改进的采样一致性点云配准算法

为解决传统迭代最近点(iterative closest point,ICP)算法存在配准效率低等问题,提出一种改进的采样一致性点云配准算法。通过自适应体素网格滤波法对点云进行处理,可以根据点云量级自动修改体素立方体大小,剔除偏差较大的噪点,降低点云数据量级;在快速点特征直方图(fast point features histogram,FPFH)中引入距离的二次函数,降低远距离邻域点的权值,提高近距离邻域点的权值。运用公开数据集Bunny点云数据进行实验的结果表明,该算法相对于传统点云配准算法的配准精度提升了54.65%,配准效率提升了39.39%。运用多组数据验证了该算法的有效性。

基于多分辨率的快速迭代最近点配准算法

针对迭代最近点(Iterative Closest Point,ICP)算法计算时间长的问题,提出一种基于多分辨率配准点的ICP算法。使用自适应体素网格滤波器对原始点云进行多分辨率采样,利用低分辨率点云快速迭代获得两点云间初始变换矩阵;利用高分辨率点云在初始变换基础上做更精确配准。实验结果表明,该算法在配准精度基本不变的情况下,可以显著降低配准时间,且随着点云点数增加,速度提升效果越明显。

盾构隧道点云典型要素分割

针对盾构隧道点云及其几何特征构建八叉树索引,使用体素化网格降采样进行点云降采样,利用统计特征滤波器达到精简点云,继而实现典型要素自动分割。结合点云精简算法,提高了随机抽样一致性(RANSAC)算法效率,通过拟合模型的几何特征,设置合理阈值,自动分割隧道典型要素。实验结果表明,该方法可以精确地分割出相邻距离阈值较小的盾构隧道典型要素,拟合的隧道半径与设计半径误差仅为3 mm;相比传统RANSAC算法,该算法运行速度提高了17倍,实现了相邻距离阈值达1.0 cm精度的目标分割。

基于自适应分辨率的点对特征点云配准算法

针对基于原始点对特征的三维目标识别算法中存在的内存浪费及过多冗余点导致的配准效率不高问题,提出一种改进的自适应分辨率点云配准算法。通过使用自适应体素网格滤波器对原始点云进行下采样,有效地减少了目标模型哈希表中存在的大量冗余点对,节省了计算机的内存开销并提高了点云配准算法的配准速度。使用迭代最近点方法进一步对聚类结果进行优化处理。实验结果表明:所用算法与传统ICP算法相比,在配准误差相同的情况下配准效率提升显著。

基于方法库的点云去噪与精简算法

为了减少不同尺度噪声对三维点云模型重建效果的影响,提出一种基于直通滤波、统计滤波、半径滤波、改进的双边滤波、体素栅格滤波的方法库的点云模型去噪与精简算法。首先利用直通滤波将目标物体提取出来,再依据噪声点离模型主体的距离,将其分为小尺度噪声和大尺度噪声,然后利用统计滤波结合半径滤波去除大尺度噪声,利用改进的双边滤波去除小尺度噪声,最后通过体素栅格滤波进行点云精简来降低空间复杂度,并以三角网格面重建展示该算法的精度效果。实验结果表明,该算法可有效去除点云模型的不同尺度噪声,在不破坏点云本身几何结构的前提下,保证点云精简的均匀化,而且算法执行速度快,重建效率高。