CN109472816A - 一种点云配准方法 - Google Patents

Abstract

本发明提供了一种点云配准方法，包括以下步骤：步骤1，采集待配准的点云P和点云Q，其中p_i∈P，i＝1,2,...,t，q_j∈Q，j＝1,2,...,t，对点云P中的点p_i在点云Q中寻找与点p_i相配准的点q_j，即得到初始匹配点对；步骤2，根据初始匹配点对，分别得到初始匹配点对点p_i和q_j的自适应邻域和步骤3，若初始匹配点对点p_i和q_j的特征区域相同且初始匹配点对点p_i和q_j的自适应邻域和的GAN形状相同，则对初始匹配点对点p_i和q_j的自适应邻域和进行自适应领域匹配，得到初始匹配点对点p_i和q_j的初始位置；否则，初始匹配点对点p_i和q_j为非匹配点；步骤4，根据初始匹配点对点p_i和q_j的初始位置，对点云P和点云Q进行精确配准。

Description

一种点云配准方法

技术领域

本发明属于三维点云配准技术领域，具体涉及一种点云配准方法。

背景技术

近年来，用于获取三维物理物体点云模型的激光扫描技术取得了长足的发展，使得点云模型成为三维处理中的主流数据。高精度扫描设备虽然能够有效获取物理物体表面的细节特征，但是，由于受测量仪器和环境的限制，实体扫描无法一次性完成，需要在不同视角下分别进行扫描得到点云数据，然后将多视角点云进行配准，才能获得物理物体完整的点云模型。因此，点云自动配准在三维重建、逆向工程、目标识别等领域应用广泛，是点云数据处理的重要环节，点云配准的精度直接影响了后续处理技术的质量。

针对点云模型的自动配准，最经典的方法是迭代最近点法(Iterative ClosestPoint,ICP)及其改进算法，该方法基于点对点或点对面的搜索技术，通过最小化待配准点云间的距离实现点云配准。ICP方法步骤简单且易于实现，但要求两个待配准的点云之间存在包含关系，同时要求两片点云的相对位置比较接近，算法结果依赖于点云的初始位置，易造成快速收敛于局部最优的问题。因此有诸多工作针对ICP算法的改进展开。

先粗配准再精确对齐是一种行之有效的策略，在这种策略下，基于特征点匹配的方法广为流行，其主要思想是通过提取有效的匹配特征点对，确定两个待配准点云的初始位置，然后再利用ICP算法进行精确对齐。然而，现有的特征提取方法虽然可以有效提取出特征点，但由于点云中的特征点往往被定义为具有大尺度曲面梯度的点，因此，单一离散的特征点往往具有相似的几何特征，直接利用单一特征点进行匹配，忽略了特征点局部的结构信息，易出现误匹配，影响后续精确对齐的精度。

另外，由于扫描设备分辨率不同、扫描距离不同等，导致所获得的点云不在同一坐标系下，且不同视角的点云可能具有不同的缩放尺度。基于此种情况，即使利用匹配特征点对能准确定位两个待配准点云的初始位置，直接利用ICP算法精确对齐两个点云时也会陷入局部最优。而现存文献中提出的 SICP(Scaled Iterative Closest Point，SICP)算法，虽然有效解决了具有不同缩放尺度点云的配准问题，但是依然无法有效避免其陷入局部最优。

发明内容

针对现有技术中存在的不足，本发明的目的在于，提供一种点云配准方法，解决现有技术无法针对不同缩放尺度点云进行配准的技术问题。

为了解决上述技术问题，本申请采用如下技术方案予以实现：

一种点云配准方法，包括以下步骤：

步骤1，采集待配准的点云P和点云Q，其中p_i∈P，i＝1,2,...,t，q_j∈Q， j＝1,2,...,t，对点云P中的点p_i在点云Q中寻找与点p_i相配准的点q_j∈Q，即得到初始匹配点对；

