CN109766903B - 一种基于曲面特征的点云模型曲面匹配方法 - Google Patents

Abstract

本发明公开了一种基于曲面特征的点云模型曲面匹配方法，具体按照点云模型和目标点云模型的关键点提取、估计点云模型关键点和目标点云模型的关键点的对应关系、将点云模型和目标点云模型进行初步曲面匹配和将点云模型和目标点云模型进行精确曲面匹配的步骤进行。本发明一种基于曲面特征的点云模型曲面匹配方法，能够提高三维曲面匹配方法的普适性，成果丰富了计算机图形学和视觉智能的方法体系，支撑了机器空间认知的发展。

Description

一种基于曲面特征的点云模型曲面匹配方法

技术领域

本发明属于逆向工程和计算机视觉技术领域，涉及一种基于曲面特征的点云模型曲面匹配方法。

背景技术

空间点集曲面匹配技术是计算机视觉以及计算机图形学中的核心研究内容之一，具有广泛的应用前景。

诸如在逆向工程领域，由于受到3D扫描技术和环境的限制，通常需要从不同的视角采集多个数据集，每个数据集都与不同的坐标系相关联。为了将它们重新组合然后重建成能表示原始对象或场景的曲面，这些数据集必须先匹配，因此，曲面匹配技术是逆向工程的基础。空间点集曲面匹配技术是工业测量领域的关键环节。随着现代工业的迅速发展，工业零件广泛应用在汽车、航空、航天和光学器件上，工业零件产品的加工和制造是现代工业的一个重要发展方向。工业零件质量的好坏不仅仅关系到国民经济和国防建设水平，同时对于提高我们国家制造业的核心竞争力都有着重要的意义。在工业零件的加工与检测中，曲面匹配技术对于零件曲面的加工定位、余量优化、零件曲面表面质量检测都具有重要的理论意义和指导价值。空间点集曲面匹配技术对文物保护工作也有重要作用，研究者可以利用扫描技术对古代文物进行扫描，并通过匹配技术对文物进行三维重建。还可以对有破损的文物的缺失部位进行数字化修复，还原文物的原始形态。还有，空间点集曲面匹配技术目前也被广泛的应用于医学图像配准和机器人导航等领域。

目前的点云匹配思路一般是先粗后精，首先通过初始匹配方法获得待测点云和目标点云之间的初始位姿估计，通过初始估计满足精确匹配方法对两点集初始位置的要求和依赖，然后采用精确匹配的方法对两个点集的位置进行不断的修正从而达到最终的匹配效果。对于初始匹配，近些年来有许多的学者相继提出了很多基于三维曲面几何特征的匹配算法，包括FPFH特征描述子就是其中比较流行且匹配效果较好的基于点云特征的匹配算法，但是这些算法基本都是通过构造复杂的特征描述子建立特征点与特征点之间精确的对应关系。处于对匹配精度的考虑，一般来说构造特征描述子的计算过程都非常的复杂，且计算量很大。因此，为了提高点云的匹配速度，又有许多学者通过降采样和随机抽样的方法对基于特征的匹配算法进行优化。这种方法可以得到比较精确的匹配结果，但是由于采用的是随机采样并且迭代计算的求解方式，因此会受到迭代次数对匹配精度的限制，匹配过程必须经过大量的迭代才可以计算出比较精确的配对结果。

发明内容

本发明的目的是提供一种基于曲面特征的点云模型曲面匹配方法，能够提高三维曲面匹配方法的有效性和稳定性。

本发明所采用的技术方案是，一种基于曲面特征的点云模型曲面匹配方法，具体按照下述步骤进行：

步骤1，点云模型和目标点云模型的关键点提取；

步骤2，估计点云模型关键点和目标点云模型的关键点的对应关系；

步骤3，将点云模型和目标点云模型进行初步曲面匹配；

步骤4，将点云模型和目标点云模型进行精确曲面匹配。

本发明的特点还在于：

步骤1中，具体按照下述步骤进行点云模型和目标点云模型的关键点提取：

步骤1.1，将点云模型进行降采样，得到多个不同的子点云模型；

将目标点云模型进行降采样，得到个不同的目标子点云模型；

步骤1.2，建立每个子点云模型的高斯差分函数：

其中，G_pu(x,y,z,σ)为第u个子点云模型的高斯函数，u＝1,2,…,o，o为子点云模型的个数，X_pu表示第u个子点云模型的X轴；Y_pu表示第u子点云模型的Y轴，Z_pu表示第u个子点云模型的Z轴，x,y,z表示每个子点云模型中点的三维坐标，σ_pu表示第u个子点云模型中任一点处的曲率信息，k_pu为两个尺度空间下第u个子点云模型的常量；

