基于K4PCS与ICP算法在点云配准中的应用

针对生产后端产品互换性的精度要求,采用基于关键点的4点全等集合(Keypoint-based 4-Points Congruent Sets,K4PCS)算法和迭代最近点(Iterative Closest Point,ICP)算法。提出一种K4PCS-ICP点云配准算法,由K4PCS粗配准和ICP精配准部分组成,将K4PCS算法得出的坐标状态转换矩阵作为ICP算法坐标状态初始值,再根据前后2次的迭代误差和迭代次数等条件,输出最适合的转换矩阵。实验结果说明,K4PCS-ICP算法与独立的K4PCS算法和ICP算法相比较,有效提高了坐标状态矩阵的准配性,点云配准的精度得到明显改善。

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。

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。