一种快速点特征直方图及重叠区计算的点云配准方法

地面三维激光点云配准是点云分析、三维重建以及其他工程应用的基础和关键技术。针对现有配准算法精度和效率上的不足,提出了一种基于快速点特征直方图及相邻两站间重叠区计算的配准方法。粗配准阶段,在经典的点特征直方图采样一致性(SAC-IA)算法基础上,通过加入同名点点对距离约束、几何形状约束,以及快速点特征直方图误差评定的改进,以此提高粗配准精度;精配准阶段,提出一种基于相邻站间大致重叠区域快速估算的最近点迭代(ICP)方法,该方法迭代收敛快、配准精度高。实验结果分析表明,该方法提高了配准精度和配准效率。

基于点特征直方图的道路场景点云目标识别方法

点云目标识别在智慧交通系统中具有较高的应用价值。本文主要研究了基于点特征直方图的道路场景点云目标识别方法。首先,提取道路场景点云目标的点特征直方图特征;接着,使用K-means聚类方法对点特征直方图特征进行聚类,建立词袋模型,使不同点云目标的特征维数相同;最后,将词袋模型构造的码本输入支持向量机中进行训练,得到最优的分类识别模型,并对测试集的道路场景点云目标进行识别。在悉尼城市点云目标数据集上进行了实验,该方法的识别准确率达到了98.33%。实验结果表明,本文方法的识别效果较好。

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.

结合点特征直方图的点云分类方法

针对经典的法向量和邻域高差算子包含的信息量较少,点云分类结果不理想的问题,提出一种基于点特征直方图的点云分类方法.该方法用四参数量化中心点与其邻域点之间的空间关系形成一个用于描述中心点邻域几何属性的多维直方图,并将其作为点云分类的特征;用随机森林法将激光点云分为植被、地面以及建筑物3类,点特征直方图、法向量、邻域高差三者均为几何描述算子,用点特征直方图构建了一个高维信息空间的点的几何特征表达,鲁棒性强.通过与基于法向量和邻域高差的点云分类进行对比实验,验证了点特征直方图在点云分类中保边性强、稳定性好.

基于颜色纹理联合特征直方图的自适应Meanshift跟踪算法

传统的meanshift跟踪算法利用图像中的颜色直方图作为目标的代表,其鲁棒性不高,容易受光照,目标缩放等因素的影响,造成定位精度不高,跟踪算法的稳定性不好。鉴于此,文中提出一种基于改进LBP特征描述子的方法,并将其与颜色直方图进行巧妙的融合,构建了一种新颖有效的联合直方图目标外观模型,并将其嵌入到meanshift跟踪框架中;另外,通过有效利用目标候选区域的矩信息,估计跟踪过程中目标的尺度和方向的变化。不同场景的跟踪实验结果表明,与传统的meanshift跟踪相比,文中提出的跟踪算法可以有效克服场景中相似目标的干扰,光照及目标尺度的变化,取得了更好的跟踪结果,具有更高的鲁棒性、稳定性、有效性。

用于三维点云表示的扩展点特征直方图算法

局部特征提取在点云相关应用中具有十分重要的作用,因此提出一种用于点云局部特征表示的扩展点特征直方图描述子。针对邻域点的两两点对提出一系列不变量;在特征点上构建一个局部参考坐标框架以获得特征描述子对旋转和平移的不变性;将关键点局部邻域划分成多个子空间,并依据每个子空间中的点对不变量构建一个直方图;将所有直方图串联起来得到扩展点特征直方图特征描述子。采用Bologna公共数据集对扩展点特征直方图特征描述子的性能进行测试,并与多个现有算法进行对比。结果表明,扩展点特征直方图特征描述子获得了良好的性能,其结果优于多个现有的特征描述子。

基于特征直方图均衡化技术的ID．3算法实现

ID.3算法是经典的决策树算法,而样本集分布不均衡性会对树的结构和识别效果产生较大影响。本文在分析显微镜下细胞识别库样本分布规律基础上,利用直方图均衡化技术对样本特征分布进行变换处理,使整个特征分布规律转变为[0,1]区间内近似均匀分布。实验表明,基于特征直方图均衡化技术实现的ID.3算法收敛速度加快,产生的决策树平均深度降低。

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。

基于多特征直方图的红外图像目标跟踪

根据红外图像的特点,采用单一颜色难以描述复杂的跟踪环境,尤其是目标周围有相似亮度的背景干扰时,会造成跟踪失败。针对该问题,提出在MS跟踪理论框架下将颜色特征和梯度特征联合起来描述目标。实验表明:该方法能准确地跟踪海上红外运动目标。

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。

基于点特征直方图的点云自动配准算法研究

三维激光点云数据处理工作中,点云配准工作是后续的所有点云分析以及三维重建等工作的关键。综合分析现有配准算法的不足,在点云初始配准阶段,本文采用了Rusu等提出的基于点特征直方图的采样一致性初始配准算法(SAC-IA),并从从算法准确度和效率角度提出了改进:加入了采样点几何形状约束以保证采样点不共线,通过计算点特征直方图差异代替了欧式距离差异改进了误差评定方法。在点云精细配准阶段,本文采用了F.Pomerleau等提出的改进后的ICP算法,并在此基础上提出了一种基于点云重叠区域的精细配准算法。实验结果分析,该算法配准精度较高,能够满足点云配准要求。

