CN109544612A - 基于特征点几何表面描述的点云配准方法 - Google Patents

Abstract

本发明提供一种基于特征点几何表面描述的点云配准方法，属于三维重建领域。其首先载入源点云和目标点云，并计算曲率进行数据降采样；然后通过3D Harris检测器提取两片点云的所有特征点，计算特征点间的几何距离构建距离最近三特征点的子集合，再通过子集合的几何转换关系描述目标表面；最后通过匹配源点云和目标点云上的几何表面描述计算旋转平移矩阵，通过计算配准后对应点的距离之和评价配准效果，选出最优矩阵，完成点云初始配准。

Description

基于特征点几何表面描述的点云配准方法

技术领域

本发明涉及三维重建领域，特别是一种基于特征点几何表面描述的点云配准方法。

背景技术

三维重建(3D Reconstruction)指对三维物体建立适合计算机表示和处理的数学模型,是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。

点云(Point Cloud)是由测距设备获取的目标表面信息的海量点集合。其扫描资料以点的形式进行记录，这些点既可以是三维坐标(XYZ)，也可以是颜色(RGB)或者反射强度(Intensity)等信息。通常所使用的点云数据一般包括点坐标精度、空间分辨率和表面法向量等内容。

点云的格式:*.pcd；*.ply；*obj.；*.stl；*.imw；*.x3d；

点云在计算机视觉，逆向工程，工业设计等领域早有应用，而近几年来摄影测量、激光扫描、雷达干涉等三维扫描设备普及和扫描技术快速发展，在带来便利的同时对点云处理相关技术也提出了新的要求。在机器人导航过程中获取的点云数据点可达上百万个，快速，智能化的扫描方式使滑坡检测，城市规划，森林管理等领域均可应用点云三维重建相关技术。所以为了三维点云数据建模的准确性和实效性，在对大规模点云进行三维建模前，必须使用点云处理相关技术对点云进行预处理，其中点云自动配准是获取目标完整三维点云的关键步骤，是目标自动点云重建的关键技术之一。由于扫描视角的限制以及被扫描物体间的相互遮挡，需要从不同视角进行多次扫描才能覆盖全部场景，因此必须将所有扫描转换到同一坐标系，转换的本质是刚体变换，而求解的刚体变换参数优劣，直接影响了点云配准的准确性和效率，进而影响实体化效果。

传统点云配准通过放置标记，然后手动或自动提取在至少两次扫描可见的标志点为特征点进行点云配准，这一过程受限于现实条件，耗时严重，并且会不可避免的遮挡或损坏被测物体表面的真实点云数据，增加后期处理的时间。在大规模场景点云，机器人实时化导航中，这都是不可接受的。

点云的无标记自动化配准主要分为初始粗略配准和精确配准两步，而且实践证明，初始配准远远难于精确配准。1992年Besl和McKay提出的最近点迭代算法(ICP)是最经典的精确配准算法，ICP算法的原理是尽量减少点间欧式距离，通过建立对应关系和评估转换参数迭代进行处理问题。而ICP算法容易陷入局部最优，所以针对初始位置差别较大的点云需要进行初始配准，而常用的初始配准方法可分为基于局部特征描述，基于全局搜索策略和基于概率统计三类。其中的代表算法如点特征直方图(PFH)、快速点特征直方图(FPFH)、遗传算法、4PCS(4-points congruent sets4-点同余集合)算法、正态分布变换(NDT)等，常用的3D特征点检测器包括高斯差分DoG、3D Harris、NARF、HKS等。

发明内容

本发明的主要目的是改善点云配准初始算法计算复杂度大、鲁棒性差、抗噪能力弱、精度差的问题。本发明提供了一种基于特征点几何表面描述的点云配准方法，通过特征点几何关系计算点云表面描述进行点云初始配准。

本发明的技术方案是：一种基于特征点几何表面描述的点云配准方法，包括如下基本步骤：

步骤1：获取点云数据；

步骤2：通过3D Harris检测器获取点云特征点；

步骤3：在获取的特征点集中，计算特征点两两之间的距离，然后选取特征点的两个最小距离组成子集合，最后通过子集合的几何关系计算特征点的表面描述。将所有特征点的表面描述和局部坐标LRF统一储存。通过计算所有表面描述之间的角度，去除相似描述，排除配准干扰；

步骤4：利用特征点几何表面描述寻找对应关系进行点云初始配准，通过点对储存的信息计算旋转矩阵和平移矩阵，完成初始配准。

本发明与其他算法相比具有一些优点：

第一，不依赖于对检测关键点周围的多尺度邻域进行特征计算。相反，它利用检测到的三维特征点计算几何关系进行目标局部表面表示，描述了点云上的稳定局部关系，进行配准不易受噪声影响，鲁棒性好；

