CN105654483A - 三维点云全自动配准方法 - Google Patents

Abstract

本发明公开了一种三维点云全自动配准方法，包括如下：输入两组点云数据A和B，分别计算两组点云数据A和B的法向和边界，简化数据去除边界点；对预处理后的点云数据A和B进行计算三维特征处理分别得到相应的三维特征描述子KeyA和KeyB；对KeyA中的每个数据，在KeyB中查找与KeyA中的每个数据最近的几个点作为初步对应点，在这些初步对应点中去掉部分不符合预定条件的对应点，得到最终候选点对集合；对每一组候选点对，分别计算出刚体变换矩阵构成候选矩阵集合；根据候选矩阵集合对每个候选矩阵计算可信因子，选取可信因子最大的候选矩阵作为最终的刚体变换矩阵，通过该刚体变换矩阵把源点云转换到目标点云的坐标系下。

Description

三维点云全自动配准方法

技术领域

本发明涉及逆向工程领域，特别涉及一种三维点云全自动配准方法。

背景技术

点云配准是逆向工程领域中的一个重要课题，由于光的线性传播特性，在一个视角下测量仪只能采集到物体一部分表面数据，物体整个表面的数据需要从不同的视角下对物体进行数次扫描测量来完成，但每次扫描都是在当前坐标系下进行的，因此需要通过点云配准将多次测量数据变换到一个统一的合适的坐标系下，以获取物体完整表面的信息。

点云配准是通过对多幅点云通过刚体变换，实现点云的无痕迹合并。最为直接的点云配准方式是手工选择对应点，然后通过对这些对应点计算刚体变换矩阵得到配准信息，这需要大量的人工参与，因此一般期望计算机能够实现全自动配准操作。于是，三维点云的全自动配准方法得到了不断的发展和创新。

常见的三维点云自动配准方法有：

Besl等提出的最近点迭代法(BeslPJ，MckayND.Amethodforregistrationof3Dshapes.IEEE)，利用牛顿迭代或者搜索方法寻找两组点云对应的最近点对，并采用欧氏距离作为目标函数进行迭代，从而得到三维的刚体变换。

MartinMagnusson提出的正态分布变换(TheThree-DimensionalNormalDistributionsTransform-anEfficientRepresentationforRegistrationSurfaceAnalysisandLoopDetection)应用与三维点的统计模型，使用标准的最优化技术来确定两个点云间的最优匹配，因为其在配准过程中不利用各对应点的特征计算和匹配，所以处理时间比最近点迭代方法快。但是，现有方法并不能完全实现自动配准，因为大都需要手工指定粗略的初始配准条件，然后由算法完成最终的整合配准计算过程。

因此亟需一种能够实现三维点云的全自动配准，且配准精确度高、速度快的技术手段。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种三维点云全自动配准方法，旨在实现三维点云的全自动配准，且配准精确度高、速度快。

为了实现上述发明目的，本发明采用的技术方案是：

一种三维点云全自动配准方法，包括如下：

步骤一：输入两组具有三角网格的点云数据A和B，分别计算两组点云数据A和B的法向和边界；根据计算出的边界和边界测量设备的精度去掉边界周围的点，保留内部点；

步骤二：对经过步骤一处理后的点云数据中的每个点及该点法向计算其切平面，对该点划定邻域范围，对邻域中的点计算其投影到对应的切平面的几何量，根据几何量统计直方图，确定该点的三维特征，依次对步骤一处理后的点云数据A和B进行计算三维特征处理以分别得到相应的三维特征描述子KeyA和KeyB；

步骤三：对KeyA中的每个数据，在KeyB中查找其欧氏距离下k个最近点作为初步对应点，去掉那些不满足平面四边形对角线交点仿射不变性的对应点，确定最终候选点对集合；

步骤四：对每一组候选点对，通过SVD分解计算出旋转平移矩阵作为刚体变换矩阵，以构成候选矩阵集合；

步骤五：根据所述候选矩阵集合，对每个候选矩阵计算可信因子，选取可信因子最大的候选矩阵作为最终刚体变换矩阵RT，通过该最终刚体变换矩阵RT把源点云转换到目标点云的坐标系下。

