基于全局特征地图的由粗到细点云配准算法

针对现有点云配准算法在非重复扫描式激光雷达上存在精度低、鲁棒性差、通用性差等问题,提出一种基于全局特征地图的由粗到细点云配准算法(CTF-ICP),并实现非重复扫描式激光雷达里程计。该算法利用高斯分布表征局部点云分布,构建全局特征地图。配准阶段包含粗配准和精配准。首先,采用正态分布变换在连续点云帧之间实现帧到帧的粗配准;然后,根据粗配准的结果将当前点云映射到全局特征地图,并将对应位置的全局特征协方差矩阵的特征值进行归一化,实现帧到地图的精配准;最后,将该文算法与其他常用的配准算法进行对比实验。实验结果表明:该文算法能够较好地适应非重复扫描式激光雷达,配准精度和速度比常用的配准算法都有明显提升;同时,消融实验证明了由粗到细的点云配准算法以及全局特征地图的有效性。

三维激光点云配准算法研究

为提高点云配准的效率与精度,弥补传统点云配准算法中的不足,本文尝试将主方向贴合算法与改进的最近点迭代(Improved Iterative Closest Point, IICP)算法作为组合点云配准算法;该组合算法充分利用主方向贴合算法在粗配准中的优势,并结合IICP算法作为精配准的方法。以某三维激光扫描建模工程为案例,依靠Matlab软件编程实现了本文所提及的配准算法。实验结果表明,改进的ICP算法较传统ICP算法配准效率与精度均有提高。充分验证了主方向贴合算法与IICP点云算法在点云三维模型构建方面的有效性。

基于GPU的并行ICP点云配准算法研究

针对传统串行精配准算法在海量点云数据配准时计算效率低的问题,文章利用图形处理器(graphics processing unit,GPU)的多线程计算能力将传统算法并行化,基于GPU实现并行化的统一计算设备架构迭代最近点(compute unified device architecture iterative closest point,CUDAICP)算法。首先采用粗配准方法对源点云进行旋转平移,得到源点云的初始位置,再将其与目标点云输入CUDAICP算法进行精配准;对房间点云、带有楼梯的房间点云2种场景点云数据进行配准实验。结果表明:在粗配准中,采样一致性初始配准(sample consensus initial alignment,SAC-IA)算法在不同场景下具有较好的效果;在精配准中,CUDAICP算法与传统迭代最近点(iterative closest point,ICP)算法相比,在保证精度的同时,速度提升最高可达8.2倍。

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。

一种改进的跨源点云全局配准算法

为了实现具有不同分辨率和精度等特性的跨源点云高精度高效配准,提出了一种改进主成分分析跨源点云配准算法。点云局部数据模式不同,基于局部特征的全局算法配准效果较差,提出基于整体形状分析解决跨源点云配准问题。采用Householder矩阵性质保持PCA主轴方向为右手坐标系,筛去点云变换中的非刚性变换,完成跨源点云的快速全局配准。使用跨源点云库的chair2、lab2、pillow、dustbin对改进算法及一些全局算法进行对比实验,时间减少94%、96%、91%、96%,均方根误差减少60%、99%、70%、63%。对配准结果进行ICP精配准,误差和时间进行对比,改进算法具有良好的配准效果及鲁棒性。

基于改进的ICP与主方向贴合的点云配准算法

为提高点云配准的效率与精度,弥补传统点云配准算法中的不足。本文尝试将主方向贴合算法与改进的最近点迭代(IICP)算法作为组合点云配准算法;该组合算法充分利用主方向贴合算法在粗配准中的优势,并结合IICP算法作为精配准的方法。以某三维激光扫描建模工程为案例,依靠Matlab软件编程实现了本文所提及的配准算法。试验结果表明,改进的ICP算法较传统ICP算法配准效率与精度均有提高。充分验证了主方向贴合算法与IICP点云算法在点云三维模型构建方面的有效性。

