基于局部几何特征的稠密点云配准方法

针对现有的稠密点云配准方法依赖初始位置设定、计算成本高、配准成功率不高等问题，提出了一种基于点云局部几何特征的稠密点云配准方法。采用深度卷积网络模型提取点云的局部几何特征，从而减少了三维点云数据的噪声、低分辨率和不完备性等带来的影响。在此基础上，使用K维树搜索完成局部几何特征描述子的关联工作。最后，通过随机采样一致算法对点云的相对位姿进行鲁棒的估计。通过对开源数据集上5个典型场景中的数据测试表明，该方法的配准成功率达到92.5%，配准精度达到0.0434m，配准时间相对最邻点迭代配准算法缩短了74.7%，实验结果验证了该方法的有效性、实时性和鲁棒性。     

基于测地线距离的空间非合作目标点云配准

针对局部结构相似及翻滚遮挡下目标动态特性辨识问题，提出一种融合疏密度指标与全局测地线距离的空间非合作目标点云配准方法。首先，引入球面投影法，将不规则的空间目标点云映射到规则的球面流形上。然后，设计基于点云离散程度的疏密度评价指标，将球面点云划分为不同的局部点云子集，在此基础上构建全局测地线距离矩阵以增强点云局部形状信息的感知能力。最后，依据全局测地线距离矩阵推导建立了场景点云与模型点云间配准矩阵，实现空间非合作目标的动态特性辨识。仿真与试验结果表明：提出的算法在目标局部结构相似及点云缺失下的配准精度优于最近迭代点（ICP）算法与基于凸包粗配准的改进ICP算法。     

动态环境下融合激光雷达和IMU的激光里程计设计

激光SLAM通常通过多帧点云配准,完成位姿变换矩阵的估计,而点云中的动态点会降低激光里程计的定位精度。为了减少动态点引入的误差,提出了一种动态点云识别算法,并结合该算法改进了传统特征匹配策略,组成了动态环境下融合激光雷达和IMU的激光里程计。通过约束范围角与动态中心点,将点云快速分割成多个簇类,再借助IMU信息,快速建立点云簇类配准关系,从而去除动态点,最后根据簇类的对应关系进行约束,以提高匹配的精度与速度。使用KITTI数据集和UGV在多个情形下进行了实验。实验结果表明,该算法可以成功识别点云中的多个动态对象,并通过去除动态点,有效地减少了位姿估计的累积误差。     

ICP配准算法的影响因素及评价指标分析

基于3D激光雷达传感器的同时定位与地图构建(SLAM)技术,是机器人自主定位解决方案的核心。三维点云配准环节是3D激光雷达SLAM实现自身定位与地图构建的关键所在。重点围绕ICP算法在三维激光点云配准中的应用开展研究,首先对ICP算法的配准原理及其求解过程进行详细分析,其次介绍了ICP的影响因素并提出了相应的评价指标,最后测试了ICP算法在不同角度和位移下的配准效果并进行了实验分析。     

一种检测特征引导的飞机零件模型配准方法

模型配准是飞机零件数字化检测的关键。提出一种检测特征引导的模型配准方法,分析零件检测中的配准问题,建立模型配准的数学模型,根据零件检测特征点的选取策略以及模型配准的可靠性分析,预先规划出CAD模型上的目标匹配点集,采用基于奇异值分解的最近点迭代(SVD-ICP)算法实现精确配准。试验证明了该方法的有效性,提高了配准效率和可靠性。     

基于定位特征点的叶片锥束CT点云模型配准方法

针对实际生产过程中锥束CT检测空心涡轮叶片的点云数据与计算机辅助设计模型的配准问题,提出了一种基于定位特征点的叶片锥束CT点云模型配准方法。首先将点云数据与计算机辅助设计模型进行预配准;然后查找空心涡轮叶片的设计定位特征点坐标;最后根据定位基准点寻找点云数据上与之对应的基准点,并建立各自坐标系,根据坐标系进行几何变换,迭代直至满足要求,从而完成精确配准。试验结果表明,该方法很好地实现了锥束CT点云模型的配准定位,满足了实际生产要求。     

航空发动机直纹叶片的线形特征点云构造算法

针对航空领域形状复杂、高精度的直纹叶片曲面的逆向设计问题,借助该类叶片曲面的几何特征,提出一种线形特征点云的构造算法.在对叶片散乱点云边界进行快速识别的基础上,采用反投影法提取直纹母线矢量,利用退火算法求解边界数据点配准的多目标优化问题,以实现边界点云数据的非刚性配准.根据配准结果构造等分点,进而得到规则有序的线形特征点云,达到快速生成高质量叶片曲面的目的.本算法在处理直纹叶片点云数据方面具有较好的效果.对直纹叶片的曲面重建具有一定的理论意义和应用价值,通过实验验证了该算法的可行性.     

航拍视频帧间快速配准算法

 为应对相机运动的影响,提出了一种快速有效的无人机(UAV)视频相邻帧图像配准算法。通过空间分布约束和角点量限制来筛选有效的FAST特征点,引入自适应阈值提高特征点检测的环境适应性,采用训练得到的不相关采样点集对特征点进行二值描述,以获得准确快速的特征描述,并通过最近邻算法根据汉明距离获得特征匹配对,最后运用RANSAC方法得到帧间仿射变换模型参数,消除相机运动带来的影响,为后续运动目标检测与跟踪提供保障。实验结果表明该算法快速、稳定,具有较高的环境适应性,能够满足无人机系统视频图像配准的要求。     

