基于FPFH-PointNet的术中膝关节软骨表面点云自动提取

目的机器人辅助膝关节置换术导航系统采用激光扫描仪获取术中软骨点云,并与术前模型配准,实现自动非接触空间注册。术中患者膝关节病变点云包含大量的肌肉、肌腱、韧带及手术器械等无关背景点云。手动去除无关点云会因人机交互而占据手术时间,因此,本研究提出一种新颖的膝关节软骨表面点云自动提取方法,以便快速精准实施术中注册。方法PointNet因缺乏软骨表面和几何局部信息的充分描述,不能高精度地提取软骨点云。本研究提出了一种结合快速点特征直方图FPFH-PointNet方法,该方法有效地描述了软骨点云表观,实现了软骨表面点云的自动高效分割。结果本研究以从不同角度扫描10例尸体膝关节标本和1例人腿模型的股骨远端软骨点云为数据集。PointNet和FPFH-PointNet分割软骨点云的准确率分别为0.94±0.003和0.98±0,平均交并比(mIOU)分别为0.83±0.015和0.93±0.005。FPFH-PointNet相比于PointNet,准确率和mIOU分别提高了4%和10%,而耗时仅约为1.37 s。结论FPFH-PointNet能够精准地自动提取术中膝关节软骨点云,满足了术中导航的性能需求。

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与改进迭代最近点(iterative closestpoint,ICP)精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理;采用FPFH提取点云特征,基于采样一致性(sample consensus initial alignment,SAC-IA)进行初始配准,为精确配准提供良好的位姿信息;建立K-D树并在传统ICP配准算法的基础上添加法向量阈值,对车载激光雷达点云数据进行精确配准;在4种不同场景的实验中,改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%,比点特征直方图(point feature histograms,PFH)配准的均方根误差和配准用时分别平均减少了30.28%和18.95%,表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。

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.

基于点云配准的航空发动机数字孪生模型构建

点云配准是实物和场景数字孪生模型构建的关键技术。为了适应航空工业高效、精确的虚实结合工业模式,提出了基于快速点特征直方图FPFH(Fast Point Feature Histogram)特征识别配准算法的数字孪生模型构建方法。该方法在保障精确性的前提下,通过数字化检测、信息采集、数据处理与融合,构建物理与虚拟高效互通的数字孪生模型。最后,以燃气涡轮式航空发动机中尾喷管风扇类零件为实例,验证该方法应用于该类发动机零件用于构建数字孪生模型的可行性,并最终将该方法作用于整个涡扇发动机。

基于SIFT特征点提取的ICP配准算法

为解决传统迭代最近点(ICP)算法对点云配准的起始点对选择不佳而导致配准时间长、效率低的问题,提出一种基于尺度不变特征变换(SIFT)特征点提取的ICP点云配准算法(ST-ICP)。首先使用SIFT算法进行原始点云与目标点云的SIFT特征点提取,根据提取特征点完成快速点特征直方图(FPFH)特征运算,通过采样一致性初始配准算法(SAC-IA)搜索对应点对、求解变换矩阵,再进一步运用ICP算法进行点云精细配准。实验结果表明:与ICP算法相比较,ST-ICP算法的配准误差在迭代次数为5次时减小了1.019 cm,迭代次数为10次时减小了0.443 cm;在配准误差达到10^(-2) cm级别时,ST-ICP算法所用时间比传统ICP算法减少了12.829 s。ST-ICP算法优化了对应点对的选择,提升了配准精度和配准效率。

基于3D-Harris与FPFH改进的3D-NDT配准算法

针对传统点云配准三维正态分布变换(3D-NDT)、迭代最近点(ICP)算法在未给定初始配准估计的情况下配准效果不佳、配准时间长、误差较大的缺陷,提出了精准且相对高效的点云匹配算法。首先,运用3D-Harris算法识别每一幅点云的关键点,并以此为基本点建立局部参考框架,计算快速点特征直方图(FPFH)描述子;之后,使用最小中值法(LMeds)中的对应估计算法排除不准确的点对应关系,得到含有对应三维特征关系的特征点对。计算粗配准所需的变换矩阵,完成初步匹配。随后,根据3D-NDT算法将点云数据空间体素化,运用概率分布函数完成最终的点云进行精确地匹配。使用改进配准将3组分别从网络下载的较少噪声、大规模与Kinect V2.0采集的较多噪声、大规模的2组重叠度不同的点云数据匹配到同一个空间参考框架中,并通过精度分析对比经典3D-NDT,ICP等算法。实验结果证明,该算法在迭代次数较低时,可使室内场景点云数据完成精度较高的配准且受噪声影响较小,但如何将算法的复杂度适当降低,缩短配准时间需要更进一步的研究。

基于自适应局部邻域条件下的点云匹配

为了应对传统迭代最近点(ICP)算法在处理复杂点云空间特征时,面临噪声干扰和数据缺失等问题导致收敛速度缓慢、配准精度不高以及鲁棒性较差等问题,本文提出了一种基于自适应局部邻域条件下的点云匹配算法。首先,采用体素网格滤波对数据进行预处理,根据不同半径邻域内邻近点的分布情况,定义邻域表面的弯曲程度,在此基础上,充分考虑到法向量分布和邻域曲率特征,从而得到更精确的特征点提取;其次,通过运用最小二乘曲面拟合方法,进一步提取出邻域曲率变化最为显著的特征点,采用快速点特征直方图(FPFH)对特征点进行描述,并通过设定距离阈值的采样一致性算法来匹配相似的特征点对,计算出关键的坐标转换参数,完成初始配准。最后,利用线性最小二乘优化点到面的ICP算法,以实现更精确的配准结果。通过一系列实验对比发现相较于现有的几种配准算法(ICP,SAC-IA+ICP,K4PCS+ICP),在存在噪声干扰和数据缺失的情况下,所提方法的配准准确度平均提高45%,配准速度平均提高38%,充分验证了该方法在应对大数据量、低重叠率点云配准方面具备出色的稳健性能。

基于FPFH特征和模糊聚类的自适应点云压缩

针对三维激光扫描技术获取的点云数据存在大量冗余问题,文中提出了一种基于快速点特征直方图和模糊C均值聚类(FPFH-FCM)的点云压缩算法。利用FPFH特征在点云模型不同几何位置的分布差异,基于FCM算法自适应地将点云集合分为特征点集和非特征点集。并建立压缩准则:对非特征点集进行较大比例的压缩,去除冗余点;对特征点集进行较小比例的压缩,尽量保留更多的特征点,以实现点云压缩。在对比试验中,分别使用提出的基于FPFH特征的点云压缩算法与基于曲率特征的点云压缩算法,对人体点云数据进行压缩,对比压缩后点云的曲面重建效果,同时使用原始点云与压缩后点云之间的Hausdorff距离作为压缩误差评价指标,结果证明,该压缩算法能够更好地保留重建模型的细节特征,具有更高的压缩精度。

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。

基于FPFH特征提取的散乱点云精简算法

针对原始点云模型中存在大量冗余数据问题,提出一种基于快速点特征直方图(FPFH)特征提取的点云精简算法,有效兼顾了特征信息保留和整体完整性。算法首先查找并保留原始模型的边缘点;然后计算非边缘点的FPFH值,由此得到点云的特征值,并进行排序且划分出特征区域和非特征区域,保留特征区域内的点;最后将非特征区域划分为k个子区间,对每个子区间用改进的最远点采样算法进行采样。将该算法与最远点采样算法、非均匀网格法、k-means算法和自适应曲率熵算法进行对比实验,并用标准化信息熵评价方法对精简后的点云进行评价,实验表明其优于其他精简算法。此外,可视化结果也表明,该算法能够在保证精简模型完整性的同时,较好地保留住点云大部分特征信息。

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。

基于特征变换结合KD树改进ICP的快速点云配准方法

点云配准是三维重建的关键技术。针对迭代最近点(ICP)算法存在收敛速度慢、配准效率低、配准时间长等难题,提出了一种基于特征变换结合KD树改进ICP的快速点云配准方法。首先利用体素网格法进行初步降采样,在其差分高斯模型上获取三维尺度不变特征变换(SIFT)关键点;其次建立快速点特征直方图(FPFH);然后使用采样一致性初始配准(SAC-IA)算法,实现粗配准;最后根据得到的初始变换矩阵使用KD树改进的ICP算法,实现精配准。在斯坦福大学公开数据集上进行配准实验,结果表明,与ICP算法相比,所提改进算法具有较高的配准精确度和时间效率,且可为精确配准选择较优的初始位姿。文中在一定程度上避免了点云配准时存在的局部最优现象,为后续目标识别匹配和三维重建提供了一种高效的方法。

基于关键点精确配对的点云曲面匹配方法

针对基于特征的点云曲面匹配方法在关键点匹配时匹配效率低和精度不够的问题,提出了一种基于关键点精确配对的点云曲面匹配方法。通过采用基于曲率信息的改进3D-SIFT(3D scaleinvariant feature transform)算法,提取点云数据的关键点;将关键点处的FPFH(fast point feature histograms)特征描述以及模型中心点到关键点的向量与模型主趋势的夹角作为约束条件,获取精确的关键点匹配点对集合;求解刚体变换参数实现模型曲面的初始匹配;使用ICP(iterative closest point)算法进行二次优化,实现模型曲面的精确匹配。实验表明:该方法既能解决关键点匹配精度问题,又能很好地解决匹配效率的问题。

融合形状与纹理的点云局部特征描述算法

针对现有点云局部描述符缺乏色彩纹理信息导致特征描述能力不足,以及耗时过长的问题,提出一种基于FPFH(快速点特征直方图)的多特征融合描述符。利用FPFH算法提取形状特征;为特征邻域内点云建立拓扑结构,利用点对间HSV色彩通道比值提取纹理特征;通过特征融合构造描述符,基于最近邻比值的策略进行特征匹配来评估性能。实验结果表明,该算法相较其它描述符有效减少了计算量,可以提高彩色点云特征匹配的效率和精度。

