CN109345570B - 一种基于几何形状的多通道三维彩色点云配准方法 - Google Patents

一种基于几何形状的多通道三维彩色点云配准方法 Download PDF

Info

Publication number
CN109345570B
CN109345570B CN201811047904.4A CN201811047904A CN109345570B CN 109345570 B CN109345570 B CN 109345570B CN 201811047904 A CN201811047904 A CN 201811047904A CN 109345570 B CN109345570 B CN 109345570B
Authority
CN
China
Prior art keywords
point
point cloud
cloud data
data
points
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.)
Active
Application number
CN201811047904.4A
Other languages
English (en)
Other versions
CN109345570A (zh
Inventor
安毅
王玮
王晋豫
宋天宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811047904.4A priority Critical patent/CN109345570B/zh
Publication of CN109345570A publication Critical patent/CN109345570A/zh
Application granted granted Critical
Publication of CN109345570B publication Critical patent/CN109345570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明属于三维点云数据处理与三维场景重建技术领域，一种基于几何形状的多通道三维彩色点云配准方法，包括以下步骤：(1)获取三维彩色点云数据，(2)提取点云数据，(3)点云形状分类，(4)点性点数据配准，(5)线性点数据配准，(6)面性点数据配准，(7)点云数据配准，(8)三维彩色点云数据配准。本发明通过构建协方差矩阵，准确地计算了三维点云数据的几何特征，从点云数据中提取出点性点、线性点和面性点三种特征点集，并利用这三种特征点集辅助完成了三维彩色点云的配准，从而有效地解决了由于三维彩色点云数据量过大而导致的配准时间过长的问题，大大地提高了三维彩色点云配准效率和准确度。

