CN107346550A - 一种针对具有颜色信息的三维点云数据快速配准方法 - Google Patents
一种针对具有颜色信息的三维点云数据快速配准方法 Download PDFInfo
- Publication number
- CN107346550A CN107346550A CN201710542484.6A CN201710542484A CN107346550A CN 107346550 A CN107346550 A CN 107346550A CN 201710542484 A CN201710542484 A CN 201710542484A CN 107346550 A CN107346550 A CN 107346550A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- point
- color
- registration
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了一种针对具有颜色信息的三维点云数据快速配准方法,包括如下步骤:统计目标点集和配准点集中的颜色值以及具有相同颜色的点的数量分布,并对RGB点云的颜色进行滤波;筛选两个点集中具有相同RGB值的点,然后对配准点集设置一定的颜色容差;从目标点集中选取的l个点中每次提取4个初始点,在配准点集中构建与4个初始点特征相似的候选点集,判断候选点组合是否是4个初始点的同名点;将4个初始点和其对应的4个同名点组成4个点对,利用整体最小二乘算法计算刚体变换矩阵,并完成配准点集的全局配准;最后利用临近点迭代法完成最终的局部配准。本发明的方法可以在保持高精度的前提下极大地提高点云配准的效率、缩短配准时间。
Description
技术领域
本发明属于三维(3D)激光点云数据处理技术领域,涉及3D点云配准应用技术领域,具体涉及一种专门用于3D RGB点云数据的快速全局配准技术。
背景技术
随着激光扫描设备的快速发展,3D激光点云数据的获取变得越来越容易,同时针对3D点云数据处理的研究也更加的广泛,例如:3D点云配准、3D对象识别、3D建模等。其中,3D点云配准是将多次测得的3D点云数据拼接成相同坐标系下的完整数据集,而由于点云配准是点云数据处理的首要步骤,其配准结果的精度直接影响着点云分割、特征提取、对象重建等后续工作,因此是整个点云数据处理流程中重要的内容。
3D点云配准最常见的方式是临近点迭代法(ICP),基于ICP技术的点云配准能够获取很高的精度。然而,ICP方法具有两个方面的缺点,一是算法时间较长,需要进行多次的迭代;二是对两个点云数据的初始位置要求具有一定的重叠,若相距较远则有可能会陷入局部最小化的陷阱中,导致两幅点云数据停止不变。
针对ICP技术的弊端目前最常见的解决办法是将点云配准分为两步:全局配准和局部配准,即首先通过全局配准将两幅点云大致配准到一起,使其具有一定的重合区域,而后再利用ICP方法进行局部配准进而完成最终的点云数据拼接。因此,出现了很多针对全局配准的技术,例如:随机采样一致性(RANSAC)、主成分分析(PCA)、四点共面(4PCS)等。另一方面,从点云配准的实现过程来说,全局配准主要有两种实现方式:一种是先计算3D点的特征描述符,并根据特征的差异性提取3D特征点,这种方法减少了后期同名特征点的搜索时间但也增加了特征描述符的计算时间,第二种是直接在两幅点云数据集中进行同名点对搜索。
虽然增加全局配准这一步骤可以解决ICP方法中陷入局部最小陷阱的问题,但由于点云配准被拆分成两个步骤以及全局配准本身的时间复杂度较长的缺陷,因此上述这些技术仍然无法解决算法时间长的问题。另一方面,若为了提高点云配准的效率、降低点云配准时间复杂度,则省略ICP局部配准的步骤而采用快速的全局配准方法,但这种策略虽然提高了效率却牺牲了配准精度。
总体而言,目前3D点云配准的方法大都只能解决配准效率与精度两者其中之一,而无法同时解决点云配准的效率与精度问题。因此,一种能够同时提高配准效率与结果精度的3D点云配准方法具有极大的必要性。
发明内容
为了解决现有3D点云配准的技术主要存在以下问题:1)传统的3D点云配准步骤主要包括:关键点提取、特征描述符计算、对应点对的搜索策略以及ICP精配准,这些步骤稍显过多,使得点云配准过于复杂。2)现有的配准技术中,特征描述符的计算环境因为要考虑每个点与其邻域内所有点的位置关系,其计算复杂度为O(kn)甚至O(k2n),这使得配准效率较低。本发明提出一种针对具有颜色信息的三维点云数据快速配准方法。
本发明采用的技术方案如下:
一种针对具有颜色信息的三维点云数据快速配准方法,包括如下步骤:
步骤S1,统计目标点集和配准点集中的颜色值以及具有相同颜色的点的数量分布,并对这两个点集中的RGB点云的颜色进行滤波;
步骤S2,筛选目标点集与配准点集中具有相同RGB值的点,然后对配准点集设置一定的颜色容差:
其中,为配准点集中点qj的RGB值,RGBj表示第j个颜色,σc为颜色容差阈值, 和分别为点qi的R、G和B的整数值,Rj、Gj和Bj分别为第j个颜色中R、G和B的整数值;
分别判断点qj在R、G、B三个颜色通道上的误差是否小于阈值σc,只有均小于阈值σc,该点才归为候选点集,构建目标点集与配准点集中颜色相近的候选点集:
其中,Cp和Cq分别目标点集和配准点集中所有具有相同颜色的点集合,和分别为目标点集和配准点集中第i个颜色的点集,pik和qil分别为目标点集和配准点集中第i个颜色的第k个点和第l个点,m和n表示目标点集和配准点集中第i个颜色的点集的数量;
步骤S3,从目标点集中随机选取l个点,并确保这l个点两两距离满足公式:
其中,为目标点集中点pi的坐标值,为目标点集中点pj的坐标值,d为设定的两点最小距离;
步骤S4,从上述l个点中每次提取4个初始点,在配准点集中构建与4个初始点特征相似的候选点集;然后计算4个初始点两两之间的距离,并计算配准点集中对应的候选点组合中点之间的距离;当候选点组合中两点之间的距离与所对应的4个初始点之间的距离之差小于设定的阈值时,则判断候选点组合是4个初始点的同名点,反之则不是,其判断公式如下:
