综述 | 关于点云配准的全面综述（二）

最新推荐文章于 2025-05-22 08:58:25 发布
原创 最新推荐文章于 2025-05-22 08:58:25 发布 · 1k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #算法 #机器学习

本文对同源和跨源域的点云配准进行全面调查，回顾跨源点云配准，评估现有先进配准方法。介绍基于优化、特征学习和端到端学习的配准方法，总结不同方法间联系、可能应用，还提出未来研究方向和开放问题。

 原创 | 文 BFT机器人

图片

05

基于优化的配准方法

基于优化的方法的关键思想是开发复杂的优化策略来实现方程（1）中非线性问题的最优解。

图片

由于同源挑战的影响，这个非线性问题变得具有挑战性。图（2a）总结了该类别的主要过程。基于优化策略，本节概述了四种类型的优化方法：基于ICP的变化、基于图、基于GMM和半定配准方法。图3说明了几种里程碑方法。

图片

图3：最相关的基于优化的方法的时间概述

5.1 基于ICP的配准

基于ICP的配准方法包含两个主要步骤：对应估计和变换估计。关键的研究思路分为两部分，如图2a所示：鲁棒对应估计和精确变换估计。

对应是位于对象或场景的相同位置的两个点，其中每个点来自不同的点云。由于上述相同源挑战的影响，对应估计变得具有挑战性。距离度量有三种类型：点到点、点到平面和平面到平面度量来获得对应关系。我们将提供有关这些距离度量的详细信息并回顾相关文献。

点对点度量使用点对点坐标距离或特征距离来寻找最接近的点对作为对应关系。为了获得更好的对应性，提出了遵循这个概念的许多变体。例如，ICP[6]使用原始的点到点距离度量。EfficientVarICP[85]总结了ICP过程，并提出了几种提高ICP过程算法速度的策略。IMLP[7]通过将测量噪声纳入变换估计中来改进 ICP。