Description

一种基于几何形状的多通道三维彩色点云配准方法
技术领域
本发明涉及一种基于几何形状的多通道三维彩色点云配准方法，属于三维点云数据处理与三维场景重建技术领域。
背景技术
随着信息科学技术的发展，计算机视觉、虚拟现实、3D打印、模式识别等领域在飞速进步，三维彩色点云得到了越来越广泛地应用。三维彩色点云数据是由点云数据和图像数据两种模态信息融合而成，其中，点云数据通过激光扫描仪得到，记录了物体的几何位置信息，图像数据通过彩色相机得到，记录了物体的颜色纹理信息。因此，三维彩色点云数据是三维点云数据的进一步发展，能更立体形象地描述现实世界。
在使用三维彩色激光扫描测距系统对实际场景进行扫描测量时，由于视野限制和物体遮挡等原因，通常不能在同一个视角下一次性扫描得到实际场景的全部三维彩色点云数据。因此，需要让三维彩色激光扫描测距系统在不同视角下对被测场景进行扫描，然后将多个视角下扫描得到的三维彩色点云数据变换到同一个坐标系下，获得实际场景的完整三维彩色点云数据，这个过程就是三维彩色点云数据的配准。
目前较为常用的点云配准算法是迭代最近点算法(ICP算法)，其原理是迭代地对待配准点云集的对应点对进行选择，每次迭代时，对于一个点云集中的每个点都需要在另一个点云集中搜索离它距离最近的点，组成对应点对，并计算可以使对应点对之间的距离之和最小的旋转平移矩阵，最后利用旋转平移矩阵对待配准点云进行坐标变换，以实现点云配准。但这种算法仍存在一些不足：1)需要提供一个较好的配准初值；2)在搜索对应点对时，由于点云数据量较大，搜索耗时较长；3)迭代结果可能会陷入局部收敛的情况。
发明内容
为了解决现有技术中存在的不足，本发明目的是提供一种基于几何形状的多通道三维彩色点云配准方法，以充分利用点云形状信息。该方法针对实际场景，首先利用三维彩色激光扫描测距系统，在两个不同的位置分别对同一场景进行扫描，得到两个三维彩色点云数据，然后分别从中提取点云数据，再从点云数据中提取特征点集，利用特征点集进行配准，求取旋转矩阵和平移向量，最后将之应用到三维彩色点云配准中。该方法解决了由于三维彩色点云数据量过大而导致的配准时间较长、效率低的问题，并且充分发挥了各种几何形状的多通道优势。
为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的技术方案是：一种基于几何形状的多通道三维彩色点云配准方法，包括以下步骤：
步骤1、三维彩色点云数据获取，利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描，得到两个三维彩色点云数据P＝{pi＝(xi,yi,zi,ri,gi,bi)|1≤i≤n}和
Figure BDA0001793749080000021
其中，pi为三维彩色点云数据P中的彩色点，(xi,yi,zi)为彩色点pi的坐标，(ri,gi,bi)为彩色点pi的颜色，n为三维彩色点云数据P中彩色点的个数，i为三维彩色点云数据P中彩色点的序号，
Figure BDA0001793749080000022
为三维彩色点云数据
Figure BDA0001793749080000023
中的彩色点，
Figure BDA0001793749080000024
为彩色点
Figure BDA0001793749080000025
的坐标，
Figure BDA0001793749080000026
为彩色点
Figure BDA0001793749080000027
的颜色，
Figure BDA0001793749080000028
为三维彩色点云数据
Figure BDA0001793749080000029
中彩色点的个数，j为三维彩色点云数据
Figure BDA00017937490800000210
中彩色点的序号；三维彩色点云数据P由点云数据S＝{si＝(xi,yi,zi)|1≤i≤n}和图像数据C＝{ci＝(ri,gi,bi)|1≤i≤n}两种模态融合而成，三维彩色点云数据
Figure BDA00017937490800000211
由点云数据
Figure BDA00017937490800000212
和图像数据
Figure BDA00017937490800000213
Figure BDA00017937490800000214
两种模态融合而成；
步骤2、点云数据提取，分别从三维彩色点云数据P和
Figure BDA00017937490800000215
中提取点云数据S＝{si＝(xi,yi,zi)|1≤i≤n}和
Figure BDA00017937490800000216
步骤3、点云形状分类，利用KD-Tree算法，快速构建点云数据中每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，分别将点云数据S和
Figure BDA0001793749080000031
分为点性点、线性点和面性点，具体包括以下子步骤：
(a)、在点云数据S中，利用KD-Tree算法，快速构建给定点si＝(xi,yi,zi)的邻域
Figure BDA0001793749080000032
其中，
Figure BDA0001793749080000033
为邻点，k为邻点序号，m为邻点的个数；
(b)、构建给定点pi的邻域Ni的协方差矩阵为，
Figure BDA0001793749080000034
