CN109859256A - 一种基于自动对应点匹配的三维点云配准方法 - Google Patents

Abstract

本发明公开了一种基于自动对应点匹配的三维点云配准方法，包括以下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；根据特征矩阵采用迭代处理方式选取匹配点；采用RANSAC算法对两个点云进行配准。该方法可以直接找到两个点云中的匹配点，并且根据匹配点进行配准，同时本方法不需要预配准，不受点云初始位置的影响；相比现有技术，本方法的鲁棒性和精确度都有大幅度提高。除了点云的整体配准，本方法还可以实现子集配准和公共部分配准，现有技术无法实现上述功能。

Description

一种基于自动对应点匹配的三维点云配准方法

技术领域

本发明涉及点云配准技术领域，尤其涉及一种基于自动对应点匹配的三维点云配准方法。

背景技术

点云配准在三维物体检测、分类、立体视觉、多视图重建等领域有着广泛的应用。点云配准技术可以将捕获的点云与模板进行匹配，从而对三维物体进行自动分类；该技术也可以将多个散乱的点云进行自动拼接，从而将物体进行自动复原。点云配准分为粗配准和精配准两个阶段，其中粗配准方法有LORAX、4点法等，精配准方法有DO、结合法、ICP等。点云配准中应用的最广泛的算法是ICP算法，该算法在待配准点云比较接近时配准效果良好，在没有初始配准的情况下容易收敛于局部最小化，且其效率不高，计算的复杂度随着点云的规模增大而显著提高。现有技术大多依赖于预配准，受点集初始位置的影响十分严重。比如ICP算法要求两个点集之间的初始角度相差较小，Do算法需要提前对点云的初始位置进行训练等。除此之外，现有算法只能实现点云的整体配准，无法实现子集配准和公共部分配准。

发明内容

根据现有技术存在的问题，本发明公开了一种基于自动对应点匹配的三维点云配准方法，具体采用如下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；

采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；

根据特征矩阵采用迭代处理方式选取匹配点；

采用RANSAC算法对两个点云进行配准。

进一步的，采用深度映射方法提取模型的局部几何特征具体采用如下方式：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量，垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。

进一步的，采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵具体方式为：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理；

进一步的，根据特征矩阵采用迭代处理方式选取匹配点采用如下方式：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点；

进一步的，采用RANSAC算法对两个点云进行配准采用如下方式：采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，采用迭代处理方式在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。

进一步的，所述参考点的匹配点采用如下算法获取：

设点云A中有一点p，点云B中与p匹配的点是q，对特征矩阵的每一行计算平均值得到该点的特征坐标V_f，将V_f作为该点的索引坐标，对每个点的索引坐标构建k-d树，找出与点p特征坐标距离在1以内的所有点设为点集C，对点集C中的每一个点，计算其特征矩阵F′与点p的特征矩阵F之间的差异值s，计算公式为：

其中n_h和n_w分别代表特征矩阵的行数和列数，i和j代表遍历矩阵中元素的计数器，设定s<设定阈值，查找最小差异值s即为点p的匹配点。

由于采用了上述技术方案，本发明提供的一种基于自动对应点匹配的三维点云配准方法，该方法可以直接找到两个点云中的匹配点，并且根据匹配点进行配准，同时本方法不需要预配准，不受点云初始位置的影响；相比现有技术，本方法的鲁棒性和精确度都有大幅度提高。除了点云的整体配准，本方法还可以实现子集配准和公共部分配准，现有技术无法实现上述功能。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中方法的流程图；

图2为本发明中利用圆盘映射面进行深度映射的示意图；

图3为本发明中卷积自编码器的网络结构的示意图；

图4为本发明中两个点集中的匹配点对示意图；

图5为本发明中两个三维点集的配准效果示意图；

图6为本发明中两个点集公共部分配准的效果的示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种基于自动对应点匹配的三维点云配准方法，具体采用如下步骤：

S1:采用深度映射方法提取模型的局部几何特征：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量；垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。本步骤利用深度映射的方法提取模型的局部几何特征，具体步骤为：

S11:基于PCA的局部法向量提取。首先对模型中的每个点p，获取该点周围半径为3范围内的所有相邻点，构成该点的相邻点集。然后利用PCA算法根据相邻点集计算该点的法向量。

S12:利用深度映射的方法提取模型的局部几何信息。首先对模型中的每个点，构造圆盘映射面，然后进行深度映射并保存深度信息，如图2。具体步骤为：

S121:以p点为圆心，以p的法向量为垂线，构造30个均匀向外扩散的同心圆。

S122:在每个同心圆上都均匀地取60个点，即一共有30×60＝1800个点。这1800个点均向点云模型发射垂线，并记录垂线与三维模型的交点，然后计算每个盘面点与对应的交点之间的距离l，当l大于我们设置的最大阈值距离或没有交点的时候，将l设为最大阈值距离，其中最大阈值距离为3。

