基于点云几何信息改进的自动配准方法

发布时间：2025-01-15 20:52

　　 针对工业流水线上激光扫描工件获得的点云数据的配准问题,提出了一种基于点云数据几何特征改进的点云自动配准新算法。新算法首先根据点云数据中法向量的变化规律选取特征点,作为初始的匹配点集;然后运用一种根据点对间距离约束优化的随机抽样一致(RANSAC)算法对数据初始匹配;并运用k-d tree加速改进的最近点迭代(ICP)算法进行精确匹配;并运用四元数法求得配准参数。分别对提出的新算法、PCA改进算法和经典ICP算法进行了实验,并对实验结果进行了对比。对比结果表明新算法能够实现配准,并显著提高了配准的速度和精度,表明了新算法的有效性,对实际应用具有一定的现实意义。

【文章页数】：6 页

【部分图文】：

图1 根据阈值ε1选取的特征点集

本文选取斯坦福Bunny点云数据作为实验模型,同时将点云模型处理,模拟出目标点云。通过本文方法选取的特征点如图1所示,观察可见点云中几何变化程度较大的点得到了保留。然后,对保留下来的所有点pm和qn与其k近邻点的特征度再进行比较,即这一点特征度是其k邻域所有点特征度的最大值,则保....

图3 根据距离不变性约束筛选的匹配点对

找出符合距离约束条件的匹配点对如图3所示,之后结合RANSAC即随机采样一致性算法对数据重新采样,完成初始配准。本文通过对比单位四元数算法[9],对偶四元数法[10]和奇异值分解法[11]的精确度和鲁棒性,最终选取单位四元数法求解。单位四元数算法具体为:假设存在单位四元向量qR=....

图4 原模型点云和处理后的点云示意图

为了验证本文算法的有效性和配准性能,设计了仿真对比实验。采用斯坦福大学网站提供的bunny模型作为模板点云进行了配准实验。运用本文的改进算法,经典ICP算法和PCA的改进算法[12]进行了比较,点云模型根据实验需要进行了处理。实验在Corei7-6820HKCPU,16GB内存,....

图5 两个点云模型在空间坐标系中的位置关系示意图

图4原模型点云和处理后的点云示意图粗配准结果如图6所示,从图中可见经过粗配准之后两个点云型得到了较好的位置关系。

本文编号：4027838