建立每个目标子点云模型目标尺度空间函数：

其中，G_qv(x',y',z',σ_qv)为第v个目标子点云模型的高斯函数，v＝1,2,…,o，o表示目标子点云模型的个数，X_qv为第v个目标子点云模型的X轴，Y_qv为第v个目标子点云模型的Y轴，Z_qv为第v个目标子点云模型的Z轴，x',y',z'表示每个目标子点云模型中点的三维坐标，σ_qv为第v个目标子点云模型中任一点处的曲率信息,k_qv为两个尺度空间下第v个目标子点云模型的常量；

步骤1.3，检测第u个子点云模型的高斯差分函数D(x,y,z,σ_pu)的局部极值，得到第u个子点云模型的多个关键点；

检测第v个目标子点云模型目标尺度空间函数D_qv(x',y',z',σ_qv)的局部极值，得到第v个目标子点云模型的多个关键点。

步骤1.2中子点云模型中任一点处的曲率信息和目标子点云模型中任一点处的曲率信息具体按照下述步骤得到：

步骤1.2.1，在每个子点云模型中均任取一点p_us,使用Kd-Tree法得到每个子点云模型中的距离点p_us较近的10个临近点；

每个目标子点云模型中均任取一点q_vs,使用Kd-Tree法得到每个目标子点云模型中的距离点q_vs较近的10个临近点；

步骤1.2.2，将每个子点云模型中的10临近点的坐标组成矩阵X_u；

将每个目标子点云模型中的10临近点的坐标组成目标矩阵X_v；

步骤1.2.3，将每个矩阵X_u中的点集信息均零均值化后，计算每个矩阵X_u的协方差矩阵C_u：

将每个矩阵X_v中的点集信息均零均值化后，计算每个矩阵X_v的目标协方差矩阵C_v：

步骤1.2.4，求出每个协方差矩阵C_u的特征值λ_u0,λ_u1,λ_u2和对应的特征向量，其中λ_u0＞λ_u1＞λ_u2；

求出每个目标协方差矩阵C_v的特征值λ_v0,λ_v1,λ_v2和对应的特征向量，其中λ_v0＞λ_v1＞λ_v2；

步骤1.2.5，使用每个协方差矩阵C_u的特征值计算每个子点云模型中点p_us的曲率信息：

使用每个目标协方差矩阵C_v的特征值计算每个子点云模型中点q_vs的曲率信息σ_qv：

步骤2中具体按照下述步骤估计点云模型关键点和目标点云模型的关键点的对应关系：

步骤2.1，根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子；

根据FPFH特征算法计算每个子目标点云模型的每个关键点处的FPFH特征描述子；

步骤2.2，分别根据每个子目标点云模型的每个关键点处的FPFH特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间；

步骤2.3，根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点；

步骤2.4，分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角；

分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角；

步骤2.5，将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角进行筛选，筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角的最小值，并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点；

将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角进行筛选，得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角的最小值，并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点；

