结合八叉树和最近点迭代算法的点云配准

针对最近点迭代算法的局限性造成的点云配准效率低下问题,该文对最近点迭代算法在点云配准中的应用进行了研究,并针对算法的局限性进行了改进。先利用八叉树结构求得点云数据的重叠区域,然后在重叠区域利用最近点迭代算法对点云数据进行精确配准,提出了基于八叉树结构建立点云重叠区域的最近点迭代配准方法(该文简称OTOAICP)。通过实例数据对该方法进行验证,结果表明:OTOAICP方法能够提高配准精度,缩短配准时间。     

基于二维图像特征的点云配准方法

为了提高低覆盖率点云的配准精度和收敛速度,提出了一种基于二维图像特征的点云配准方法。首先采用基于区域层次的点云配准算法实现粗配准;然后将三维点云转换成二维图像,再采用SURF算法提取二维图像的特征,并求解其匹配像素点对;最后根据二维匹配点获取相应的三维点云相关点,并计算刚体变换,由此实现点云的快速精确配准。试验结果表明,与迭代最近点（ICP）算法相比,该点云配准方法的配准精度和耗时分别提高了约20%和60%,是一种快速、高精度的点云配准算法。     

基于点线特征的建筑物点云配准方法

针对建筑物表面具有明显的几何特征这一特点,提出基于点线特征的建筑物点云配准方法。首先基于点云配准基本理论,利用提取的建筑物点特征使用对偶四元数实现建筑物不同测站点云的粗配准,获取初始配准参数以及配准后的建筑物点云数据,然后将粗配准获取的参数作为待求精确参数值的初始值,利用建筑物中的线特征将共线方程作为精配准的数学模型,最后通过平差迭代获取参数的精确值,实现不同测站建筑物点云的高精度配准。实验结果表明,获取的配准后同名特征距离中误差为2.1×10^-3 m,证明了将点线特征相结合可以有效改善建筑物点云配准质量,提高建筑物点云配准的精度,对建筑物三维重建具有重要意义。     

基于可移动角点的航空和地面LiDAR数据配准

针对航空和地面LiDAR数据配准中点云数据的共轭特征较少且精度差异较大的问题,提出了一种基于可移动角点的航空和地面LiDAR数据配准方法:从航空和地面LiDAR数据中分别提取相应的建筑物角点,采用6参数模型对角点进行初始配准;以地面角点为参照,利用迭代移动方法对误差较大的航空角点进行修正;最后根据移动后的航空和地面角点计算获得点云配准关系。实验结果表明,该文方法可取得较好的点云配准效果,角点修正后能有效提升点云配准精度,适合于含有角点特征的航空和地面LiDAR数据配准。     

基于四参数-ICP的点云配准研究

利用三维激光扫描获取目标物点云数据的过程中,为了得到完整的目标物点云,则需要在不同站点对目标物进行扫描,从而需要对不同站点点云数据进行配准,而传统的点云配准都是基于至少三个标靶点的配准,配准效率低且没有考虑区域点云精度不均匀的影响,而基于无标靶的ICP配准算法时间效率比较低。针对此,本文将四参数算法和改进的ICP算法进行结合,在只需要两个标靶的情况下便可快速的完成点云配准,最终通过实例分析验证了该配准方法不仅精度高,且配准效率高。     

基于特征点的曲面点云配准方法

针对当前曲面点云配准质量和效率低的问题,提出基于特征点的曲面点云配准方法。首先通过计算特征点曲率的豪斯多夫距离（HD）获得初始匹配点对;然后利点云局部表面曲线形状特征提取精确特征点对;最后用对偶四元数实现源点云和目标点云的粗配准,获取良好的初始的配准参数,并采用改进的最邻近点迭代算法实现点云的精配准。实验结果表明：该方法获取的点云中误差在0.005 m以内,且配准时间在7 s以内,提高了传统曲面点云配准的精度和配准效率,验证了该方法的稳健性和准确性。     

