CN107330929A - 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 - Google Patents
一种基于几何重心和质心距离比不变性的多尺度点云配准方法 Download PDFInfo
- Publication number
- CN107330929A CN107330929A CN201710428684.9A CN201710428684A CN107330929A CN 107330929 A CN107330929 A CN 107330929A CN 201710428684 A CN201710428684 A CN 201710428684A CN 107330929 A CN107330929 A CN 107330929A
- Authority
- CN
- China
- Prior art keywords
- gravity
- point cloud
- scale factor
- cloud
- point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于几何重心和质心距离比不变性的多尺度点云配准方法,针对三维点云配准中点云尺度不一致和配准精确度的问题,提出基于几何重心和质心距离比不变性的多尺度点云配准方法:首先,对点云数据进行滤波处理,减小噪声和离群值的影响,以减小配准误差;其次,计算待配准点云的重心和质心,根据待配准后点云重心与质心距离,建立尺度因子计算模型,并计算尺度因子;最后,将计算得到的尺度因子代入ICP算法,依据尺度因子和配准误差的函数关系,由粗略到精细迭代计算,得到尺度因子、旋转矩阵和平移变换。用斯坦福三维扫描存储库的公共点云数据集进行仿真,并与边界尺度迭代最近点算法(ICPBS)和尺度概率迭代最近点算法(sPICP)进行比较。
Description
技术领域
本发明涉及技术计算机应用领域,具体涉及一种基于几何重心和质心距离比不变性的多尺度点云配准方法。
背景技术
随着三维点云扫描与处理技术的不断进步,配准技术在逆向工程,在图像检索,三维重建和移动视觉检索等方面有着广泛应用。点云配准的目的是在两点云数据集之间建立对应关系,求解最优状态下的空间转换。在众多算法中,迭代最近点算法(ICP)由于其良好的性能和简洁性,应用最为广泛。众多学者在此基础上,深入研究了ICP算法的收敛速度和鲁棒性等问题。
对于大型物件的点云数据集采集,通常涉及多个扫描站点以及不同设备间的数据采集。由于不同扫描设备的差异以及各个扫描站点与被扫描物体之间距离的不同,各个站点之间的点云除了传统的旋转和平移变换,还包含尺度变换。原始的ICP算法在配准中没有考虑比例因子,Ying和Du等人结合边界尺度和传统ICP算法,提出边界尺度迭代最近点算法(ICPBS),但该算法没有考虑实际应用中会影响配准精确度的离群值和噪声的问题。Andriy等人提出相干点漂移(CPD)算法,该算法将点云配准作为概率密度估计,通过最大似然估计来匹配待配准点云与模型点云,该算法配准结果与构造的高斯模型密切相关,在处理非椭球体点云时不够理想。Du等为处理噪声问题,引入EM估计和尺度因子,结合传统ICP算法进行配准,提出尺度概率迭代最近点算法(sPICP)。该算法通过待配准点云与模型点云之间的最小距离和来确定尺度因子、旋转矩阵和平移矩阵,引入高斯概率函数减小噪声和离群值的影响,在尺度因子的计算上依赖于迭代计算,收敛速度较慢,并且没有考虑不同扫描站点与被扫描物体距离不同引起数据不一致的情况。
发明内容
发明目的:针对三维点云配准中点云尺度不一致和配准精确度的问题,本发明提供了一种基于几何重心和质心距离比不变性的多尺度点云配准方法。本发明计算待配准点云的重心和质心,根据待配准后点云重心与质心距离,建立尺度因子计算模型,并计算尺度因子;最后,将计算得到的尺度因子代入ICP算法,依据尺度因子和配准误差的函数关系,由粗略到精细迭代计算,得到尺度因子、旋转矩阵和平移变换。与边界尺度迭代最近点算法(ICPBS)和尺度概率迭代最近点算法(sPICP)进行比较,提出的方法在尺度因子、配准误差、旋转矩阵误和平移向量误差数量级分别提升至10-4、10-6、10-3和10-3。提高了配准精度。
为了解决上述技术问题,本发明提出以下技术方案:一种基于几何重心和质心距离比不变性的多尺度点云配准方法,其特征在于,包括如下步骤:
步骤1,分别读取TXT格式的三维点云文件,设P和Q分别为两不同尺度点云数据集;
步骤2,运用点云数据处理中的统计滤波器对点云数据集进行滤波处理,统计滤波器对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声和离群值的影响;
步骤3,建立尺度因子计算模型;
步骤4,利用点云数据集的空间信息,计算点云P重心和质心,重心和质心欧氏距离dis(pg,pw);
