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。

基于分布优化配准的实时激光SLAM算法

激光雷达在扫描周围环境时会产生部分杂乱且稀疏的点云,该类点云会在配准过程中产生过大的分布拟合误差和关联距离,进而影响配准算法的精度及同步定位与建图(simultaneous localization and mapping,SLAM)的效果。针对以上问题,提出了一种基于分布优化配准的实时激光SLAM算法。设计了一个特征谱滤波器,该滤波器以归一化最小特征值为滤波对象,去除不符合设定分布的点云以减小分布拟合误差;提出了一个点云配准损失函数,对源点云和目标点云构成的联合协方差矩阵和误差项进行复合归一化,以减小关联距离过大的点在迭代求解过程中的干扰;设计了一个SLAM算法框架,该框架包含前端里程计、回环检测和后端优化等环节,兼容纯激光建图和激光/惯性融合建图,进而保证建图的精确性和一致性,并提高了算法的适应性。在公开数据集上进行了多组实验,实验结果表明,相较于现有SLAM算法,所提算法在精度和速度指标方面均具有较大优势。

基于全局特征地图的由粗到细点云配准算法

针对现有点云配准算法在非重复扫描式激光雷达上存在精度低、鲁棒性差、通用性差等问题,提出一种基于全局特征地图的由粗到细点云配准算法(CTF-ICP),并实现非重复扫描式激光雷达里程计。该算法利用高斯分布表征局部点云分布,构建全局特征地图。配准阶段包含粗配准和精配准。首先,采用正态分布变换在连续点云帧之间实现帧到帧的粗配准;然后,根据粗配准的结果将当前点云映射到全局特征地图,并将对应位置的全局特征协方差矩阵的特征值进行归一化,实现帧到地图的精配准;最后,将该文算法与其他常用的配准算法进行对比实验。实验结果表明:该文算法能够较好地适应非重复扫描式激光雷达,配准精度和速度比常用的配准算法都有明显提升;同时,消融实验证明了由粗到细的点云配准算法以及全局特征地图的有效性。

基于多特征融合的点云配准算法

针对目前点云配准算法精度较低、计算复杂度较高的问题,提出一种基于多特征融合的点云配准算法.提取点云的法向角度、点及其邻域点的投影距离、曲率以及欧氏距离方差,通过对其融合来提取待配准点云的特征点.利用基于高斯概率模型的迭代最近点算法对特征点集进行配准,实现噪声点云的精确配准.对Cup、Bunny公共点云数据以及文物点云数据模型进行配准实验.结果表明,提出的算法相比已有算法的精度提升约20%,耗时降低约25%.

基于K4PCS与ICP算法在点云配准中的应用

针对生产后端产品互换性的精度要求,采用基于关键点的4点全等集合(Keypoint-based 4-Points Congruent Sets,K4PCS)算法和迭代最近点(Iterative Closest Point,ICP)算法。提出一种K4PCS-ICP点云配准算法,由K4PCS粗配准和ICP精配准部分组成,将K4PCS算法得出的坐标状态转换矩阵作为ICP算法坐标状态初始值,再根据前后2次的迭代误差和迭代次数等条件,输出最适合的转换矩阵。实验结果说明,K4PCS-ICP算法与独立的K4PCS算法和ICP算法相比较,有效提高了坐标状态矩阵的准配性,点云配准的精度得到明显改善。

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.

基于正态分布变换与迭代最近点的快速点云配准算法

点云配准是三维重建过程的关键一步。传统配准算法的速度较慢,尤其是在两个点云距离较远或点云数据量较大的时候,为此提出了一种基于NDT和ICP的快速点云配准方法,能够有效地减少配准时间。本文算法主要分为三步:(1)采用NDT算法进行点云粗配准,调整两点云间的距离和点云姿态;(2)采用ICP算法对粗配后的点云数据进行微调,调整点云位置与姿态;(3)采用ICP算法对微调后的点云进行精确配准。实验结果表明,与传统算法相比,在点云数据量较大或者两个点云距离较远的情况下,算法也能够达到较快的配准速度与较高的配准精度。