基于点特征的干涉合成孔径雷达(InSAR)复图像自动配准算法

 在基于点特征的遥感图像配准过程中，特征点的自动提取和准确匹配是影响配准精度的关键。本文提出了一种干涉合成孔径雷达(InSAR)复图像对的自动配准算法，利用特征点的高曲率结构设计了模板，完成了特征点检测；根据匹配点对之间距离相近的结论设计了匹配算法，进行了特征点对的匹配。文章首先通过边缘检测和模板相关提取特征点；其次根据提出的匹配算法建立点的对应关系；最后利用两步法完成复图像的亚像元级配准。实验结果表明，该算法具有较高的配准精度。     

ICP算法在叶型点云数据配准中的应用

针对叶片截面型线测量点云数据与理论点云数据的配准问题,研究了将ICP算法应用于叶型点云数据配准的方法。首先概述了叶型测量数据与理论数据的匹配问题;然后阐述了基于ICP算法的叶型点云数据配准方法,并在MATLAB平台进行了配准实现;最后给出了配准实例,并将配准结果与点云处理软件CloudCompare的匹配结果进行了对比,验证了该方法的准确性。     

基于Kinect三维重建的地下井室可视化方法研究

针对现有地下井室病害探测与维护方法的不足,提出了一种基于Kinect三维重建的地下井室可视化方法,以实现其三维可视化探测与维护.还提出了一种基于多项式曲面拟合的Kinect深度测量误差修正方法,利用联合双边滤波算法对深度图像数据进行预处理;结合SIFT特征匹配和改进的RANSAC算法获取相邻点云间的初始位姿,并利用基于...     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。     

激光室内定位的混合式高效点云地图构建方法CSCD

针对机器人在室内定位中存在的点云地图形式单一、存储空间大等问题,提出了一种包含特征地图、通行地图和精简地图的混合形式地图构建方法。构建特征地图时,利用曲率、法线和局部显著性等要素提取环境中的显著特征点。构建通行地图时,首先,采用区域生长分割平面;其次,基于室内曼哈顿假设,利用平面空间关系分割出地平面;最后,根据预设高度构建出2D通行地图,并将3D边缘信息融入到通行地图中。在精简地图中,分别采用主方向权重、随机采样和K均值聚类方法对不同类型体素网格内点云进行精简。实验表明,特征地图可为机器人提供丰富的特征信息。通行地图中地面分割的准确度大于95%,可提供准确的先验通行信息。精简地图有效降低了点云地图的冗余度,在精简比例达到95%时,仍可取得0.8mm的平均模型误差,其精简性能优于传统的随机采样和体素格网方法。     

基于点云聚类评估的激光雷达鲁棒定位方法CSCD

基于先验地图的激光雷达定位方法在封闭工业场景下得到了广泛应用,然而环境变化、行人和车辆等动态物体的干扰会影响激光雷达与先验地图的匹配精度。提出了一种动态环境下基于点云聚类评估的三维激光雷达鲁棒定位方法:通过设定角度和距离双阈值,对点云深度图像进行分割聚类,相较于传统分割方法,分割结果对点云噪声更为鲁棒;通过对原始点云进行分割聚类,在粗匹配结果下评估聚类的匹配度,剔除误匹配聚类进行二次匹配以提高匹配精度;通过聚类评估的结果判断匹配成功和失败的点对,进而对点云整体匹配结果的正确性进行评估,相较于传统仅基于距离阈值的判断准则,具有更高的准确性;最终,分别通过公开数据集和实际试验验证了该算法的有效性。试验结果表明,相较于传统匹配方法,该方法有效提高了动态场景下的定位精度和匹配结果评估的准确度,定位误差可以维持在10cm以内。     

月面环境三维激光SLAM技术

同步建图与定位（SLAM）可实现月球车在未知复杂月面环境下的定位与导航,月球表面由陨坑、石头等起伏地形构成,缺乏树木、建筑物等地面存有的显著特征,大量特征不显著的点云数据会对月球车定位精度和实时性造成影响。本文提出了一种针对月面环境的显著特征点云提取方法以及基于曲面定位能力估计的增量式优化算法,通过Fisher信息矩阵计算曲面定位能力指标,获取机器人位姿估计的不确定性测量,利用增量式的SLAM方案进行优化,用于提高定位精度与实时性。通过在Gazebo （物理仿真平台）仿真场景下的测试,验证了算法性能。     

基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法CSCD

通过结合目标跟踪与相对定位,在对多帧检测目标进行关联与分析的同时,可以获取其三维信息。但当目标外观特征变换较大时,传统目标跟踪算法较易发生漏匹配或身份变换,而仅依靠对齐点云的相对定位算法较易出现定位失效的情况。针对以上问题,提出了一种基于改进DeepSORT的目标跟踪与定位方法在原始DeepSORT算法中加入基于位置约束的匹配,解决了因外观改变导致的漏匹配问题;在获取跟踪信息的基础上,设计了基于目标运动模型的相对定位方法,解决了图像中目标较小时相对定位不连续且定位精度较低的问题。试验结果表明,与传统DeepSORT算法相比,多目标跟踪准确度提高了5.9%;与仅依靠对齐点云的相对定位算法相比,定位精度提高了62.4%。     

基于多特征点参数权值优化的蒙皮点云去噪研究

点云去噪的效果对三维扫描过程后续的曲面拟合与造型设计至关重要，如何快速准确提取特征点已成为研究热点，然而点云去噪的关键之处在于奇异值与离群值的检测。提出耦合多特征点参数的去噪模型，分别讨论每个特征点参数对去噪模型的影响程度；采用群智能算法求解出一组最优参数权重，以此确定点云去噪模型，从而达到三维散乱点云最优去噪效果；通过对Bunny 模型进行去噪仿真以及某一型号的蒙皮进行去噪实验，对去噪模型进行验证。结果表明：本文提出的点云去噪模型相较于半径滤波器、统计滤波器、改进体素滤波结合高斯滤波模型，迭代更快、耗时更少，具有更好的去噪效果。