步骤5,利用点云数据集的空间信息,计算点云Q的重心和质心,重心和质心欧氏距离dis(qg,qw);
步骤6,根据尺度因子模型计算两个点云数据集的尺度;
步骤7,建立尺度迭代计算模型;
步骤8,对尺度因子s0进行取整操作,得到第一次迭代尺度s1,根据尺度迭代计算模型进行第一次迭代计算,设定尺度因子迭代范围、精确度;
步骤9,利用尺度迭代计算配准误差,判断是否满足迭代终止条件,若不满足,根据步骤6进行第二次迭代计算;若满足,则终止迭代,得到最终尺度因子s实;
步骤10,以TXT格式输出多尺度配准后的点云数据集。
步骤3包括如下步骤:
步骤3-1,设P和Q分别为两不同尺度点云数据集,pi和qi分别为点云数据集P和Q上的点,可以得到:
式中:pg为云点p的重心;pw为云点p的质心;m为质量;qg为云点q的重心;qw为云点q的质心;N为云点的数量;
步骤3-2,考虑到在数据采集过程中点云数据集有旋转和平移变换,设点云Q经点云数据集P尺度旋转变换得到,即:qi=sRpi+t,其中s为尺度因子,R为旋转矩阵,t为平移向量,下述为书写方便,省略求和上下限,根据上述信息,可以得到:
又∑mi=1,则上式可化为:
又R为旋转矩阵,满足|R|=1,所以上式为
步骤7包括如下步骤:
步骤7-1,通过尺度因子计算模型,计算点云重心以及质心,得到初始尺度因子s0;
步骤7-2,对s初进行最邻近取整操作,得到第一次迭代尺度因子s1;
步骤7-3,在区间[si(1-ci),si(1+ci)](i=1,2,…)区间内使用ICP算法进行迭代计算,-1<ci<1,实验中取ci=0.1,得到最小误差对应的尺度因子si;
步骤7-4,判断配准误差与迭代次数,若不满足终止条件,返回步骤7-2,若满足终止条件,输出最终尺度因子s实。
本发明的有益效果:
用斯坦福三维扫描存储库的公共点云数据集进行仿真,并与边界尺度迭代最近点算法(ICPBS)和尺度概率迭代最近点算法(sPICP)进行比较。实验结果表明,提出的方法在尺度因子、配准误差、旋转矩阵误和平移向量误差数量级分别提升至10-4、10-6、10-3和10-3。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1两种尺度不同的原始点云数据。
图2第一次尺度迭代得到的初始点云数据。
图3最终迭代配准后的点云数据。
图4三次尺度迭代中的配准误差。
图5是本发明基于几何重心和质心距离比不变性的多尺度点云配准方法的流程图。
具体实施方式
在基于几何重心和质心距离比不变性的多尺度点云配准方法中,考虑在有噪声、待配准点云数据集数据量不一致时,图1为不同尺度的原始点云数据,图3为配准后的点云数据,从图中我们可以看出,原始未配准点云数据集,不仅存在旋转平移变换,也存在尺度变换,经由算法配准后,配准效果理想,具体实验数据如表1。实验表格中s真表示真实尺度,s初表示初始尺度,si(i=1,2,…)表示第i次迭代后的尺度值,send表示实验最终尺度值,εs表示尺度误差,εreg表示配准误差(表格中采用科学计数法表示),εR表示旋转矩阵误差,εt表示平移向量误差。如图5所示,基于几何重心和质心距离比不变性的多尺度点云配准方法的具体实现步骤如下:
步骤1,分别读取TXT格式的三维点云文件,设P和Q分别为两不同尺度点云数据集,如图1所示;
步骤2,运用点云数据处理中的统计滤波器对点云数据集进行滤波处理,统计滤波器对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声和离群值的影响;
步骤3,建立尺度因子计算模型;
步骤4,利用点云数据集的空间信息,计算点云P重心和质心,重心和质心欧氏距离dis(pg,pw);
步骤5,利用点云数据集的空间信息,计算点云Q的重心和质心,重心和质心欧氏距离dis(qg,qw);
步骤6,根据尺度因子模型计算两个点云数据集的尺度,得到尺度初值s初=7.356;
步骤7,建立尺度迭代计算模型;
步骤8,利用尺度迭代计算模型计算配准误差,对尺度因子s0进行取整操作,得到最小误差时对应的尺度因子s1=7。根据尺度迭代计算模型进行第一次迭代计算,对应点云数据如图2所示,尺度因子迭代范围s∈[3.5:0.7:10.5],精确度0.7;
步骤9,利用尺度迭代计算模型计算配准误差,得到最小误差时对应的尺度因子s2=7.7.不满足迭代终止条件,根据尺度迭代计算模型进行第二次迭代计算,尺度因子迭代范围s∈[7.00:0.07:8.40],精确度0.07;
步骤10,利用尺度迭代计算模型计算配准误差,得到最小误差时对应的尺度因子s3=7.77。不满足迭代终止条件,根据尺度迭代计算模型进行第二次迭代计算,尺度因子迭代范围s∈[7.700:0.007:7.840],精确度0.007;
步骤11利用尺度迭代计算模型计算配准误差,得到最小误差时对应的尺度因子s=7.756。配准误差为1.46×10-4,满足迭代次数终止条件,迭代结束,得到最终尺度因子s实=7.560,尺度误差为0.52%s实;