其中,为配准点集中点qi的坐标值,为配准点集中点qj的坐标值,σd为距离差的阈值;
步骤S5,遍历所有的候选点组合,若满足判断公式的候选点组合数大于1,则选取距离差最小的候选点组合作为4个初始点对应的同名点,若都不满足则返回步骤S4;若l个点中所有选取的4个初始点的候选点组合都不满足判断公式,则返回步骤S3;
步骤S6,将4个初始点和其对应的4个同名点组成4个点对,利用整体最小二乘算法计算刚体变换矩阵,并完成配准点集的全局配准;
步骤S7,利用临近点迭代法完成最终的局部配准。
本发明专门针对具有RGB信息的3D点云数据配准,将点云的RGB值作为特征进行点与点对应关系的搜索依据,在特征描述阶段由于不需要考虑每个点与其邻域点的位置关系,因此其计算复杂度为O(kn)。与现有技术相比,本发明可以在保持高精度的前提下极大地提高点云配准的效率、缩短配准时间。
附图说明
图1是本发明实施例中目标点集RGB颜色统计图;
图2是本发明实施例中配准点集RGB颜色统计图;
图3是本发明实施例中颜色滤波后目标点集RGB颜色统计图;
图4是本发明实施例中颜色滤波后配准点集RGB颜色统计图;
图5是本发明实施例中两幅数据集中具有相同颜色点的对比;
图6是本发明实施例中基于容差的两幅点集中相同颜色的点数对比;
图7是本发明实施例中两幅点云中初始4点对选取结果示意图,其中(a)为目标点集中基于步骤S3随机选取出的l个点,(b)为目标点集中最终选取出的4个初始点,(c)为配准点集中最终选取出的4个同名点;
图8是本发明实施例中基于RGB信息的全局配准结果,其中(a)显示了两幅数据集的初始相对位置,(b)为全局配准后正视图,(c)为全局配准后侧视图,(d)为全局配准后俯视图;
图9是本发明实施例中最终局部配准结果,其中(a)为正视图,(b)为侧视图,(c)为俯视图;
图10是本发明基于颜色信息的方法和FPFH方法用于立体像对点云整体配准时间的对比图;
图11是本发明基于颜色信息的方法和FPFH方法用于深度点云整体配准时间的对比图;
图12是本发明实施步骤流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
1、具有相同颜色的点信息统计与颜色滤波
假定两个点云数据集P和Q,其中P为目标点集,Q为配准点集。理论上来说,不同数据集中的同名点应当具有相同或相似的颜色,因此两幅数据集中存在一些颜色相同的点。分别统计两幅数据集中的RGB数量,并将所有的点归类到相同颜色中,图1和2分别表示目标点集和配准点集中不同RGB值的点数量统计图。
统计每种颜色拥有的点数的分布情况,得到表1。
表1两幅点云数据集中具有相同颜色的点的数量分布
为提高候选点中存在同名点的概率,通过设定一个数量阈值将拥有较少数量的RGB删除,公式如下:
其中,RGBi为点集中第i个RGB值,为一个点数据集中颜色为RGBi的点的数量,σn为颜色滤波的阈值。如果大于σn,则该颜色以及拥有该颜色的点均保留,反之则删除。颜色滤波的目的是减少点对点对应关系搜索时被考虑的数量,这样可以提高搜索效率。图3和4为目标点集和配准点集滤波后的颜色信息统计。
经过颜色滤波后两幅点数据集中的颜色类型数分别降低至2113和2401,均约等于滤波钱的11%。经过颜色滤波不但降低了搜索数量,同时滤波后的每种颜色拥有的点数均为多数点,这也提高了搜索效率。
2、具有RGB颜色容差的候选点集构建
基于滤波后的点云数据,两幅数据集中具有相同颜色的点可暂时认为具有潜在的对应关系,其计算公式如下:
其中,pi和qj分别为目标点集中第i个以及配准点集中第j个点,和分别为点pi和点qj的RGB值,RGBp和RGBq分别为两个数据集中第p和q个颜色,m和n分别为两个数据集中颜色的数量。只有当点pi和点qj的RGB值相等时才认为这两个点具有对应关系,均标注为true且保留点和颜色,否则无对应关系,如果某点其RGB值与另一个数据集中的所有点的RGB均不相同,则该点删除。图5显示了两个数据集中具有相同RGB值的点对点的对应关系,其中深色线为目标点集,浅色线为配准点集。
对配准点集设置一定的颜色容差,同时保持目标点集不变,这样可以增加每种颜色候选点的数量,进而提高点对点对应关系的可能性。颜色容差的设定如下:
其中,为配准点集中点qj的RGB值,RGBj表示第j个颜色,σc为颜色容差阈值,和分别为点qi的R、G和B的整数值,Rj、Gj和Bj分别为第j个颜色中R、G和B的整数值。分别判断点qj在R、G、B三个颜色通道上是否小于阈值σc,只有三个颜色通道的误差均小于σc,该点才归为候选点集。图6显示了设置颜色容差之后两个数据集相同颜色点的数量的对比,其中深色线为目标点集,浅色线为配准点集。
为了将RGB值应用于FIPP算法进行点对点对应关系的搜索,以便完成最终的点云配准,对目标点集及其候选点集的构建进行了如下改进:
其中,Cp和Cq分别目标点集和配准点集中所有具有相同颜色的点集合,和分别为两幅数据集中第i个颜色的点集,pik和qil分别为两幅数据集中第i个颜色的的第k和l个点,m和n表示两幅数据集中第i个颜色的点集的数量。传统的候选点集是仅仅是针对目标点集中的一个点,而将RGB值作为点特征进行对应关系搜索,则出现同一个颜色在两个数据集里分别由两个候选点集组成的情况,不过在使用FIPP算法进行对应关系搜索时,目标点集中还是仅从单个点考虑,配准点集则是与该点颜色相同的候选点集。
3、同名点对搜索策略
从目标点集P中选取l个点,并确保这l个点尽可能的均匀分布在整个数据集中,l的大小可以与最终参与计算变换矩阵的点对数相同。为此,在选取l个点时,所有的点两两之间的距离满足公式(5)。
其中,为目标点集中点pi的坐标值,为目标点集中点pj的坐标值,d为设定的两点最小距离。
接着,从选取的l个点中每次提取4个初始点,并从配准点集Q中构建与初始4点特征相似的候选点集,目标点集P中初始4点的候选点可以认为是该点在配准点集Q中潜在的同名点,具体见公式(4)。
候选点集构建完成,则计算目标点集P中初始4点两两之间的距离,同时遍历初始4点的候选点所有组合,并计算各自距离。当候选点组合中两点的距离与所对应的初始4点之间的距离之差大于设定的阈值时,则认为该候选点组合不是初始4点的同名点,反之则是。判断条件见公式(6)。若满足公式(6)的候选点组合数大于1,则选取距离差最小的组合。
