体素化广义迭代最近点的回环检测算法研究

同步定位与地图构建(SLAM)是大规模定位和地图构建的关键技术之一,针对室外大场景环境建图时存在累计误差较大导致定位精度不高、地图出现重影和漂移的问题,提出了一种基于体素化广义迭代最近点(VGICP)优化的回环检测算法。该方法扩展了广义迭代最近点(GICP)算法,计算体素内局部多个点,在保证准确性的同时避免了代价高昂的最邻近搜索。将所提方法加入扫描上下文(SC)-LeGO—激光雷达测距和实时测绘(LOAM)完整框架中,并利用KITTI数据集05序列测试。实验结果表明:优化算法估计的轨迹和真实轨迹有较高的重合度,绝对位姿误差(APE)和相对姿态误差(RPE)的最大值分别下降了46.4%,18.8%;均方值误差下降了17.7%,19.9%;优化算法可以进一步提高建图精度并降低姿态漂移误差。

基于最近点迭代的水下三维声图增强算法

由于复杂的水下环境和声呐硬件的限制,三维成像声呐(3DIS)图像质量较差,表现为图像目标表面点的稀疏和缺失。为了提高图像质量,我们提出了一种基于配准和融合的目标增强方法。迭代最邻近点(ICP)算法是经典的点云配准算法,是一种用于配准2个或多个点云数据集的迭代优化方法。ICP方法可直接用于点云数据,具有实施简单、迭代速度快的优点。该算法通过对齐和融合的方法叠加多帧点云来增强点云,可以改善目标点云稀疏和缺失的问题。实验结果表明,我们提出的增强方法能有效增强声呐图像,提高三维声呐图像的质量和可理解性。

联合残差网络和最近点迭代的机器人重定位

针对机器人遭遇绑架、系统故障重启而产生的定位丢失问题,提出一种基于ResNet的机器人重定位方法。所提方法将重定位分为基于残差网络(residual network,ResNet)的粗匹配和基于最近点迭代(iterative closest point,ICP)细匹配2个阶段。在粗匹配阶段,将激光点云数据转换为图像,然后将相邻时间的图像堆叠成多通道图像作为ResNet的输入,以增强图像的时序特征。在细匹配阶段,ResNet输出机器人的预测位置,并将预测结果作为ICP算法的初值进行点云细匹配,从而获取最终位姿。对于相似环境,提出动态重定位方法,通过移动机器人进行多次重定位避免误匹配的情况。仿真实验结果表明:该方法与增强蒙特卡罗定位(augmented Monte Carlo localization,AMCL)算法进行了对比,定位用时降低了8.2s,定位成功率提升了43.4%,证明了该算法具有更好的重定位效果。

基于迭代最近点的雷达非均匀分布系统误差校正方法

雷达系统误差配准是雷达组网的前提和基础,对于探测距离远的雷达,其在探测空间内的测量误差呈现明显的非均匀分布特性,导致传统的系统误差校正方法难以满足误差校正需求。针对雷达系统误差存在的非均匀分布特性,将雷达探测空间分成若干小区域,每个小区域可以认为系统误差为定值,此时,可在每个区域内利用迭代最近点算法计算该区域中的雷达系统误差,形成全探测空间内的系统误差补偿矩阵,从而实现对非均匀分布系统误差的准确校正。最后,通过实测数据实验验证了提出方法的有效性。

应用改进迭代最近点方法的点云数据配准

提出了基于点云边界特征点的改进迭代最近点(ICP)方法来提高逆向工程中点云数据配准的效率和精度。首先,提出了基于点云边界特征点的初始配准方法。对点云最小包围盒进行三维空间划分,建立空间网格模型;运用边界种子网格识别及生长算法,从点云边界提取特征点,运用奇异值矩阵分解法(SVD)求出点云的变换矩阵,得到初始配准结果。然后,提出了改进的ICP精确配准方法。对点云对应点赋予权重,剔除权重大于阈值的点,通过对目标函数引入M-估计(M-estimation),剔除异常点。最后,在初始配准的基础上,运用改进的ICP方法精确配准。对经典ICP方法和改进ICP方法做对比实验,结果显示,改进方法的配准效率提高了70%以上,误差减小到0.02%。实验表明,本文方法大幅提高了点云配准的效率和精度。

应用改进迭代最近点方法的三维心脏点云配准

在医学多图谱配准中,为了改善因初始位置差异较大、形状复杂和局部残缺导致的配准效率低和精度差的问题,本文采用了先粗配准再精配准的处理策略,在主成分分析法(PCA)实现粗配准的基础上,提出了基于双向距离比例的迭代最近点(ICP)的精配准算法。精配准算法中,首先采用KD-tree进行最近邻搜索以提高对应点对的搜索速度,然后为每个点提出了双向匹配方法并计算其双向距离和比值,为进一步提高配准精度,引入了一个指数函数判断点对正确匹配概率,最后运用奇异值分解法(SVD)计算最终变换矩阵。为了验证算法的可行性和有效性,分别设计了不同缺损程度的斯坦福点云数据实验和两组CT心脏点云数据配准实验,结果表明本文方法较经典ICP算法的平均误差减少约21%,较TrICP算法减少约13%,在心脏点云数据配准实验中,本文方法较TrICP算法的15.5 s加快到1.77 s。因此本文方法在解决三维心脏点云数据的配准问题中具有良好的效率、精度和稳定性。