步骤12以TXT格式输出多尺度配准后的点云数据集,点云数据显示如图3所示。
步骤3包括如下步骤:
步骤3-1,设P和Q分别为两不同尺度点云数据集,pi和qi分别为点云数据集P和Q上的点,可以得到:
步骤3-2,考虑到在数据采集过程中点云数据集有旋转和平移变换,设点云Q经点云数据集P尺度旋转变换得到,即:qi=sRpi+t,其中s为尺度因子,R为旋转矩阵,t为平移向量,下述为书写方便,省略求和上下限,根据上述信息,可以得到:
又∑mi=1,则上式可化为:
又R为旋转矩阵,满足|R|=1,所以上式为
步骤7包括如下步骤:
步骤7-1,通过尺度因子计算模型,计算点云重心以及质心,得到初始尺度因子s0;
步骤7-2,对s初进行最邻近取整操作,得到第一次迭代尺度因子s1;
步骤7-3,在区间[si(1-ci),si(1+ci)](i=1,2,…)区间内使用ICP算法进行迭代计算,-1<ci<1,实验中取ci=0.1,得到最小误差对应的尺度因子si;
步骤7-4,判断配准误差与迭代次数,若不满足终止条件,返回步骤7-2,若满足终止条件,输出最终尺度因子s实;
实验结果:
如表1所示,实验结果举例说明本发明提出的方法具有较好的匹配结果:
表1有噪声有采样实验结果
数据集 | s真 | s初 | s1 | s2 | s3 | send | εs | εreg | εR | εt |
toy | 7.76 | 7.356 | 7 | 7.7 | 7.77 | 7.756 | 0.52% | 1.46E-04 | 2.33E-04 | 5.74E-04 |
如表1与图4所示,实验结果举例说明本发明提出的方法具有较好的匹配结果。
本发明针对三维点云配准中点云尺度不一致和配准精确度的问题,提出的基于几何重心和质心距离比不变性的多尺度点云配准方法,用斯坦福三维扫描存储库的公共点云数据集进行仿真,并与边界尺度迭代最近点算法(ICPBS)和尺度概率迭代最近点算法(sPICP)进行比较。实验结果表明,提出的方法在尺度因子、配准误差、旋转矩阵误和平移向量误差数量级分别提升至10-4、10-6、10-3和10-3。
本发明提供了一种基于几何重心和质心距离比不变性的多尺度点云配准方法,以上所述是本发明的实施方式,本实施例中未明确的各组成部分均可用现有技术加以实现。
通过上述的说明内容,本领域技术人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改都在本发明的保护范围之内。本发明的未尽事宜,属于本领域技术人员的公知常识。
Claims (3)
1.一种基于几何重心和质心距离比不变性的多尺度点云配准方法,其特征在于,包括如下步骤:
步骤1,分别读取TXT格式的三维点云文件,设P和Q分别为两不同尺度点云数据集;
步骤2,运用点云数据处理中的统计滤波器对点云数据集进行滤波处理,统计滤波器对点云数据中每个数据点的邻域进行统计分析,过滤掉不符合要求的数据点,以减小噪声和离群值的影响;
步骤3,建立尺度因子计算模型;
步骤4,利用点云数据集的空间信息,计算点云P重心和质心,重心和质心欧氏距离dis(pg,pw);
步骤5,利用点云数据集的空间信息,计算点云Q的重心和质心,重心和质心欧氏距离dis(qg,qw);
步骤6,根据尺度因子模型计算两个点云数据集的尺度;
步骤7,建立尺度迭代计算模型;
步骤8,对尺度因子s0进行取整操作,得到第一次迭代尺度s1,根据尺度迭代计算模型进行第一次迭代计算,设定尺度因子迭代范围、精确度;
步骤9,利用尺度迭代计算配准误差,判断是否满足迭代终止条件,若不满足,根据步骤6进行第二次迭代计算;若满足,则终止迭代,得到最终尺度因子s实;
步骤10,以TXT格式输出多尺度配准后的点云数据集。
2.根据权利要求1所述的一种基于几何重心和质心距离比不变性的多尺度点云配准方法,其特征在于,步骤3包括如下步骤:
步骤3-1,设P和Q分别为两不同尺度点云数据集,pi和qi分别为点云数据集P和Q上的点,可以得到:
式中:pg为云点p的重心;pw为云点p的质心;m为质量;qg为云点q的重心;qw为云点q的质心;N为云点的数量;
步骤3-2,考虑到在数据采集过程中点云数据集有旋转和平移变换,设点云Q经点云数据集P尺度旋转变换得到,即:qi=sRpi+t,其中s为尺度因子,R为旋转矩阵,t为平移向量,下述为书写方便,省略求和上下限,根据上述信息,可以得到:
又∑mi=1,则上式可化为:
又R为旋转矩阵,满足|R|=1,所以上式为。
3.根据权利要求1所述的一种基于几何重心和质心距离比不变性的多尺度点云配准方法,其特征在于,步骤7包括如下步骤:
步骤7-1,通过尺度因子计算模型,计算点云重心以及质心,得到初始尺度因子s0;
步骤7-2,对s初进行最邻近取整操作,得到第一次迭代尺度因子s1;
