基于KDTree改进的Super 4PCS+ICP算法在点云配准中的应用研究

在点云配准过程中,为了提高点云的配准精度,针对ICP算法对于初始位姿的局限性,对点云数据进行Super4PCS+ICP的“先粗后精”处理。首先利用KDTree树搜索对应点,用局部区域的特征度确定特征点集,再使用Super4PCS算法实现粗配准。针对精配准提出KDTree树来加快速度,SVD求解对应点参数、常数为1的加权平均、求解误差函数等手段来实现对ICP算法的改进,并求出刚体变换后的旋转平移矩阵,提高点云配准精度。实验表明,相较于传统ICP算法,本文方法的配准精度有了显著的提升。本文研究的方法可为点云配准的深入研究提供一定的参考。

基于Super4PCS的激光点云配准适用性研究

针对超四点快速鲁棒匹配算法(Super 4-points congruent sets,Super4PCS)对不同特点的激光点云配准的适用性问题,分别对不同重叠率、不同噪声点、不同数据量的点云进行了配准实验,比较分析了算法的配准精度和数据适用性。实验分析得出,Super4PCS算法对于重叠率高于40%、噪声比例低于30%的点云数据,具有较好的配准效果,而在较高精度参数设置下(d<1),点云数据量接近300万时,Super4PCS算法难以完成点云配准。在实际点云配准时可以依据点云数据的特点,判断数据是否适用于Super4PCS算法,通过处理点云数据来满足Super4PCS算法配准的数据条件,得到良好的点云配准结果。

基于3D-SIFT与4PCS融合的大数据量点云快速配准方法

测量点云与模型点云的配准是视觉定位的关键。针对测量点云数据量大且与CAD模型点云重叠率低造成视觉定位精度差、算法效率低的问题,提出一种基于三维尺度不变特征变换(3D-SIFT)与4点快速鲁棒匹配算法(4PCS)融合的测量点云与模型点云配准方法。首先利用深度相机对零件进行点云提取并对提取到的测量点云进行降噪和滤波处理;接着利用3D-SIFT特征点提取算法对测量点云和CAD模型点云进行特征点提取;最后把提取的特征点作为4PCS算法的初始值进行2种点云数据的配准。与常用的4PCS算法、Super-4PCS算法相比,在算法仿真与实际应用实验结果表明,本文算法在保证配准精度的前提下将配准速度提高30%以上。

基于4PCS和SICP的点云配准方法在钢轨磨耗计算中的应用

针对基于三维结构光扫描的钢轨磨耗快速精确测量,本文提出了一种基于4PCS(4-points congruent sets)和SICP(sparse iterative closest point)的点云配准组合算法,用于快速精确配准不完整且含噪声的磨耗钢轨与标准钢轨点云。由于三维结构光设备一次扫描得到的磨耗钢轨数据是不完整且含噪声的,因此首先利用针对低重叠率点云配准鲁棒性较好的4PCS对钢轨点云进行粗配准,为精确配准提供较好的初始变换矩阵。然后,再利用针对含噪声点云配准鲁棒性较好的SICP进行精确配准。最后,根据精确配准结果计算出轨头磨耗。文中定量分析了不同程度降采样对配准精度、时间及轨头磨耗计算精度的影响,展现了4PCS+SICP在快速精确配准不完整且含噪声的钢轨点云的优越性,得出了不同程度降采样对轨头磨耗计算精度无影响的结论。与此同时,对钢轨点云含不同程度的噪声点云配准做了定量对比分析,验证了SICP在含噪声的磨耗钢轨点云精确配准中的鲁棒性。

基于逐点前进法的改进型点云配准方法

点云配准是获取三维点云模型空间姿态的关键步骤,为了进一步提高点云配准的效率和准确性,提出了一种基于逐点前进法特征点提取的改进型点云配准方法。首先,利用逐点前进法快速提取点云特征点,在保留点云模型特征的同时大幅精简点云数量。然后,通过使用法向量约束改进的KN-4PCS算法进行粗配准,以实现源点云与目标点云的初步配准。最后,使用双向Kd-tree优化的LM-ICP算法完成精配准。实验结果显示:在斯坦福大学开放点云数据配准实验中,其平均误差较SAC-IA+ICP算法减少了约70.2%,较NDT+ICP算法减少了约49.6%,配准耗时分别减少约86.2%和81.9%,同时在引入不同程度的高斯噪声后仍能保持较高的精度和较低的耗时。在真实室内物体点云配准实验中,其平均配准误差为0.0742 mm,算法耗时平均为0.572 s。通过斯坦福开放数据与真实室内场景物体点云数据对比分析结果表明:本方法能够有效提高点云配准的效率、准确性和鲁棒性,为基于点云的室内目标识别与位姿估计奠定了良好的基础。

