改进ICP算法的激光雷达点云配准

针对传统ICP算法在激光雷达目标点云配准中存在匹配时间长,以及受初值影响导致该算法应用在无人车SLAM技术中容易存在定位精度不高和稳健性较差的问题,本文提出了一种结合KD-tree算法的NDT-ICP算法。首先,通过Voxel Grid滤波对激光雷达获取的点云数据进行预处理,利用平面拟合参数的方法去除地面点云;然后,利用NDT算法进行点云粗匹配,缩短目标点云与待匹配点云距离;最后,通过KD-tree邻近搜索法提高对应点查找速度,并通过优化收敛阈值,完成ICP算法的精匹配。试验结果表明,本文提出的改进算法相比于NDT算法和ICP算法,在点云配准速度和精度上有明显提高,且在地图构建上精度和稳健性更好。

基于Point-to-Plane ICP的点云与影像数据自动配准

针对三维激光点云与二维影像数据的融合问题,采用了一种基于Point-to-Plane ICP的配准方法;该方法仅采用一块普通的平面黑白棋盘格作为标定板,能同时完成单目相机的标定与三维激光扫描仪和相机的联合标定,进而实现三维点云数据与二维影像数据的配准;与以往基于控制点或者边缘对应的配准方法不同,该方法使用RANSAC算法自动提取场景中的标定平面,通过优化点到平面的距离来求取两组数据的变换。实验结果表明,该配准方法减少了人工的干预,并获得了很高的精度。

基于KD-ICP算法的机器人拆解目标三维点云配准方法

随着中国核能产业发展,大量在役涉核装置运行过程中出现的事故和隐患需要通过涉核机器人进行远程处置,部分事故处置需对出险装置进行精确拆解,基于三维重建视觉图像定位是其关键技术之一。针对核应急事故中待拆解目标的精确重建,开展三维点云配准方法研究,在配准算法总体流程基础上设计出三维点云配准算法,利用高斯滤波进行点云数据去噪,提出一种兼顾点云信息完整性和算法效率的K维迭代最近点(K-dimensional iterative closest points,KD-ICP)算法,利用点快速特征直方图(fast point feature histograms,FPFH)和主成分分析(principal component analysis,PCA)实现特征点提取并降低点云数据量,使用全等四点集(4-points congruent sets,4PCS)进行点云粗配准,采用KD-ICP算法实现点云精配准。在所搭建的拆解机器人试验平台上,针对管、板及涉核装置模拟体等测试对象,对所提出的配准算法进行试验分析与评价,与其他3种常规算法的对比试验表明,所提出的点云算法在相同的条件下均方根误差最小,运行时间最短,具有更高的点云配准效率及较好的鲁棒性,为复杂拆解目标的三维重建及精确定位奠定了基础。

基于改进RANSAC-ICP算法的点云配准方法

针对点云配准时重叠区域小,难以提取特征,配准精度较低的问题,提出了一种结合改进的随机采样一致性(RANSAC)算法和改进的迭代最近点(ICP)算法的点云配准算法。首先,采用快速点特征直方图(FPFH)描述子对点云进行特征描述;其次通过融合几何一致性,采用改进随机采样一致性的算法,及时删除匹配过程中的误匹配点对,保持着对应点之间的优质关系,使其在低重叠率的点云以及含噪声的点云下也能找到具有对应关系的点,进行点云粗配准;最后针对点云数据量大时ICP配准耗时长的问题,采用KD-Tree搜索,将无序的点云进行有序化排列,进行点云精配准。采用激光雷达扫描的真实点云数据进行实验验证,并与主流点云配准算法进行比较分析。实验结果表明,对于较低重叠率、含噪声的点云,能够快速、精确地求得最优变换,具有较好的配准效果。

基于改进欧式距离聚类中心的ICP点云配准方法

针对传统点云配准方法易受到噪点、离群值和重叠度的影响,造成配准精度低和效率低等缺点,提出了一种利用信息熵改进的欧式距离聚类中心点的方法来完成点云配准。首先对两片点云进行体素格网下采样,加快后续处理效率,不同于欧式聚类直接利用距离聚类,先计算点的特征值,根据特征向量求得的信息熵,利用特征向量来选取聚类,再提取出各类别的中心关键点,后使用KD-tree算法进行点对的搜索和对应,结合对应点对的位置信息估计出初始变换矩阵,作为精配准的输入矩阵,为后续精配准提供良好的初始位姿;最后采用双向KD-tree改进的点到面ICP算法进行精确配准。选用了长约300 m的道路点云数据进行实验,与四种方法在重叠度为10%时进行比较,结果表明算法的RMSE为0.074 m,总体配准过程消耗时长为30.256 s,比四种算法的配准精度和效率更高。

