一种基于EGI和标准人脸模板的三维人脸点云拼合算法

对重合区域较少的两组不同角度获取的三维人脸点云数据,直接寻找对应点进行点云拼合的难度很大。为解决这一问题,提出一种基于EGI和标准人脸模板全自动点云数配准拼合算法。针对待配准的三维人脸点云以及标准人脸点云模型,首先通过局部最小二乘曲面拟合,估计每个点的法向和曲率,其次计算点云的扩展高斯图(EGI),然后利用EGI上对应的特征点计算欧拉角,分别使待配准三维人脸点云旋转至与人脸模型大致相同的位置,完成粗配准,并把粗配准结果作为新的初始位置。采用最近点迭代算法(ICP)分别对三维人脸点云与标准人脸模型进行精确配准,从而实现两组三维人脸点云的拼接。     

点云数据精简与配准研究

由于激光雷达等扫描设备得到的点云存在数据量大、数据中掺杂噪声较多等一系列问题,提出一种基于特征点保持的点云精简与配准方法。首先利用K-means算法对所有点云数据聚类,滤除掉噪声点云,再进行精简化处理;随后在精简的基础上用KD-tree对数据进行最近邻搜索以加快对应点查找速度,从而为配准节省一定的时间;最后根据欧氏距离选择合适的初值减少匹配误差。实验结果表明,精简后的点云数据保持了基本特征,一定程度上减少了配准时间和误差。     

基于BRISK特征的图像配准提取与描述研究

基于特征的图像配准方法作为一种重要的图像配准方法,是近年来图像配准技术的研究热点。本文对BRISK算法进行了详细的描述。详细介绍了FAST角点特征提取算法、尺度空间构造以及尺度空间关键点检测方法、关键点描述方法和特征点匹配算法,给出了算法实现基本流程图。     

一种用于点云配准的改进迭代最近点算法

经典的迭代最近点算法（ICP）收敛速度慢,在源点云和目标点云初始姿态不佳时存在容易陷入局部最优解等问题。针对上述问题构建一种结合快速点云粗配准的改进 ICP 算法。改进的 ICP 算法首先利用重心重合法进行两个点云集预处理,缩小平移误差,提高点云重叠度;然后采用随机采样一致性算法（RANSAC）实现两个点云集的粗配准,使两个点云集具有相对较好的初始位置姿态;最后利用体素栅格和 KD 树对 ICP 算法进行改进,实现点云精配准。将改进算法和经典 ICP、GICP 算法进行对比实验,结果表明：相较于经典 ICP 和GICP 算法,改进算法精度更高、速度更快。     

针对低质量点云的点云配准算法

在点云数据采集过程中,现场情况会导致点云数据质量下降,出现如点云残缺、点云稀疏、噪声等问题,传统点云配准算法在对低质量点云进行配准时会出现配准失败的问题。针对低质量点云配准的挑战,提出一种粗匹配和精匹配结合的算法,通过PPF方法进行粗匹配,将其计算结果作为ICP精匹配方法的迭代初值,提高算法的速度和精度。最后,分别针对稀疏点云、含噪声点云和残缺点云进行实验验证,证明了本算法的有效性。     

基于相位相关法与改进SURF算法的图像拼接方法

为避免相邻图像非重叠区域特征点被检测和提取,加速图像配准,提出一种基于相位相关法与改进SURF算法的快速图像拼接方法。该方法采用相位相关算法确定待拼接图像的重叠区域,限定SURF特征点检测、提取范围,用改进的SURF算法进行特征点匹配|然后根据MSAC算法剔除误配后的特征点匹配对,求取单应性矩阵,实现图像之间的快速配准|最后采用多波段融合算法对配准后的图像进行处理以消除拼接缝。实验结果表明,与传统算法相比,该方法可提高特征点匹配正确率,加速图像配准过程,完成拼接图像间的平滑过渡。     

纹理一致的多视角三维人脸点云配准与融合

在三维人脸建模和识别中,为获取信息更为完整的人脸数据,常常需要对多个视角下采集到的三维人脸点云进行配准和融合。传统的点云配准多使用ICP方法求取刚体变换,但由于人脸属于非刚体,容易因表情变化等引起形变,而且多视角人脸点云间的重合度较低,使用ICP方法效果较差。使用改进的BANICP方法进行人脸点云的配准,并提出一种多通道迭代光线补偿算法,可实现纹理一致的多视角三维人脸点云融合。     

基于RGB-D的云机器人3D SLAM实验系统

针对室内环境的三维视觉同步定位与地图构建(3D VSLAM)计算量大、耗时长、硬件要求高的问题,提出了一种基于RGB-D的云机器人VSLAM实验平台。采用Kinect传感器,获取环境的RGB图像和深度信息,采用金字塔Lucas-Kanade算法实现帧间FAST特征点的快速追踪与匹配,运用RANSAC算法进行初始配准,提取关键帧。借助于云计算动态供给、弹性计算的优势,将VSLAM中计算消耗大的精确配准、闭环检测和全局优化处理过程卸载至云端进行,以减轻本地处理器的运算负担。实验结果表明,该方法能够有效地减轻VSLAM对硬件的依赖度,缩短SLAM的执行时间并提高构图精度,为云机器人以较低的成本实现先进SLAM算法提供了有效的解决途径。     

物体表面不同角度采集的三维图像配准的一种新算法

提出了一种能有效实现物体表面三维图像数据配准的算法.该算法利用了三维数据采集时的三维点的阵列信息,这些三维点的阵列信息在采集原始三维数据时可以很容易获得,同时,还利用了三维数据矢量/顶点相似特征作为数据匹配的基础.采用迭代最小均方误差算法来自适应优化变换矩阵参数.这些方法可以有效地提高三维图像配准的性能,加快匹配过程的运算速度.实验结果表明该算法可以获得较好的配准后三维图像的主观效果.尽管该方法主要针对人头模型,但经过少许修改后即可适用于其他物体.     