步骤7-3,在区间[si(1-ci),si(1+ci)](i=1,2,…)区间内使用ICP算法进行迭代计算,-1<ci<1,实验中取ci=0.1,得到最小误差对应的尺度因子si;
步骤7-4,判断配准误差与迭代次数,若不满足终止条件,返回步骤7-2,若满足终止条件,输出最终尺度因子s实。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710428684.9A CN107330929B (zh) | 2017-06-08 | 2017-06-08 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710428684.9A CN107330929B (zh) | 2017-06-08 | 2017-06-08 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330929A true CN107330929A (zh) | 2017-11-07 |
CN107330929B CN107330929B (zh) | 2019-11-08 |
Family
ID=60195008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710428684.9A Active CN107330929B (zh) | 2017-06-08 | 2017-06-08 | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330929B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285184A (zh) * | 2018-08-29 | 2019-01-29 | 三峡大学 | 基于重心与质心变换的三维点云初始配准算法 |
CN109741374A (zh) * | 2019-01-30 | 2019-05-10 | 重庆大学 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314674A (zh) * | 2011-08-29 | 2012-01-11 | 北京建筑工程学院 | 一种地面激光雷达数据纹理影像配准方法 |
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 |
CN103699654A (zh) * | 2013-12-26 | 2014-04-02 | 武汉大学 | 一种跨比例尺矢量地图水网数据同名目标匹配方法 |
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
US20170046840A1 (en) * | 2015-08-11 | 2017-02-16 | Nokia Technologies Oy | Non-Rigid Registration for Large-Scale Space-Time 3D Point Cloud Alignment |
-
2017
- 2017-06-08 CN CN201710428684.9A patent/CN107330929B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314674A (zh) * | 2011-08-29 | 2012-01-11 | 北京建筑工程学院 | 一种地面激光雷达数据纹理影像配准方法 |
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 |
CN103699654A (zh) * | 2013-12-26 | 2014-04-02 | 武汉大学 | 一种跨比例尺矢量地图水网数据同名目标匹配方法 |
US20170046840A1 (en) * | 2015-08-11 | 2017-02-16 | Nokia Technologies Oy | Non-Rigid Registration for Large-Scale Space-Time 3D Point Cloud Alignment |
CN105654483A (zh) * | 2015-12-30 | 2016-06-08 | 四川川大智胜软件股份有限公司 | 三维点云全自动配准方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285184A (zh) * | 2018-08-29 | 2019-01-29 | 三峡大学 | 基于重心与质心变换的三维点云初始配准算法 |
CN109285184B (zh) * | 2018-08-29 | 2021-09-10 | 三峡大学 | 基于重心与质心变换的三维点云初始配准算法 |
