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。     

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。     

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。     

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。     

基于特征点法向量的点云配准算法

在传统的迭代最近点算法（ICP）中,需要两片点云具有良好的初始位置,否则在配准时容易陷入局部最优。针对该问题,本文提出了一种基于特征点提取与配对的粗配准方法,以调整两片点云重叠部分的初始位置。首先,利用SIFT算法提取两片点云公共部分的特征点;其次,根据特征点法向量之间的欧氏距离将两片点云的特征点两两配对;然后,利用法向量的夹角对特征点对进行提纯;最后,通过单位四元数法,求解出旋转及平移矩阵,完成粗配准。试验表明,本文基于特征点法向量的粗配准方法可为精配准提供良好的初始位置,在一定程度上避免配准时陷入局部最优的现象。     

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。     

基于改进ICP算法的点云配准研究

引入了基于点的曲率相似度度量的点云初匹配,提出了基于 kd-tree和随机平均采样的改进ICP算法,完成了点云的精配准。通过实验验证了改进ICP算法在效率上的明显提高及精度上的稳定性。     

基于特征点匹配及提纯的点云配准算法

针对传统的基于ICP点云配准算法配准时间长、收敛慢、需要较好初始配准等限制,本文利用现有的点云特征提取算法和描述算法,提取并匹配点云中的特征点,用RANSAC算法结合坐标转换模型剔除误匹配点对,用匹配点对在两点云中的坐标计算之间的坐标转换参数,从而实现点云的配准。相比ICP类算法,提高了点云配准的效率,同时提高了点云配准的自动化程度。     

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。     

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1~5 cm;融合配准比GA配准效率高约50%。     

基于特征点提取和匹配的点云配准算法

针对ICP算法配准需要两点云有较好的初始位置否则无法获取准确匹配结果的问题,提出一种新的粗配准算法。调整两片部分重叠点云的初始位置;在求取一点处法向量的基础上,利用点云曲率信息,提取特征点,获取两点云每一特征点处的属性向量;通过相似度函数评价,寻找匹配特征点对进行粗配准。试验表明,该基于特征点提取和匹配的方法可为ICP算法提供良好的点云初始位置,并提高配准精度和可靠性。     

基于几何特征约束的建筑物点云配准算法

针对人工建筑物表面存在的几何特征关系提出了基于几何特征约束的建筑物点云配准算法,根据点云数据中平面与平面重合关系,推导点在平面上和平面法线平行的2种线性不等约束条件。在6独立参数模型中增加几何特征约束的不等约束条件组成了附有约束条件的配准模型。通过对建筑物3维激光扫描点云数据的采集和处理,详细分析了几何特征约束配准算法的处理结果。试验结果分析表明几何特征约束条件可以合理地改善3维空间转换参数解算结果,提出的配准模型较适合于人工建筑物点云数据的配准。     

附加主方向判定的PCA点云数据初始配准算法

针对标准主成分分析(principal component analysis,PCA)算法配准未顾及不同点云数据集的主方向一致性造成的配准失真问题,基于空间向量理论提出一种附加主方向判定和调整的改进主成分分析点云数据初始配准算法,给出了该算法原理,在标准PCA算法基础上附加了主方向一致性判定条件,对不同点云数据集的方向采用向量积进行判定和调整,以保证点云初始配准的正确性.模拟实验结果表明:标准PCA配准算法未顾及不同点云数据的方向,致使配准结果出现错误,而附加主方向判定的PCA配准算法顾及了不同点云数据的方向而得到了正确的配准结果,可为后期点云数据的精确配准提供良好的初始位置.     

一种基于特征点的地面激光点云全局配准方法

针对当前地面激光扫描(TLS)点云配准自动化程度低且耗时的问题,本文提出一种基于特征点和改进FGR(fast global registration)算法的TLS点云全局配准方法。该方法一共分为三步:首先对点云进行粗差剔除和降采样;然后提取Do G(Difference-of-Gaussian)特征点和进行FPFH(fast point feature histogram)描述,进而进行双向一致性匹配;最后使用FGR算法进行优化获得点云之间初始参数,结合标准ICP算法实现TLS点云的高精度配准。利用7站地面激光点云数据进行实验,结果表明本方法可以在保证配准精度的前提下获得较高的配准效率。     

多测站激光点云数据的配准方法

三维激光扫描技术及其获取的点云数据处理技术是当前测绘领域研究的热点.多测站配准是处理点云数据的关键步骤之一,配准的方法将卣接影响到后续的数据处理及三维建模的精度.采用基于特征同名点的粗略配准和基于ICP算法的精确配准方法,结合某建筑物实例研究,获得较为精确的配准后点云数据,证明了此方法的有效性和可行性.