移动机器人目标物体识别研究

基于视觉信息的运动目标识别是室内移动机器人自主导航的重要研究内容。背景噪声干扰、自然光照、机器人视角变化等因素经常影响识别稳定性。针对该问题,提出一种有效的目标物体识别方法,采用体素网格滤波和支持kd-tree结构对点云数据有效组织,以识别复杂环境中的物体。实验表明,该方法在满足实时性前提下,相比传统迭代最近点、采样一致性初始配准算法具有更高的准确率,更适合复杂环境下的物体识别。     

快速的自举鲁棒点匹配算法

鲁棒点匹配算法中的退火温度是按常数比率降低的,它导致运行时间长。文章基于对应关系矩阵的熵和退火温度是同时变化的现象,提出采用熵来建模退火温度,由此得到一种新的算法。尝试了两种实现方案,实验表明它们都比原算法高效,其中一种实现方案的鲁棒性和配准精度都非常接近原算法。     

基于角点LTS Hausdorff距离的图像配准技术

为了克服传统灰度图像配准方法计算量大、适应能力差等问题,研究了一种基于SIFT角点的图像配准方法。比较了常用的两种特征点提取算子——Harris角点算子和SIFT特征点提取算子,通过性能对比选择SIFT角点作为特征点。SIFT算子提取的特征点可能集中在某一个小区域,采用最大统计滤波对图像进行非最大抑制的方法来进行角点分布的控制。实验证明该方法可以获得的角点分布比较均匀;针对特征点的匹配,首先采用LTS Hausdorff距离进行特征点的初匹配,然后采用基于Sampson距离的随机抽样一致性算法去除伪匹配的特征点对。实验证明,该方法可以实现图像的精确配准。     

点云配准FPFH特征子异构并行优化研究

三维点云配准在逆向工程中应用广泛,能为古建筑保护实现三维建模提供精确的数据依据。针对大规模多视角古建筑点云数据进行配准,研究了FPFH特征提取的串行算法,设计了三类并行方案,分别为利用基于CPU的并行编程标准OpenMP进行并行优化加速、利用基于GPU的并行计算架构CUDA进行并行优化加速,以及利用CPU/GPU的异构并行,结合OpenMP和CUDA的特点应用于特征子求取。实验结果表明,第三种方案能合理设计并优化特征子求取,获得较为理想的加速比。     

数据点云预处理技术研究

从数据采集、精简、配准等方面讨论了数据点云的预处理.在第三部分,针对散乱数据点集,给出了的基于数学期望的数据点云预处理,精简并去掉分布较稀疏部分的数据点,并按照数学期望意义下数据密集的位置对点云进行了预处理.     

结合Delaunay三角网的自适应多尺度图像重叠域配准方法

为改进随机采样一致性算法模型参数估计可能不是最优导致图像特征点配准率不高的问题,缩短特征点提取时间,提出一种结合Delaunay三角网格约束的自适应多尺度图像重叠域配准方法。采用自适应通用加速分割检测算法,快速检测出均匀稳定的特征点,并且用二进制特征描述子解决尺度不变性和旋转不变性问题。因传统随机采样一致性算法阈值选取和迭代次数的局限性,会掺杂部分难筛的误配点,在此前提下借助Delaunay算法剖分粗匹配点集,遍历计算网格间对应三角形相似度并储存在相似性度量矩阵中。依据Delaunay三角网特性,剔除相似度差异大的三角形,重构网格保存余下的匹配点集。实验结果表明,该方法特征点提取速率比FAST快15%~20%,特征点正确配准率比随机采样一致性算法提高约4.9%,不仅可自适应多尺度快速提取特征点,而且在保证特征点正确配准率基础上尽量多地保留有效特征点数量。     

一种适用于多视角图像的配准方法

多视角图像的配准一直是国内外数字图像配准领域,研究的热点与难点。本文采用基于仿射不变的理论以及SIFT算法来实现多视角图像的配准。该算法对任意角度拍摄的图像具备较稳定的特征匹配能力。     

一种适用于多视角图像的配准方法

多视角图像的配准一直是国内外数字图像配准领域研究的热点与难点。本文采用基于仿射不变的理论以及SIFT算法来实现多视角图像的配准。该算法对任意角度拍摄的图像具备较稳定的特征匹配能力。     

三维点云数据分割研究现状

通过介绍三维点云数据分割的基本原理和特征,以及经典的点云数据集和测试平台,总结、对比现阶段各类点云分割算法的基本原理、特点和适用场景,指出现阶段点云分割算法存在现有算法的自适应能力差、大部分分割算法对异常点和噪声敏感,并且算法的分割效率也有待提升等问题.未来的研究除需解决上述问题外,还应充分利用点云数据的语境信息,进一步结合深度学习理论,从而提升点云分割效果.     

基于特征点的最近邻配准算法

利用尺度不变特征点的提取方法提取特征点,并对SIFT方法提取出的特征点用最近邻算法进行配准,在搜索最近邻特征点和次近邻特征点时使用了在K-D树搜索算法基础上进行改进的搜索算法BBF(Best Bin First)算法.实验证明该算法具有配准精度高,鲁棒性好的特点.     

浅谈SIFT算法对HJ-1 B影像自动配准研究

实现影像间自动配准的关键在于快速提取足够数量且精度高的匹配点。提取特征点的方法主要有基于特征和基于灰度两种。经过大量的实验证明,sift算法提取特征点,从粗略的提取特征点,再通过四步对已提取的特征点进行提纯,最后利用精度较高的匹配点进行计算影像间的变换参数,实现配准的自动化。