迭代最近点算法研究进展

曲面配准问题是三维计算机视觉中的一个极其重要的问题,作为解决深度图像的配准问题的一个应用较为广泛的算法,ICP算法得到了研究者的关注,本文以一种全新的思路从控制点的选取、特征度量、空间搜索、点对权重和刚体变换的求解等5个方面对深度图像配准的ICP算法的各种改进和优化进行了分类和总结。并提出了该算法尚需研究和改进的方向。

融合采样一致性和迭代最近点算法的点云配准方法

三维点云数据配准在机器人环境感知与建模、虚拟现实、人机交互、逆向工程等领域有着广阔的应用前景。针对传统迭代最近点(Iterative Closest Point,ICP)算法中存在的收敛速度慢、鲁棒性差等问题进行研究,提出了一种融合采样一致性和迭代最近点算法的点云配准方法,对点云数据的快速点特征直方图(Fast Point Features Histograms,FPFH)特征进行提取并对这些特征使用采样一致性初始配准算法(Sample Consensus Initial Alignment,SAC-IA)进而得到点云集间的对应关系,计算出点云的初始变换,从而获得一个较好的配准位置,提出了k-d树近邻搜索方法加速搜寻对应点对,并利用点云的方向向量阈值去除迭代最近点算法产生的误点对,实现点云的精确配准。实验结果表明,算法取得了较高的配准精度,加快了收敛速度。

改进迭代最近点法的亚像素级零件图像配准

针对模板匹配方法用于非结构化环境下的杂乱零件识别与定位精度低的问题,提出了亚像素级的配准算法.首先提出亚像素级的配准问题可视为计算模板图像与待配准图像的边缘点集的最优几何变换;然后提出了改进迭代最近点法来估计几何变换,包括使用动态邻域搜索策略快速搜索匹配点、利用匹配点的方向一致性约束和距离约束来移除误匹配点、用光照不变的点到曲线的距离来构造误差度量函数,再用线性最小二乘法给出误差函数的封闭解;最后使用自制零件和MPEG-7 shape B数据集进行实验,结果表明该算法配准正确率、实时性和精度均明显优于传统算法,能够满足非结构化环境下的杂乱零件亚像素配准精度和鲁棒性要求.

基于迭代最近点算法的地形匹配算法可靠性分析

根据迭代最近点算法的原理,从几何直观的角度研究了地形辅助导航系统匹配的可靠性,推导了旋转和平移的可靠性公式,并进行了数字仿真,结果表明,本文推导的可靠性结论是正确的.

基于迭代最近点的B样条曲线拟合方法研究

曲线拟合在图象处理、逆向工程应用等领域中有着重要意义 .由于对于 B样条参数曲线拟合 ,数据点的参数化直接影响着拟合的精度 ,因此提出了一种基于迭代最近点的方法来优化修正数据点的参数 ,并且证明了应用该方法进行曲线拟合具有局部收敛性 .通过实验分析 ,验证了方法的正确性和鲁棒性 .

改进的尺度迭代最近点配准算法

针对点云配准中的尺度和收敛速度问题,提出一种改进的尺度迭代最近点(scaling iterative closest point,SICP)算法。在ICP算法中加入带边界的尺度矩阵,解决点云配准中尺度变换的问题;引入动态迭代因子,自动调整配准过程中的刚体变换参数,在不影响算法的精度和收敛方向的前提下,减少迭代次数,提高算法的收敛速度。实验结果表明,与ICP算法和SICP算法相比,改进的SICP算法能够更好地解决含尺度因素的点云配准问题,是一种更加精确、快速的尺度点云配准算法。

基于遗传迭代最近点算法的激光数据配准

扫描匹配算法被广泛应用于基于视觉、声纳、激光等传感器数据的特征匹配中,其中迭代最近点扫描匹配算法(ICP)是最常见的扫描匹配算法,但该算法存在匹配误差较大、对角度误差修正较差等缺点;针对基于ICP的激光传感器数据配准中存在的问题,提出了一种遗传迭代最近点扫描匹配算法(GICP);通过遗传算法搜索当前扫描数据和参考扫描数据的最优匹配,修正初始里程计读数的误差以及机器人的位姿;实验结果表明,提出的算法能够有效地解决扫描匹配算法中任意的配准问题,提高了机器人的定位精度。