法线特征约束的激光点云精确配准

作为点云数据处理的关键步骤,配准结果直接影响到后续数据处理的精度。针对传统迭代最近点(iterative closest point,ICP)算法依赖较好初始位置的局限性,提出基于法线特征约束的点云精确配准方法。首先采用局部表面拟合方法进行法线估计,并计算其快速点特征直方图,然后通过采样一致性方法对两组点云进行粗配准,最后通过建立KD-Tree加快对应点的搜索效率,并设定阈值去除错误对应点对,实现精确配准。结果表明,基于法线特征约束的粗配准算法可以为待配准点云提供较好的初始位置,并且改进的ICP算法有效地提高了点云配准的精度和效率。     

几何刚性和法向量采样一致性的点云配准算法

针对三维激光点云配准中随机采样一致性(RANSAC)算法存在采样次数多、准确度低的缺点,该文提出了一种结合几何刚性和法向量一致性的点云配准算法。该算法通过改进采样策略降低采样次数并提升匹配精度,首先将点云的法向量信息加入采样集,使得每次的采样点从三对减少为两对;接着以两对采样点的刚性和法向量一致性计算置信度来确定当前采样是否置信;最后以迭代运算选取采样内点数最高的样本来估算变换矩阵实现点云精确配准。对激光三维点云进行配准试验,结果表明,本文方法在匹配效率及匹配性能上均优于传统RANSAC算法,且配准精度更高。     

四元组标靶辅助下的RGB-D室内点云配准

面向室内弱纹理三维重建需求,本文以RGB-D摄影测量技术获取室内点云为基础,提出了四元组标靶辅助的点云配准方法。该方法首先通过阈值筛选大曲率点,自动识别邻接点云中的辅助标靶,然后采用随机采样一致性表达方法,拟合标靶参数及其中心坐标,并根据拟合参数匹配同名标靶中心,通过刚性转换完成邻接点云粗配准。在此基础上,迭代估算邻接点云间的重叠区域,优化点云间的配准参数,从而实现点云精配准。利用Kinect相机获取两类室内场景各12站点云对本文方法进行测试,试验结果表明,配准后的多站点云间距最大均方根误差优于一个采样间隔,证明了该方法在弱纹理室内点云配准中的可靠性。     

基于组合罗德里格矩阵的异常特征点探测

特征点是点云配准的基础,针对异常特征点对点云配准精度的影响,本文给出了一种异常特征点探测方法,即根据罗德里格矩阵的性质,对特征点进行向量组合,对比分析不同向量组合的点云配准精度,确定配准误差超限的向量组合,此向量组合中含有而其他向量组合中不含有的特征点,便是异常特征点。通过实例验证了该方法的可行性。     

基于Delaunay三角剖分的ICP算法研究与实现

针对ICP迭代点云配准算法,利用MATLAB中封装的三角剖分函数,迅速搜索迭代过程中的最近点,简化ICP配准算法的实现,并设计一种模拟实验的方法验证算法的有效性。实验表明,利用基于三角剖分的ICP迭代算法可以达到较好的配准精度。     

异形建筑的无人机点云与地面三维激光扫描点云配准

高耸的异形建筑适合用三维激光扫描仪进行测量建模。但在实际运用中,地面三维激光扫描仪因视角受限,会导致点云模型缺失。而无人机倾斜摄影点云虽较为完整,但底部较差且精度较低。将两种点云模型进行配准,可完善单一点云模型的不足。但两者配准的难点为两种点云模型的精度、密度、尺寸的差别和两种坐标系存在任意角度的偏差。针对这一难点,本文论述了点云配准的流程,介绍了两种点云的配准参数及计算方法,选择两种点云的重叠部分进行高精度同名区域的划分,在同名区域中选取同名特征点对同名区域进行配准。选取某异形建筑天宝阁进行试验,对比分析了本文方法,验证了本文方法的有效性。     

基于组合罗德里格矩阵的异常特征点探测

特征点是点云配准的基础,针对异常特征点对点云配准精度的影响,本文给出了一种异常特征点探测方法,即根据罗德里格矩阵的性质,对特征点进行向量组合,对比分析不同向量组合的点云配准精度,确定配准误差超限的向量组合,此向量组合中含有而其他向量组合中不合有的特征点,便是异常特征点.通过实例验证了该方法的可行性.     