其中，T为向量转置符号，求取协方差矩阵Mi的特征值λ1、λ2、λ3，λ1<λ2<λ3，以及相应的特征向量v1、v2、v3；
(c)、若协方差矩阵Mi的特征值λ1≈λ2≈λ3，即λ3/λ2≤8和λ2/λ1≤8，则给定点si与其邻点
Figure BDA0001793749080000035
呈散乱状分布，将给定点si分类为点性点，若协方差矩阵Mi的特征值λ1≈λ2＜＜λ3，即λ3/λ2>8和λ2/λ1≤8，则给定点si与其邻点
Figure BDA0001793749080000036
呈直线状分布，将给定点si分类为线性点，若协方差矩阵Mi的特征值λ1＜＜λ2≈λ3，即λ3/λ2≤8和λ2/λ1>8，则给定点si与其邻点
Figure BDA0001793749080000037
呈平面状分布，将给定点si分类为面性点；因此，将点云数据S分为点性点数据
Figure BDA0001793749080000038
线性点数据
Figure BDA0001793749080000039
和面性点数据
Figure BDA00017937490800000310
其中，
Figure BDA00017937490800000311
为点性点，ia为点性点的序号，na为点性点的个数，
Figure BDA00017937490800000312
为线性点，ib为线性点的序号，nb为线性点的个数，
Figure BDA00017937490800000313
为面性点，ic为面性点的序号，nc为面性点的个数，且na+nb+nc＝n；
(d)、在点云数据
Figure BDA00017937490800000326
中，利用与步骤3子步骤(a)～(c)相同的方法，将点云数据
Figure BDA00017937490800000314
分为点性点数据
Figure BDA00017937490800000315
线性点数据
Figure BDA00017937490800000316
Figure BDA00017937490800000317
和面性点数据
Figure BDA00017937490800000318
其中，
Figure BDA00017937490800000319
为点性点，ja为点性点的序号，
Figure BDA00017937490800000320
为点性点的个数，
Figure BDA00017937490800000321
为线性点，jb为线性点的序号，
Figure BDA00017937490800000322
为线性点的个数，
Figure BDA00017937490800000323
为面性点，jc为面性点的序号，
Figure BDA00017937490800000324
为面性点的个数，且
Figure BDA00017937490800000325
步骤4、点性点数据配准，利用迭代最近点ICP算法，配准点性点数据Sa和点性点
Figure BDA0001793749080000041
求取二者之间的旋转矩阵Ra和平移向量ta，具体包括以下子步骤：
(a)、对于点性点数据Sa中的每一个点
Figure BDA0001793749080000042
通过KD-Tree算法，找到在点性点
Figure BDA0001793749080000043
中的对应最近点
Figure BDA0001793749080000044
组成对应点对集合
Figure BDA0001793749080000045
(b)、利用奇异值分解SVD算法，求解使目标函数f(Ra,ta)最小的旋转矩阵Ra和平移向量ta，上述目标函数f(Ra,ta)按公式(1)进行描述，
Figure BDA0001793749080000046
(c)、使用旋转矩阵Ra和平移向量ta对点性点数据Sa进行坐标变换，得到新的点性点数据Sa，并计算目标函数f(Ra,ta)；
(d)、若目标函数f(Ra,ta)小于设定阈值或者迭代次数达到设定次数就停止迭代，获得最终的旋转矩阵Ra和平移向量ta；否则，重复步骤4子步骤(a)～(d)；
步骤5、线性点数据配准，利用迭代最近点ICP算法，配准线性点数据Sb和线性点数据
Figure BDA0001793749080000047
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rb和平移向量tb；
步骤6、面性点数据配准，利用迭代最近点ICP算法，配准面性点数据Sc和面性点数据
Figure BDA0001793749080000048
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rc和平移向量tc；
步骤7、点云数据配准，利用旋转矩阵Ra、Rb、Rc和平移向量ta、tb、tc，加权计算点云数据S和
Figure BDA0001793749080000049
之间的旋转矩阵R和平移向量t，分别按公式(2)和公式(3)进行描述，
Figure BDA00017937490800000410
Figure BDA00017937490800000411
步骤8、三维彩色点云数据配准，利用点云数据之间的旋转矩阵R和平移向量t，对三维彩色点云数据P进行坐标变换，使之变换到与三维彩色点云数据
Figure BDA0001793749080000051