其中,为配准点集中点qi的坐标值,为配准点集中点qj的坐标值,σd为距离差的阈值。
此外,为提高候选点的稳健性,增加一个方向的约束条件。从3D点云数据采集来看,三维激光扫描仪在垂直方向上都是一致的,因此两个点云数据集中同名点的z值方向是一致的,即若目标点集P中第一个点大于第二个点则配准点集Q中的顺序与大小关系相同。因此,若配准点集Q中的点满足与目标点集P中点的方向一致,则认为该点有可能是其同名点,否则为非同名点,公式如下:
其中,和分别为目标点集和配准点集中潜在的第一组同名点对,和为另一组潜在的同名点对。
当配准点集Q中4个点同时满足RGB值相似(公式(2))、距离相近(公式(6))和位置相同(公式(7))时,则认为这4个点是目标点集P中初始4点的同名对应点,进而组成初始的4个点对(初始4点对的选取结果见图7)。当4个点对选取完成时,则可以利用这些点对计算刚体变换矩阵,进而完成点云全局配准。刚体变换矩阵的计算方法目前比较成熟,例如:最小二乘法、整体最小二乘法等。本发明主要侧重于如何确定两幅点云中的同名点对,一旦同名点对确定则可以利用前面现有的方法计算变换矩阵并完成最终的3D点云配准,全局配准的结果分别见图7。而在全局配准结束后为提高配准精度再借助ICP算法进行最终的局部配准(精配准),其配准结果见图8。
点云配准评价最为关键的是配准效率和配准时间,为了验证本发明提出的点云配准方法的有益效果,选取其中一个运行速度最快的特征描述符,快速点特征描述符(FastPoint Feature Histogram,FPFH),同时保持其他配准步骤不变。在相同的计算机软硬件环境下分别执行这两种方法并就计算时间进行对比分析,且两种方法的程序代码中不使用任何加速和并行处理机制。为保证对比结果可靠性选取了两种不同的数据进行验证,深度点云数据和立体像对点云数据。由于本发明最后需要使用ICP算法用于全局配准之后的局部配准,而ICP算法具有非常高的配准精度,因此这里只对比配准时间。对比实验分别执行4组,两组用于立体像对数据集,两组用于深度点云数据集。图10和11分别显示了对比的结果。
两幅图中,不论是立体像对点云还是深度点云数据集,使用FPFH作为特征描述符其运行时间均大于RGB。其中,立体像对的对比试验中,FPFH方法的运行时间从130秒到210秒,而本发明RGB方法的时间范围为53至63秒,同时FPFH方法的稳定性也不如RGB;深度点云数据中,FPFH法的时间范围为35至38秒而本发明RGB方法为15至17秒。由此可以看出,本发明以RGB作为点特征描述符进行3D点云数据的全局配准不但速度快于FPFH法,同时稳定性也更好。
Claims (3)
1.一种针对具有颜色信息的三维点云数据快速配准方法,其特征在于,包括如下步骤:
步骤S1,统计目标点集和配准点集中的颜色值以及具有相同颜色的点的数量分布,并对这两个点集中的RGB点云的颜色进行滤波;
步骤S2,筛选目标点集与配准点集中具有相同RGB值的点,然后对配准点集设置一定的颜色容差:
<mrow>
<msub>
<mi>RGB</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>&Element;</mo>
<msub>
<mi>RGB</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>R</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo><</mo>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>&cap;</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo><</mo>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>&cap;</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>B</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo><</mo>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&NotElement;</mo>
<msub>
<mi>RGB</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>R</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>></mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>&cup;</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>G</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>G</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>></mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
<mo>&cup;</mo>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>B</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>B</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>></mo>
<msub>
<mi>&sigma;</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,为配准点集中点qj的RGB值,RGBj表示第j个颜色,σc为颜色容差阈值, 和分别为点qi的R、G和B的整数值,Rj、Gj和Bj分别为第j个颜色中R、G和B的整数值;