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。

基于改进特征点匹配的三维点云数据配准算法应用探究

三维点云配准算法作为计算机辅助制造工程的重要构成,在三维重建、目标物形状检测等领域有着重要的应用。为了实现目标物体的完整测量,一方面需要从点云数据中获取精确的特征点集,另一方面需要压制噪声信息。基于特征点匹配的三维点云配准算法简化了特征提取的复杂度,提升了配准的精度和速度,能够实现目标物体的高效配准。本文就基于改进特征点匹配的三维点云数据配准算法应用展开探究。

结合形态描述和直方图特征改进的点云配准

针对点云配准过程中配准效率和精度无法兼得的问题,提出一种将内部形态描述(ISS)特征点和二进制方向直方图(BSHOT)特征描述符相结合的改进的点云配准算法。该算法先采用体素格网下采样和ISS算法提取特征点;然后通过二进制的方向直方图(BSHOT)特征描述符结合汉明距离和随机采样一致性算法(RANSAC)进行粗配准;最终利用改进的ICP算法进行精确配准。利用多组点云数据对该方法进行验证。结果表明,在相同条件下,改进后的算法在配准时间和配准精度上均优于其他算法。说明所提出的方法具有较高的配准效率与精度,且随着点云数量的增多,配准精度的提高效果会增强。

基于感知哈希算法的特征融合玻璃瓶缺陷检测

特征提取作为玻璃瓶缺陷检测任务中至关重要的一环,特征集中丰富的特征信息将直接影响缺陷检测的准确率。传统的单一特征提取算法提取的特征信息往往过于单一,使得最终的检测准确率偏低。针对上述问题,提出了方向梯度直方图(Histogram of Oriented Gradients,HOG)特征与尺度不变特征变换(Scale Invariant Feature Transform,SIFT)特征融合的特征提取算法。针对不同缺陷边缘提取轮廓不够准确的问题,提出了基于感知哈希算法(Perceptual Hash Algorithm,PHA)的边缘检测算子选择方法。通过支持向量机(Support Vector Machine,SVM)进行训练和验证。实验结果表明,提出的边缘检测算子选择方法可以针对不同缺陷选择最适合的边缘检测算子,特征融合算法的瓶身缺陷检测平均准确率可达88.7%。较单一的HOG特征提取算法提升了7.99%,较单一的SIFT特征提取算法提升了2.97%。

基于多尺度多模态磁共振图像的直方图特征在脑胶质瘤分级上的应用

目的提出一种基于多尺度多模态磁共振图像的直方图特征,并采用机器学习的方法进行脑胶质瘤的分级应用。方法收集临床60例脑胶质瘤病例,其中Ⅱ级胶质瘤弥漫型星形细胞瘤和少突胶质细胞瘤22例,Ⅲ级胶质瘤间变型少突星形细胞瘤和间变星形细胞瘤18例,Ⅳ级胶质瘤胶质母细胞瘤例20例。病例图像信息包含平扫T2加权序列、T2加权压水压脂序列以及增强后的T1序列。对3种序列图像做多尺度化处理,对多尺度化后的图像做纹理分析,以病灶核心区域为感兴趣区,计算纹理参数,探究纹理参数与脑胶质瘤的内在关联含义,行Ⅱ级与Ⅲ级间纹理参数的ROC曲线分析,以及Ⅲ级与Ⅳ级间纹理参数的ROC曲线分析。以支持向量机作为机器学习核心,核过交叉验证法,得出本文纹理分析方法在不同级别胶质瘤的分级上的准确度和整体分级准确度。结果多尺度多模态磁共振图像直方图特征结合支持向量机模型的鉴别系统在Ⅱ级和Ⅲ级脑胶质瘤间总体参数准确率为91.5%,在Ⅲ级和Ⅳ级脑胶质瘤间的总体参数准确率为97.9%。整体的三分类支持向量机模型在交叉验证法的分级准确率为91.67%。结论多尺度多模态磁共振图像的直方图特征结合支持向量机模型的鉴别系统,可以在脑胶质瘤肿瘤分级上为临床提供重要信息。

基于视点特征直方图的激光点云模型的位姿估计

提出一种基于视点特征直方图的点云模型位姿估计算法。首先在目标物体周围采集三维点云,拼接后获得物体的完整点云模型;然后对点云模型计算其视点特征直方图,构建特征数据库;对待估计点云同样计算其特征直方图,使用KNN算法在数据库中搜索与之最接近的位姿作为初始位姿估计值;最后使用迭代最近点(ICP)算法将待估计点云精确配准到模型点云,从而获得坐标系之间的相对位姿。实验表明,这种方法对于物体位姿识别有很强的稳健性,能很好实现目标物体的三维位姿计算。

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。

采用图像直方图特征函数的高速相机自动曝光方法

提出一种采用图像直方图特征(Histogram Feature,HF)函数的自动曝光方法,用于在背景光照快速、大范围变化的情况下对高速相机进行自动曝光控制。首先,采用多点测光对获取的图像进行兴趣区域(Region of Interests,ROIs)提取,以降低系统测光的计算量。然后,通过计算兴趣区域的HF函数选取大步长对曝光时间进行粗调。最后,通过模糊逻辑计算出曝光时间的精调步长并运用阈值限制实现变步长搜索最佳曝光时间,提高高速相机自动曝光的准确性及稳定性。实验结果表明:本文方法可以在2ms内完成一帧图像的亮度测量并对曝光时间进行调整,相较于基于平均亮度值的传统自动曝光方法,在0~110ms内,光源光照强度从760~23 100lux反复变化时,本文方法获得的图像信息熵比平均亮度值法的信息熵均值提高48.38%,方差降低62.13%,可以提供更好与更稳定的图片细节信息,为后续的自动调焦、图像识别以及目标跟踪提供参考。