相同的坐标系之下，完成三维彩色点云数据的配准。
本发明有益效果是：一种基于几何形状的多通道三维彩色点云配准方法，包括以下步骤：(1)获取三维彩色点云数据，(2)提取点云数据，(3)点云形状分类，(4)点性点数据配准，(5)线性点数据配准，(6)面性点数据配准，(7)点云数据配准，(8)三维彩色点云数据配准。与已有技术相比，本发明具有以下优点：一是，本发明面向三维彩色点云数据配准，在其点云模态下，分类点云几何形状，充分发挥各几何形状的多通道优势，提升配准精度；二是，本发明利用各特征点集去计算旋转平移矩阵，降低对应点对搜索数量，缩短搜索时间，提高配准效率和实时性。
附图说明
图1是本发明方法步骤流程图。
图2是场景三维彩色点云数据显示图。
图中：(a)是三维彩色点云数据P，(b)是三维彩色点云数据
Figure BDA0001793749080000052
图3是场景三维点云数据显示图。
图中：(a)是三维点云数据S，(b)是三维点云数据
Figure BDA0001793749080000053
图4是点性点、线性点和面性点分类示意图。
图5是配准前两个三维点云数据显示图。
图中：(a)是俯视图，(b)是侧视图。
图6是配准后两个三维点云数据显示图。
图中：(a)是俯视图，(b)是侧视图。
图7是配准前两个三维彩色点云数据显示图。
图中：(a)是俯视图，(b)是侧视图。
图8是配准后两个三维彩色点云数据显示图。
图中：(a)是俯视图，(b)是侧视图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种基于几何形状的多通道三维彩色点云配准方法，包括以下步骤：
步骤1、三维彩色点云数据获取，利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描，得到两个三维彩色点云数据P＝{pi＝(xi,yi,zi,ri,gi,bi)|1≤i≤n}和
Figure BDA0001793749080000061
其中，pi为三维彩色点云数据P中的彩色点，(xi,yi,zi)为彩色点pi的坐标，(ri,gi,bi)为彩色点pi的颜色，n为三维彩色点云数据P中彩色点的个数，i为三维彩色点云数据P中彩色点的序号，
Figure BDA0001793749080000062
为三维彩色点云数据
Figure BDA00017937490800000619
中的彩色点，
Figure BDA0001793749080000063
为彩色点
Figure BDA0001793749080000064
的坐标，
Figure BDA0001793749080000065
为彩色点
Figure BDA0001793749080000066
的颜色，
Figure BDA0001793749080000067
为三维彩色点云数据
Figure BDA0001793749080000068
中彩色点的个数，j为三维彩色点云数据
Figure BDA0001793749080000069
中彩色点的序号；三维彩色点云数据P由点云数据S＝{si＝(xi,yi,zi)|1≤i≤n}和图像数据C＝{ci＝(ri,gi,bi)|1≤i≤n}两种模态融合而成，三维彩色点云数据
Figure BDA00017937490800000610
由点云数据
Figure BDA00017937490800000611
和图像数据
Figure BDA00017937490800000612
Figure BDA00017937490800000613
两种模态融合而成，如图2所示；
步骤2、点云数据提取，分别从三维彩色点云数据P和
Figure BDA00017937490800000614
中提取点云数据S＝{si＝(xi,yi,zi)|1≤i≤n}和
Figure BDA00017937490800000615
如图3所示；
步骤3、点云形状分类，利用KD-Tree算法，快速构建点云数据中每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，分别将点云数据S和
Figure BDA00017937490800000616
分为点性点、线性点和面性点，具体包括以下子步骤：
(a)、在点云数据S中，利用KD-Tree算法，快速构建给定点si＝(xi,yi,zi)的邻域
Figure BDA00017937490800000617
其中，
Figure BDA00017937490800000618
为邻点，k为邻点序号，m为邻点的个数；
(b)、构建给定点pi的邻域Ni的协方差矩阵为，
Figure BDA0001793749080000071
其中，T为向量转置符号，求取协方差矩阵Mi的特征值λ1、λ2、λ3，λ1<λ2<λ3，以及相应的特征向量v1、v2、v3；
(c)、若协方差矩阵Mi的特征值λ1≈λ2≈λ3，即λ3/λ2≤8和λ2/λ1≤8，则给定点si与其邻点
Figure BDA0001793749080000072
呈散乱状分布，将给定点si分类为点性点，若协方差矩阵Mi的特征值λ1≈λ2＜＜λ3，即λ3/λ2>8和λ2/λ1≤8，则给定点si与其邻点
Figure BDA0001793749080000073
呈直线状分布，将给定点si分类为线性点，若协方差矩阵Mi的特征值λ1＜＜λ2≈λ3，即λ3/λ2≤8和λ2/λ1>8，则给定点si与其邻点