第二，减小了局部特征计算量，大大加快计算速度，提升配准效率；

第三，易与各种先进特征检测器结合使用。

进一步的，上述的基于特征点几何表面描述的点云配准方法中：所述的步骤1中包括：

步骤1.1：通过点云扫描设备获取初始源点云、目标点云数据；

步骤1.2：基于点云曲率采样，计算点云曲率的同时将曲率从大到小插入排序。配准过程中，结合实际需要设置采样比例进行曲率筛选；

进一步的，上述的基于特征点几何表面描述的点云配准方法中：所述步骤2采用如下步骤实现提取特征点：

步骤2.1：计算邻域N内所有点的局部法线n_i；

步骤2.2：通过法线计算协方差矩阵COV；

协方差矩阵基于行列式Det和迹Tr提供各点的响应R^H：

R^H＝Det(COV)-γ·Tr(COV)²

其中γ为恰当的常数。

进一步的，上述的基于特征点几何表面描述的点云配准方法中：所述步骤3采用如下步骤计算特征点表面关系：

步骤3.1：计算特征点间几何距离d(P_l，P_k)，k为检测到的特征点总数：

步骤3.2：选取与特征点P_l距离最近的两个特征点组成子集α_l，组成形式如下：

α_l＝[P_l P_n1 P_n2]

其中P_n1和P_n2为距离P_l最近的两点，具体包含了三组坐标信息：

同理可计算α_l+1为点P_l+1与周围两点形成的子集合，α_l与α_l+1的几何关系转换为：

其中，定义为关键点的几何表面描述

步骤3.3：计算几何表面描述量间的角度，排除相似量，减小对配准影响：

进一步的，上述的基于特征点几何表面描述的点云配准方法中：所述步骤4采用如下步骤完成源点云P和目标点云Q的初始配准：

步骤4.1：匹配相同τ_α∈P和τ_β∈Q，得到一组对应关系其中N_C为对应描述个数，对于每个C_i计算旋转矩阵和平移矩阵：

t＝q₁-p₁R

其中p₁和q₁是一组对应点，LRF_q和LRF_p为相应点储存的局部坐标信息。

步骤4.2：计算对齐后对应点间距离和，评价转换效果，选取对应距离最小时所求矩阵为最终矩阵。

下面结合附图和具体实施方式对本发明进行进一步的说明。

附图说明

附图1为本发明的整体流程。

附图2为目标特征点几何表面描述示意图。

具体实施方式

本实施例是一种基于特征点几何表面描述的点云配准方法，如图1所示，具体如下：

步骤1：采集源点云P和目标点云Q两组数据，要求点云数据是通过不同视角获取的,具有一定重叠度。

步骤2：基于点云曲率进行数据降采样。移动最小二乘法曲面拟合计算点云曲率，为保证运行速度，计算同时将曲率值从大到小插入排序，结合实际需要，按百分比保留大曲率点，简化数据,加快配准速度。高斯曲率k通过下式计算：

其中g(x)是求能量函数e(y，a)偏导数的最小值，移动最小二乘曲面就是求e(y，a)沿向量场n(x)方向的局部最小值：

式中：y、a分别是位置向量和方向向量；q_i为源点云P中的数据点；v_i为点q_i对应的法向量，法向量的计算方法展示在步骤3.1中。

上面两步得到了得到降采样精简点云。曲率采样的方法在删减数据的同时很好地保留了点的特征明显区域，未改变点的原始空间坐标，既加快速度又保留精度。

步骤3：在精简点云中使用Harris 3D检测器提取特征点，具体步骤包括：

步骤3.1：计算法向量v_i，点p_i的法向量计算如下，其中点c为p_i的邻域N内所有点的质心：

步骤4.2：计算协方差矩阵COV：

点基于协方差的响应为R^H，提取对应点为特征点：

R^H＝Det(COV)-γ·Tr(COV)²

步骤4：通过计算所有特征点的几何距离，建立特征点基于几何关系的表面描述，具体步骤如下：

步骤4.1：源点云通过上步提取到特征点P_k,(k＝1,2...K,K为特征点总数)计算特征点两两之间的几何距离d(P_l，P_k)：

步骤4.2：选取特征点P_l的两个最近点P_n1和P_n2组成集合α_l，α_l∈P_k，α_l的每列包含一个特征点的坐标信息。其余关键点P_l+1...P_k对应子集合α_l+1...α_k均可用相似方法求出：