步骤2.6，重复步骤2.4-2.5，至找到夹角误差最小的点作为最优匹配点为止，得到每个子点云模型和子目标点云模型中唯一的匹配的关键点。

步骤2.4点云模型的主趋势

和目标点云模型主趋势

均基于PCA的方法得到，具体按照下述步骤进行：

步骤2.4.1，提取点云模型的点集P＝{p₁,p₂,…p_n}，提取目标点云模型的点集Q＝{q₁,q₂,…q_n}；

计算点云模型的中心点p_c：

其中，n_p表示点云模型中点的个数，i∈(1,2,...,n_p)，p_i＝(x_i,y_i,z_i)^T，p_i表示点云模型中第i个点；

计算目标点云模型中心点q_c：

其中，n_q表示目标子点云模型中点的个数，i∈(1,2,...,n_q)，q_i表示点云模型中第i个点；

步骤2.4.2，建立点集P的协方差矩阵：

建立点集Q的协方差矩阵：

步骤2.4.3，计算协方差矩阵C_p的三个特征值λ_p1、λ_p2和λ_p3，选取较大的特征值对应的特征向量为点云模型的主趋势

计算协方差矩阵C_q的三个特征值λ_q1、λ_q2和λ_q3，选取较大的特征值对应的特征向量为目标点云模型的主趋势

步骤3中具体按照下述步骤将点云模型和目标点云模型进行初步曲面匹配：

步骤3.1，计算点云模型的等比例尺度缩放因子，并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换，得到变换点云模型；

步骤3.2，使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量，并将点云模型根据所述最优旋转矩阵和平移矢量进行变换，得到初步匹配点云模型；

步骤3.3，将所述初步匹配点云模型使用ICP算法进行精确匹配，得到与目标点云模型匹配的匹配点云模型。

步骤3.1中计算点云模型的等比例尺度缩放因子具体按照下述步骤进行：

步骤3.1.1，计算在点云模型的尺度空间下，点云模型中每个关键点到点云模型的中心点p_c的距离：

其中，disp_ue表示第u子点云模型中的关键点到点云模型的中心点p_c之间的距离；

计算在目标点云模型的尺度空间下，目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离：

其中，disq_ves表示第v个子目标点云模型中，第e个关键点的第s个临近点到目标点云模型的中心点q_c之间的距离；

步骤3.1.2，根据所述点云模型中每个关键点到点云模型的中心点p_c的距离和目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离，计算点云模型的等比例尺度缩放因子：

其中，R为点云模型中关键点的数量，r＝1,2,...,R。

步骤4中基于ICP算法的精确匹配将点云模型和目标点云模型进行精确曲面匹配，具体按照下述方法进行：

将步骤2和步骤3重复1-4次，至步骤3.2中得到的旋转平移矩阵结果收敛即可。

本发明的有益效果是

本发明一种基于曲面特征的点云模型曲面匹配方法，能够提高三维曲面匹配方法的有效性和稳定性，丰富了计算机图形学和视觉智能的方法体系，支撑了机器空间认知的发展。

附图说明

图1是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟点云模型和鸟目标点云模型；

图1a是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟点云模型；

图1b是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤1中得到鸟目标点云模型；

图2是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤2得到的鸟点云模型关键点和鸟目标点云模型的关键点的对应关系示意图；

图3是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤3得到的鸟点云模型关键点和鸟目标点云模型初步曲面匹配的示意图；

图3a是鸟点云模型关键点和鸟目标点云模型初步曲面匹配的侧面示意图；

图3b是鸟点云模型关键点和鸟目标点云模型初步曲面匹配的正面示意图；

图4是本发明一种基于曲面特征的点云模型曲面匹配方法实施例1的步骤3得到的鸟点云模型关键点和鸟目标点云模型精鸟点云模型和鸟目标点云模型进行初步曲面匹配的示意图

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于曲面特征的点云模型曲面匹配方法，具体按照下述步骤进行：