Figure BDA0001793749080000074
呈平面状分布，将给定点si分类为面性点，如图4所示；因此，将点云数据S分为点性点数据
Figure BDA0001793749080000075
线性点数据
Figure BDA0001793749080000076
和面性点数据
Figure BDA0001793749080000077
其中，
Figure BDA0001793749080000078
为点性点，ia为点性点的序号，na为点性点的个数，
Figure BDA0001793749080000079
为线性点，ib为线性点的序号，nb为线性点的个数，
Figure BDA00017937490800000710
为面性点，ic为面性点的序号，nc为面性点的个数，且na+nb+nc＝n；
(d)、在点云数据
Figure BDA00017937490800000711
中，利用与步骤3子步骤(a)～(c)相同的方法，将点云数据
Figure BDA00017937490800000712
分为点性点数据
Figure BDA00017937490800000713
线性点数据
Figure BDA00017937490800000714
Figure BDA00017937490800000715
和面性点数据
Figure BDA00017937490800000716
其中，
Figure BDA00017937490800000717
为点性点，ja为点性点的序号，
Figure BDA00017937490800000718
为点性点的个数，
Figure BDA00017937490800000719
为线性点，jb为线性点的序号，
Figure BDA00017937490800000720
为线性点的个数，
Figure BDA00017937490800000721
为面性点，jc为面性点的序号，
Figure BDA00017937490800000722
为面性点的个数，且
Figure BDA00017937490800000723
步骤4、点性点数据配准，利用迭代最近点ICP算法，配准点性点数据Sa和点性点
Figure BDA00017937490800000724
求取二者之间的旋转矩阵Ra和平移向量ta，具体包括以下子步骤：
(a)、对于点性点数据Sa中的每一个点
Figure BDA00017937490800000725
通过KD-Tree算法，找到在点性点
Figure BDA00017937490800000726
中的对应最近点
Figure BDA00017937490800000727
组成对应点对集合
Figure BDA00017937490800000728
(b)、利用奇异值分解SVD算法，求解使目标函数f(Ra,ta)最小的旋转矩阵Ra和平移向量ta，上述目标函数f(Ra,ta)按公式(1)进行描述，
Figure BDA0001793749080000081
(c)、使用旋转矩阵Ra和平移向量ta对点性点数据Sa进行坐标变换，得到新的点性点数据Sa，并计算目标函数f(Ra,ta)；
(d)、若目标函数f(Ra,ta)小于设定阈值或者迭代次数达到设定次数就停止迭代，获得最终的旋转矩阵Ra和平移向量ta；否则，重复步骤4子步骤(a)～(d)；
步骤5、线性点数据配准，利用迭代最近点ICP算法，配准线性点数据Sb和线性点数据
Figure BDA0001793749080000082
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rb和平移向量tb；
步骤6、面性点数据配准，利用迭代最近点ICP算法，配准面性点数据Sc和面性点数据
Figure BDA0001793749080000083
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rc和平移向量tc；
步骤7、点云数据配准，利用旋转矩阵Ra、Rb、Rc和平移向量ta、tb、tc，加权计算点云数据S和
Figure BDA0001793749080000084
之间的旋转矩阵R和平移向量t，分别按公式(2)和公式(3)进行描述，
Figure BDA0001793749080000085
Figure BDA0001793749080000086
利用旋转矩阵R和平移向量t，对点云数据S进行坐标变换，使之变换到与点云数据
Figure BDA0001793749080000087
相同的坐标系之下，配准前场景如图5所示，配准后场景如图6所示；
步骤8、三维彩色点云数据配准，利用点云数据之间的旋转矩阵R和平移向量t，对三维彩色点云数据P进行坐标变换，使之变换到与三维彩色点云数据
Figure BDA0001793749080000088
相同的坐标系之下，完成三维彩色点云数据的配准，配准前场景如图7所示，配准后场景如图8所示。
本发明优点在于：本发明通过构建协方差矩阵，准确地计算了三维点云数据的几何特征，从点云数据中提取出点性点、线性点和面性点三种特征点集，并利用这三种特征点集辅助完成了三维彩色点云的配准，从而有效地解决了由于三维彩色点云数据量过大而导致的配准时间过长的问题，大大地提高了三维彩色点云配准的时间效率和准确度。