分别判断点qj在R、G、B三个颜色通道上的误差是否小于阈值σc,只有均小于阈值σc,该点才归为候选点集,构建目标点集与配准点集中颜色相近的候选点集:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>c</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>|</mo>
<msub>
<mi>c</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mo><</mo>
<msub>
<mi>RGB</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mn>3</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>k</mi>
<mo>&le;</mo>
<mi>m</mi>
<mo>></mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>q</mi>
</msub>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>c</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>|</mo>
<msub>
<mi>c</mi>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mo><</mo>
<msub>
<mi>RGB</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mn>3</mn>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>l</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>></mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Cp和Cq分别目标点集和配准点集中所有具有相同颜色的点集合,和分别为目标点集和配准点集中第i个颜色的点集,pik和qil分别为目标点集和配准点集中第i个颜色的第k个点和第l个点,m和n表示目标点集和配准点集中第i个颜色的点集的数量;
步骤S3,从目标点集中随机选取l个点,并确保这l个点两两距离满足公式:
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>></mo>
<mi>d</mi>
</mrow>
其中,为目标点集中点pi的坐标值,为目标点集中点pj的坐标值,d为设定的两点最小距离;
步骤S4,从上述l个点中每次提取4个初始点,在配准点集中构建与4个初始点特征相似的候选点集;然后计算4个初始点两两之间的距离,并计算配准点集中对应的候选点组合中点之间的距离;当候选点组合中两点之间的距离与所对应的4个初始点之间的距离之差小于设定的阈值时,则判断候选点组合是4个初始点的同名点,反之则不是,其判断公式如下:
<mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo><</mo>
<msub>
<mi>&sigma;</mi>
<mi>d</mi>
</msub>
</mrow>
其中,为配准点集中点qi的坐标值,为配准点集中点qj的坐标值,σd为距离差的阈值;
步骤S5,遍历所有的候选点组合,若满足判断公式的候选点组合数大于1,则选取距离差最小的候选点组合作为4个初始点对应的同名点,若都不满足则返回步骤S4;若l个点中所有选取的4个初始点的候选点组合都不满足判断公式,则返回步骤S3;
步骤S6,将4个初始点和其对应的4个同名点组成4个点对,利用整体最小二乘算法计算刚体变换矩阵,并完成配准点集的全局配准;
步骤S7,利用临近点迭代法完成最终的局部配准。
2.根据权利要求1所述的一种针对具有颜色信息的三维点云数据快速配准方法,其特征在于,所述步骤S1中,对目标点集和配准点集中的RGB点云的颜色进行滤波的具体过程为:通过设定一个数量阈值将拥有较少数量的RGB点云删除,公式如下:
<mrow>
<msub>
<mi>RGB</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<msub>
<mi>RGB</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>&sigma;</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>a</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<msub>
<mi>RGB</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
<mo><</mo>
<mo>=</mo>
<msub>
<mi>&sigma;</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,RGBi为点集中第i个RGB值,为点集中颜色为RGBi的点的数量,σn为颜色滤波的数量阈值;如果大于σn,则该颜色以及拥有该颜色的点均保留,反之则删除。
3.根据权利要求1所述的一种针对具有颜色信息的三维点云数据快速配准方法,其特征在于,所述步骤S4中,为提高候选点组合的稳健性,增加一个方向的约束条件:由于目标点集中初始点和配准点集中同名点的z值方向是一致的,即若目标点集中的第一个点大于第二个点则配准点集中点的顺序与大小关系与之相同;因此,若配准点集中的点满足与目标点集中点的方向一致,则判断该点有可能是其同名点,否则为非同名点,判断公式如下:
<mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mi>u</mi>