进一步的，所述步骤五中对每个候选矩阵计算可信因子具体为：根据下式计算候选矩阵可信因子Score：

Score＝Overlap*w1+Var*w2

其中，Overlap代表通过候选刚体变换后的点云数据A和目标点云数据B的重叠率，w1代表所述重叠率的权重，Var代表经过候选刚体变换后两组点云重叠部分每组最近点距离的方差，w2代表所述方差的权重。

进一步的，所述步骤四还包括：还包括对候选矩阵集合中的刚体变换矩阵计算自由度的步骤，若其中任意两个矩阵的六个自由度差值均在一定阈值范围内，视为重复矩阵；对矩阵集合进行去重，减少候选矩阵集合中矩阵的数量。

进一步的，步骤一中，计算两组点云数据A和B的法向和边界后，还包括采用对三维点云数据进行简化的步骤；所述简化步骤具体为：

针对所有三维点云数据按照指定尺度创建体素栅格，每个体素栅格内的点都用该体素点集的重心来表示。

进一步的，所述体素栅格的尺度由点云的平均点间距决定。

进一步的，所述k的大小与体素栅格的尺度相关。

进一步的，所述步骤五中，还包括利用最近点迭代法对点云A进行调整的步骤。

与现有技术相比，本发明的有益效果：

本发明方法通过对点云数据预处理，计算特定的三维特征描述子，根据几何特征实现非对称物体的全自动配准，无需任何人工参与。同时基于三维特征描述子及仿射不变性理论的点云全自动配准方法结合了几何特征和最近点迭代的各自的优点，构建新的三维描述子，利用仿射不变量简化点对数量，最终又快又好的实现点云的全自动配准。

附图说明：

图1是本发明实施例中的结构示意图。

图2是本发明实施例中配准前图像示例。

图3是图2应用本发明提供的配准方法后示例。

具体实施方式

下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

具体的，如图1所示，结合一个具体实施例来说明本发明。包括如下步骤：

S100：输入两组具有三角网格的点云数据A和B，对数据进行预处理。对原始网格点云数据分别计算两组点云的法向和边界。一般结构光测量设备可以测量多达十万计的数据点，同时，获得的点云数据排列非常密集，存在大量冗余，会导致计算机运行，存储等较为缓慢，因而有必要在满足一定需要的条件下对数据进行简化，数据简化例如可以采用如下方法：对数据较均匀并且数据非常密集的点云，采取基于平均点距离的精简方法，即对三维点云数据创建一个体素栅格，每个体素内的点都用该体素点集的重心来近似，从而减少数据的处理量，提高处理速度；一般的，点云的平均点间距为0.03至0.1mm，栅格尺度为0.5至1.5mm；栅格的尺度与点云的平均点间距成正比，如点云中的平均点间距为时，栅格尺度可取为0.5mm。由于测量设备在边界测量误差增大，造成点云的边界值存在很大的不确定性，因此，一些实施例中，我们去掉边界以及其周边点，从而提高配准的正确率。

S200：对两组点云计算三维特征描述子KeyA和KeyB。

首先，对经过预处理后的点云中的每个点及该点法向计算其切平面，然后，对该点划定邻域范围，对邻域中的点计算其投影到切平面的几何量，最后，根据几何量统计直方图，确定该点的三维特征描述子；三维特征描述子具有平移与旋转不变形特性，并且能够很好的描述该点与其邻域的曲率变化。

S300：根据特征描述子和仿射不变量搜索对应点对。

对KeyA中的每个数据，在KeyB中查找其欧氏距离下k个最近点作为初步对应点，k与栅格的尺度成正比关系，一般的，在本实施例中，栅格尺取值在0.5至1.5mm的情况下，k的取值在10至15之间，去掉那些不满足平面四边形对角线交点仿射不变性的对应点，找到最终候选点对集合。这种根据拓扑方式去除伪对应点的方式极大程度上提高了匹配的精准性。

S400：根据点对计算刚体变换矩阵。

对每一组候选点对，通过SVD分解计算出旋转平移矩阵即刚体变换矩阵，作为候选矩阵集合；对集合中的刚体变换矩阵计算自由度，若两矩阵的六个自由度差值均在一定阈值范围内，视为重复矩阵；对矩阵集合进行去重，减少候选矩阵的数量，提高计算速度。

S500：制定排序法则确定最终刚体变换矩阵。

根据候选矩阵集合，把源点云向目标点云转换，计算转换后的统计量，例如重叠率，最近点方差等量，通过指定的权重组合，对每个候选矩阵进行评分，这里我们采取重叠率和最近点方差的加权平均计算候选矩阵可信因子Score,