Claims (1)

1.一种基于几何形状的多通道三维彩色点云配准方法，其特征在于包括以下步骤：
步骤1、三维彩色点云数据获取，利用三维激光彩色扫描测距系统在两个不同的位置分别对同一场景进行扫描，得到两个三维彩色点云数据P＝{pi＝(xi，yi，zi，ri，gi，bi)|1≤i≤n}和
Figure FDA0002897280040000011
其中，pi为三维彩色点云数据P中的彩色点，(xi，yi，zi)为彩色点pi的坐标，(ri，gi，bi)为彩色点pi的颜色，n为三维彩色点云数据P中彩色点的个数，i为三维彩色点云数据P中彩色点的序号，
Figure FDA0002897280040000012
为三维彩色点云数据
Figure FDA0002897280040000013
中的彩色点，
Figure FDA0002897280040000014
为彩色点
Figure FDA0002897280040000015
的坐标，
Figure FDA0002897280040000016
为彩色点
Figure FDA0002897280040000017
的颜色，
Figure FDA0002897280040000018
为三维彩色点云数据
Figure FDA0002897280040000019
中彩色点的个数，j为三维彩色点云数据
Figure FDA00028972800400000110
中彩色点的序号；三维彩色点云数据P由点云数据S＝{si＝(xi，yi，zi)|1≤i≤n}和图像数据C＝{ci＝(ri，gi，bi)|1≤i≤n}两种模态融合而成，三维彩色点云数据
Figure FDA00028972800400000111
由点云数据
Figure FDA00028972800400000112
和图像数据
Figure FDA00028972800400000113
两种模态融合而成；
步骤2、点云数据提取，分别从三维彩色点云数据P和
Figure FDA00028972800400000114
中提取点云数据S＝{si＝(xi，yi，zi)|1≤i≤n}和
Figure FDA00028972800400000115
步骤3、点云形状分类，利用KD-Tree算法，快速构建点云数据中每一个点的邻域，计算该邻域的协方差矩阵，并根据协方差矩阵特征值之间的大小关系，分别将点云数据S和
Figure FDA00028972800400000116
分为点性点、线性点和面性点，具体包括以下子步骤：
(a)、在点云数据S中，利用KD-Tree算法，快速构建给定点si＝(xi，yi，zi)的邻域
Figure FDA0002897280040000021
其中，
Figure FDA0002897280040000022
为邻点，k为邻点序号，m为邻点的个数；
(b)、构建给定点si的邻域Ni的协方差矩阵为，
Figure FDA0002897280040000023
其中，T为向量转置符号，求取协方差矩阵Mi的特征值λ1、λ2、λ3，λ1＜λ2＜λ3，以及相应的特征向量v1、v2、v3；
(c)、若协方差矩阵Mi的特征值λ1≈λ2≈λ3，即λ3/λ2≤8和λ2/λ1≤8，则给定点si与其邻点
Figure FDA0002897280040000024
呈散乱状分布，将给定点si分类为点性点，若协方差矩阵Mi的特征值λ1≈λ2＜＜λ3，即λ3/λ2＞8和λ2/λ1≤8，则给定点si与其邻点
Figure FDA0002897280040000025
呈直线状分布，将给定点si分类为线性点，若协方差矩阵Mi的特征值λ1＜＜λ2≈λ3，即λ3/λ2≤8和λ2/λ1＞8，则给定点si与其邻点
Figure FDA0002897280040000026
呈平面状分布，将给定点si分类为面性点；因此，将点云数据S分为点性点数据
Figure FDA0002897280040000027
线性点数据
Figure FDA0002897280040000028
和面性点数据
Figure FDA0002897280040000029
其中，
Figure FDA00028972800400000210
为点性点，ia为点性点的序号，na为点性点的个数，
Figure FDA00028972800400000211
为线性点，ib为线性点的序号，nb为线性点的个数，
Figure FDA00028972800400000212
为面性点，ic为面性点的序号，nc为面性点的个数，且na+nb+nc＝n；