融合BRIEF与ICP点云配准的零部件姿态估计方法

物体姿态估计在增强现实、自动驾驶和机器人操作等领域具有重要意义。在机器人抓取与辅助装配过程中实时并准确地估计目标姿态极其重要,为提高装配过程中零部件的抓取与监控的实时性与精度,研究了基于多视图特征库估计目标姿态的方法,设计融合BRIEF(Binary Robust Independent Elementary Features)特征匹配与ICP(Iterative Closest Point)点云配准的零部件姿态估计方法对零部件姿态角进行估计测量。以法兰、扳手、电钻等零件工具进行实验,实验结果表明融合BRIEF特征匹配与ICP点云配准的姿态估计方法运行耗时约200ms,而姿态估计的最大误差角度为4.5°,能有效保证零部件姿态估计方法的实时性与精度,可应用于机器人抓取作业、辅助装配监控等。

一种改进ICP算法在建筑物配准中的应用

近年来,采用多源数据融合建模已成为研究热点,而多源数据融合建模的关键是点云配准。点云配准目前应用最广的算法是迭代最近点算法(ICP),然而该算法存在对点云初始位置要求高和收敛速度慢的缺点。故提出使用样本共识初始配准算法(SAC-IA)进行初配准,和采用改进的ICP算法进行精配准的方案,用于建筑物配准。实验结果表明,此算法对比传统点云配准算法,配准速度和精度都有极大提高。

基于线特征约束ICP算法的机载激光雷达点云与影像配准研究

传统ICP算法存在计算效率低、易陷入局部最优等缺点,故提出一种附有线特征约束的ICP算法。该方法采用由粗到精的配准策略,首先在点云和影像数据生成的DSM图像中使用SIFT算法进行特征点配对,经RSANC算法消除误匹配后,作为数据配准的初始参数;然后分别在原始点云数据和影像DSM数据中提取建筑物边界线作为线特征,并将线特征进行简化、拟合、正交化;而后用端点表示特征线,将同名特征线的端点加入到ICP算法中作为线特征约束,完成点云数据和影像密集点云数据的配准。相较于传统ICP算法,新方法不需要对全部的点云数据进行运算,只需抽样少量点(3%左右)参与配准计算,即可完成点云与影像3D-3D配准,算法效率大幅提高,同时在线特征约束下,可避免传统算法容易陷入局部最优的缺点。实验表明,改进算法将配准结果中平均点间距由0.462 m提高到0.342 m,精度提升显著。

用于ICP的近似KD-Tree搜索加速器设计及FPGA实现

为了加速迭代最近点(iterative closest point,ICP)算法中k近邻(k-nearest neighbor,KNN)搜索过程,文章根据近似K维树(K-dimensional tree,KD-Tree)数据结构,基于现场可编程门阵列(field programmable gate array,FPGA)提出一种高性能的KNN搜索加速器;分析近似KD-Tree数据结构的可行性,结果表明该数据结构能够满足ICP算法精度要求,并提高计算的并行度和性能;为了解决近似KD-Tree建树过程耗费时间长的问题,设计基于分治归并排序的具有反馈数据通路的树构建计算模块,该模块可在8.95 ms内计算出256个空间的树节点并完成树构建;为了优化点云暴力搜索过程,设计一种高吞吐率的点云搜索模块,可以在0.49 ms内完成近30000个点的最近点搜索。研究结果表明,与相关的设计相比,该文提出的硬件加速方法可以有效降低KNN搜索时间复杂度,提高算法性能。

空间信息约束的改进ICP算法大场景点云快速配准方法

针对大场景点云快速配准对初值要求高的问题,将测站空间位置与三维角点特征作为空间约束信息,改进传统迭代最近邻点法(ICP)配准算法。考虑点云密度与扫描仪的距离关系,结合使用点—点准则与点—线准则进行点云精配准。实例验证结果表明,在4 507万点云场景下,均方根误差(RMSE)达到0.231 1 m,较直接使用ICP算法提高0.352 1 m,较使用采样随机采样一致性算法RANSAC+迭代最近点算法(ICP)方法提高0.119 3 m,时间分别缩短5.87、18.32 s;在843万点云场景下,RMSE达到0.051 6 m,较直接使用ICP算法提高1.052 1 m,较使用RANSAC+ICP方法提高0.266 9 m,时间分别缩短2.10、19.43 s;提取到的有效角点较Harris3D算法提高了34.84%,证明本文算法能够用于大场景散乱点云的快速配准。

基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。

基于参考点和ICP算法的点云数据重定位研究

对基于参考点的点云数据重定位问题进行了深入研究,提出了新的点云数据重定位算法;该算法采用参考点与ICP(Itera- tive Closest Point)算法相结合的方法,不仅很好地解决了重定位实现困难的问题,而且使重定位精度达到0．03～0．05mm;最后,得出该算法不仅可以完全满足三维测量系统整体精度的要求,而且具有很高实际应用价值的结论。

基于法向量直方图特征描述的点云ICP拼接

传统的迭代最近点ICP算法收敛速度慢,而基于特征的查找对应点能够明显优化ICP算法.提出一种新的基于法向量直方图特征描述的点云ICP拼接方法.该方法将法向量直方图作为点云特征描述子,其能够优化对应点集的查找,从而改进ICP算法.该算法先计算待拼接的两片点云的法向量直方图特征描述子,然后由其中一片点云中的点查找在另一片点云上的最近邻域,并且找出法向量直方图特征最相似的点作为当前点的对应点,查找出所有的对应点并建立对应点集,再根据对应点建立协方差矩阵,并对其奇异值分解,求解出变换矩阵,最后迭代以上步骤直至收敛.在法向量直方图特征计算中,采用多核模式并行编程计算,提高了特征计算效率.实验结果表明该方法是可行有效的.

