针对工业场景下经典迭代最近点(iterative closest point,ICP)算法在点云位姿估计中初始位姿敏感度高、迭代时间长的问题,提出一种基于RGB图像的快速点云配准方法。分别采集RGB图像和点云数据,使用ORB(oriented FAST and rotated BRIEF...
详细信息
针对工业场景下经典迭代最近点(iterative closest point,ICP)算法在点云位姿估计中初始位姿敏感度高、迭代时间长的问题,提出一种基于RGB图像的快速点云配准方法。分别采集RGB图像和点云数据,使用ORB(oriented FAST and rotated BRIEF)算法提取RGB图像特征点,利用Brute-Force算法进行初始匹配,采用随机采样一致性算法优化匹配,得到单应矩阵和旋转平移矩阵,求解汽车零配件初始位姿。进一步采用主成分分析法和双向KD树近邻搜索算法对预处理后的点云数据进行精确配准。实验结果表明,所提算法相较ICP算法,在配准速度和精度上分别提高了87.2%和5.0%,相对于FR-ICP(fast and robust iterative closest point)算法,在配准精度相当的情况下,配准速度提高了55%。
提出了一种分层块状全局搜索到临近点局部搜索的改进迭代最近点(ICP)算法,用于进一步提高ICP算法的配准速度并消除点云缺失对点云配准的影响。该配准方法在粗略配准之后,以点云块为分层单元对模型点集进行选取,并对选取的少量模型点进行全局搜索获取其对应最近点;然后,以这些模型点对应的最近点作为搜索中心,在场景点集中进行局部搜索,获取这些模型点的大量临近点的对应最近点;最后,剔除错误对应最近点对,并求取坐标变换。与基于KD-Tree的ICP算法和基于LS+HS(Logarithmic Search Combined with Hierarchical Model Point Selection)的ICP算法相比,该配准算法对Happy bunny扫描数据的配准速度分别提高了78%和24%;对Dragon扫描数据的配准速度分别提高了73%和30%。这些结果表明该算法可以快速、精确地实现三维点云间的配准。
暂无评论