其中，点云Q中与点p_i相配准的点q_j满足式(1)：

式(1)中，α为预设阈值，表示点p_i的最大主曲率，表示点q_j的最大主曲率，表示点p_i的最小主曲率，表示点q_j的最小主曲率；

步骤2，根据初始匹配点对，分别得到初始匹配点对点p_i和q_j的自适应邻域和

步骤3，若初始匹配点对点p_i和q_j的特征区域相同且初始匹配点对点p_i和q_j的自适应邻域和的GAN形状相同，则对初始匹配点对点 p_i和q_j的自适应邻域和进行自适应领域匹配，得到初始匹配点对点p_i和q_j的初始位置；否则，初始匹配点对点p_i和q_j为非匹配点；

其中，对初始匹配点对点p_i和q_j的自适应邻域和进行自适应领域匹配，包括：

步骤31，若自适应邻域和的GAN形状均为线状，则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配；若自适应邻域和自适应邻域相匹配，执行步骤32；

若自适应邻域和的GAN形状为片状，将自适应邻域和的GAN形状分别进行三角剖分，分别得到多个三角面片构成的三角网格；

所述自适应邻域的三角面片包括点p_i的一阶GAN三角面片、点 p_i的二阶GAN三角面片、……、点p_i的n阶GAN三角面片，所述点p_i的一阶GAN三角面片的残差角为∠p_aop_ip′_ao，点p_i的二阶GAN三角面片的残差角为∠p_(a+1)op_ip′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠p_(a+n)op_ip′_(a+n)o，即得到点p_i的各阶GAN三角面片的残差角；

所述自适应邻域的三角面片包括点q_j的一阶GAN三角面片、点 q_j的二阶GAN三角面片、……、点q_j的n阶GAN三角面片，所述点q_j的一阶GAN三角面片的残差角为∠q_aoq_jq′_ao，点p_i的二阶GAN三角面片的残差角为∠q_(a+1)oq_jq′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠q_(a+n)oq_jq′_(a+n)o，即得到点q_j的各阶GAN三角面片的残差角；

若点p_i的各阶GAN三角面片的残差角与点q_j的各阶GAN三角面片的残差角相差小于预设阈值δ，δ≤0.5，则自适应邻域和自适应邻域相匹配，执行步骤32,；否则自适应邻域和自适应邻域不匹配

步骤32，若自适应邻域和的GAN形状均为线状，包括：

步骤321，在自适应邻域中选取距离点p_i最远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j最远的两个点作为两个第二端点；

步骤322，将两个第一端点分别与点p_i相连接，构成两个直线段，对该两个直线段进行归一化处理得到点p_i的单位向量；

将两个第二端点分别与点q_j相连接，构成两个直线段，对该两个直线段进行归一化处理得到点q_j的单位向量；

步骤323，若点p_i的单位向量与点q_j的单位向量共线，则在自适应邻域中选取距离点p_i次远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j次远的两个点作为两个第二端点；否则，执行步骤 324；

步骤324，根据点p_i的单位向量和点q_j的单位向量，利用奇异值分解法，对点云P和点云Q进行粗配准，即得到点云P和点云Q的初始位置；

步骤4，根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准。

进一步地，判断所述初始匹配点对点p_i的自适应邻域的GAN形状，包括：

根据点p_i的自适应邻域得到点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，并根据点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，判断点p_i的自适应邻域的GAN形状；

其中，p_m与p_n表示点p_i的邻域中的任意点，θ表示平滑函数；

若则点p_i的自适应邻域的GAN形状为线状；否则，点p_i的自适应邻域的GAN形状为片状；

若点p_n分布于点p_i的四周，则点p_i的自适应邻域的GAN形状为第一类片状；若点p_n分布于点p_i的一侧，则点p_i的自适应邻域的GAN 形状为第二类片状。

进一步地，步骤4中根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准，包括：

步骤41，通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数：

式(2)中，h_k表示第k次迭代时的尺度因子，R_k表示第k次迭代时旋转矩阵，表示第k迭代时的平移矩阵；

步骤42，当|RMS_k-RMS_k-1|<ε₂或k>Step_max时，迭代停止，将此时得到的空间变换参数用于对点云P和点云Q进行精确配准；其中，RMS_k为第k次迭代时均方根误差，ε₂为相邻两次迭代的均方根误差的差值，Step_max为最大迭代次数。

本发明与现有技术相比，有益的技术效果是：

本发明利用点曲率的相似度筛选出匹配点对，然后构建匹配点对的自适应邻域，结合自适应邻域的形状信息(种子点所在特征区域)及几何信息(通过定义残差角作为局部曲面形状描述子)确定自适应邻域的匹配关系，将自适应邻域的匹配作为特征点对匹配的高层约束，使得到的特征点对更加准确，去除伪匹配点对，从而提高配准精度；最后，根据自适应邻域匹配关系确定的真实匹配特征点对，计算点云的初始位置，再利用尺度ICP算法将点云进行空间对齐得到完整点云数据。本发明能够在有效提高点对匹配准确率的同时，避免现有点云配准算法无法有效对齐存在不同缩放尺度点云的问题，具有较强的鲁棒性。

附图说明

图1是本发明的方法流程图；

图2(a)是点云模型上的初始匹配点；图2(b)是图2(a)上点的自适应邻域示意图；

图3(a)是第一类片状领域；图3(b)是第二类片状邻域。

以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。

具体实施方式

以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例：

本实施例提供了一种点云配准方法，包括以下步骤：

步骤1，采集待配准的点云P和点云Q，其中p_i∈P，i＝1,2,...,t，q_j∈Q， j＝1,2,...,t，对点云P中的点p_i在点云Q中寻找与点p_i相配准的点q_j∈Q，即得到初始匹配点对；

其中，点云Q中与点p_i相配准的点q_j满足式(1)：

式(1)中，α为预设阈值，其是p_i∈P到点云Q中点的曲率平均值的0.2-0.4 倍，表示点p_i的最大主曲率，表示点q_j的最大主曲率，表示点p_i的最小主曲率，表示点q_j的最小主曲率；

步骤2，根据初始匹配点对，分别得到初始匹配点对点p_i和q_j的自适应邻域和

步骤3，若初始匹配点对点p_i和q_j的特征区域相同且初始匹配点对点p_i和q_j的自适应邻域和的GAN形状相同，则对初始匹配点对点 p_i和q_j的自适应邻域和进行自适应领域匹配，得到初始匹配点对点p_i和q_j的初始位置；否则，初始匹配点对点p_i和q_j为非匹配点；

其中，对初始匹配点对点p_i和q_j的自适应邻域和进行自适应领域匹配，包括：

步骤31，若自适应邻域和的GAN形状均为线状，则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配；若自适应邻域和自适应邻域相匹配，执行步骤32；

若自适应邻域和的GAN形状为片状，将自适应邻域和的GAN形状分别进行三角剖分，分别得到多个三角面片构成的三角网格；

所述自适应邻域的三角面片包括点p_i的一阶GAN三角面片、点 p_i的二阶GAN三角面片、……、点p_i的n阶GAN三角面片，所述点p_i的一阶GAN三角面片的残差角为∠p_aop_ip′_ao，点p_i的二阶GAN三角面片的残差角为∠p_(a+1)op_ip′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠p_(a+n)op_ip′_(a+n)o，即得到点p_i的各阶GAN三角面片的残差角；

所述自适应邻域的三角面片包括点q_j的一阶GAN三角面片、点 q_j的二阶GAN三角面片、……、点q_j的n阶GAN三角面片，所述点q_j的一阶GAN三角面片的残差角为∠q_aoq_jq′_ao，点p_i的二阶GAN三角面片的残差角为∠q_(a+1)oq_jq′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠q_(a+n)oq_jq′_(a+n)o，即得到点q_j的各阶GAN三角面片的残差角；