改进的尺度迭代最近点配准算法

针对点云配准中的尺度和收敛速度问题,提出一种改进的尺度迭代最近点(scaling iterative closest point,SICP)算法。在ICP算法中加入带边界的尺度矩阵,解决点云配准中尺度变换的问题;引入动态迭代因子,自动调整配准过程中的刚体变换参数,在不影响算法的精度和收敛方向的前提下,减少迭代次数,提高算法的收敛速度。实验结果表明,与ICP算法和SICP算法相比,改进的SICP算法能够更好地解决含尺度因素的点云配准问题,是一种更加精确、快速的尺度点云配准算法。

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。

基于体素格尺度不变特征变换的快速点云配准方法

以三维激光雷达为主的多源融合同步定位与建图技术是无人系统室内外无缝定位的研究热点,点云配准是其中重要环节。为了提高点云配准效率,提出一种基于体素格尺度不变特征变换的快速点云配准方法。首先,基于点云体素格提取尺度不变特征变换的特征点,完成初始配准;然后利用随机抽样一致算法剔除边缘匹配点并优化初始变换参数;最后基于优化初始变换参数,采用K维树近邻搜索法,结合最近邻点迭代配准算法完成原始点云数据的快速精确配准。对开源数据集以及实际采集的6个典型场景数据的测试表明,该方法的平均配准时间较传统最近邻点迭代配准算法缩短了78%。实验结果表明了该方法的有效性。

基于有界旋转角的点云配准算法

针对目前已有的三维点云配准算法不能很好地解决旋转角度变化较大的配准问题,提出一种基于有界旋转角的配准算法.首先根据刚体变换的低维性质将全局配准问题转化成区域配准问题,通过区域划分、区域配准、求解组合系数、求解刚体变换等四个基本步骤实现初始配准;然后在基本ICP算法的基础上通过设置旋转角度的边界来改进算法,以达到精确配准的目的.实验结果表明,该算法具有精确、快速、鲁棒的特点,并能避免噪声和外点的干扰,适用范围更加广泛.

归一化互相关系数与迭代最近曲面片点云配准方法

针对无附加信息的激光点云数据,基于匹配点对衡量准则与迭代最近曲面片(ICS)算法提出一种新的配准方法。引入归一化零均值互相关系数衡量点的邻域曲率相似度,构造一一对应的初始匹配点对有效数组,利用四元素和线性最小二乘法计算初始配准参数。通过局部曲面片代替离散点,建立参与ICS算法的有效点集,并用一次近似距离代替点到对应曲面片的几何距离,建立配准的非线性最小二乘优化模型和求解策略。实例结果表明,与迭代拼接算法相比,该方法具有多视角普适性,且高效精确。

基于多传感器融合的叉车型AGV定位技术研究

对移动机器人定位问题进行研究,提出一种改进的正态分布变换-无迹卡尔曼滤波(NDT-UKF)算法。该算法利用无迹卡尔曼滤波(UKF)对移动机器人编码器数据及激光雷达观测数据进行融合。相比于扩展卡尔曼滤波(EKF),采用无迹卡尔曼滤波进行数据融合时,无需对系统的非线性方程进行线性化处理,因此不存在系统线性化误差。同时,无迹卡尔曼滤波也不需要求解系统非线性方程的雅可比矩阵,对于复杂的非线性系统,减小了计算量。为了对提出的算法进行验证,以叉车型自动导引小车(AGV)为背景,在Matlab R2019b软件中对提出的算法进行仿真,并将仿真结果与NDT算法、NDT-EKF算法进行对比。结果表明,提出的NDT-UKF算法定位精度更高。该研究为移动机器人定位提供了一种新思路,并且定位精度的提高有利于创建高度一致性的环境地图。

一种基于NDT和ICP融合的点云配准算法

针对迭代最近点(iterative closest point,ICP)算法和正态分布变换(normal distributions transform,NDT)算法实现点云配准误差较大的问题,该文提出了一种NDT-ICP点云配准算法,主要包括NDT粗配准和ICP精配准两个核心环节,将NDT粗配准环节得到的位姿变换矩阵作为ICP精配准环节的位姿初始值,ICP精配准环节通过Gauss-Newton法迭代求解目标函数输出最优变换矩阵。实验结果表明,NDT-ICP算法较ICP算法和NDT算法有效降低了绝对位姿误差,提升了点云配准精度。