改进的概率迭代最近点配准算法

针对迭代最近点算法中存在的收敛速度较慢和噪声引起的配准效果不佳的问题,提出一种基于期望最大化估计的噪声点云配准算法,即改进的概率迭代最近点算法。首先,建立两个点云集合之间的一一对应关系,以提高算法的配准精度;然后,将高斯模型引入到ICP算法中,采用奇异值分解的方法解决刚体变换问题,并在刚体变换过程中加入动态迭代系数,在不影响配准精度和迭代方向的情况下,在下次迭代中更快速地寻找到最近点,以此减少迭代次数、提高收敛速度,实现两个带有噪声点云的精确配准。实验表明,该算法是一种精度高、速度快的点云配准算法,能有效地避免噪声和外点的干扰。

基于聚类的迭代双向最近点机器人位姿估计

针对迭代最近点(ICP)算法在存在严重遮挡的情况下容易陷入局部最小值的问题,对最近点规则(CP)进行了修改,提出双向最近点规则(DCP).DCP规则包含两次CP规则对应,使计算量增加了一倍.为了降低算法的复杂度,继而提出基于聚类的迭代双向最近点(IDCP BoC)算法.IDCP BoC对扫描数据进行聚类,在聚类的基础上进行数据精简.在相邻两次迭代的残差之差小于某个阈值之前,用精简数据进行迭代以提高计算速度,之后再改用非精简数据以保证精度.实验结果表明,IDCP BoC算法能够有效避免陷入局部最小值的问题且其实时性也是可接受的.

基于遗传算法和最近点迭代法的多视角数据配准

针对复杂零件多视角下测量的数据,最近点迭代法(ICP)对两个点云相对初始位置不能相差太远的要求,提出了一种初始对齐和精配准相结合的方法来进行测量数据的配准,通过简单易行的各视角点群形心的坐标变换进行初始对齐,以提高遗传算法(GA)二次配准的寻优速度,再利用ICP实现快速的精确配准,具有更高的可靠性和稳定性.

归一化互相关系数与迭代最近曲面片点云配准方法

针对无附加信息的激光点云数据,基于匹配点对衡量准则与迭代最近曲面片(ICS)算法提出一种新的配准方法。引入归一化零均值互相关系数衡量点的邻域曲率相似度,构造一一对应的初始匹配点对有效数组,利用四元素和线性最小二乘法计算初始配准参数。通过局部曲面片代替离散点,建立参与ICS算法的有效点集,并用一次近似距离代替点到对应曲面片的几何距离,建立配准的非线性最小二乘优化模型和求解策略。实例结果表明,与迭代拼接算法相比,该方法具有多视角普适性,且高效精确。

基于线特征及迭代最近点算法的地基建筑物点云自动配准方法

为克服迭代最近点(ICP)算法易陷入局部最优的缺陷,提出一种基于线特征及ICP算法的地基建筑物点云自动配准方法。首先,基于法向一致性进行建筑物点云平面分割;接着,采用alpha-shape算法进行点簇轮廓线提取,并拆分和拟合处理得到特征线段;然后,以线对作为配准基元,以线对夹角和距离作为相似性测度进行同名特征匹配,实现建筑物点云的粗配准;最后,以粗配准结果为初值,进一步采用ICP算法完成点云精确配准。利用两组部分重叠的建筑物点云进行配准实验,实验结果表明,采用由粗到精的配准方法能有效改善ICP算法对初值依赖的问题,实现具有部分重叠的建筑物点云的有效配准。

基于概率迭代最近点的点云配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法中由噪声带来的配准效果不佳或失败的问题,论文提出了一种有效的含噪声点云的配准算法,即概率迭代最近点算法(Probability Iterative Closest Point,PICP)。首先,建立两个点云之间的一一对应关系,以提高算法的配准精度;然后,采用高斯概率模型解决刚体变换的问题,由此实现两个含噪声点云的精确配准。实验结果表明,该算法不仅能够快速准确地实现同一物体不同角度的带有噪声点云的配准,还能准确有效地实现刚体碎块间的断裂面的完全匹配和部分匹配问题,是一种准确、快速的配准,并能有效避免噪声和外点的干扰,适用范围更加广泛。

基于空间结构约束的改进迭代最近点影像配准

提出了一种改进的基于空间结构约束的迭代最近点(ICP)影像配准方法.该方法通过结合特征点的空间结构相似性和特征相似性获得特征点的匹配矩阵,其中特征相似性通过特征点的局部特征描述算子进行计算,空间相似性则通过特征点的空间位置进行计算.特征点之间的空间结构相似性不仅包括了对应特征点之间的空间距离,还包含了特征点到邻近特征点的空间距离.在匹配过程中,分别从参考影像和待配准影像的角度出发,实现了匹配的对称性处理.通过对具有不同影像特征的真实遥感影像进行实验,结果表明该算法具有较高的配准精度.