自适应Harris角点提取的点云粗配准算法

针对传统3D-Harris角点提取算法中,Harris算子使用降维后的缺失几何信息、角点提取时响应值计算量大且耗时长、特征点对匹配精度不高以及需要手动设定角点响应阈值等问题,提出了一种完整而高效的Harris角点自适应特征描述、提取和匹配的点云粗配准算法。引入正交梯度算子对传统Harris算子和自相关函数进行改进;利用点云曲率约束实现角点的自适应筛选与提取,减少角点响应值的计算量;构建角点几何结构的特征描述子,结合阈值检测和描述子匹配,将角点匹配对集合进行扩展,从而完成源点云和目标点云之间粗配准;将所提算法得到的配准结果作为精配准初始值,利用迭代最近点算法实现精配准。与对比算法在公开数据集上进行实验比较,结果表明:所提算法的特征正确提取率为0.93,正确率最高;提取时间为7.63 s,效率最快;所提算法结合精配准步骤在实验数据集上的旋转误差、平移误差和运行时间均为最低,配准效果最佳。

基于改进SAC-IA算法的激光点云粗配准

针对传统采样一致性初始配准(SAC-IA)算法存在收敛速度慢与精度不高等问题,提出一种改进SAC-IA算法。该算法利用扫描角限定方法对特征点选取进行几何约束;配准后两站点云特征点的FPFH直方图差值、欧氏距离差值和几何斜率差值同时作为误差修正标准;当变换矩阵满足精配准初始角度和平移要求时才输出该矩阵。通过实验仿真:该算法有效解决样点共线和局部的问题,有效缩短了算法时间,效率提高1倍以上;提供给精配准初始角度精度在10-2量级,平移量精度提高3个数量级。

基于相对几何不变性的点云粗配准算法研究

针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图(fast point feature histogram,FPFH)描述子初步获取最邻近匹配对;通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比例不变的特性获取精确的匹配对;利用奇异值分解算法(singular value decomposition,SVD)求解配准目标函数。实验表明,算法策略合理可靠,参数设置相对简易,具有显著的效率及稳定性优势,能够为后续精配准提供稳定精确的初始参数。

基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。

基于几何特征约束的建筑物点云配准算法

针对人工建筑物表面存在的几何特征关系提出了基于几何特征约束的建筑物点云配准算法,根据点云数据中平面与平面重合关系,推导点在平面上和平面法线平行的2种线性不等约束条件。在6独立参数模型中增加几何特征约束的不等约束条件组成了附有约束条件的配准模型。通过对建筑物3维激光扫描点云数据的采集和处理,详细分析了几何特征约束配准算法的处理结果。试验结果分析表明几何特征约束条件可以合理地改善3维空间转换参数解算结果,提出的配准模型较适合于人工建筑物点云数据的配准。

空间非合作目标的多视角点云配准算法研究

为了提高相邻视角间稀疏扫描点云数据配准的速度和精度,实现多视角点云精确配准,提出一种基于KD-Tree点云均匀采样简化算法,并且对传统四点算法(4-Points Congruent Sets Algorithm,4PCS)中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系,通过基于姿态校正的方法有效解决了对称视角点云引起的误配准问题。仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准。

改进迭代最近点算法支持下的LiDAR点云与正射影像粗-精配准方法

针对直接迭代最近点算法(Iterative Closest Point,ICP)算法难以满足无人机LiDAR点云与正射影像高精度高效配准等问题,提出基于改进ICP的LiDAR点云与正射影像配准方法,为遥感地物目标解译提供丰富的空间信息和语义信息。首先采用体素滤波算法消除原始点云数据冗余;然后,利用主成分分析算法(Principal Component Analysis,PCA)对点云进行粗配准和计算刚体变换参数初始值,最后使用ICP算法实现LiDAR点云与正射影像精配准。实验结果表明,基于改进ICP的配准方法能够实现复杂地物分布、地物遮挡等情况下点云与影像快速、高精度地配准和点云纹理精准着色,相比原始ICP算法精度和效率分别提高了约1.8倍和3倍。

基于遗传算法的点云数据配准

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。为此,提出一种基于遗传算法的线扫描点云数据配准方法。曲面线扫描点云数据同一表面的拓扑结构在不同视图下曲率变化趋势相同,根据该性质,利用遗传算法识别两点云数据集的重叠区域,并求解子集的坐标变换矩阵,完成配准。实验结果表明,与ICP算法相比,该方法的运行速度较快,且配准精度较高。