若点p_i的各阶GAN三角面片的残差角与点q_j的各阶GAN三角面片的残差角相差小于预设阈值δ，δ≤0.5，则自适应邻域和自适应邻域相匹配，执行步骤32,；否则自适应邻域和自适应邻域不匹配

步骤32，若自适应邻域和的GAN形状均为线状，包括：

步骤321，在自适应邻域中选取距离点p_i最远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j最远的两个点作为两个第二端点；

步骤322，将两个第一端点分别与点p_i相连接，构成两个直线段，对该两个直线段进行归一化处理得到点p_i的单位向量；

将两个第二端点分别与点q_j相连接，构成两个直线段，对该两个直线段进行归一化处理得到点q_j的单位向量；

步骤323，若点p_i的单位向量与点q_j的单位向量共线，则在自适应邻域中选取距离点p_i次远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j次远的两个点作为两个第二端点；否则，执行步骤 324；

步骤324，根据点p_i的单位向量和点q_j的单位向量，利用奇异值分解法，对点云P和点云Q进行粗配准，即得到点云P和点云Q的初始位置；

步骤4，根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准。

判断所述初始匹配点对点p_i的自适应邻域的GAN形状，包括：

根据点p_i的自适应邻域得到点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，并根据点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，判断点p_i的自适应邻域的GAN形状；

其中，p_m与p_n表示点p_i的邻域中的任意点，θ表示平滑函数；

若则点p_i的自适应邻域的GAN形状为线状；否则，点p_i的自适应邻域的GAN形状为片状；

若点p_n分布于点p_i的四周，则点p_i的自适应邻域的GAN形状为第一类片状；若点p_n分布于点p_i的一侧，则点p_i的自适应邻域的GAN 形状为第二类片状。

同理，判断点q_j的自适应邻域的GAN形状和上述判断点p_i的自适应邻域的GAN形状的方法相同。

步骤4中根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准，包括：

步骤41，通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数：

式(2)中，h_k表示第k次迭代时的尺度因子，R_k表示第k次迭代时旋转矩阵，表示第k迭代时的平移矩阵；

步骤42，当|RMS_k-RMS_k-1|<ε₂或k>Step_max时，迭代停止，将此时得到的空间变换参数用于对点云P和点云Q进行精确配准；其中，RMS_k为第k次迭代时均方根误差，ε₂为相邻两次迭代的均方根误差的差值，其取值一般为 0.005，Step_max为最大迭代次数，一般设为65。

Claims (3)

1.一种点云配准方法，其特征在于，包括以下步骤：

步骤1，采集待配准的点云P和点云Q，其中p_i∈P，i＝1,2,...,t，q_j∈Q，j＝1,2,...,t，对点云P中的点p_i在点云Q中寻找与点p_i相配准的点q_j∈Q，即得到初始匹配点对；

其中，点云Q中与点p_i相配准的点q_j满足式(1)：

式(1)中，α为预设阈值，表示点p_i的最大主曲率，表示点q_j的最大主曲率，表示点p_i的最小主曲率，表示点q_j的最小主曲率；

步骤2，根据初始匹配点对，分别得到初始匹配点对点p_i和q_j的自适应邻域和

步骤3，若初始匹配点对点p_i和q_j的特征区域相同且初始匹配点对点p_i和q_j的自适应邻域和的GAN形状相同，则对初始匹配点对点p_i和q_j的自适应邻域和进行自适应领域匹配，得到初始匹配点对点p_i和q_j的初始位置；否则，初始匹配点对点p_i和q_j为非匹配点；

