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%。

利用曲率过滤特征点改进FPFH+ICP点云配准

针对传统的点特征直方图(FPFH)+迭代最近点(ICP),在粗配准阶段耗时过大的问题,本文提出一种利用局部曲率来筛选掉部分局部区域较为平坦的特征点,来减少使用采样一致性初始配准(SAC-IA)方法时需要计算的特征点。首先使用体素网格化对原始的点云进行下采样,在对下采样后的点云计算出法线之后,利用法线计算出点云的局部曲率,对经过曲率过滤之后的点计算FPFH特征,随后经过SAC-IA粗配准和KD-tree加速ICP精配准得到最终的变换矩阵,完成整个配准过程。经过实验表明,该方法能够在保证最终配准效果几乎不变的情况下,大大缩短配准所耗时间。

基于密度优化FPFH的点云自动配准算法

为更快速、精确地配准点云,提出一种基于密度优化的快速点特征直方图(FPFH)配准算法。该算法通过点云中每一点的法线,建立局部坐标系,后通过平移方式得到每一点对及其加权邻域的法向偏角信息,由此构造33个区间的快速点特征直方图;同时为了解决FPFH缺少邻域间互联信息的缺点,引入点云密度及其加权邻域密度特征描述符,并将其划分为11个区间,进而构造44个区间的快速点特征直方图。随后以经典斯坦福兔子模型为试验对象,将所提算法与传统FPFH算法对比,试验结果表明所提算法可保证在时间复杂度不变的情况下,配准误差降低6.7%。

基于改进FPFH的栅极件点云匹配方法

针对栅极件点云的匹配问题,提出一种改进的快速点特征直方图(Fast Point Feature Histogram,FPFH)描述子.在FPFH基础上增加邻域密度作为点特征的描述,并在使用k维树(k-dimensional tree,k-d tree)算法搜索对应点时将巴氏距离作为指标.仿真过程中,将该方法与传统FPFH的匹配效果进行比较.搭建试验装置采集栅极件表面点云数据,并利用改进的FPFH算法和经典的迭代最近点算法(Iterative Closest Point,ICP)进行匹配.试验结果表明,匹配后的点云尺寸精度在1μm级别,栅孔误差范围在±(20~40)μm内,理论上满足了栅极件测量精度要求.

基于FPFH特征的三维场景重建

文章在阐述不同视角下在对一对三维点云数据集两两配准的基础之上,针对ICP精确匹配算法须使初始点云收敛否则无法获取准确匹配结果的问题,提出了基于FPFH特征描述子的特征点云粗匹配;调整两片点云的初始位置,为ICP算法提供了良好的初始位置进一步提高点云的匹配精度;并且在此基础上通过大量实验得到点云对应点对之间的最大距离与拟合系数的函数关系,得到粗匹配最优值,进而得到最佳配准效果。实验证明通过粗匹配最高能将匹配拟合系数提高60.3%。

点云FPFH特征提取优化配准算法

三维点云配准在机器人环境感知与建模、逆向工程等领域有着广泛的应用前景。针对获得的不同视角下点云数据的配准问题,设计一种FPFH特征提取优化配准方法。在提取关键点的基础上优化了FPFH特征描述子计算过程中法向量计算,根据测量点及其邻域点估算每个关键点和它邻域点的曲面法矢,使用SAC-IA算法获得点云初始坐标变换矩阵,最后使用ICP算法精确配准。设计了三种配准方案,实验结果表明,只计算关键点及其周围一定范围内点法向量配准方法具有配准速度快、精度高的特点。

基于FPFH特征的点云配准技术

点云配准是三维物体或场景模型重建的关键技术。针对传统的ICP算法的收敛速度较慢,且在两点云集初始位置较大时易陷入局部最优解的问题,该文提出了一种改进的点云配准算法。该算法首先计算点云的FPFH特征描述子,然后对点云的特征进行匹配,实现两片点云的初始变换,使两点云集有相对较好的初始位姿。在经典ICP基础上使用k-d tree（k-Dimension tree）近邻搜索加速对应点对的查找,并利用方向向量阈值去除错误点对,实验证明该算法具有相对较好的配准精度和收敛速度,提高了配准的效率。

基于FPFH特征的ICP点云配准的改进算法

针对ICP配准技术速度慢、对初始位置敏感的问题,提出一种基于FPFH特征的ICP点云配准改进算法。在提取点云的FPFH作为点云特征描述、使用SAC-IA作为初始配准的基础上,利用均匀降采样对输入点云进行数据精简,在寻找最近点过程中应用Kdtree数据结构加快寻找速度,应用线性最小二乘法优化ICP配准,最终得到从源点云到目标点云的变换矩阵。实验结果表明,改进的ICP算法可以在提高配准精度的同时加快配准速度。

