CN103020960A - 基于凸包不变性的点云配准方法 - Google Patents
基于凸包不变性的点云配准方法 Download PDFInfo
- Publication number
- CN103020960A CN103020960A CN2012104852482A CN201210485248A CN103020960A CN 103020960 A CN103020960 A CN 103020960A CN 2012104852482 A CN2012104852482 A CN 2012104852482A CN 201210485248 A CN201210485248 A CN 201210485248A CN 103020960 A CN103020960 A CN 103020960A
- Authority
- CN
- China
- Prior art keywords
- cloud
- triangle
- point cloud
- point
- transformation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明属于计算机视觉领域,鉴于传统的点云配准算法计算复杂度高,且对点云的初始位姿具有较强的依赖性,提出一种基于凸包不变性的点云配准方法。配准过程为:提取待配准的两个点云对应的三维凸包,将凸包表面分解为有限数量的有向三角形;根据三角形在允许误差范围内的全等判决条件,选取三角形的四个特征点,进行三角形变换关系的估计;利用参数优化算法,求解匹配参数,重复计算所有匹配关系对应的两个点云的相似性测度,最大相似性测度对应的变换参数即为最优刚性变换参数。本发明实现了多视点云的全局优化配准,并具备运算效率高、配准精度高、初始位姿适应性强的特点,可应用于物体跟踪、三维模型拼接及三维重建等领域。
Description
技术领域
本发明涉及一种基于凸包不变性的点云配准方法,可用于物体跟踪、三维模型拼接和三维重建等领域。
背景技术
点云配准主要用于解决两个或多个三维物体间的位姿或配准估计问题。其在许多领域均得到广泛的应用,包括物体的跟踪、三维模型拼合和三维重建等。点云配准的过程一般可描述为建立目标点云和参考点云之间的匹配关系。
在过去的几十年中,大量的算法被提出以解决点云的匹配。Besl等人提出迭代最邻近点(Iterative Closest Point,ICP)算法,该算法在六个自由度上均单调性收敛到邻近的最小值。该算法可有效的匹配自由曲线和自由曲面,及配准具有理想几何原型的点云数据。ICP的广泛应用因其对点云空间分布的敏感而存在局限性。ICP算法只能配准具有某些特定初始位姿的点云,当噪声点、杂乱点或者异常点存在时,该算法失效;另外,ICP的时间复杂度随待配准点云数目的增大而显著增大。
为解决ICP存在的缺陷,从该算法中衍生出多种改进算法。为降低系统对初始位姿的依赖,大量的学者引入不同的描述子对点云进行描述,或者通过不同的优化算法求取点云的匹配关系。另一方面,为降低算法的复杂度,大量的学者将点云子块化或者通过GPU一系列集成环境进行算法本身的加速。虽然目前提出的算法可在一定程度上有效解决原始点云配准算法的缺陷,但未从数据层次获得有效的解决措施,尚不能满足实际应用的要求。
因此需要一种有效的点云配准算法,能够计算目标点云和参考点云间的最优三维坐标变换关系并满足:(1)不依赖点云的初始位姿,具备较强的自适应性;(2)计算速度快,尽可能满足点云配准实际应用中的时间要求。
发明内容
为克服现有点云配准算法中存在的不足,本发明提供一种基于凸包不变性的点云配准方法,通过提取点云的凸包进行点云间的配准,旨在降低算法的计算复杂度及对点云初始位姿的依赖性。
该基于凸包不变性的点云配准方法,包括以下步骤:
第一步:提取可包含整个点云的最大凸多面体,其中凸多面体的顶点全部由点云中一系列满足预设条件的点构成;
第二步:将凸包表面分解为一系列三角形,三角形之间无重叠,且三角形顶点pA,pB,pC的定义满足以下关系:在右手坐标系中,差积Dir=(pB-pA)×(pC-pB)指向点云内部;
第三步:基于三维点云在欧式空间刚性变换中的凸包不变性,设定判断三角形全等判定阈值,提取两组凸包表面满足匹配关系的三角形对;
第四步:在满足条件的三角形配对中,设定三角形的四个特征点,包括三个顶点及沿过三角形重心指向点云内部的法线方向,距三角形平面单位距离的点;
第五步:根据三角形提取的四个特征点,建立欧式空间中几何变换关系的方程组,利用非线性阻尼最小二乘法优化变换参数,获得匹配三角形对之间的变换关系;
第六步:求取原始点云在第五步中获得的变换关系下的变换点云,求解变换点云和目标点云之间的相似性测度,选择最大相似性测度对应的变换参数描述点云间的最优变换。
本发明的有益效果:
与现有方法相比,本方法的优点在于利用欧式空间点云的凸包不变性进行点云的刚性配准,对点云本身初始位姿不具有依赖性,且可自适应校正初始位姿。本发明通过提取两组三维点云的凸包,以有向三角形描述凸包表面,获取两组凸包上全等三角形对的变换关系,确定点云之间具有最大相似性测度的匹配关系,即实现配准过程。实现简单,效率高,配准精度高。
附图说明
图1为本发明具体实施例的流程图。
具体实施方式
下面结合具体实施例和附图详细说明本发明,但本发明并不仅限于此。
步骤S101,对于一个有限大小的点云P∈R3,Conv(P)是在R3空间中包含P的相应的最小凸多面体,其中Conv(P)被定义为:
步骤S102,本发明提取的三维凸包被认为是由有限数量的有向三角形组成的凸多面体。三角形给定顶点pA,pB,pC,其有向性可描述为:在右手坐标系中,差积Dir=(pB-pA)×(pC-pB)指向点云内部。即:
DT={pA,pB,pC,Dir |pA,pB,pC∈Conv(P),Dir=(pB-pA)×(pC-pB)} (2)
步骤S103,在欧式空间内判断三角形全等的条件为:
其中lenk(DT),k=1,2,3顺次为三角形三边的欧氏距离,U为全等判定阈值,该阈值设置越小,有效的配对三角形就越少,计算效率越高。
步骤S104,确定点云凸包表面的有向三角形集后,通过配对两对点云的有向三角形,可确定两个位姿间的四对对应点,其中前三个点表示三角形的三个顶点,第四个点为沿过三角形重心指向点云内部的法线方向,距三角形平面单位距离的点。
步骤S105,欧氏变换的几何变换由六个参数描述,即TArg=T([αβγtx ty tz]),其中α,β,γ分别描述沿坐标轴x,y,z的旋转,tx,ty,tz分别表示坐标系沿x,y,z轴的平移。此时点的坐标变换可以表示为:
若以DT(M)i表示原始点云中有向三角形的四个点坐标,DT(S)j表示目标点云中有向三角形的四个点坐标,其中坐标(x,y,z)∈R3。优化的任务即求取TArg,其满足TArg·DT(M)i和DT(S)j之间的相似性测度I(TArg·DT(M)i,DT(S)j)最大,该优化过程采用Levenberg-Marquarat算法,目标函数可以概括为:
步骤S106,本发明选择矩阵的2范数作为相似性测度。
虽然参考优选实施例对本发明进行描述,但以上所述实例并不构成本发明保护范围的限定,任何在本发明的精神及原则内的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围内。
Claims (2)
1.基于凸包不变性的点云配准方法,其特征在于,包括以下步骤:
第一步:提取可包含整个点云的最大凸多面体,其中凸多面体的顶点全部由点云中一系列满足预设条件的点构成;
第二步:将凸包表面分解为一系列三角形,三角形之间无重叠,且三角形顶点pA,pB,pC的定义满足以下关系:在右手坐标系中,差积Dir=(pB-pA)×(pC-pB)指向点云内部;
第三步:基于三维点云在欧式空间刚性变换中的凸包不变性,设定判断三角形全等判定的阈值,提取两组凸包表面满足匹配关系的三角形对;
第四步:在满足条件的三角形配对中,设定三角形的四个特征点,包括三个顶点及沿过三角形重心指向点云内部的法线方向,距三角形平面单位距离的点;
第五步:根据三角形提取的四个特征点,建立欧式空间中几何变换关系的方程组,利用非线性阻尼最小二乘法优化变换参数,获得匹配三角形对之间的变换关系;
第六步:求取原始点云在第五步中获得的变换关系下的变换点云,求解变换点云和目标点云之间的相似性测度,选择最大相似性测度对应的变换参数描述点云间的最优变换。
2.如权利要求1所述的基于凸包不变性的点云配准方法,其特征在于,采用有限点数形成的凸包代替初始点云,完成欧式空间中刚性变换下的点云配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210485248.2A CN103020960B (zh) | 2012-11-26 | 2012-11-26 | 基于凸包不变性的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210485248.2A CN103020960B (zh) | 2012-11-26 | 2012-11-26 | 基于凸包不变性的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020960A true CN103020960A (zh) | 2013-04-03 |
CN103020960B CN103020960B (zh) | 2015-08-19 |
Family
ID=47969526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210485248.2A Active CN103020960B (zh) | 2012-11-26 | 2012-11-26 | 基于凸包不变性的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020960B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
CN104239531A (zh) * | 2014-09-19 | 2014-12-24 | 上海依图网络科技有限公司 | 一种基于局部视觉特征的精确比对方法 |
CN104318551A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于凸包特征检索的高斯混合模型点云配准方法 |
CN104318552A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于凸包投影图匹配的模型配准方法 |
CN105931238A (zh) * | 2016-04-19 | 2016-09-07 | 北京理工大学 | 一种粮仓储粮体积测量的方法和系统 |
CN107665496A (zh) * | 2017-08-25 | 2018-02-06 | 北京控制工程研究所 | 一种三维姿态配准方法 |
CN108140242A (zh) * | 2015-09-21 | 2018-06-08 | 西门子股份公司 | 视频摄像机与医学成像的配准 |
CN108324369A (zh) * | 2018-02-01 | 2018-07-27 | 艾瑞迈迪医疗科技(北京)有限公司 | 基于面的术中配准方法及神经导航设备 |
CN112825791A (zh) * | 2020-12-25 | 2021-05-25 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN115641365A (zh) * | 2022-08-25 | 2023-01-24 | 北京微视威信息科技有限公司 | 点云配准方法、系统、设备及介质 |
CN116125446A (zh) * | 2023-01-31 | 2023-05-16 | 清华大学 | 旋转驱动式多线激光雷达三维重建装置的标定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060204079A1 (en) * | 2005-03-10 | 2006-09-14 | Kabushiki Kaisha Toshiba | Pattern recognition apparatus and method |
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
CN101887525A (zh) * | 2010-07-09 | 2010-11-17 | 北京师范大学 | 基于分级的正反互逆的三维稠密点集快速配准方法 |
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
-
2012
- 2012-11-26 CN CN201210485248.2A patent/CN103020960B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060204079A1 (en) * | 2005-03-10 | 2006-09-14 | Kabushiki Kaisha Toshiba | Pattern recognition apparatus and method |
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
CN101887525A (zh) * | 2010-07-09 | 2010-11-17 | 北京师范大学 | 基于分级的正反互逆的三维稠密点集快速配准方法 |
CN102779345A (zh) * | 2012-07-03 | 2012-11-14 | 河海大学 | 一种基于重心欧氏距离的点云精确配准方法 |
Non-Patent Citations (1)
Title |
---|
XIANG-YU YU ET AL.: "POINTS MATCHING VIA ITERATIVE CONVEX HULL VERTICES PAIRING", 《PROCEEDINGS OF THE FOURTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310458B (zh) * | 2013-06-19 | 2016-05-11 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
CN103310458A (zh) * | 2013-06-19 | 2013-09-18 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
CN104239531B (zh) * | 2014-09-19 | 2017-09-26 | 上海依图网络科技有限公司 | 一种基于局部视觉特征的精确比对方法 |
CN104239531A (zh) * | 2014-09-19 | 2014-12-24 | 上海依图网络科技有限公司 | 一种基于局部视觉特征的精确比对方法 |
CN104318551A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于凸包特征检索的高斯混合模型点云配准方法 |
CN104318551B (zh) * | 2014-10-15 | 2017-07-11 | 北京理工大学 | 基于凸包特征检索的高斯混合模型点云配准方法 |
CN104318552B (zh) * | 2014-10-15 | 2017-07-14 | 北京理工大学 | 基于凸包投影图匹配的模型配准方法 |
CN104318552A (zh) * | 2014-10-15 | 2015-01-28 | 北京理工大学 | 基于凸包投影图匹配的模型配准方法 |
CN108140242A (zh) * | 2015-09-21 | 2018-06-08 | 西门子股份公司 | 视频摄像机与医学成像的配准 |
CN105931238A (zh) * | 2016-04-19 | 2016-09-07 | 北京理工大学 | 一种粮仓储粮体积测量的方法和系统 |
CN107665496B (zh) * | 2017-08-25 | 2020-04-10 | 北京控制工程研究所 | 一种三维姿态配准方法 |
CN107665496A (zh) * | 2017-08-25 | 2018-02-06 | 北京控制工程研究所 | 一种三维姿态配准方法 |
CN108324369A (zh) * | 2018-02-01 | 2018-07-27 | 艾瑞迈迪医疗科技(北京)有限公司 | 基于面的术中配准方法及神经导航设备 |
