基于3 DHarris-FPFH特征的点云配准方法

针对传统ICP算法配准时间较长,并且当两片点云初始位姿相差较大时易陷入局部最优的问题,提出了一种基于3 DHarris关键点结合快速点特征直方图(Fast Point Feature Histo-gram,FPFH)特征改进的点云配准方法。首先对输入点云使用体素下采样进行精简,再运用3 DHarris算法对精简后的两片点云提取关键点,并由FPFH形成3 DHarris-FPFH特征点,然后使用随机采样一致性(Random Sample Consensus,RANSAC)算法进行粗配准输出初始变换矩阵,最后经由改进的迭代最近点(Iterative Closest Point,ICP)算法进行精配准。将该算法在公开数据集上进行了仿真实验,结果表明该算法在保持精度的情况下,提高了运算速度,具有一定的实用性。

基于FPFH描述子的高效点云配准与拼接方法

为提高点云拼接精度,针对物体表面平整光滑而寻找关键点要求高的问题,提出1种改进的基于快速点特征直方图(FPFH)描述子的点云配准方法。对待配准的点云进行体素降采样,以此点作为关键点,并计算FPFH描述子用以描述局部特性;估计两点云之间点到点的对应关系,并经过随机采样一致性(RANSAC)算法取内点、去外点,估计初始位姿;利用迭代最近点(ICP)方法对点云进行精配准,完成点云数据的配准;依次对相邻的点云进行配准,获得旋转平移矩阵,实现点云拼接。利用公共数据集点云与自主扫描的石头点云数据,采用本文方法与传统ICP方法进行对比仿真实验,验证本文方法的有效性。结果表明:与传统ICP配准方法相比,本文方法的适应度分数为1.579E−05,显著低于点到点和点到面ICP配准方法的适应度分数;对于公共数据集不同角度下的点云拼接,本文方法的相邻点云间配准平均适应度分数达到2.058E−04,平均MSE为0.075;对于自主扫描的石头点云拼接,去除错误匹配点对后保留的对应关系基本呈现平行效果,拼接结果符合预期。使用降采样点作为关键点,并计算FPFH描述子后进行点云配准,不仅可有效降低计算复杂度,配准精度也得到显著提升,尤其在处理表面平整光滑的物体时,本文方法可为点云拼接提供良好基础,具有较好的实用性。

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%。

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。

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。

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。

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的双向K维树最邻近距离比点云配准方法研究

为解决传统点云配准方法计算效率低、提取特征点分布稀疏和鲁棒性较弱等问题,提出了一种快速点特征直方图(FPFH)的最邻近距离比点云配准方法。先对原始点云数据进行体素降采样,对降采样过后的数据用FPFH的方法得到特征描述子,之后使用双向K维树的法向量阈值和最近邻距离比的方法进行特征提取,改变距离权重,统计更多的点对参数,剔除误配点对,加快点对搜索,使配准更加精准。引入Huber损失函数权重对刚体配准模型的目标函数进行优化,增强鲁棒性;后使用基于样本共识的方法(SAC-IA)进行初始粗配准,再用迭代最近点(ICP)点到面的方法完成精配准;为避免方法求解陷入局部极小值,采用Levenberg-Marquardt(LM)算法和奇异值分解法(SVD)交替迭代策略进行最优化。实验与ICP、SAC-IA+ICP、基于内部形状描述子(ISS)+ICP和FPFH+ICP算法相比,在无噪声情况下,所提方法在点云配准速度平均提高了31.07%、53.46%、3.09%和25.05%,比ICP和SAC-IA+ICP算法配准精度提高了一个数量级,比ISS配准精度平均提高了49.09%,在迭代次数少和精度设置较大时与FPFH+ICP方法配准精度相同,但速度比FPFH方法快。有噪声情况下,所提算法比FPFH配准算法速度上平均提高了30.53%,配准精度平均提高了15.47%,更加平滑;与ISS配准算法相比,配准精度提高了一个数量级,配准平均时间略快;ICP和SAC-IA+ICP方法配准失败,不参与比较。实验验证了所提方法可行,配准速度和精度有所提高,且鲁棒性和稳定性较好。

增强的OHTA颜色空间融合FPFH识别点云中的甜椒果实

【目的】研究三维点云中甜椒果实的精确识别,为采摘机器人进行采摘作业提供准备。【方法】提出一种增强OHTA颜色空间融合快速点特征直方图(Fast point feature histogram, FPFH)识别三维点云中甜椒果实的方法。以OHTA颜色空间为基础,通过分析甜椒植株颜色的特征,对I;和I;分量进行调整以增强果实与非果实的区分对比度;然后对所采集的点云进行几何特征的计算并利用FPFH对它进行描述;将颜色特征与FPFH进行融合得到点云描述符,并利用分类器进行判定分类,最终得到属于甜椒果实的点云。【结果】提出的方法可以将甜椒植株中的甜椒点云进行识别,且准确率较已有文献有一定提高。【结论】通过对比不同果实点云描述符的识别效果,提出的方法对甜椒果实点云的识别准确率为97.31%,精确-召回曲线下的面积的值为0.984,均优于其他点云描述符。