步骤1，点云模型和目标点云模型的关键点提取，具体按照下述步骤进行：

步骤1.1，将点云模型进行降采样，得到多个不同的子点云模型；

将目标点云模型进行降采样，得到个不同的目标子点云模型；

步骤1.2，建立每个子点云模型的高斯差分函数，具体按照下述步骤进行：

步骤1.2.1，在每个子点云模型中均任取一点p_us,使用Kd-Tree法得到每个子点云模型中的距离点p_us较近的10个临近点；

每个目标子点云模型中均任取一点q_vs,使用Kd-Tree法得到每个目标子点云模型中的距离点q_vs较近的10个临近点；

步骤1.2.2，将每个子点云模型中的10临近点的坐标组成矩阵X_u；

将每个目标子点云模型中的10临近点的坐标组成目标矩阵X_v；

步骤1.2.3，将每个矩阵X_u中的点集信息均零均值化后，计算每个矩阵X_u的协方差矩阵C_u：

将每个矩阵X_v中的点集信息均零均值化后，计算每个矩阵X_v的目标协方差矩阵C_v：

步骤1.2.4，求出每个协方差矩阵C_u的特征值λ_u0,λ_u1,λ_u2和对应的特征向量，其中λ_u0＞λ_u1＞λ_u2；

求出每个目标协方差矩阵C_v的特征值λ_v0,λ_v1,λ_v2和对应的特征向量，其中λ_v0＞λ_v1＞λ_v2；

步骤1.2.5，使用每个协方差矩阵C_u的特征值计算每个子点云模型中点p_us的曲率信息：

使用每个目标协方差矩阵C_v的特征值计算每个子点云模型中点q_vs的曲率信息σ_qv：

建立每个子点云模型的高斯差分函数：

其中，G_pu(x,y,z,σ)为第u个子点云模型的高斯函数，u＝1,2,…,o，o为子点云模型的个数，X_pu表示第u个子点云模型的X轴；Y_pu表示第u子点云模型的Y轴，Z_pu表示第u个子点云模型的Z轴，x,y,z表示每个子点云模型中点的三维坐标，σ_pu表示第u个子点云模型中任一点处的曲率信息，k_pu为两个尺度空间下第u个子点云模型的常量；

建立每个目标子点云模型目标尺度空间函数：

其中，G_qv(x',y',z',σ_qv)为第v个目标子点云模型的高斯函数，v＝1,2,…,o，o表示目标子点云模型的个数，X_qv为第v个目标子点云模型的X轴，Y_qv为第v个目标子点云模型的Y轴，Z_qv为第v个目标子点云模型的Z轴，x',y',z'表示每个目标子点云模型中点的三维坐标，σ_qv为第v个目标子点云模型中任一点处的曲率信息,k_qv为两个尺度空间下第v个目标子点云模型的常量；

步骤1.3，检测第u个子点云模型的高斯差分函数D(x,y,z,σ_pu)的局部极值，得到第u个子点云模型的多个关键点；

检测第v个目标子点云模型目标尺度空间函数D_qv(x',y',z',σ_qv)的局部极值，得到第v个目标子点云模型的多个关键点。

步骤2，估计点云模型关键点和目标点云模型的关键点的对应关系，具体按照下述步骤进行：

步骤2.1，根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子；

根据FPFH特征算法计算每个子目标点云模型的每个关键点处的FPFH特征描述子；

步骤2.2，分别根据每个子目标点云模型的每个关键点处的FPFH特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间；

步骤2.3，根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点；

步骤2.4，分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角；

分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角；

其中，点云模型的主趋势

和目标点云模型主趋势

均基于PCA的方法得到，具体按照下述步骤进行：

步骤2.4.1，提取点云模型的点集P＝{p₁,p₂,…p_n}，提取目标点云模型的点集Q＝{q₁,q₂,…q_n}；

计算点云模型的中心点p_c：

其中，n_p表示点云模型中点的个数，i∈(1,2,...,n_p)，p_i＝(x_i,y_i,z_i)^T，p_i表示点云模型中第i个点；

计算目标点云模型中心点q_c：

其中，n_q表示目标子点云模型中点的个数，i∈(1,2,...,n_q)，q_i表示点云模型中第i个点；

步骤2.4.2，建立点集P的协方差矩阵：

建立点集Q的协方差矩阵：

步骤2.4.3，计算协方差矩阵C_p的三个特征值λ_p1、λ_p2和λ_p3，选取较大的特征值对应的特征向量为点云模型的主趋势

计算协方差矩阵C_q的三个特征值λ_q1、λ_q2和λ_q3，选取较大的特征值对应的特征向量为目标点云模型的主趋势

每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角、每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角具体按照下述方法得到：