S123:根据盘面点与对应交点之间的距离l计算出深度值将计算得到的深度值d存入大小为30×60的深度矩阵中。

S2:采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理。本步骤利用卷积自编码器对深度矩阵进行降维，并提取得到特征矩阵，具体步骤为：

S21：构造卷积自编码器。如图3所示，卷积自编码器由编码器和解码器两部分构成，并且互为镜像。在编码器中，构造三个卷积层，使用relu函数作为卷积层的激活函数，在每个卷积层后面都设置一个最大池化层。在解码器中，与编码器卷积层镜像的位置构造反卷积层，与编码器池化层镜像的位置构造上采样层。损失函数设置为输入数据和输出数据之间的均方根误差。

S22：得到卷积自编码器模型。利用训练集对卷积自编码器进行训练，得到训练好的卷积自编码器模型。

S23：提取特征矩阵。将需要进行处理的深度矩阵输入到训练好的卷积自编码器模型中，将编码器部分输出的3×5矩阵作为该深度矩阵的特征矩阵。

S24：特征矩阵中心化。首先求特征矩阵中所有元素的平均值然后将特征矩阵中的所有值减去得到更新后的特征矩阵。

S3:根据特征矩阵寻找匹配点：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点。本步骤中根据点的特征矩阵来寻找匹配点具体方式为设点云A中有一点p，点云B中与p匹配的点是q，则利用特征矩阵寻找匹配点的具体步骤为：

S31：建立索引：通过对特征矩阵的每一行计算平均值，可以得到该点的特征坐标V_f，将V_f作为该点的索引坐标。

S32：构建k-d树：利用上一个步骤中得到的每个点的索引坐标来构建k-d树，然后找出与点p特征坐标距离在1以内的所有点(设为点集C)。

S33：寻找匹配点：对点集C中的每一个点，计算其特征矩阵F′与点p的特征矩阵F之间的差异值s，计算公式为：

其中n_h＝3和n_w＝5分别代表特征矩阵的行数和列数。在阈值范围内(设为s<15)找到差异值最小的点，即为点p的匹配点。寻找两个点集中匹配点的示意图如图4所示。

S4:采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，利S3中的方法在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。具体步骤如下：

S41、计算变换矩阵。在点云A中随机选取300个点组成点集H，利用上个步骤中所述的特征匹配方法，在点云B中找到H的匹配点集I，计算出从点集H匹配到点集I的变换矩阵M_trans，计算方式为：

(1)首先进行点集中心化，N代表点集中点的数目(本方法中该值为300)，

代表点集H中第i个点的坐标。

(2)根据中心化之后的坐标矩阵H′和I′计算得到协方差矩阵。

M_cov＝H′I′^T

(3)通过SVD方法分解矩阵，并计算旋转矩阵R和平移矩阵t

[U,S,V]＝SVD(M_cov) R＝VU^T t＝-R×u_H+u_I

然后对点云A乘以变换矩阵，得到A′。

S42、统计配准误差。对A′中的每个点，寻找B中距其值为r范围内的最近点，并计算这些最近点对的平均特征坐标距离d_f，计算公式为：

其中和分别代表第i个最近点对中两个点的特征坐标，N代表最近点对的数目。

S43、迭代寻找最佳配准。对上述过程进行迭代，在k次迭代中找到配准误差d_f最小的一次作为最终的配准结果。两个点集最终的配准结果如图5所示。同时，本方法也可以实现子集配准和公共部分配准，效果如图6所示。

本发明公开的一种基于自动对应点匹配的三维点云配准方法，可以直接将点云进行配准、不需要预配准，并且不受点云初始位置的影响，可以找到点与点之间的匹配关系，从而实现子集配准和公共部分配准。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于自动对应点匹配的三维点云配准方法，其特征在于包括以下步骤：

采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；

采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；

根据特征矩阵采用迭代处理方式选取匹配点；

采用RANSAC算法对两个点云进行配准。

2.根据权利要求1所述的方法，其特征还在于：采用深度映射方法提取模型的局部几何特征具体采用如下方式：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量，垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。

3.根据权利要求1所述的方法，其特征还在于：采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵具体方式为：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理。

4.根据权利要求1所述的方法，其特征还在于：根据特征矩阵采用迭代处理方式选取匹配点采用如下方式：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点。

5.根据权利要求4所述的方法，其特征还在于：采用RANSAC算法对两个点云进行配准采用如下方式：采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，采用迭代处理方式在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。

6.根据权利要求4所述的方法，其特征还在于：所述参考点的匹配点采用如下算法获取：

设点云A中有一点p，点云B中与p匹配的点是q，对特征矩阵的每一行计算平均值得到该点的特征坐标V_f，将V_f作为该点的索引坐标，对每个点的索引坐标构建k-d树，找出与点p特征坐标距离在1以内的所有点设为点集C，对点集C中的每一个点，计算其特征矩阵F′与点p的特征矩阵F之间的差异值s，计算公式为：

其中n_h和n_w分别代表特征矩阵的行数和列数，i和j代表遍历矩阵中元素的计数器，设定s<设定阈值，查找最小差异值s即为点p的匹配点。