提出一种基于控制点一致性约束的稳健仿射迭代最近点算法,该方法通过建立控制点约束下的目标函数,引导数据点集仿射配准到目标点集,建立数据点集和目标点集的最近点对应关系,采用随机抽样一致性方法筛选高精度形状控制点,实现控制点约束下的目标函数更新仿射变换。实验结果表明,与传统的图像点集仿射配准算法相比,所提算法的准确性和稳健性显著提高。

为了解决三维点云在无序、数据被遮挡以及噪声干扰情况下的配准问题,提出了一种高维正交子空间映射的尺度点云配准算法。根据能量-功率的比值,对待配准点云进行等比例放大,完成仿射配准。在点云无序、数据被遮挡、尺寸放缩以及噪声干扰的情况下,所提算法与经典ICP(Iterative Closest Point)算法的配准精度相当。与经典ICP算法相比,所提算法对Bunny点云数据的配准效率提高了98%,对Dragon点云数据的配准速度至少提高了20倍,且在对大尺度Dragon点云数据的配准中,所提算法的配准时间比经典ICP算法短6210.4 s,配准精度也高于其他算法。所提算法不会陷入局部最小值,在快速精确配准和稳定性方面有明显的优势。

提出了一种基于典型相关分析的点云配准算法。对目标点云和待配准点云进行中心化处理,将其绕坐标原点进行转动,两组点云满足各维度间相关系数平方值最大;采用典型相关分析法,对两组转动矩阵进行求解;使用转动矩阵,求解两点云间刚性变换的旋转矩阵和平移向量,实现了点云的配准。利用协方差矩阵特征值的比例开方值,对待配准点云进行等比例放大,完成了仿射配准。当点云无序、数据存在遮挡、缺失不完整、放缩及有噪声干扰时,仿真结果表明,相比于其他几种算法,所提算法能快速精确配准,且稳定性良好。

提出了一种仅基于单个模板的人脸仿射配准方法。首先,为了克服人脸仿射变换而产生的局部形变,引入颜色特征来平衡模板人脸和目标人脸之间的颜色相似性和形状错配率,进而提出了一种基于颜色特征的人脸粗搜索算法。接着,采用人脸粗搜索算法得到的仿射变换作为初始约束,建立上步仿射约束下的人脸形状精确配准算法。在算法的每一步迭代中,利用前一步迭代得到的仿射变换,建立最近点的对应关系,并利用前步仿射约束下的目标函数求解新的仿射变换。本文算法成功解决了旋转、缩放和噪声干扰情况下人脸形状难以配准的问题。与传统人脸仿射配准算法相比,本文算法有效提高了人脸仿射配准的稳健性和精确性。