<mi>e</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>></mo>
<mo>&cap;</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>></mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>&cup;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo><</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>&cap;</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo><</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mi>a</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>></mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>&cap;</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo><</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>&cup;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
</msub>
<mo>></mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</msub>
<mo>&cap;</mo>
<msub>
<mi>z</mi>
<msub>
<mi>q</mi>
<mrow>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo><</mo>
<msub>
<mi>z</mi>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mi>r</mi>
</mrow>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,和分别为目标点集和配准点集中潜在的第一组同名点对,和为另一组潜在的同名点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710542484.6A CN107346550B (zh) | 2017-07-05 | 2017-07-05 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710542484.6A CN107346550B (zh) | 2017-07-05 | 2017-07-05 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107346550A true CN107346550A (zh) | 2017-11-14 |
CN107346550B CN107346550B (zh) | 2019-09-20 |
Family
ID=60258028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710542484.6A Active CN107346550B (zh) | 2017-07-05 | 2017-07-05 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346550B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062766A (zh) * | 2017-12-21 | 2018-05-22 | 西安交通大学 | 一种融合颜色矩信息的三维点云配准方法 |
CN109345570A (zh) * | 2018-09-10 | 2019-02-15 | 大连理工大学 | 一种基于几何形状的多通道三维彩色点云配准方法 |
CN109658444A (zh) * | 2018-11-23 | 2019-04-19 | 大连理工大学 | 一种基于多模态特征的规则三维彩色点云配准方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN109887012A (zh) * | 2019-01-09 | 2019-06-14 | 天津大学 | 一种结合自适应搜索点集的点云配准方法 |
CN110992258A (zh) * | 2019-10-14 | 2020-04-10 | 中国科学院自动化研究所 | 基于弱色差信息的高精度rgb-d点云拼接方法和系统 |
CN112365529A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于重心偏离度的隧洞点云配准方法、装置 |
CN114373105A (zh) * | 2021-12-20 | 2022-04-19 | 华南理工大学 | 一种点云标注及数据集制作的方法、系统、装置及介质 |
CN116597184A (zh) * | 2023-07-11 | 2023-08-15 | 中国人民解放军63921部队 | 最小二乘影像匹配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN106204603A (zh) * | 2016-04-29 | 2016-12-07 | 北京仁光科技有限公司 | 三维相机立体匹配方法 |
-
2017