CN109741374A (zh) * | 2019-01-30 | 2019-05-10 | 重庆大学 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
CN109741374B (zh) * | 2019-01-30 | 2022-12-06 | 重庆大学 | 点云配准旋转变换方法、点云配准方法、设备及可读存储介质 |
CN116912301A (zh) * | 2023-02-23 | 2023-10-20 | 浙江大学 | 一种肝肿瘤对齐方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107330929B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | 3D point cloud denoising using graph Laplacian regularization of a low dimensional manifold model | |
Pauly et al. | Discovering structural regularity in 3D geometry | |
Folland et al. | The uncertainty principle: a mathematical survey | |
CN107330929A (zh) | 一种基于几何重心和质心距离比不变性的多尺度点云配准方法 | |
Boissonnat et al. | Manifold reconstruction in arbitrary dimensions using witness complexes | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
Fletcher et al. | Gaussian distributions on Lie groups and their application to statistical shape analysis | |
CN101692257A (zh) | 一种复杂曲面的配准方法 | |
Rio | Inequalities and limit theorems for weakly dependent sequences | |
CN103150747A (zh) | 一种基于拓扑特征的点云配准算法 | |
CN111553985B (zh) | 邻图配对式的欧式三维重建方法及装置 | |
CN108597016B (zh) | 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法 | |
CN109887009A (zh) | 一种点云局部匹配方法 | |
CN109472816A (zh) | 一种点云配准方法 | |
CN103186787A (zh) | 基于点云模型的低质汉字初始骨架提取算法 | |
CN104318552B (zh) | 基于凸包投影图匹配的模型配准方法 | |
Bigot et al. | Estimation of translation, rotation, and scaling between noisy images using the Fourier–Mellin transform | |
CN114494368A (zh) | 一种结合降维投影和特征匹配的低重叠率点云配准方法 | |
CN108537752A (zh) | 基于非局部自相似性与稀疏表示的图像处理方法及装置 | |
Tafti et al. | On regularized reconstruction of vector fields | |
Gong et al. | Molecular surface estimation by geometric coupled distance functions | |
Zhao et al. | Point cloud denoising via momentum ascent in gradient fields | |
Li et al. | A Fast Subpixel Registration Algorithm Based on Single‐Step DFT Combined with Phase Correlation Constraint in Multimodality Brain Image | |
CN103530872B (zh) | 一种基于角度约束的误匹配删除方法 | |
CN108520494A (zh) | 基于结构条件互信息的sar图像与可见光图像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |