kinect V2.0获取的同一场景不同角度的多幅点云图像进行配准,且其配准精度较高。

基于FPFH特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的FPFH值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为k个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。

利用特征点采样一致性改进ICP算法点云配准方法

针对传统迭代最近点算法(ICP)对点云初始位置要求高、收敛速度慢和易陷入局部最优的问题,本文提出了一种基于特征点采样一致性算法改进ICP算法的点云配准方法。首先使用体素网格法采样,通过法向量邻域夹角特性提取特征点并建立快速点特征直方图(FPFH)进行特征描述;然后使用采样一致性算法(SAC-IA)粗配准计算出点云的初始坐标变换,进而使点云获得较好的初始位置;最后通过K维树近邻搜索改进ICP算法,完成点云精确配准。实验结果表明,所提出的方法能够提供良好的初始位置,提高传统ICP算法点云的配准精度和收敛速度。

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与改进迭代最近点(iterative closestpoint,ICP)精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理;采用FPFH提取点云特征,基于采样一致性(sample consensus initial alignment,SAC-IA)进行初始配准,为精确配准提供良好的位姿信息;建立K-D树并在传统ICP配准算法的基础上添加法向量阈值,对车载激光雷达点云数据进行精确配准;在4种不同场景的实验中,改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%,比点特征直方图(point feature histograms,PFH)配准的均方根误差和配准用时分别平均减少了30.28%和18.95%,表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。

基于特征点与改进ICP的点云配准方法

针对迭代最近点(ICP)算法对初始位置敏感、收敛速度慢等问题,提出一种基于特征点与改进ICP的点云配准方法。新方法对原始点云进行体素栅格滤波,利用ISS算法分别提取源点云与目标点云的特征点,使用快速点特征直方图(FPFH)进行描述,并结合采样一致性算法(SAC-IA)求出初始变换,最终在粗配准基础上引入法向量约束改进ICP算法,完成点云精配准。实验以Bunny与Dragon点云作为测试对象,结果表明:改进算法可为精配准提供较为理想的初始位置,有效提高了配准的精度与速度。

基于FPFH-PointNet的术中膝关节软骨表面点云自动提取

目的机器人辅助膝关节置换术导航系统采用激光扫描仪获取术中软骨点云,并与术前模型配准,实现自动非接触空间注册。术中患者膝关节病变点云包含大量的肌肉、肌腱、韧带及手术器械等无关背景点云。手动去除无关点云会因人机交互而占据手术时间,因此,本研究提出一种新颖的膝关节软骨表面点云自动提取方法,以便快速精准实施术中注册。方法PointNet因缺乏软骨表面和几何局部信息的充分描述,不能高精度地提取软骨点云。本研究提出了一种结合快速点特征直方图FPFH-PointNet方法,该方法有效地描述了软骨点云表观,实现了软骨表面点云的自动高效分割。结果本研究以从不同角度扫描10例尸体膝关节标本和1例人腿模型的股骨远端软骨点云为数据集。PointNet和FPFH-PointNet分割软骨点云的准确率分别为0.94±0.003和0.98±0,平均交并比(mIOU)分别为0.83±0.015和0.93±0.005。FPFH-PointNet相比于PointNet,准确率和mIOU分别提高了4%和10%,而耗时仅约为1.37 s。结论FPFH-PointNet能够精准地自动提取术中膝关节软骨点云,满足了术中导航的性能需求。