(d)、在点云数据
Figure FDA00028972800400000213
中，利用与步骤3子步骤(a)～(c)相同的方法，将点云数据
Figure FDA00028972800400000214
分为点性点数据
Figure FDA00028972800400000215
线性点数据
Figure FDA00028972800400000216
和面性点数据
Figure FDA00028972800400000217
其中，
Figure FDA00028972800400000218
为点性点，ja为点性点的序号，
Figure FDA00028972800400000219
为点性点的个数，
Figure FDA00028972800400000220
为线性点，jb为线性点的序号，
Figure FDA00028972800400000221
为线性点的个数，
Figure FDA00028972800400000222
为面性点，jc为面性点的序号，
Figure FDA00028972800400000223
为面性点的个数，且
Figure FDA00028972800400000224
步骤4、点性点数据配准，利用迭代最近点ICP算法，配准点性点数据Sa和点性点
Figure FDA0002897280040000031
求取二者之间的旋转矩阵Ra和平移向量ta，具体包括以下子步骤：
(a)、对于点性点数据Sa中的每一个点
Figure FDA0002897280040000032
通过KD-Tree算法，找到在点性点
Figure FDA0002897280040000033
中的对应最近点
Figure FDA0002897280040000034
组成对应点对集合
Figure FDA0002897280040000035
(b)、利用奇异值分解SVD算法，求解使目标函数f(Ra，ta)最小的旋转矩阵Ra和平移向量ta，上述目标函数f(Ra，ta)按公式(1)进行描述，
Figure FDA0002897280040000036
(c)、使用旋转矩阵Ra和平移向量ta对点性点数据Sa进行坐标变换，得到新的点性点数据Sa，并计算目标函数f(Ra，ta)；
(d)、若目标函数f(Ra，ta)小于设定阈值或者迭代次数达到设定次数就停止迭代，获得最终的旋转矩阵Ra和平移向量ta；否则，重复步骤4子步骤(a)～(d)；
步骤5、线性点数据配准，利用迭代最近点ICP算法，配准线性点数据Sb和线性点数据
Figure FDA0002897280040000037
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rb和平移向量tb；
步骤6、面性点数据配准，利用迭代最近点ICP算法，配准面性点数据Sc和面性点数据
Figure FDA0002897280040000038
具体配准过程与步骤4子步骤(a)～(d)相同，求取二者之间的旋转矩阵Rc和平移向量tc；
步骤7、点云数据配准，利用旋转矩阵Ra、Rb、Rc和平移向量ta、tb、tc，加权计算点云数据S和
Figure FDA00028972800400000310
之间的旋转矩阵R和平移向量t，分别按公式(2)和公式(3)进行描述，
Figure FDA0002897280040000039
Figure FDA0002897280040000041
步骤8、三维彩色点云数据配准，利用点云数据之间的旋转矩阵R和平移向量t，对三维彩色点云数据P进行坐标变换，使之变换到与三维彩色点云数据
Figure FDA0002897280040000042
相同的坐标系之下，完成三维彩色点云数据的配准。
CN201811047904.4A 2018-09-10 2018-09-10 一种基于几何形状的多通道三维彩色点云配准方法 Active CN109345570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811047904.4A CN109345570B (zh) 2018-09-10 2018-09-10 一种基于几何形状的多通道三维彩色点云配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811047904.4A CN109345570B (zh) 2018-09-10 2018-09-10 一种基于几何形状的多通道三维彩色点云配准方法