CN112825791A (zh) * | 2020-12-25 | 2021-05-25 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN112825791B (zh) * | 2020-12-25 | 2023-02-10 | 河南科技大学 | 一种基于深度学习与点云凸包化特征的奶牛体况评分方法 |
CN115641365A (zh) * | 2022-08-25 | 2023-01-24 | 北京微视威信息科技有限公司 | 点云配准方法、系统、设备及介质 |
CN115641365B (zh) * | 2022-08-25 | 2023-08-04 | 北京微视威信息科技有限公司 | 点云配准方法、系统、设备及介质 |
CN116125446A (zh) * | 2023-01-31 | 2023-05-16 | 清华大学 | 旋转驱动式多线激光雷达三维重建装置的标定方法及装置 |
CN116125446B (zh) * | 2023-01-31 | 2023-09-05 | 清华大学 | 旋转驱动式多线激光雷达三维重建装置的标定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103020960B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020960A (zh) | 基于凸包不变性的点云配准方法 | |
CN107818580B (zh) | 根据深度图对真实对象进行3d重建 | |
Liao et al. | Occlusion gesture recognition based on improved SSD | |
CN104318551B (zh) | 基于凸包特征检索的高斯混合模型点云配准方法 | |
CN103077509B (zh) | 利用离散立方体全景图实时合成连续平滑全景视频的方法 | |
Yun et al. | A hand gesture recognition method based on multi-feature fusion and template matching | |
CN104463856B (zh) | 基于法向量球的室外场景三维点云数据的地面提取方法 | |
CN104657713B (zh) | 一种可抗姿态和表情变化的三维人脸校准方法 | |
CN101615072A (zh) | 基于从图像灰度恢复形状技术的纹理力触觉再现方法 | |
CN106874580A (zh) | 一种基于点云数据的弯管模型重建方法 | |
CN106886980A (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN102411794B (zh) | 一种基于球谐变换的三维模型的二维投影的输出方法 | |
CN102999926B (zh) | 一种基于底层特征融合的图像视觉显著性计算方法 | |
CN103839253A (zh) | 一种基于局部仿射变换的任意点匹配方法 | |
CN104318552A (zh) | 基于凸包投影图匹配的模型配准方法 | |
CN103729886B (zh) | 一种基于顶点重定位的三角网格表面模型概率融合方法 | |
CN103824323A (zh) | 一种基于单幅二维图像的三维重建方法 | |
Zhang et al. | A new section line extraction method of ring forgings based on normal vector and L1-median | |
CN106023314A (zh) | 一种基于回转轴方向映射的b样条母曲线拟合方法 | |
Choi et al. | Continuous collision detection for composite quadric models | |
Yan et al. | Research on scattered points cloud denoising algorithm | |
Maimaitimin et al. | Surface-common-feature descriptor of point cloud data for deep learning | |
CN103714576A (zh) | 基于局部加权非相似性度量的三维关键点检测方法 | |
Qian et al. | An adaptive spherical collision detection and resolution method for deformable object simulation | |
CN104331879A (zh) | 基于机器视觉的道路检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180905 Address after: 100086 Qingyun contemporary building 13, 1306, room 9, mansion court garden, Qingyun Li, Haidian District, Beijing. Patentee after: Ari Mai Di medical technology (Beijing) Co., Ltd. Address before: 100081 No. 5, Zhongguancun South Street, Haidian District, Beijing Patentee before: BEIJING INSTITUTE OF TECHNOLOGY |