步骤a，计算每个子点云模型的每个关键点与点云模型中心点的组成的向量：

其中，

表示第u个子点云模型中第e个关键点与点云模型的中心点p_c的向量，p_uex表示第u个子点云模型中第e个关键点的X轴坐标，P_uey表示第u个子点云模型中第e个关键点的Y轴坐标，p_uez表示第u个子点云模型中第e个关键点的Z轴坐标，p_cx表示点云模型的中心点p_c的X轴坐标，p_cy表示点云模型的中心点p_c的Y轴坐标，p_czs云模型的中心点p_c的Z轴坐标，u＝1,2,…,o；

计算每个子目标点云模型的每个关键点的10个邻近点与点云模型中心点的组成的向量：

其中，

表示第v个目标子点云模型的第e个关键点的第s个邻近点到目标点云模型中心点q_c的向量，q_vesx表示第v个目标子点云模型的第e个关键点的第s个邻近点的X轴坐标，q_vesy表示第v个目标子点云模型的第e个关键点的第s个邻近点的Y轴坐标，q_vesz表示第v个目标子点云模型的第e个关键点的第s个邻近点的Z轴坐标，q_cx表示目标点云模型的中心点q_c的X轴坐标，p_my表示目标点云模型的中心点q_c的Y轴坐标，p_mz表示目标点云模型的中心点q_c的Z轴坐标，v＝1,2,…,o；

步骤b，分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角：

其中，cos^pueθ表示第u个子点云模型中，第e个关键点与点云模型中心点组成的向量与点云模型主趋势

的夹角

分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角；

其中，cos^qvesθ表示第v个子目标点云模型中，第e个关键点的第s个邻近点与目标点云模型主趋势

的夹角；

步骤2.5，将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角进行筛选，筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角的最小值，并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点；

将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角进行筛选，得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角的最小值，并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点；

步骤2.6，重复步骤2.4-2.5，至找到夹角误差最小的点作为最优匹配点为止，得到每个子点云模型和子目标点云模型中唯一的匹配的关键点。

步骤3，将点云模型和目标点云模型进行初步曲面匹配，具体按照下述步骤进行：

步骤3.1，计算点云模型的等比例尺度缩放因子，并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换，得到变换点云模型；

计算点云模型的等比例尺度缩放因子具体按照下述步骤进行：

步骤3.1.1，计算在点云模型的尺度空间下，点云模型中每个关键点到点云模型的中心点p_c的距离：

其中，disp_ue表示第u子点云模型中第e个关键点到点云模型的中心点p_c之间的距离；

计算在目标点云模型的尺度空间下，目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离：

其中，其中，disq_ves表示第v个子目标点云模型中，第e个关键点的第s个临近点到目标点云模型的中心点q_c之间的距离；

步骤3.1.2，根据所述点云模型中每个关键点到点云模型的中心点p_c的距离和目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离，计算点云模型的等比例尺度缩放因子：

其中，R为点云模型中关键点的数量，r＝1,2,...,R；

步骤3.2，使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量，并将点云模型根据所述最优旋转矩阵和平移矢量进行变换，得到初步匹配点云模型；

步骤3.3，将所述初步匹配点云模型使用ICP算法进行精确匹配，得到与目标点云模型匹配的匹配点云模型。

步骤4，将点云模型和目标点云模型进行精确曲面匹配，步骤2和步骤3重复1-4次，至步骤3.2中得到的旋转平移矩阵结果收敛即可。

本发明以仅包含顶点坐标信息的点云曲面匹配进行研究，通过计算点云数据中每个顶点的曲率信息作为所需要的点云强度信息或者RGB信息的替代值。本发明相比已有的匹配算法，有效性和稳定性都有了很大的提高，并且拥有较好的鲁棒性，丰富了计算机图形学和视觉智能的方法体系，支撑了机器空间认知的发展。

实施例

步骤1，如图1a所示，将鸟点云模型进行关键点提取；

如图1b所示将鸟目标点云模型进行关键点提取；

步骤2，如图2所示，估计鸟点云模型和鸟目标点云模型的的关键点的对应关系；

步骤3，如图3所示，鸟点云模型和鸟目标点云模型进行初步曲面匹配；

步骤4，如图4所示，将鸟点云模型和鸟目标点云模型进行精确曲面匹配。

Claims (4)