基于自适应颜色快速点特征直方图的托盘识别方法

托盘识别是无人驾驶工业车辆进行货物搬运的关键技术之一.针对现有托盘识别方法低效耗时、鲁棒性差、参数选择随意的缺点,提出了一种基于自适应颜色快速点特征直方图的托盘识别方法.该方法使用Kinect V2传感器采集包含托盘的场景点云数据,点云经离群点剔除后,基于邻域特征熵函数最小准则获取每个点的最优邻域半径.提取点云关键点,计算关键点的颜色特征和自适应邻域快速点特征直方图,融合成自适应颜色快速点特征直方图,进行特征匹配与误匹配点对剔除,从而实现托盘识别.与固定邻域半径为0.012 m的快速点特征直方图对比,实验结果表明:基于自适应颜色快速点特征直方图的托盘识别精度提高了83.74%,特征提取用时减少了35.55%,验证了方法的优越性.

一种基于SAC-NDT和ICP的高精度点云配准方法

传统的正态分布变换算法精度低,而精度较高的迭代最近点算法极易陷入局部最优解。为了解决以上问题,将采样一致性算法与NDT算法结合作为点云初始配准方法,再利用KD-tree加速的ICP精配准方法完成点云匹配。实验结果表明,本文所提出的方法大大提高了配准精度。

基于改进FPFH特征提取的点云模板匹配方法

利用传统的配准算法在对源点云和场景目标点云进行点云配准时,由于环境光照和设备精度的影响,使得捕获的场景点云往往存在大量噪声,并且场景数据捕获不全,导致配准精度低、迭代速度慢,容易产生局部最优解等问题。针对该情况,提出一种基于改进快速点特征直方图(FPFH)特征提取的点云模板匹配方法。该方法利用移动最小二乘法(MLS)平滑波动数据、修补点云孔洞的特点,从而提高FPFH描述子的特征权重,优化源点云和目标点云的对应关系。最后利用对应关系进行采样一致性初始配准(SAC-IA)和迭代最近点(ICP)配准得到最终的变换矩阵。通过对比实验验证了该方法相比传统的配准算法在场景点云中对目标点云进行模板匹配时迭代次数降低了35%,配准精度提高了82%,具有配准精度高、鲁棒性强、可靠性高的特点。

采用显著性分析与改进边缘方向直方图特征的红外与可见光图像配准

为了实现红外图像与可见光图像的信息融合,弥补单一模态图像的不足,提出了一种基于显著性分析与改进的边缘方向直方图EOH(Edge Orientation Histogram)特征的红外与可见光图像配准算法。该算法首先利用显著性分析技术找到可见光图像中的重要信息,得到显著性图;将其与可见光图像融合,实现可见光图像中重要信息的划分。然后,利用自适应FAST(Features from Accelerated Segment Test)算法,探测可见光与红外图像上的特征点;利用改进的EOH,描述特征点。最后,根据描述计算特征点的相似性,在可见光与红外图像上找出对应的特征点,实现红外与可见光图像的匹配。在3种不同情况下对红外与可见光图像数据进行了配准实验。结果表明:在红外图像与可见光图像采集条件相似情况下,特征点正确匹配率为96.55%,而在图像采集条件差异较大的情况下,特征点正确匹配率可达74.21%。该算法可实现红外与可见光图像的精确快速匹配,即使红外图像与可见光图像采集的角度与位置均存在较大差异的情况下,仍可以满足红外与可见光图像匹配对精度和稳定性的要求。

自适应局部邻域特征点提取和匹配的点云配准

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题,提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系,自适应地提取特征点;其次利用快速点特征直方图(FPFH)综合描述每个特征点的局部信息,结合随机抽样一致性(RANSAC)算法实现粗配准;最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验,实验结果表明:所提出的特征点提取算法能高效地提取点云的特征;相比于其他特征点检测方法,所提方法在粗配准中的配准精度和配准速度更高,且抗噪性能更好;与ICP算法相比,基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍,在含噪声的点云中,能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。

基于调整轮廓线权重的文物碎块自动拼接方法

由于自然或人为因素,文物经常以破损的碎块形式呈现,将诸多不规则碎块准确拼接使文物复原是一项耗时费力的工作。为此,该文提出一种基于断裂面信息的文物碎块自动拼接方法,该方法包含匹配和配准两个阶段。第一阶段,根据断裂面轮廓线分割出断裂面,基于快速点特征直方图搜索匹配点对,并调整轮廓线上点的权重,得到匹配关系。第二阶段,提出一种由粗到细的配准策略,采用基于主成分分析(PCA)的粗配准方法获得初始位置估计,然后应用深度最近点神经网络(DCP)做进一步调整。实验结果表明:该文配准方法的配准成功率较其子方法分别提升了2.22%和18.06%,平均绝对误差仅为0.9202 mm,能够应对轮廓线破损情况,完成断裂面较为完整的文物碎块拼接。