三维激光点云配准技术

　　三维激光扫描作为一种可以直接获取目标表面三维信息的传感技术，在目标检测、识别和重建等方面具有独特的技术优势。将基于不同视角下激光扫描设备采集到的多组三维点云进行旋转平移，把它们拼接为完整的三维点云模型，即三维点云配准技术。三维点云配准技术在计算机辅助技术、自动驾驶、城市建模、文物保护、医疗等领域应用广泛。点云配准作为点云处理中的一个举足轻重的环节，已发展成为近年来的热门研究领域，国内外学者针对点云配准提出许多算法。然而，由于激光雷达、Kinect传感器等现有扫描器件在获取完整的物体表面信息时，扫描得到的点云数据量庞大；而且受扫描环境影响，点云数据通常含有大量噪声；同时由于扫描视角、物体遮挡和设备型号等限制，使点云数据存在缺失及尺寸放缩等缺陷，导致现有配准方法配准效率低、精度差，无法满足现实工程应用要求。现有的三维点云配准算法大多是基于统计学提出的，包括独立成分分析、高斯核函数、主成分分析等，算法性能参差不齐，且仅针对特定方向提高点云配准性能，无法满足各领域的配准需求。如何提高点云配准精度与效率是目前亟待解决的问题。因此，本书针对点云配准算法在实际工程中的应用难点，以提高点云配准算法精度为出发点，基于经典点云配准算法，围绕点云配准算法中的关键技术问题开展相关研究工作。首先，基于数理统计相关性，提出了一种基于核典型相关分析的点云配准算法。该算法以统计学中对来自同一物体的多组变量计算相关性的方法为基础，以最大化相关系数为目标，从而对点云刚性变换关系进行求解。采用FPFH算法在源点云中搜寻目标点云的对应点云，使得源点云几何形态与目标点云尽量一致。采用核典型相关分析方法估算出源点云与目标点云的变换矩阵，并根据变换矩阵求解出旋转矩阵，进而求解出平移向量。利用开源数据与现场扫描数据在不同条件下同几种传统算法的配准结果进行对比，分析了基于核典型相关分析的点云配准算法在多种条件下的优点与缺陷。其次，基于点云数据的概率分布特性，提出了一种基于柯西混合模型的点云配准算法。该算法不考虑两点云数据的对应属性，只需要根据点云数据本身的概率分布对刚性变换的几何关系进行求解。选用相同阶数的柯西混合模型分别对源点云与目标点云数据的概率分布进行拟合，将刚性变换下的点云配准模型拓展为柯西混合模型。根据贝叶斯公式和琴生不等式构造出极大似然函数，并采用期望最大化算法对混合模型中的各项参数进行更新直至收敛。利用最大权重对应模型的协方差矩阵求解旋转矩阵，进而求解出平移向量，并根据对应模型的中心点估算出放缩比例。利用开源数据与现场扫描数据在不同条件下同几种传统算法的配准结果进行对比，分析了该算法的特点，验证了该算法能有效地配准仿射情况下的点云，且具备良好的抗噪能力。再次，提出了基于多种群遗传算法的点云数据配准。以基于遗传算法的点云数据配准方法为指导，首先通过多种群遗传算法将待配准点云数据进行分割，然后将分割得到的5组数据利用遗传算法进行优秀点集筛选，针对5组数据依据实验经验设定每组数据的遗传因子和移民算子值，最后将得到的5组优秀点集集合成下一代精华点集并代入ICP算法进行点云配准。通过实验证明了MPGAICP算法针对不同形变和点云数据条件下的配准鲁棒性较好，针对不同情况的点云数据仍能有效地提升点云配准的精度。最后，提出了双通道最优选择模型DCOS，解决单一算法泛化性能弱的问题。通过求解2种单一点云配准算法的配准误差，计算算法权重，构建最优模型。在二维刚性、三维刚性、三维非刚性等不同类型点云数据中，根据实际需求，选择符合要求的算法，送入DCOS模型进行配准，并将其配准结果与单一点云配准算法比较。实验结果表明，DCOS相较于所选任意2种单一算法的配准误差均有所下降，证明了DCOS算法可以有效地提升点云配准精度，具有较强的鲁棒性。本书基于点云的统计特性提出了基于核典型相关分析和基于柯西混合模型的2种新型点云配准算法，并基于多种群遗传算法改进了经典的点云配准算法，最后针对实际工程应用难点，提出了双通道最优选择模型，弥补单一算法泛化性能差的缺陷，为点云配准的实际工程应用提供了新思路。本书由刘明哲主持撰写，刘明哲负责第1章、第2章、第8章的撰写，并对全书进行了校订，李冬芬撰写本书的第3章、第4章，王涛撰写本书的第5章、第6章，李博撰写本书的第7章。由于编者水平有限，尽管在撰写中力求准确，但不足之处在所难免，有待改进和提高，敬请读者批评指正。

暂缺《三维激光点云配准技术》作者简介

第1章绪论
1.1问题提出及意义
1.2点云配准研究现状
1.2.1点云处理理论
1.2.2点云配准研究现状
1.3点云配准研究内容
第2章点云配准技术概述
2.1点云定义与数据类型
2.2点云数据配准
2.2.1点云数据粗配准
2.2.2点云数据精细配准
2.3点云误差评价指标
2.4点云数据集
2.5本章小结
第3章点云配准经典算法
3.1ICP配准算法原理
3.2改进的ICP配准算法
3.2.1GOICP算法
3.2.2ScaleICP算法
3.3基于统计学的点云配准算法
3.3.1PAC算法
3.3.2ICA算法
3.3.3CPD算法
3.3.4NDT算法
3.4本章小结
第4章基于核典型相关分析的点云配准算法
4.1CauchySchwarz不等式
4.2典型相关分析
4.3核典型相关分析
4.4基于核典型相关分析的点云配准
4.5实验及结果分析
4.5.1经典配准
4.5.2不同噪声环境下的点云配准
4.5.3不同遮挡环境下的点云配准
4.5.4放缩配准
4.6实物扫描配准
4.7本章小结
第5章基于柯西混合模型的点云配准算法
5.1柯西分布
5.2柯西混合模型
5.3基于柯西混合模型的点云配准
5.4基于EM算法的参数估计
5.5实验及结果分析
5.5.1无噪声、无缺失环境下的点云配准
5.5.2有噪声、无缺失环境下的点云配准
5.5.3数据缺失环境下的点云配准
5.5.4有噪声、有缺失及放缩环境下的点云配准
5.6现场扫描数据配准
5.7本章小结
第6章基于ICP的点云配准改进算法
6.1基于遗传算法的ICP配准方法
6.1.1遗传算法基本原理
6.1.2基于遗传算法的点云配准
6.1.3仿真分析
6.2基于多种群遗传算法的ICP配准方法
6.2.1多种群遗传算法基本原理
6.2.2基于多种群遗传算法的ICP改进配准算法
6.2.3仿真分析
6.3实验及结果分析
6.4本章小结
第7章基于双通道最优选择的点云配准
7.1双通道最优选择模型
7.1.1组合预测模型
7.1.2双通道最优选择原理
7.2基于双通道最优选择的点云配准方法
7.3实验及结果分析
7.3.1双通道模型选择及实现
7.3.2实验结果分析
7.4本章小结
第8章本书结论及趋势展望
8.1本书结论
8.2趋势展望
参考文献