1.一种基于曲面特征的点云模型曲面匹配方法，其特征在于，具体按照下述步骤进行：

步骤1，点云模型和目标点云模型的关键点提取；

所述步骤1中，具体按照下述步骤进行点云模型和目标点云模型的关键点提取：

步骤1.1，将点云模型进行降采样，得到多个不同的子点云模型；

将目标点云模型进行降采样，得到个不同的目标子点云模型；

步骤1.2，建立每个子点云模型的高斯差分函数：

其中，G_pu(x,y,z,σ)为第u个子点云模型的高斯函数，u＝1,2,…,o，o为子点云模型的个数，X_pu表示第u个子点云模型的X轴；Y_pu表示第u子点云模型的Y轴，Z_pu表示第u个子点云模型的Z轴，x,y,z表示每个子点云模型中点的三维坐标，σ_pu表示第u个子点云模型中任一点处的曲率信息，k_pu为两个尺度空间下第u个子点云模型的常量；

建立每个目标子点云模型目标尺度空间函数：

其中，G_qv(x',y',z',σ_qv)为第v个目标子点云模型的高斯函数，v＝1,2,…,o，o表示目标子点云模型的个数，X_qv为第v个目标子点云模型的X轴，Y_qv为第v个目标子点云模型的Y轴，Z_qv为第v个目标子点云模型的Z轴，x',y',z'表示每个目标子点云模型中点的三维坐标，σ_qv为第v个目标子点云模型中任一点处的曲率信息,k_qv为两个尺度空间下第v个目标子点云模型的常量；

步骤1.3，检测第u个子点云模型的高斯差分函数D(x,y,z,σ_pu)的局部极值，得到第u个子点云模型的多个关键点；

检测第v个目标子点云模型目标尺度空间函数D_qv(x',y',z',σ_qv)的局部极值，得到第v个目标子点云模型的多个关键点；

步骤2，估计点云模型关键点和目标点云模型的关键点的对应关系；

所述步骤2中具体按照下述步骤估计点云模型关键点和目标点云模型的关键点的对应关系：

步骤2.1，根据FPFH特征算法计算每个子点云模型的每个关键点处的FPFH特征描述子；

根据FPFH特征算法计算每个子目标点云模型的每个关键点处的FPFH特征描述子；

步骤2.2，分别根据每个子目标点云模型的每个关键点处的FPFH特征描述子在每个子目标点云模型的每个关键点处均构建Kd-Tree搜索空间；

步骤2.3，根据每个目标点云模型中的每个关键点的特征值在步骤2.2得到的Kd-Tree搜索空间中搜索每个目标点云模型中的每个关键点的邻近的10个邻近点；

步骤2.4，分别计算每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角；

分别计算每个目标子点云模型中每个关键点的10个邻近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角；

步骤2.5，将每个子点云模型的每个关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角进行筛选，筛选出每个子点云模型中关键点与点云模型中心点的组成的向量和点云模型主趋势

的夹角的最小值，并将该夹角的最小值对应的每个子点云模型的关键点作为该子点云模型中的新的关键点；

将每个目标子点云模型中每个关键点的10个临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角进行筛选，得到每个目标子点云模型中临近点和目标点云中心组成的向量与目标点云模型主趋势