其中，对初始匹配点对点p_i和q_j的自适应邻域和进行自适应领域匹配，包括：

步骤31，若自适应邻域和的GAN形状均为线状，则利用曲线匹配方法判断自适应邻域和自适应邻域是否相匹配；若自适应邻域和自适应邻域相匹配，执行步骤32；

若自适应邻域和的GAN形状为片状，将自适应邻域和的GAN形状分别进行三角剖分，分别得到多个三角面片构成的三角网格；

所述自适应邻域的三角面片包括点p_i的一阶GAN三角面片、点p_i的二阶GAN三角面片、……、点p_i的n阶GAN三角面片，所述点p_i的一阶GAN三角面片的残差角为∠p_aop_ip′_ao，点p_i的二阶GAN三角面片的残差角为∠p_(a+1)op_ip′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠p_(a+n)op_ip′_(a+n)o，即得到点p_i的各阶GAN三角面片的残差角；

所述自适应邻域的三角面片包括点q_j的一阶GAN三角面片、点q_j的二阶GAN三角面片、……、点q_j的n阶GAN三角面片，所述点q_j的一阶GAN三角面片的残差角为∠q_aoq_jq′_ao，点p_i的二阶GAN三角面片的残差角为∠q_(a+1)oq_jq′_(a+1)o，……，点p_i的n阶GAN三角面片的残差角为∠q_(a+n)oq_jq′_(a+n)o，即得到点q_j的各阶GAN三角面片的残差角；

若点p_i的各阶GAN三角面片的残差角与点q_j的各阶GAN三角面片的残差角相差小于预设阈值δ，δ≤0.5，则自适应邻域和自适应邻域相匹配，执行步骤32,；否则自适应邻域和自适应邻域不匹配

步骤32，若自适应邻域和的GAN形状均为线状，包括：

步骤321，在自适应邻域中选取距离点p_i最远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j最远的两个点作为两个第二端点；

步骤322，将两个第一端点分别与点p_i相连接，构成两个直线段，对该两个直线段进行归一化处理得到点p_i的单位向量；

将两个第二端点分别与点q_j相连接，构成两个直线段，对该两个直线段进行归一化处理得到点q_j的单位向量；

步骤323，若点p_i的单位向量与点q_j的单位向量共线，则在自适应邻域中选取距离点p_i次远的两个点作为两个第一端点，在自适应邻域中选取距离点q_j次远的两个点作为两个第二端点；否则，执行步骤324；

步骤324，根据点p_i的单位向量和点q_j的单位向量，利用奇异值分解法，对点云P和点云Q进行粗配准，即得到点云P和点云Q的初始位置；

步骤4，根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准。

2.根据权利要求1所述的点云配准方法，其特征在于，判断所述初始匹配点对点p_i的自适应邻域的GAN形状，包括：

根据点p_i的自适应邻域得到点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，并根据点p_i的局部加权协方差矩阵M_i的特征值λ₀、λ₁和λ₂，判断点p_i的自适应邻域的GAN形状；

其中，p_m与p_n表示点p_i的邻域中的任意点，θ表示平滑函数；

若则点p_i的自适应邻域的GAN形状为线状；否则，点p_i的自适应邻域的GAN形状为片状；

若点p_n分布于点p_i的四周，则点p_i的自适应邻域的GAN形状为第一类片状；若点p_n分布于点p_i的一侧，则点p_i的自适应邻域的GAN形状为第二类片状。

3.根据权利要求1所述的点云配准方法，其特征在于，步骤4中根据点云P和点云Q的初始位置，对点云P和点云Q进行精确配准，包括：

步骤41，通过式(2)得到对点云P和点云Q进行精确配准的空间变换参数：

式(2)中，h_k表示第k次迭代时的尺度因子，R_k表示第k次迭代时旋转矩阵，表示第k迭代时的平移矩阵；

步骤42，当|RMS_k-RMS_k-1|<ε₂或k>Step_max时，迭代停止，将此时得到的空间变换参数用于对点云P和点云Q进行精确配准；其中，RMS_k为第k次迭代时均方根误差，ε₂为相邻两次迭代的均方根误差的差值，Step_max为最大迭代次数。