基于FPFH的点云特征点提取算法

提出一种基于快速点特征直方图(FPFH)的点云特征点提取方法。将FPFH引入到点云模型特征点提取技术中,建立FPFH各子区间均值参数,并将之与点的FPFH各区间的值进行对比,提取初始特征点;利用基于特征点邻近点夹角的方法对脊谷特征点进行优化;采用基于投影点夹角的方法对点云轮廓特征进行增强。实验结果表明,该方法能够有效提取出点云特征点,并能较好地表达模型的细节特征和整体轮廓特征。

自适应邻域选择的FPFH特征提取算法

在使用点云FPFH(Fast Point Feature Histograms)特征进行三维物体识别或配准时,人为主观调整邻域半径计算FPFH特征描述符具有随意性、低效性,整个过程不能自动化完成。针对该问题,提出了自适应邻域选择的FPFH特征提取算法。首先,对多对点云估算点云密度;然后,计算多个邻域半径以提取FPFH特征用于SAC-IA配准,统计配准性能最优时的半径与点云密度值,使用三次样条插值拟合法求出函数表达式,形成自适应邻域选择的FPFH特征提取算法。实验结果表明,该算法根据点云密度自适应选择合适的邻域半径,提升了FPFH特征匹配的性能,同时加快了运算速度,具有指导价值。

改进的基于FPFH特征配准点云的方法

ICP(Iterative Closest Point)算法是点云配准中最常用的算法,而点云的FPFH(Fast Point Feature Histograms)特征可在点云配准中为其提供初始匹配信息。针对该方法的初始匹配中距离测度等问题,提出一种改进的基于FPFH特征配准点云的方法。点云配准时首先计算2个点云的点的FPFH特征之间的巴氏距离,以k-d树检索巴氏距离最小的对应点,然后利用奇异值分解计算初始转换矩阵,进行ICP算法精细匹配,求得最终变换矩阵。实验结果表明,改进的基于FPFH特征配准点云的方法能为ICP算法提供良好的初始变换矩阵,在同等迭代次数下该方法具有更高的精度。

基于FPFH和法向量的改进点云配准算法

针对飞行时间法(TOF)获取点云的相关特点,提出一种适用于TOF点云的改进配准算法,首先使用FPFH特征对点云进行粗配准;在精配准阶段,通过法向量夹角特征采样的方法来减少点云的点数,同时又保留点云的关键信息点,并引入KD树和RANSAC方法来改进ICP的配准效率。实验结果表明,该算法具有良好的配准效率和精度,同时具有较大的适用范围。

基于FPFH特征的三维点云配准方法研究

随着三维激光扫描技术的发展,利用点云数据的三维重建技术在逆向工程、虚拟现实等领域有着广泛应用。在实际扫描测量中,由于环境条件不好或者目标物体被遮挡,为了获得被测物体完整的表面信息,通常需要在多视角下采集数据,点云配准将不同视角下的点云坐标变换到统一的坐标系,便于后续应用。目前点云配准有很多算法,本文主要研究基于FPFH特征描述子对点云进行粗配准,然后使用ICP算法配准,实现三维点云的精确配准。实验结果表明,本文使用的配准方法具有可行性与有效性,为点云配准提供了一种借鉴方法。

基于FPFH的权重局部最优投影点云精简算法

针对现有点云简化算法存在易丢失关键特征和复杂潜在曲面信息的问题,提出一种基于FPFH的权重局部最优投影(WLOP)点云精简算法。首先,采用快速点特征直方图(FPFH)查找并提取原始模型中的特征点;然后,通过WLOP算法精简原始稠密点云,生成去噪、无离群点且均匀分布的点云;最后,利用点云融合方法将特征点与简化模型融合并去除冗余点。将本文算法与最小包围盒法、最远点采样法、权重局部最优投影算法进行对比实验。实验结果表明本文算法在简化率为30%时,点云分布均匀性和特征保留方面均优于其他算法。此外,可视化分析结果表明,本文算法既能够保证精简模型的完整性,又能较好地保留原始点云关键特征。信息熵分析结果表明,精简后的点云包含信息丰富,特征表达准确。该算法可为点云重建提供重要应用价值。

点云配准FPFH特征子异构并行优化研究

三维点云配准在逆向工程中应用广泛,能为古建筑保护实现三维建模提供精确的数据依据。针对大规模多视角古建筑点云数据进行配准,研究了FPFH特征提取的串行算法,设计了三类并行方案,分别为利用基于CPU的并行编程标准OpenMP进行并行优化加速、利用基于GPU的并行计算架构CUDA进行并行优化加速,以及利用CPU/GPU的异构并行,结合OpenMP和CUDA的特点应用于特征子求取。实验结果表明,第三种方案能合理设计并优化特征子求取,获得较为理想的加速比。