的夹角的最小值，并根据该夹角的最小值对应的每个目标子点云模型中临近点作为该目标点云模型中的新的关键点；

步骤2.6，重复步骤2.4-2.5，至找到夹角误差最小的点作为最优匹配点为止，得到每个子点云模型和子目标点云模型中唯一的匹配的关键点；

步骤3，将点云模型和目标点云模型进行初步曲面匹配；

所述步骤3中具体按照下述步骤将点云模型和目标点云模型进行初步曲面匹配：

步骤3.1，计算点云模型的等比例尺度缩放因子，并根据点云模型的等比例尺度缩放因子对点云模型中所有点均进行尺度变换，得到变换点云模型；

步骤3.2，使用SVD方法得到变换点云模型到目标点云模型的最优旋转矩阵和平移矢量，并将点云模型根据所述最优旋转矩阵和平移矢量进行变换，得到初步匹配点云模型；

步骤3.3，将所述初步匹配点云模型使用ICP算法进行精确匹配，得到与目标点云模型匹配的匹配点云模型；

步骤4，将点云模型和目标点云模型进行精确曲面匹配；

所述步骤4中基于ICP算法的精确匹配将点云模型和目标点云模型进行精确曲面匹配，具体按照下述方法进行：

将步骤2和步骤3重复1-4次，至步骤3.2中得到的旋转平移矩阵结果收敛即可。

2.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法，其特征在于，步骤1.2中子点云模型中任一点处的曲率信息和目标子点云模型中任一点处的曲率信息具体按照下述步骤得到：

步骤1.2.1，在每个子点云模型中均任取一点p_us,使用Kd-Tree法得到每个子点云模型中的距离点p_us较近的10个临近点；

每个目标子点云模型中均任取一点q_vs,使用Kd-Tree法得到每个目标子点云模型中的距离点q_vs较近的10个临近点；

步骤1.2.2，将每个子点云模型中的10临近点的坐标组成矩阵X_u；

将每个目标子点云模型中的10临近点的坐标组成目标矩阵X_v；

步骤1.2.3，将每个矩阵X_u中的点集信息均零均值化后，计算每个矩阵X_u的协方差矩阵C_u：

将每个矩阵X_v中的点集信息均零均值化后，计算每个矩阵X_v的目标协方差矩阵C_v：

步骤1.2.4，求出每个协方差矩阵C_u的特征值λ_u0,λ_u1,λ_u2和对应的特征向量，其中λ_u0＞λ_u1＞λ_u2；

求出每个目标协方差矩阵C_v的特征值λ_v0,λ_v1,λ_v2和对应的特征向量，其中λ_v0＞λ_v1＞λ_v2；

步骤1.2.5，使用每个协方差矩阵C_u的特征值计算每个子点云模型中点p_us的曲率信息：

使用每个目标协方差矩阵C_v的特征值计算每个子点云模型中点q_vs的曲率信息σ_qv：

3.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法，其特征在于，所述步骤2.4点云模型的主趋势

和目标点云模型主趋势

均基于PCA的方法得到，具体按照下述步骤进行：

步骤2.4.1，提取点云模型的点集P＝{p₁,p₂,…p_n}，提取目标点云模型的点集Q＝{q₁,q₂,…q_n}；

计算点云模型的中心点p_c：

其中，n_p表示点云模型中点的个数，i∈(1,2,...,n_p)，p_i＝(x_i,y_i,z_i)^T，p_i表示点云模型中第i个点；

计算目标点云模型中心点q_c：

其中，n_q表示目标子点云模型中点的个数，i∈(1,2,...,n_q)，q_i表示点云模型中第i个点；

步骤2.4.2，建立点集P的协方差矩阵：

建立点集Q的协方差矩阵：

步骤2.4.3，计算协方差矩阵C_p的三个特征值λ_p1、λ_p2和λ_p3，选取较大的特征值对应的特征向量为点云模型的主趋势

计算协方差矩阵C_q的三个特征值λ_q1、λ_q2和λ_q3，选取较大的特征值对应的特征向量为目标点云模型的主趋势

4.根据权利要求1所述的一种基于曲面特征的点云模型曲面匹配方法，其特征在于，所述步骤3.1中计算点云模型的等比例尺度缩放因子具体按照下述步骤进行：

步骤3.1.1，计算在点云模型的尺度空间下，点云模型中每个关键点到点云模型的中心点p_c的距离：

其中，disp_ue表示第u子点云模型中的关键点到点云模型的中心点p_c之间的距离；

计算在目标点云模型的尺度空间下，目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离：

其中，disq_ves表示第v个子目标点云模型中，第e个关键点的第s个临近点到目标点云模型的中心点q_c之间的距离；

步骤3.1.2，根据所述点云模型中每个关键点到点云模型的中心点p_c的距离和目标点云模型中每个关键点到目标点云模型的中心点q_c之间的距离，计算点云模型的等比例尺度缩放因子：

其中，R为点云模型中关键点的数量，r＝1,2,...,R。

Images