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%。

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。

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。

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。

基于IMU点云特征跟踪一致性的ICP配准技术

针对点云非重叠区域较大时,由于场景中存在相似区域和平滑区域,ICP配准易陷入局部极小值的问题,设计了一种初始配准与精配准结合的快速准确配准算法。首先,结合点云深度图像进行网格分区,基于蒙特卡罗方法随机选取20个NARF关键点,利用IMU惯导跟踪关键点的FPFH特征,并根据跟踪矢量的一致性剔除误匹配,快速计算初始配准矩阵;然后,利用所有关键点进行最近邻跟踪匹配,并根据跟踪矢量的一致性剔除误匹配,提高了ICP配准的估计精度。通过Bunny兔和NYUv2数据集将该算法与ICP算法进行对比,验证了该算法能够有效地提高点云配准效率和精度。

基于特征显著性的点云自适应精简

为解决目前点云精简算法适应性差的问题,提出一种基于特征显著性的自适应精简算法。通过对点云FPFH(fast point feature histograms)特征聚类生成特征单词;在考虑单词间差异的基础上,融合单词内部的特征分散程度,形成显著性词典,由词典软编码单点特征,得到点云特征显著性;在均匀网格基础上,若网格内的特征显著性越强,则配置越高的采样率,由此实现点云的自适应精简。实验结果表明,所提算法能够区分出点云中的特征明显区域,在精简不同尺寸、形状点云时具有适应性。

基于SIFT特征点结合ICP的点云配准方法

在点云配准过程中,针对迭代最近点(ICP)算法对点云初始位置依赖性强且迭代速度慢的问题,提出一种基于尺度不变特征变换(SIFT)特征点结合ICP的点云配准方法。首先利用SIFT算法提取待配准点云和目标点云的特征点;接着计算出特征点的快速点特征直方图(FPFH)特征;然后依据该特征使用采样一致性初始配准(SAC-IA)算法求出初始变换矩阵,从而完成初始配准;最后在初始配准的基础上利用ICP算法对两片点云进行精配准。实验表明,与ICP算法相比,该方法具有较好的配准精度,同时效率也有明显的提升。

利用特征点采样一致性改进ICP算法点云配准方法

针对传统迭代最近点算法(ICP)对点云初始位置要求高、收敛速度慢和易陷入局部最优的问题,本文提出了一种基于特征点采样一致性算法改进ICP算法的点云配准方法。首先使用体素网格法采样,通过法向量邻域夹角特性提取特征点并建立快速点特征直方图(FPFH)进行特征描述;然后使用采样一致性算法(SAC-IA)粗配准计算出点云的初始坐标变换,进而使点云获得较好的初始位置;最后通过K维树近邻搜索改进ICP算法,完成点云精确配准。实验结果表明,所提出的方法能够提供良好的初始位置,提高传统ICP算法点云的配准精度和收敛速度。

三维重建中点云配准算法研究

为了提高三维重建中点云配准的效率和精度,提出了一种基于由粗到精(CTF)方式的点云配准算法,当两帧点云位姿差别较大时,首先利用基于FPFH特征点的采样一致性初始配准算法(SAC-IA)进行两点云的粗配准,为精配准过程提供较好的初始位姿;然后再采用传统ICP算法的改进算法EM-ICP算法对点云位姿做refine,进行点云的精确配准;同时,在执行算法过程中通过GPU进行多线程并行加速。实验结果表明,所提配准算法与只使用单一的配准算法相比,配准精度有较大的提高;与SAC-IA+ICP算法相比,在保证配准精度的基础上,提高了配准效率。

基于四元约束的多视角建筑物Lidar点云配准方法

基于建筑物Lidar点云的特点,提出一种基于四元约束的多视角点云配准算法。建筑物Lidar点云的实验结果表明,在复杂和大场景建筑物Lidar点云的多视角配准中,该算法可以得到较好的配准精度。

基于机器视觉的汽车零部件平面度检测系统设计

针对目前国内汽车零部件平面度检测存在的检测精度不高、检测速度较慢、部分检测过程仍采用人工检测等问题,本文设计了基于机器视觉的汽车零部件平面度在线检测系统。硬件部分以激光轮廓仪为基本组成部分;软件部分基于PCL点云库,采用C++算法编写可视化软件。采取先粗配准再精配准的点云配准方式。实验结果表明,本系统测量精度可达0.01mm,测量的总时间可控制在24.5s内,因此本系统适用于需要大批量检测汽车零部件平面度的场合。

机载激光测深数据配准方法比较

机载激光测深(Airborne LiDAR Bathymetry,ALB)系统可以快速高效地获取海岛礁及其邻近区域的水上水下一体化数据,但是由于测量区域大部分位于地势变化缓慢的近岸浅水水域,点云密度低、厚度大,配准特征稀少,同名特征提取困难.针对机载激光测深数据的配准研究工作相对较少.本文以我国南海海域的机载激光测深点云为试验对象,比较基于不同几何特征的ALB点云数据配准方法,通过配准精度指标对快速点特征直方图(Fast Point Feature Histograms,FPFH)、最长公共子序列(Longest Common Subsequence,LCSS)和广义迭代最近邻点(Generalized Iterative Closest Point,GICP)三种配准方法进行评定.试验结果表明,LCSS线序列方法实现ALB点云数据配准方法的可靠性更高,能够克服对应特征匹配过程中信息单一以及噪声问题,提高特征曲线中对应点的稳健估计,增强航带数据配准的鲁棒性,是ALB数据配准的一种有效解决方案.

基于三维扫描的机车走行部螺栓识别与定位

使用激光线结构光扫描仪得到机车走行部三维点云数据,实现了在三维数据中对螺栓进行自动识别和定位。使用关键点的快速点特征直方图(FPFH)来描述点云特征,首先,将目标区域与预存螺栓模板进行特征匹配,并为目标区域的匹配点分配权重;然后,使用均匀的种子点在带权重的匹配点集中进行K-means聚类,并删除点数过少的聚类簇;最后,使用Hough变换的方法为经过筛选的聚类簇建立严格的分类器,判断出螺栓的有无和精确位置。实验证明了该方法的有效性。

基于相对几何不变性的点云粗配准算法研究

针对目前点云在大数据量下的自动配准算法计算效率低下,粗配准初值匹配稳定性差,参数难以设置等问题,提出一种基于匹配对间相对几何不变性特点的快速粗配准算法。通过点云邻域特征值筛选一定量的关键点,利用快速点特征直方图(fast point feature histogram,FPFH)描述子初步获取最邻近匹配对;通过点云特征的对称候选寻点策略及两组正确匹配对在源点云与目标点云对应边的2-范数比例不变的特性获取精确的匹配对;利用奇异值分解算法(singular value decomposition,SVD)求解配准目标函数。实验表明,算法策略合理可靠,参数设置相对简易,具有显著的效率及稳定性优势,能够为后续精配准提供稳定精确的初始参数。