三维文物点云模型配准优化算法

针对文物碎片配准过程中碎片点云之间不存在包含关系、对应点难以确定和配准效率低的问题,提出一种基于群体智能的文物点云数据配准优化算法.该算法利用曲率显著特征点的Hausdorff距离来确定初始对应点集,利用离散混沌细菌群体趋药算法求解得到最优的粗配准点对,采用混沌细菌群体趋药算法寻找最优的旋转和平移参数完成精配准.文中算法扩展了配准算法的使用范围,提高了配准的精度和效率,最后以具体的兵马俑碎片实例验证了该算法的有效性.

基于粒子群算法的三维扫描点云数据在机配准

针对配准过程中经典ICP算法存在的对初始位置要求高、效率低、不易收敛、与加工环节分离等问题,文章提出一种对于扫描点云数据的基于粒子群优化算法的改进ICP配准算法,并嵌入测量-加工一体化设备内,实现配准过程的在机操作。针对使用回转截面线法扫描得到的扫描点云数据,采用弦高差法进行数据的去噪和精简处理,使用改进后的粒子群优化算法进行预配准,再利用基于K-Dtree数据结构加速的ICP算法进行精配准。结果表明:该方法降低了ICP算法配准时对于初始位置的高要求,配准后叶片加工部位偏差处于±0.5mm范围以内。通过基于数控机床和数控系统的实验平台的在机实验,验证了所提出的在机配准方法,能够满足工件下一步加工需要。

基于粒子群优化算法的散乱点云数据配准

针对目前散乱点云数据配准算法在精度、速度和优化等方面存在的问题,提出一种基于粒子群优化算法的点云数据配准算法。该算法首先根据数据点之间曲率的相似度函数,采用粒子群优化算法在两组点云数据中搜索可以匹配的点对集合,然后用最近点迭代算法进行二次配准,实现了两组散乱点云数据的精确配准。对比实验表明,该算法配准速度快,效果好。

ICP算法及其在建筑物扫描点云数据配准中的应用

ICP算法是三维激光扫描数据处理中点云数据配准的一种高水平的数学方法。本文全面地回顾了ICP算法的研究背景,并重点阐述了迭代最近点法ICP的计算过程及其主要的改进算法;通过建筑物三维激光扫描数据的采集,对基于ICP算法的点云数据配准过程进行了详细地分析。实验分析表明三维激光扫描数据配准后的点云数据质量较大程度上依赖于专业技术人员的数据处理经验和专业知识。

点云数据配准算法的研究

点云配准是点云数据处理的关键,直接影响最后合成结果和模型精度。目前,点云配准方法普遍存在对配准数据初始位姿要求高的缺点。将点云配准分为两个阶段:第一阶段是基于同名点配准,即粗配准,采用人机交互式,配准过程耗时短,节约时间;第二阶段是精配准,在粗配准后,依据最小二乘原理,用间接平差思想,通过最近点迭代算法对点云数据快速配准,并采用目标点集中、目标点坐标与转入目标点集中的点坐标中误差为指标,评价配准精度。进行粗配准的精配准不仅速度快、耗时短,并且可以避免因局部收敛而带来的局部最小问题。试验表明该方法有效可行。

基于布谷鸟优化的三维点云配准算法

针对ICP算法在点云配准时存在对初始位置敏感、易陷入局部最优的缺陷,提出一种基于布谷鸟优化算法的点云配准方法。对输入点云的均匀采样,并基于领域半径约束的固有形状特征点(Intrinsic Shape Signature,ISS)提取进一步简化点云。通过布谷鸟算法莱维飞行全局搜索更新策略完成对点云较好的初始配准,得到空间变换矩阵参数。利用k-D树(k-Dimension tree)近邻搜索方法加快对应点的搜索速度,以提高点云ICP精细配准的效率。通过对不同初始位置的点云库模型进行配准实验,结果表明该算法能有效克服ICP算法的缺陷,其全局搜索性能与寻优精度更具优势,抗噪性好,配准精度高,鲁棒性强。