基于PCA-SIFT特征融合的铸件冒口点云匹配研究

当前自动化铸件冒口切割机器人系统研制在识别和定位冒口方面要求精确,且面临现场环境复杂、相机采集数据量大、处理效率低、算法不稳定性导致误差较大等问题。针对上述问题,提出PCA-SIFTS4的点云配准方法,首先,对采集的场景点云数据通过多阶段滤波和聚类分割技术,从复杂的场景中提取出高质量的冒口点云;其次,基于PCA与3D-SIFT特征融合提取冒口点云的特征属性,降低Super4PCS粗配准的搜索复杂度,缩短配准时间;最后,采用点到面的ICP算法进行精配准,运用所提出的方法对典型形状冒口点云进行配准实验,与传统配准算法相比,配准时间和均方根误差分别平均降低78.53%和64.93%,结果表明PCA-SIFTS4算法对于环境复杂、数据量大、特征不明显的冒口点云具有较好的实时性和精确性。

基于分层穿插多视角点云配准算法研究

为解决毛胚铸件三维重建因多视角配准过程中引起的累积误差大、配准精度差以及配准效率低的问题,提出了一种分层穿插多视角点云配准算法。首先,利用工业相机对铸件物体获取不同视角下的点云信息进行预处理;其次,通过邻域法向量夹角特性提取特征点,并对其进行FPFH特征点描述,对每层相邻点云用改进的4PCS算法进行粗配准,获得良好的初始位置,再利用KD-tree加速搜索的广义迭代最近点GICP算法进行精配准;最后,利用分层穿插多视角配准策略拼接成完整的点云。实验结果表明,提出的配准方法相对于SAC-IA+ICP算法、4PCS+ICP算法、Super-4PCS+ICP算法,配准时间分别降低了96.5%、96.1%、88.3%,配准精度分别提高了79.5%、71.5%、55.1%。此算法配准质量不仅优于顺序多视角配准的质量,而且在鲁棒性和精确配准方面有明显优势,对后续三维重建提供了一种高效的方法。

一种基于实例分割和点云配准的六维位姿估计方法

本文提出一种基于Mask R-CNN实例分割网络和Super4PCS点云配准算法来估计物体六维姿态的方法。通过目标点云与已知位姿的参考点云进行配准,可以获取目标的六维姿态。但实际中往往采用三维设备扫描目标的整体环境,生成的点云数量庞大,直接作为源点云与参考点云配准时,会由于候选集较多从而导致运算时间太长,因此本文先对目标实例分割处理后再配准:首先,利用深度相机获取整体环境的RGB-D图,其次利用Mask R-CNN模型将把目标分割出来,并将分割的目标RGB-D图转化为点云图,利用Super4PCS点云配准算法与参考点云进行配准,最终得到目标的六维位姿。在自制作的数据集上进行了验证,对比分割前后的四组实验,时间降低率约为60%-80%,有效证明了本方法的可行性。

一种基于法向量夹角的点云配准方法

点云配准是逆向工程、机器人导航、计算机视觉等领域中进行三维重建的关键问题.针对4PCS配准算法对点云数据密度变化强烈的情况表现不稳定,以及为了保证效率海量点云数据必须进行下采样而导致对应点对无法得到保证的情况,本文提出了基于法向量和邻近点数目的特征点提取方法对算法进行改进.选取一个半径范围内的点作为邻域,并通过总体最小二乘法拟合局部平面求解法向量,之后利用法向量夹角和邻域大小进行特征点提取,最后在特征点集上进行4PCS算法.因为点集基数大幅度减少并且特征明显,有效提高了4PCS算法的速度和精度.

一种局部几何关键点的激光点云配准方法

在对激光点云配准时,原始点云的高密度和大数据量都会造成点云粗配准具有很高的时间代价和不稳定的配准精度。点云精配准是以粗配得到的配准参数作为输入,通常采用标准的ICP算法寻找对应点并迭代计算最佳的配准参数。为了提升激光点云配准的精度和稳健性,提出利用3D DoG算子在点云中提取具备曲率不变性的关键点,然后将关键点云输入4PCS算法中对点云做粗配准,最后采用标准ICP算法执行精配准。在采用上述方法对三组激光点云数据做配准试验后,验证了该方法的有效性。

基于点云边界质心的粗配准方法

点云配准的质量直接影响着三维重建的质量。针对传统K-4PCS耗时长且易出现错误匹配等问题,文中提出一种基于边界质心的点云粗配准方法。通过对点云进行边界提取,既保留点云外表特征,又减少了点云数据的大小,提高了粗配准速度。为了加快边界点的提取速度,使用K-D tree算法完成对k近邻点的搜索。通过配准边界点的质心,减少点云初始距离并增加重叠度,保证了粗配准的精度。实验结果证明,文中方法在粗配准速度和精度方面都优于传统K-4PCS算法,其速度约为传统K-4PCS算法的2倍,平移和旋转精度也比传统K-4PCS高了40%以上。文中所提方法对提高点云粗配准的速度和精度具有一定的参考价值。

双重下采样增强的点云改进配准算法研究

自动驾驶领域对点云配准实时性要求高,而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此,本文提出了一种改进的快速点云配准方法,首先采用双重下采样方法对初始点云数据进行预处理,在保留原始特征的同时快速降低点云数据量,然后引入内部形状描述子(ISS)来优化超级全等四点集(Super4PCS)算法,降低其时间复杂度,最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证,结果表明:该算法具有良好的鲁棒性,且配准精度和配准速度均比已有算法有明显提高。