点邻域信息加权的点云快速拼接算法

针对传统四点鲁棒快速拼接算法在数据量较大时计算速度不够理想的问题,提出一种基于点邻域信息加权的点云快速拼接算法.首先对传统法向量估算算法进行改进,提出加权主成分分析算法计算点的法向量;然后利用点到邻域内其他点的重心的距离进行特征点提取;再用一种基于加权曲率计算的邻域特征描述来筛选对应点对,并运用双重约束对得到的对应点对进行筛选提取有效点对;最后代入四点法作为初始数据进行拼接.实验结果表明,文中提出的法向量和曲率加权计算、特征点提取、对应关系筛选方法稳定可靠;该算法比传统四点拼接算法精度更稳定,整体拼接速度得到了很大提升.

基于特征点匹配的改进模板匹配算法

特征点匹配是图像匹配领域中一项重要研究内容。暴力匹配中强调缺少特征匹配不是由于太少的正确匹配,而在于很难分辨真假,故加入模板匹配进行约束,提出一种改进模板匹配算法。为了提升匹配速度和精度,该算法通过提供特征点的坐标,可以计算出每个特征点的得分值,并将其用于从输入图像中提取模板。基于输入图像和另一幅图像之间的模板匹配,使用暴力匹配算法在模板和匹配区域之间进行特征点匹配。该算法可以将高匹配数转换为高匹配质量。实验结果表明,该算法匹配速度较快、准确度较好。

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB(ORiented Brief,方向描述符)算法缺少尺度不变性的特点,将SURF(Speeded-Up Robust Features,快速鲁棒特征)算法与ORB相结合,提出了基于算法组合的改进算法SUORB(Speeded-Up ORiented Brief,快速方向描述符)。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。

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%。

结合尺度不变特征的Super 4PCS点云配准方法

点云配准是三维模型重建中的关键步骤。针对传统初配准方法效率低等问题,提出一种结合点云特征的超四点快速鲁棒匹配算法(super four point fast robust matching algorithm,Super4PCS)。首先对点云数据进行尺度不变特征提取,凸显点云的局部特征;然后把提取的特征点作为Super4PCS算法的初始值,以便实现源点云与目标点云的初配准;最后在初配准的基础上利用最近点迭代(ICP)算法进行精确配准。通过斯坦福兔子点云及实测点云数据对比分析,表明该算法具有更好的配准性能。

一种低重叠率激光点云的配准方法

针对点云数据采集过程中因扫描仪设站数少导致相邻的两片激光点云重叠率低,且难以高精度进行配准的问题,该文提出了一种基于重叠区域的点云配准方法。首先利用加入距离权重的法线夹角及曲率特征将点云分割成块,构建每一点云块的多维特征描述符,通过比较各点云块间的方差分布相似性提取相邻点云的重叠区域,然后将重叠区域的点云带入超四点快速鲁棒匹配(Super4PCS)算法中进行配准,根据一致性约束将最优的刚性变换矩阵应用于原始数据,得到最终的点云配准模型,最后与直接利用Super4PCS算法配准后的效果进行对比分析。实验结果表明,通过增加点云间重叠区域的提取,可以有效提高对低重叠率激光点云的配准精度,从而更有利于点云三维模型构建等后续数据处理。