基于局部坐标系法线投射的点云精细配准算法

点云配准是逆向工程中用于拼接点云模型的方法,可分为初始配准和精细配准两个步骤。假设在已经实现初始配准的情况下,提出基于局部坐标系法线投射的点云精细配准算法。通过对点云采样得到的采样点建立局部坐标系,然后将采样点的相邻点集投影到该坐标系下,就可以得到代表模型的每个局部曲面的控制点集,再用法线投射算法求解出关联点对集并计算两个点云之间的变换参数(旋转角度和位移量)。局部坐标系法线投射算法获取到的关联点对有效性高,能明显减少迭代次数,提高配准效率。

基于法向量和高斯曲率的点云配准算法

迭代最近点算法(Iterative closest point,ICP)因配准精度高、适应性强而被广泛使用,但是它容易受高斯噪声和离群点的影响,导致运行速度缓慢、配准精度降低,且需要两片点云具有良好的初始位置,否则会出现局部最优问题.针对以上问题,本文提出了一种新的点云配准方法,利用法向量和高斯曲率进行粗配准,去除无关点同时提供较好的初始位置,再采用基于奇异值分解的ICP算法进行精细配准,并采用斯坦福大学的点云数据集进行了配准实验,结果表明,本文算法能够有效降低高斯噪声和离群点对配准效果的干扰,改善了点云配准的运行效率和配准精度,与传统ICP算法相比,平均配准时间减少了53.5%,配准精度提高了43.2%.

基于ISS特征点结合改进ICP的点云配准算法

针对点云配准时间长、收敛缓慢、对应点匹配易错等缺点,提出一种基于内部形态描述子(ISS)特征点结合改进迭代最近点(ICP)的点云配准算法。首先采用ISS算法进行点云特征提取,并以快速点特征直方图进行特征描述,然后通过采样一致性算法完成点云的初始配准,使两片不同角度点云获得一个相对较好的初始位姿,最后通过k维树近邻搜索法加速对应点对的查找,以提高点云ICP精细配准效率。实验结果表明,与传统配准算法相比,该算法配准精度高,而且执行速度快。

改进的迭代最近点点云配准方法

针对传统的迭代最近点(ICP)点云配准算法存在收敛缓慢、配准时间长、重叠率过低导致的匹配错误等问题,提出了一种以分块提取特征点为核心、块状配准点云重叠率为约束的改进ICP配准算法。首先,计算点云的平均距离密度,在设定的数量阈值内对点云进行分块,并从分块后的点云中并行提取尺度不变特征变换(SIFT)特征点,采用快速点特征直方图(FPFH)进行特征描述;然后,利用采样一致性初始配准(SAC-IA)算法实现点云的匹配,同时以块间匹配率50%作为依据,提取点云的重叠区域;最后,基于匹配的特征点计算初始姿态,在此基础上利用重叠部分实现两块点云的精确配准。实验结果表明,重叠率较低的点云经分块及重叠区域提取后,可以大幅缩短运行时间,提高配准精度。