平面参数空间的实时三维点云配准方法

针对具有多平面结构的室内环境的三维定位和环境建模,提出了一种在平面参数空间进行配准的实时三维点云配准方法。该方法首先使用一种改进的三维霍夫变换算法快速提取点云中的平面特征,然后使用迭代算法在平面的参数空间中寻找最近平面,最后使用这些平面的对应关系来估计两帧点云之间的位姿变换关系。在一个实验室场景中进行的对比实验表明,该算法能够达到与传统迭代最近点(ICP)算法相似的精度,而且速度大大提升。在仅使用普通笔记本CPU的情况下即可实现实时的点云拼接。

基于B-SHOT特征和3D-NDT的点云自动配准

提出一种结合B-SHOT特征的3 D-NDT点云自动配准方法。首先分别提取两个点集的B-SHOT特征点,并且估算这些特征点的B-SHOT特征描述子,然后通过双向汉明距离估计两个点集之间的三维特征匹配点对,并利用随机采样一致性算法估计两个点集的初值转换参数,最后使用3D-NDT算法完成精确配准。实验结果表明,算法能快速精确的进行两个点云集之间的自动配准。

基于FPFH特征和NDT算法的树木点云配准

为了提高海量林地三维点云数据配准的效率和精度,提出了一种基于快速点特征直方图(fast point feature histograms,FPFH)初始匹配与正态分布变换(normal distributions transform,NDT)精确配准相结合的配准算法。首先计算2个待配准点云的法向量,再使用k-d树结构对点云的FPFH特征进行加速计算。然后,根据2个点云相似的FPFH特征,使用采样一致性初始配准算法(sample consensus initial alignment,SAC-IA)求解初始变换矩阵、完成初始配准。最后,用DNT算法对点云体素化,并使用点云密度概率分布函数进行点云数据的精确配准。结果表明,FPFH-NDT算法的平均配准误差(相应点对的平均距离)为0.032 3 m,运行时间为256.376 s;在0.05~0.1 m的点云采样阈值范围内,FPFH-NDT算法的配准误差基本不受采样阈值变化的影响,其值稳定在0.03 m左右;当采样阈值>0.1 m时,配准误差随采样阈值的增大而增大;算法的配准时间整体上随点云采样阈值增大而减少。传统ICP算法的平均配准误差和时间分别为 0.526 3 m 和14.5 s;FPFH-ICP算法的平均配准误差和时间分别为0.042 5 m和289.346 s。FPFH-NDT算法与传统ICP算法相比在配准精度上有了很大的提高,与FPFH-ICP算法相比,在保证点云的配准精度的基础上,FPFH-NDT算法降低了算法的运行时间,提高了点云配准效率。

一种多模式融合的激光点云配准算法

针对经典迭代最邻近点(iterative closest point,ICP)算法在三维激光点云配准领域内,存在收敛速度慢、配准误差大、配准效率低的问题,提出了一种基于法向量夹角特征和边界旋转角相融合的改进ICP算法。利用点云区域层划分将点云分成若干独立单元方格,搜寻方格的法向量夹角特征关键点,结合点面曲率对应关系形成初始匹配点对,随后引入距离约束函数,估算边界旋转角和相关动态迭代系数,自动优化刚性变换参数。实验结果表明,与传统ICP算法相比,改进后的算法配准误差降至0.3%以下,配准时间减少50%以上,有效提升点云配准效率。

机器人辅助的三维点云自动配准

针对三维扫描时不同扫描仪坐标系下三维点云配准困难且耗时过多的难题,提出一种利用机器人转换扫描仪坐标来进行点云配准的算法。该算法主要有两步:第一步为粗配准,将三维扫描仪固定在服务机器人的机械臂末端,在三维扫描过程中实时记录扫描仪的姿势,并利用此信息将不同扫描仪坐标系的点云转换到机器人基底坐标系;第二步为精细配准,以第一步的结果作为改进的迭代最近点算法的初始值,再利用加权的稀疏迭代最近点算法对机器人基底坐标系下不同帧的点云进行精细配准。实验证明,相比其他基于仪器的配准方法和直接利用迭代最近点算法进行配准的方法,该方法能有效提高配准成功率、减少配准时间、提高配准精度。

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。