基于NDT和ICP融合的点云配准方法

针对传统迭代最近点算法高精度低效率与正态分布变换算法高效率低精度的问题,提出了基于NDT与ICP融合的点云配准方法。首先通过NDT算法选择合适的网格参数将待匹配的点云向目标点云拉近以提高配准效率,完成粗配准,其次使用KD树加速的ICP算法求解变换矩阵以提高配准的计算效率。通过实验表明,本文方法匹配速度相比NDT算法和ICP算法有明显提高,且精度高于NDT算法。     

平面特征约束下的多视点云配准方法

针对由于多视点云的密度不同，将同名特征点作为配准基元的点云配准方法无法找到具有精准对应关系的点对，从而存在配准精度不高的问题，该文提出一种基于同名特征平面的点云配准方法。该方法将坐标原点在同名特征平面上的投影点作为同名特征点，以空间点面关系具有旋转不变性为约束条件，引入对偶四元数描述空间变换参数，基于最小二乘准则构建目标函数，利用Levenberg-Marquardt法解决配准模型的非线性优化问题。最后通过实测数据实验验证算法的正确性与有效性。结果表明：该方法能够实现实际场景中建/构筑物的多视点云配准；采用Levenberg-Marquardt法在迭代过程中可有效避免局部最小陷阱；对偶四元数有效减少了解算空间变换参数中的耦合误差。     

一种基于 K-D 树优化的 ICP三维点云配准方法

为提高三维点云数据配准精度和速度,提出一种基于K-D树优化的ICP三维点云配准方法,首先采用中心重合法实现点云数据的粗配准,然后利用K-D tree快速搜索最近点对改进传统ICP方法,完成三维点云数据精配准,该方法克服传统ICP算法中由于利用欧式距离来判断最近点所引起的工作量大、耗费时间多的缺陷,提高点云的配准速度。在此基础上利用斯坦福不同密度Bunny点云数据进行实验验证,结果表明在采用中心重合法实现三维点云粗配准的基础上,利用K-D tree优化ICP算法,能够提高点云配准的精度、速度和稳定性。     

平面特征的多站地面激光雷达点云配准

为了进一步研究建筑物密集区域多站地面激光雷达(LiDAR)点云数据的配准问题,该文提出一种基于平面特征的地面LiDAR数据配准方法:对点云数据进行分割获取平面信息;人工选择典型的平面,对相应的点云数据进行平面拟合,得到相应法向量;利用罗德里格矩阵的性质,建立三维激光扫描数据配准模型。实验结果表明,该方法的配准精度较高、计算速度快,可以取得较好的点云配准效果。     

利用点云配准的空地影像融合技术

为实现空地影像的高精度融合,本文提出了一种基于密集匹配点云配准的融合方法,并与利用空三加密点云配准的融合效果进行了对比。首先,通过对空地影像进行空三加密和密集匹配,得到相应的三维点云;然后,利用基于3DSC特征的SAC-IA算法,完成空中点云和地面点云的粗配准;最后,通过改进的Point-to-Plane ICP算法进行精配准,进而完成空地影像的融合。试验表明,相比空三加密点云,密集匹配点云能够提供更为稳健的配准结果,且能够达到厘米级的精度。     

基于间接平差的ICP点云配准算法研究

点云配准精度是决定三维重建模型的质量因素之一,目前,最常用是ICP点云配准算法,经典的ICP算法易局部收敛,影响点云配准精度。本文提出基于间接平差的ICP点云配准算法,设定目标点集中目标点坐标与转入目标点集中的点坐标之间的距离阈值实现点云精确配准。通过与经典ICP算法对比可知,本算法在一定程度上提高了点云配准精度和速度。     

一种低重叠率激光点云的配准方法北大核心CSCD

针对点云数据采集过程中因扫描仪设站数少导致相邻的两片激光点云重叠率低,且难以高精度进行配准的问题,该文提出了一种基于重叠区域的点云配准方法。首先利用加入距离权重的法线夹角及曲率特征将点云分割成块,构建每一点云块的多维特征描述符,通过比较各点云块间的方差分布相似性提取相邻点云的重叠区域,然后将重叠区域的点云带入超四点快速鲁棒匹配(Super4PCS)算法中进行配准,根据一致性约束将最优的刚性变换矩阵应用于原始数据,得到最终的点云配准模型,最后与直接利用Super4PCS算法配准后的效果进行对比分析。实验结果表明,通过增加点云间重叠区域的提取,可以有效提高对低重叠率激光点云的配准精度,从而更有利于点云三维模型构建等后续数据处理。