三维点云数据拼接中ICP及其改进算法综述

ICP算法是三维点云数据精确拼接过程中的主流算法。文章对目前国内外ICP及其各种改进算法的发展现状进行了系统地分析与研究。将ICP算法分为4个主要阶段:(1)对原始点云数据进行采样;(2)确定初始对应点集;(3)去除错误对应点对;(4)坐标变换的求解。分别对各个阶段中典型方法的基本思想和关键技术进行了分类与分析,并在精度与效率等方面对这些算法进行了比较。最后对目前算法研究中的难点问题及未来的研究重点进行了展望。

基于SAC-IA和改进ICP算法的点云配准技术

点云配准是真实三维世界物体或场景模型重建的关键问题之一.针对传统的ICP算法收敛速度慢,且在两点云集初始位置较大时易陷入局部最优解的问题,提出一种改进的点云配准算法.该算法首先利用基于特征点的采样一致性初始配准算法(SAC-IA)实现两点云的初始变换,使两点云集有相对较好的初始位姿,然后在传统ICP算法基础上使用k-d树(k-dimensional tree)加速对应点对的查找速度,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.

应用改进ICP算法的点云配准

针对三维重建领域点云数据配准过程中存在的配准效率低和精度误差大问题,提出一种改进ICP算法。应用盒子结构划分点云数据,对每一独立单元盒提取特征点构建三角形,根据相似原理,选用与其相似度最大的三角形各顶点作为初始对应点对,引入支持度的概念,给出评价准则,使当前待确定点对的成立最大支持其余已确认匹配点对,保证对应点查找的正确性。同理,以现有三角形各边为基准,继续构建新的三角形,完成所有匹配点对的查找。实验结果表明,改进算法较传统ICP算法有大幅提高,缩短配准误差至0.03%,配准效率提高了65%以上,优势明显。

ICP算法在3D点云配准中的应用研究

三维点云配准是逆向工程中的关键。为提配准确度,提出了一种基于曲率特征点的ICP改进算法。算法在初始配准的基础上,采用二次曲面逼近的方法求得每一点的方向矢量和曲率,利用据曲率确定特征点集,并根据方向矢量调整对应关系,减少了ICP算法的搜索量,提高了ICP算法的效率。针对目标函数,引入Niloy坐标框架,可以根据点云距离调整收敛速度和配准精度。改进后的算法在精确度基本不受影响的情况下提高了配准速度,进行仿真实验。实验验证了配准效果和算法的稳定性。

融合遗传算法和ICP的地面与车载激光点云配准

车载激光扫描可快速获取大场景点云,由于存在视场限制和遮挡,需地面激光点云作补充。车载与地面点云分别位于大地坐标和局部坐标系统,本文提出结合遗传算法(genetic algorithm,GA)和(iterative closed point,ICP)的自动点云配准方法以统一基准。ICP采用局部优化,效率较高,但依赖初始解;GA为全局优化方法,但效率低。融合策略为当GA配准趋于局部搜索时,采用ICP完成配准。GA配准以地面激光扫描仪内置GPS测量粗略位置限定优化搜索空间。为提高GA配准精度,提出了最大化归一化匹配分数之和(normalized sum of matching scores,NSMS)配准模型。实测数据试验验证了NSMS模型的有效性,GA配准均方根误差(root mean square error,RMSE)为1~5cm;融合配准比GA配准效率高约50%。

三维点云ICP算法改进研究

三维激光扫描技术的快速发展,使其在各个领域得到广泛应用。由于物理上的一些限制,一次三维激光扫描不能获取扫描物体的全部数据,因此要对扫描点云进行拼接。首先,对最常用的ICP算法进行一系列研究,ICP算法的前提条件是具有一个良好的配准初值,文中在配准初值的选取上采用主成分分析法,为后续ICP算法的工作提供一个良好前提条件,增加点集预处理,点对查找上增加各种限制,采用kd-tree加速查找,以此对算法进行改进,并通过实例来验证本算法的有效性及合理性。

基于ICP算法和粒子滤波的未知环境地图创建

为了实现移动机器人仅依靠激光测距仪和里程计实时地创建精确的栅格地图,本文提出了一种结合最近点迭代(Iterative closest point,ICP)算法和Rao-Blackwellized粒子滤波的同时定位与地图创建方法,该方法利用ICP算法对相邻两次激光扫描数据进行配准,并将配准结果代替误差较大的里程计读数,以改善基于里程计读数的建议分布函数;同时通过采用改进的抽样策略,提高了粒子滤波过程中的抽样效率,降低创建地图所需的粒子数,仿真结果表明了该方法的有效性。