- 2017-07-05 CN CN201710542484.6A patent/CN107346550B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110286660A1 (en) * | 2010-05-20 | 2011-11-24 | Microsoft Corporation | Spatially Registering User Photographs |
CN104217209A (zh) * | 2013-06-03 | 2014-12-17 | 核工业北京地质研究院 | 一种遥感图像自动配准点错误匹配消除方法 |
CN106204603A (zh) * | 2016-04-29 | 2016-12-07 | 北京仁光科技有限公司 | 三维相机立体匹配方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062766B (zh) * | 2017-12-21 | 2020-10-27 | 西安交通大学 | 一种融合颜色矩信息的三维点云配准方法 |
CN108062766A (zh) * | 2017-12-21 | 2018-05-22 | 西安交通大学 | 一种融合颜色矩信息的三维点云配准方法 |
CN109345570A (zh) * | 2018-09-10 | 2019-02-15 | 大连理工大学 | 一种基于几何形状的多通道三维彩色点云配准方法 |
CN109345570B (zh) * | 2018-09-10 | 2021-05-14 | 大连理工大学 | 一种基于几何形状的多通道三维彩色点云配准方法 |
CN109658444B (zh) * | 2018-11-23 | 2021-05-14 | 大连理工大学 | 一种基于多模态特征的规则三维彩色点云配准方法 |
CN109658444A (zh) * | 2018-11-23 | 2019-04-19 | 大连理工大学 | 一种基于多模态特征的规则三维彩色点云配准方法 |
CN109887012A (zh) * | 2019-01-09 | 2019-06-14 | 天津大学 | 一种结合自适应搜索点集的点云配准方法 |
CN109887012B (zh) * | 2019-01-09 | 2023-03-31 | 天津大学 | 一种结合自适应搜索点集的点云配准方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN110992258A (zh) * | 2019-10-14 | 2020-04-10 | 中国科学院自动化研究所 | 基于弱色差信息的高精度rgb-d点云拼接方法和系统 |
CN112365529A (zh) * | 2021-01-11 | 2021-02-12 | 南京邮电大学 | 基于重心偏离度的隧洞点云配准方法、装置 |
CN114373105A (zh) * | 2021-12-20 | 2022-04-19 | 华南理工大学 | 一种点云标注及数据集制作的方法、系统、装置及介质 |
CN116597184A (zh) * | 2023-07-11 | 2023-08-15 | 中国人民解放军63921部队 | 最小二乘影像匹配方法 |
CN116597184B (zh) * | 2023-07-11 | 2023-09-22 | 中国人民解放军63921部队 | 最小二乘影像匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107346550B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107346550A (zh) | 一种针对具有颜色信息的三维点云数据快速配准方法 | |
Peng et al. | Detecting heads using feature refine net and cascaded multi-scale architecture | |
CN107341517A (zh) | 一种基于深度学习层级间特征融合的多尺度小物体检测方法 | |
CN103336957B (zh) | 一种基于时空特征的网络同源视频检测方法 | |
CN104867137B (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN103295239B (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN110443818A (zh) | 一种基于涂鸦的弱监督语义分割方法与系统 | |
CN103258037A (zh) | 一种针对多组合内容的商标识别检索方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN103413145B (zh) | 基于深度图像的关节点定位方法 | |
CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN106023298A (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN110298227A (zh) | 一种基于深度学习的无人机航拍图像中的车辆检测方法 | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN102708364B (zh) | 基于分级分类器的指纹图像分类方法 | |
CN109829353A (zh) | 一种基于空间约束的人脸图像风格化方法 | |
CN106250909A (zh) | 一种基于改进视觉词袋模型的图像分类方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN107341446A (zh) | 基于查询自适应部件特征组合的特定行人追踪方法及系统 | |
CN111709331A (zh) | 一种基于多粒度信息交互模型的行人重识别方法 |
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 |