Score＝Overlap*w1+Var*w2

其中，Overlap代表通过候选刚体变换后的点云A和目标点云B的重叠率，w1代表重叠率的权重，Var代表经过候选刚体转换后两组点云重叠部分每组最近点距离的方差，w2代表方差的权重；众所周知的，点云A和目标点云B的重叠率在0至1之间取值，如其可以等于点云A与目标点云B中欧氏距离下k个小于指定阈值的所有点的数量与点云A中所有点的数量的比值，例如，该阈值可以是与栅格尺度相同。

对每个候选矩阵通过计算可信因子，选取可信因子最大的候选矩阵作为最终刚体变换矩阵RT。该筛选方法能够有效地去除局部方差最优候选矩阵，保留全局最优矩阵。

S501：对点云进行精确配准。

对源点云A进行RT变换，变换到目标点云B的坐标系下后，再利用Besl等提出的最近点迭代法ICP(BeslPJ，MckayND.Amethodforregistrationof3Dshapes.IEEE)或者，ICP的变形，对点云A进行微型调整实现与目标点云B的无缝拼合。图2、图3给出了应用本发明提供的配准前后人脸对比图。

上面结合附图对本发明的具体实施方式进行了详细说明，但本发明并不限制于上述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作出各种修改或改型。

Claims (7)

1.一种三维点云全自动配准方法，其特征在于，包括如下：

步骤一：输入两组具有三角网格的点云数据A和B，分别计算两组点云数据A和B的法向和边界；根据计算出的边界和边界测量设备的精度去掉边界周围的点，保留内部点；

步骤二：对经过步骤一处理后的点云数据中的每个点及该点法向计算其切平面，对该点划定邻域范围，对邻域中的点计算其投影到对应的切平面的几何量，根据几何量统计直方图，确定该点的三维特征，依次对步骤一处理后的点云数据A和B进行计算三维特征处理以分别得到相应的三维特征描述子KeyA和KeyB；

步骤三：对KeyA中的每个数据，在KeyB中查找其欧氏距离下k个最近点作为初步对应点，去掉那些不满足平面四边形对角线交点仿射不变性的对应点，确定最终候选点对集合；

步骤四：对每一组候选点对，通过SVD分解计算出旋转平移矩阵作为刚体变换矩阵，以构成候选矩阵集合；

步骤五：根据所述候选矩阵集合，对每个候选矩阵计算可信因子，选取可信因子最大的候选矩阵作为最终刚体变换矩阵RT，通过该最终刚体变换矩阵RT把源点云转换到目标点云的坐标系下。

2.根据权利要求1所述的三维点云全自动配准方法，其特征在于，所述步骤五中对每个候选矩阵计算可信因子具体为：根据下式计算候选矩阵可信因子Score：

Score＝Overlap*w1+Var*w2

其中，Overlap代表通过候选刚体变换后的点云数据A和目标点云数据B的重叠率，w1代表所述重叠率的权重，Var代表经过候选刚体变换后两组点云重叠部分每组最近点距离的方差，w2代表所述方差的权重。

3.根据权利要求1或2所述的三维点云全自动配准方法，其特征在于，所述步骤四还包括：还包括对候选矩阵集合中的刚体变换矩阵计算自由度的步骤，若其中任意两个矩阵的六个自由度差值均在一定阈值范围内，视为重复矩阵；对矩阵集合进行去重，减少候选矩阵集合中矩阵的数量。

4.根据权利要求1所述的三维点云全自动配准方法，其特征在于，步骤一中，计算两组点云数据A和B的法向和边界后，还包括采用对三维点云数据进行简化的步骤；所述简化步骤具体为：

针对所有三维点云数据按照指定尺度创建体素栅格，每个体素栅格内的点都用该体素点集的重心来表示。

5.根据权利要求4所述的三维点云全自动配准方法，其特征在于，所述体素栅格的尺度由点云的平均点间距决定。

6.根据权利要求4所述的三维点云全自动配准方法，其特征在于，k取值与体素栅格的尺度相关。

7.根据权利要求1所述的三维点云全自动配准方法，其特征在于，所述步骤五中，还包括利用最近点迭代法对点云A进行调整的步骤。