图片

点到平面度量是通过最小化一个点云中的点与点云中相应的局部平面之间

最低0.47元/天 解锁文章
BFT白芙堂
关注
点云配准算法综述-完整解读
m0_47313541的博客
05-29 1051
基于优化的配准是利用优化策略估计变换矩阵。大多数基于优化的配准方法[104]、[54]、[78]、[15]包含两个阶段：对应搜索和变换估计。图（a）总结了这一类别的主要过程。
点云 ｜ 点云配准与拼接算法综述：原理、公式、代码及开源资源
最新发布
尘世冰封的专栏
09-08 572
点云配准是三维视觉领域的核心任务，旨在通过求解刚性变换（旋转矩阵R∈SO(3)和平移向量t∈ℝ³）将不同视角或时间采集的点云对齐至统一坐标系。其数学定义为寻找最优变换T=(Rt)，使源点云P经变换后与目标点云QT∗arg⁡min⁡Rt∑i1N∥Rpit−qϕi∥2T∗argRtmin​i1∑N​∥Rpi​t−qϕi​∥2其中ϕi\phi(i)ϕi表示点对对应关系[9]。
点云配准综述一篇综述《A comprehensive survey on point cloud registration》（翻译）
u010484388的博客
06-26 8546
文章将配准方法分为了同源配准和不同源（跨源）数据配准，同源配准分为了基于优化的方法，基于特征的方法，基于端到端的配准算法。
点云配准的端到端深度神经网络：ICCV2019论文解读
吴建明wujianming_110117
03-27 2650
点云配准的端到端深度神经网络：ICCV2019论文解读 DeepVCP: An End-to-End Deep Neural Network for Point Cloud Registration 论文链接： http://openaccess.thecvf.com/content_ICCV_2019/papers/Lu_DeepVCP_An_End-to-End_Deep_Neural_Ne...
基于深度学习的单模医学图像配准综述（附VoxelMorph配准实例）
热门推荐
zuzhiang的博客
09-15 3万+
本文是基于深度学习的单模态医学图像配准的综述，除了介绍配准任务、配准过程之外，还会从实际操作出发，以经典的VoxelMorph为例做详细介绍。如果有什么讲的不清楚的地方欢迎大家留言讨论，如果有什么错误的地方，也恳请大家不吝赐教。 一、配准简介 配准问题简单来说就是让一张图像对齐到另一张图像，使得对齐后的图像尽可能相似。即，给定一个浮动图像（moving image）IMI_MIM​和一张固定图像（fixed image）IFI_FIF​。预测一个位移场uuu，进而得到形变场（deformation fie
点云配准的综述和代码记录
weixin_50161877的博客
03-21 1412
思路：为了减少标注量，做一些3D的配准，这样只需要标注一帧图像，然后通过配准找到两帧图像之间的相机的位姿变换矩阵，然后原始标注数据*位姿变换矩阵 = new 一帧的标注数据。
综述 | 关于点云配准的全面综述（一）
Hinyeung2021的博客
09-27 1144
然而，基于优化的方法和深度学习方法之间的联系仍不清楚。本次综述进行了全面的调查，包括同源和跨源配准方法，并总结了基于优化的方法和深度学习方法之间的联系，以提供进一步的研究见解。我们构建了一个新颖的跨源点云基准，然后，在新的跨源点云基准上评估和比较现有最先进的配准算法的性能。由于点云是从不同类型的传感器捕获的，并且不同类型的传感器包含不同的成像机制中，配准问题中的跨源挑战比同源挑战复杂得多。在本文中，我们将对点云配准进行全面审查，并建立一个新的跨源点云基准来评估最先进的配准方法在解决这些挑战方面的性能。
计算机视觉与深度学习 ｜ 点云配准算法综述（1992-2025）
尘世冰封的专栏
05-05 1476
点云配准是三维视觉中的核心任务，旨在通过求解刚性变换（旋转、平移）将不同视角或时间采集的点云对齐到同一坐标系。其应用涵盖三维重建、自动驾驶、机器人导航等领域。以下从算法分类、原理、公式及代码实现角度展开。
点云配准（Point Cloud Registration）方法综述
qq_57082933的博客
05-22 2158
点云配准是将多个点云数据对齐到同一坐标系下的技术，广泛应用于3D重建、机器人导航、SLAM和工业检测等领域。配准方法主要分为以下几类：1）基于迭代优化的方法，如ICP和NDT，适用于快速精调但依赖初始位置；2）基于特征的方法，如FPFH和SHOT，适合粗配准和多视图拼接；3）基于学习的方法，如DCP和PRNet，对噪声和遮挡具有较强鲁棒性，但需要大量训练数据；4）概率与优化方法，如CPD和Go-ICP，支持非刚性配准，适用于医学和人体建模；5）SLAM框架中的实时配准方法，如LOAM和Cartographe
图像配准经典算法
始于足下
02-25 6145
2024年02月25日更新参考文档如下：1.可见光与SAR关键技术研究2.图像配准代码。
三维点集配准trICP
09-04
三维点集配准 迭代最近点法 截尾误差 可用于图像配准、立体匹配
使用高斯混合模型的双阶段大点集配准
03-13
使用高斯混合模型的双阶段大点集配准
Open3d之多视角点云配准
ancy的博客
02-17 4585
多视角配准是在全局空间中对齐多个几何形状的过程。比较有代表性的是，输入是一组几何形状{ P i } \lbrace P_i\rbrace{Pi​}（可以是点云或者RGBD图像）。输出是一组刚性变换{ T i } \lbrace T_i \rbrace{Ti​}，变换后的点云{ T i P i } \lbrace T_i P_i \rbrace{Ti​Pi​}可以在全局空间中对齐。 Open3d通过姿态图估计提供了多视角配准的接口。具体的技术细节请参考[Choi2015]. 输入 教程代码的第一部分...
点集配准---CPD(Coherent Point Drift)
吕爽
11-28 1万+
点集配准—CPD(Coherent Point Drift)
三维点云处理第三章（3）--GMM（高斯混合模型）
qq_53372894的博客
07-09 1569
混合高斯模型就是把每一个类都用一个高斯分布来描述。K-Means对每一个类是没有建模的，它只是给一个中心点，GMM进一步的用高斯模型来描绘这个类里面的数据。也就是说，现在每一个类是一个概率模型，也就可以给出每一个点属于哪一个类的概率。
使用高斯混合模型的点云配准
自强不息，知行合一
08-17 4106
最近在学习基于概率模型的点云配准方法，上一篇中学习的是基于NDT（Normal Distribution Transform）的点云配准方法，其中关键是将点云进行体素单元格划分，并将每个体素单元格用一个概率密度函数表示。 今天读了另一篇论文《Robust Point Set Registration Using Gaussian Mixture Models》，这篇论文也是基于概率模型进行点云配准，论文实现的关键思想是将输入点集用高斯混合模型进行表示，由于高斯函数和正态分布在我看来还是一回事，因此下文我与
点云配准论文阅读4--PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation PointNet
dc爱傲雪和技术
03-21 1289
在本文中，我们探索了能够推理 3D 几何数据（例如点云或网格）的深度学习架构。典型的卷积架构需要高度规则的输入数据格式，例如图像网格或 3D 体素的数据格式，以便执行权重共享和其他内核优化。由于点云或网格不采用常规格式，因此大多数研究人员通常将此类数据转换为常规 3D 体素网格或图像集合（例如视图），然后再将其输入深度网络架构。然而，这种数据表示转换使生成的数据变得不必要地庞大，同时还引入了可能掩盖数据自然不变性的量化伪影。
基于深度学习方法的点云算法1——PointNetLK（点云配准）
zhazhaqiangdedad的博客
05-18 1万+
作者将PointNet看成一个可学习的成像函数（learnable “imaging” function），然后就可以将用于图像对齐的LK算法应用于点云配准。作者主要贡献如下： （1）修改LK算法，使其适用于PointNet； （2）将LK与PointNet相结合得到PoinNetLK。 本文为深度学习在点云配准中的应用开辟了新的途径。..................
**三维点云配准的高斯混合模型——构建更智能、高效的数据处理方案**
gitblog_00010的博客
06-24 596
三维点云配准的高斯混合模型——构建更智能、高效的数据处理方案 在日益增长的数据洪流中，特别是涉及三维空间信息时，如何精准地匹配与理解复杂的环境成为了自动驾驶、机器人学以及计算机视觉领域的核心挑战之一。Gaussian Mixture Models for 3D Point Cloud Registration，这个由宾夕法尼亚大学CIS 565课程团队开发的项目，正是一把开启三维世界奥秘的钥匙。 ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值