基于弧长密度的自动邻域半径鉴别FPFH提取算法

在快速点特征直方图(FPFH)的特征计算过程中,需要人工多次选择邻域半径,计算过程复杂且效率较低。针对该问题,提出基于弧长密度的自动邻域半径鉴别FPFH特征提取算法。给出点云弧长密度的计算方法,依据弧长密度估算多对点云的邻域半径,以提取FPFH特征并完成采样一致性初始配准,确定配准性能最优的半径与弧长密度值。在此基础上,使用最小二乘法拟合邻域半径与弧长密度之间的函数表达式,并与FPFH特征提取算法结合得到自动邻域半径鉴别FPFH特征提取算法。实验结果表明,该算法可根据点云弧长密度自动鉴别出合适的邻域半径,运算速度较快。

利用MPI实现点云SAC-IA并行配准

采样一致性初始配准算法(SAC-IA)是点云的一种粗配准算法。针对大规模点云SAC-IA配准效率低、实时性差等问题,本文提出利用消息传递接口MPI实现点云SAC-IA多进程并行配准,主要包括法向量并行估计、SPFH特征及FPFH特征并行计算和SAC-IA并行配准。实验结果表明,MPI多进程并行算法可显著提高点云SAC-IA配准速度。

一种基于退火机理的高精度自动点云配准算法

高精度器件装配是制造业的重要需求,采用数字化手段辅助配准可以更清楚发现模型的配合关系。针对点云配准处理过程中配准精度低且耗时长等问题,本文提出一种基于退火机理结合特征面与特征参数的高精度自动点云配准算法。首先根据曲率值的大小排序并选最小的点作为种子点,从最平坦的区域依据区域生长准则进行特征提取,针对分割出的特征面使用快速点特征直方图(Fast Point Feature Histograms,FPFH)描述并寻找点对关系。随机采样一致性算法排除错误点对,奇异值分解法求取变化矩阵完成粗配准,最后引入退火机理的思想改变特征参数,通过迭代找到全局最优解完成点云配准。通过对3D Match点云数据中的圆柱体进行点云配准,与传统的迭代最近点(Iterative Closest Point,ICP)云配准方法、四点全等集合算法+ICP、随机采样一致性初始配准算法+ICP方法比较,本算法提供了较为理想的初始位置,有效提高了配准的精度与速度,可对高精度配准提供重要支撑。

一种基于地面特征与树木位置关系的无人机和地基LiDAR点云配准方法

【目的】无人机激光雷达与地基激光雷达的工作方式不同,导致无人机点云缺乏林内信息,地基点云缺乏林冠信息,单一平台的LiDAR点云难以完整描述森林三维垂直结构,将这两者点云融合有利于消除各自的扫描盲区,估测更为准确的森林结构参数。基于此,提出了一种基于地面特征与树木位置关系的无标识自动化配准方法。【方法】选取哈尔滨城市林业示范基地内的蒙古栎和樟子松作为研究对象,采用大疆禅思L1激光雷达设备与FARO Focus3D X330三维激光扫描仪分别获取样地内的无人机和地基LiDAR点云。首先,利用改进的渐进式加密三角网滤波算法分别从无人机点云和地基点云中提取地面点云,基于两者相似的快速点特征直方图(FPFH)特征,使用随机采样一致性算法得到初始配准参数,完成初始配准。然后,从初始配准后的无人机点云和地基点云中提取相同高度处的树干点云的水平投影位置作为配准基元,分别构建不规则三角网,并基于三角形的角度相似性原理寻找同名三角形对。最后,使用奇异值分解法得到旋转平移参数,从而完成精细配准。【结果】蒙古栎样地内对应树木水平偏移距离的平均值为0.173 m,樟子松样地内对应树木水平偏移距离的平均值为0.283 m,2个样地的树木点云均取得了较高的配准精度。【结论】提出的点云配准方法有效实现了林区无人机点云数据和地基点云数据的配准,二者的融合可为快速完整地获取林木构型信息提供数据基础,从而推动多源激光雷达技术联合应用于林木三维重建和森林资源精细调查等方面。

基于三角形相似性的点云配准算法

针对点云配准过程易产生错误匹配对、点云配准精度低等问题,提出了一种基于三角形相似性的点云配准方法。三对正确的匹配点对在几何空间上形成的三角形一定满足相似三角形的一些性质,例如三角形三边成固定比例、三角形顶点的法线和平面法线的夹角固定。因此,可以利用这些性质有效地减少点云配准过程中错误匹配点对其影响。该方法首先计算点云中每个点的快速点特征直方图(FPFH)描述符,使用三角形相似性的方法进行特征匹配,通过奇异值(SVD)分解得到一个变换矩阵。实验结果表明,该方法与基于正态分布变换(NDT)算法与最近邻迭代(ICP)算法结合的点云配准算法相比,配准效率提升了15.3%,配准精度提升了18.2%。