Publications (2)

Publication Number Publication Date
CN109345570A CN109345570A (zh) 2019-02-15
CN109345570B true CN109345570B (zh) 2021-05-14

Family

ID=65304990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811047904.4A Active CN109345570B (zh) 2018-09-10 2018-09-10 一种基于几何形状的多通道三维彩色点云配准方法

Country Status (1)

Country Link
CN (1) CN109345570B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992258B (zh) * 2019-10-14 2021-07-30 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
CN112446907B (zh) * 2020-11-19 2022-09-06 武汉中海庭数据技术有限公司 一种单线点云与多线点云配准的方法及装置
CN113587816A (zh) * 2021-08-04 2021-11-02 天津微深联创科技有限公司 一种阵列式大场景结构光三维扫描测量方法及其装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2389500A (en) * 2002-04-20 2003-12-10 Virtual Mirrors Ltd Generating 3D body models from scanned data
CN103236081A (zh) * 2013-04-25 2013-08-07 四川九洲电器集团有限责任公司 一种彩色点云的配准方法
CN103985149A (zh) * 2014-05-20 2014-08-13 南京理工大学 三维彩色点云点特征描述方法
CN107346550A (zh) * 2017-07-05 2017-11-14 滁州学院 一种针对具有颜色信息的三维点云数据快速配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8295589B2 (en) * 2010-05-20 2012-10-23 Microsoft Corporation Spatially registering user photographs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2389500A (en) * 2002-04-20 2003-12-10 Virtual Mirrors Ltd Generating 3D body models from scanned data
CN103236081A (zh) * 2013-04-25 2013-08-07 四川九洲电器集团有限责任公司 一种彩色点云的配准方法
CN103985149A (zh) * 2014-05-20 2014-08-13 南京理工大学 三维彩色点云点特征描述方法
CN107346550A (zh) * 2017-07-05 2017-11-14 滁州学院 一种针对具有颜色信息的三维点云数据快速配准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Color point cloud registration with 4D ICP algorithm》;Hao Men，et al.;《2011 IEEE International Conference on Robotics and Automation》;20110815;第1511-1516页 *
《一种利用关键点提取的改进ICP三维彩色点云场景配准方法》;杨永涛，等;《小型微型计算机系统》;20171231;第38卷(第9期);第2139-2145页 *
《三维彩色点云数据的分割与分类》;王宁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第3期);第I138-4552页 *

Also Published As

Publication number Publication date
CN109345570A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109655019B (zh) 一种基于深度学习和三维重建的货物体积测量方法
CN109658444B (zh) 一种基于多模态特征的规则三维彩色点云配准方法
CN108369741B (zh) 用于配准数据的方法和系统
CN107392947B (zh) 基于轮廓共面四点集的2d-3d图像配准方法
JP6681729B2 (ja) オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム
CN104299260B (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
CN104850850B (zh) 一种结合形状和颜色的双目立体视觉图像特征提取方法
CN108921895B (zh) 一种传感器相对位姿估计方法
CN108052942B (zh) 一种飞机飞行姿态的视觉图像识别方法
CN104574432B (zh) 一种自动多视角人脸自拍图像的三维人脸重建方法及系统
CN106780592A (zh) 基于相机运动和图像明暗的Kinect深度重建算法
CN105046710A (zh) 基于深度图分割与代理几何体的虚实碰撞交互方法及装置
CN111523398A (zh) 一种融合2d人脸检测和3d人脸识别的方法及装置
CN109345570B (zh) 一种基于几何形状的多通道三维彩色点云配准方法
CN105701455A (zh) 基于asm算法的人脸特征点采集及三维人脸建模方法
CN113393503B (zh) 一种分割驱动形状先验变形的类别级物体6d位姿估计方法
CN110310331A (zh) 一种基于直线特征与点云特征结合的位姿估计方法
Xu et al. Survey of 3D modeling using depth cameras
Yang et al. Stereo matching using epipolar distance transform
Pan et al. Establishing point correspondence of 3d faces via sparse facial deformable model
CN114549669B (zh) 一种基于图像融合技术的彩色三维点云获取方法
Ye et al. 3d morphable face model for face animation
CN116958420A (zh) 一种数字人教师三维人脸的高精度建模方法
Yuan et al. 3D point cloud recognition of substation equipment based on plane detection
CN117218192A (zh) 一种基于深度学习与合成数据的弱纹理物体位姿估计方法

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