α_l＝[P₁ P_n1 P_n2]

子集合α₁和α₂的几何转换关系如下：

其中α_l+1＝[P_l+1 P_m1 P_m2]，P_m1和P_m2表示特征点P_l+1的最近两点。定义为特征点子集α_l和α_l+1的几何表面关系描述。同样的方法，我们可以从子集合α_l+1...α_k得到源点云所有特征点的几何描述同理可获得目标点云的所有特征点几何表面描述L为目标点云Q提取的特征总数。

步骤4.3：计算出点云的所有特征点几何描述后，同一片点云有很小概率可能存在相似描述，为排除相似性干扰，计算他们之间的角度err,取值范围为0到π/2，通过比较角度删除特征点相似表面描述：

步骤5：获得τ_α和τ_β为源点云P，目标点云Q的特征点几何表面描述，匹配τ_α和τ_β，得到所有对应关系其中N_C为对应描述的个数,通过特征点的局部坐标信息(LRF)计算每组C_i的旋转矩阵R和平移矩阵t。

t＝q₁-p₁R

计算配准后对应点间的距离和，评价转换效果，选出最优矩阵，进行点云初始配准。

本实施例具有以上优点，主要在于：

曲率采样方式对点云数据精简是针对性的，保留特征明显区域，削减特征薄弱区域数据量，同时保留数据点原始坐标信息，对高精细配准尤其重要。

基于特征点的几何关系形成了稳定的表面描述，不易受噪声和采样比例的干扰，鲁棒性强。减少了特征点邻域的多尺度计算，加快了配准速度。

任何先进的3D特征点检测器均可结合使用，可移植性强，可进行目标识别等拓展应用。

Claims (5)

1.一种基于特征点几何表面描述的点云配准方法，其特征在于：包括如下基本步骤：

步骤1：获取点云数据；

步骤2：通过3D Harris检测器获取点云特征点；

步骤3：由特征点获取特征点集；计算特征点两两之间的距离，然后选取特征点的两个最小距离组成子集合，最后通过子集合的几何关系计算特征点的表面描述将所有特征点的表面描述和局部坐标LRF统一储存；

步骤4：利用特征点几何表面描述寻找对应关系进行点云初始配准，通过点对储存的信息计算旋转矩阵和平移矩阵，完成点云配准。

2.根据权利要求1所述的基于特征点几何表面描述的点云配准方法，其特征在于：所述的步骤1中包括：

步骤1.1：通过点云扫描设备获取初始源点云、目标点云数据；

步骤1.2：基于点云曲率采样，结合实际需要设置采样比例进行曲率筛选，计算点云曲率的同时将曲率从大到小插入排序。

3.根据权利要求1所述的基于特征点几何表面描述的点云配准方法，其特征在于：所述步骤2采用如下步骤提取特征点：

步骤2.1：计算邻域N内所有点的局部法线n_i；

步骤2.2：通过法线计算协方差矩阵COV；

协方差矩阵基于行列式Det和迹Tr提供各点的响应R^H：

R^H＝Det(COV)-γ·Tr(COV)²

其中γ为恰当的常数。

4.根据权利要求1所述的基于特征点几何表面描述的点云配准方法，其特征在于：所述步骤3采用如下步骤计算特征点几何关系进行目标表面描述：

步骤3.1：计算特征点间几何距离d(P_l，P_k)，k为检测到的特征点总数：

步骤3.2：选取与特征点P_l距离最近的两个特征点组成子集α_l，组成形式如下：

α_l＝[P_lP_n1P_n2]

其中P_n1和P_n2为距离P_l最近的两点，具体包含了三组坐标信息：

同理可计算α_l+1为点P_l+1与周围两点形成的子集合，α_l与α_l+1的几何关系转换为：

其中，定义为关键点的几何表面描述；

步骤3.3：计算几何表面描述量间的角度，排除相似量，减小对配准影响：

5.根据权利要求1所述的基于特征点几何表面描述的点云配准方法，其特征在于：所述的步骤4中采用如下步骤完成两片点云的初始配准：

步骤4.1：匹配相同τ_α∈P和τ_β∈Q，得到一组对应关系其中N_C为对应描述个数，对于每个C_i计算旋转矩阵和平移矩阵：

t＝q₁-p₁R

其中p₁和q₁是一组对应点，LRF_q和LRF_p为相应点储存的局部坐标信息。

步骤4.2：计算对齐后对应点间距离和，评价转换效果，选取对应距离最小时所求矩阵为最终矩阵。