CN109887012A - 一种结合自适应搜索点集的点云配准方法 - Google Patents

Abstract

本发明公开一种结合自适应搜索点集的点云配准方法，包括如下步骤：步骤1、读取两个部分重叠的待配准点云，源点云数集P和目标点云数集Q；步骤2、通过体素网格滤波器分别对源点云数集P和目标点云数集Q进行重新采样，分别得到稀疏点云集P和目标稀疏点云集Q；步骤3、从稀疏点云集P中随机提取非共面四点点集B；步骤4、从稀疏点云集Q中寻找与点集B相一致的非共面四点点集M_i；步骤5、通过奇异值分解算法对四点基集B和四点基集M_i计算候选变换参数T_i；步骤6、通过LCP评估方法对候选变换参数T_i估算最优转换参数T_opt；令N＝N+1；步骤7、判断N＝L，如果满足，则利用最优转换参数对P和Q两点云完成初始配准构建点云配准模型；否则，返回步骤3中；实验结果表明，提出的方法在运行时间和配准精度上分别提升了34.8％、39.8％。

Description

一种结合自适应搜索点集的点云配准方法

技术领域

本发明属于点云配准技术领域，特别涉及一种结合自适应搜索点集的点云配准方法。

背景技术

进来，对于遥感领域的用于三维曲面重建的点云配准的需求日益增加。点云配准是将在任意初始位置扫描得到的点云匹配到对应区域，并从中估计出最佳配准的相应刚性变换参数的过程。通常，这种转换参数是通过两步程序估算的：初始配准和精确配准。初始配准计算最初的转换参数以粗略调整扫描图，从而避免精确配准陷入局部最优解。此外，良好的初始配准也可以加速精确配准的过程。

已有多种不需要人工标记的全自动化点云初始配准方法被提出来。给定两个扫描点云集S和T，各自的基数分别为m和n。原始的RANSAC算法，从点云集S中任意挑选三个点的点集作为基集，随机地从T中选择一致的三点点集来完成配准。虽然此算法可以获得很高的配准精度，但其计算复杂度经常降至最差情况O(n³)。与三点的点集不同的是，Aiger等人提出的S4PCS算法,利用共面的四个点的一致性点集完成配准，并将运行时间复杂度降低到O(n)。然而，当处理大数据量的点云，或者待配准点云存在对称结构的情景时，这些算法仍然会出现配准失败情况。并且在实时性要求很高的情况下，运行时间仍然很长。

发明内容

针对现有技术存在的技术问题，本发明提供了一种快速、精准的三维点云初始配准的方法。本发明所提出的方法结合了立体信息和快速点对提取技术来提高算法的效率和鲁棒性。为了确保点云的配准精度，我们选择非共面四个点作为基集。此外，我们自适应地调整点对搜索的点集范围，以加速一致点集的提取过程。

为了解决现有技术问题，本发明采用如下技术方案:

1、一种结合自适应搜索点集的点云配准方法，其特征在于，包括如下步骤：

步骤1、读取两个部分重叠的待配准点云，源点云数集P和目标点云数集Q；

步骤2、通过体素网格滤波器分别对源点云数集P和目标点云数集Q进行重新采样，分别建立稀疏点云集P和目标稀疏点云集Q；

步骤3、从稀疏点云集P中随机提取非共面四点点集B；

步骤4、从稀疏点云集Q中寻找与点集B相一致的非共面四点点集M_i；

步骤5、通过奇异值分解算法对四点基集B和四点基集M_i计算候选变换参数T_i；

步骤6、通过LCP评估方法对候选变换参数T_i估算最优转换参数T_opt；令N＝N+1；

步骤7、判断N＝L，如果满足，则利用最优转换参数对P和Q两点云完成初始配准构建点云配准模型；否则，返回步骤3中。

所述步骤4中提取与非共面四点点集B∈P一致的M∈Q的过程：

步骤4.1：搜索点对。采用S4PCS算法中快速提取点对的方法，在点集T中寻找所有距离分别为d₁和d₂的两组点对。同时，初始化两个Map数据结构的链表Table1和Table2来分别存储这两组点对。

步骤4.2：查询一致三点点集。查询链表Table1和Table2中的点对，若两个分别来自两链表的点对具有相同的索引，进一步验证两点对各自其余的两点之间的距离是否为d₃。若是，则将具有相同索引的点定义为点a’_i，剩余两点各自定义为b_i′和c_i′。由此，可得到所有与点集{a,b,c}一致的候选点集{a′_i,b_i′,c_i′}。

步骤4.3：提取一致四点点集。对于所有的候选点集，提取所有的候选点{a′_i}作为点对搜索的输入，在点集T中提取所有距离a’_i为d₄的点d′_ai。则对于每一a′_i，点集{d′_ai}(O_sph)将会分布在一个以a′_i为球心，半径为d₄的近似球面上。然后，以同样的方式，我们提取所有的候选点{b′_i}作为点对搜索的输入，将d₅作为搜索半径，但将搜索范围从点集T调整为O_sph，来提取距离b′_i为d₅的点d′_bi。则对于每一b′_i，点集{d′_bi}(O_cir)将会分布在一个以b′_i为球心，半径为d₅的近似圆环上。最后，只需要验证子集O_cir中的点与c′_i的距离是否为d₆。若是，则将M′_i{a′_i,b′_i,c′_i,d′_i}视为与点集{a,b,c,d}一致的点集。

所述步骤5中的异值分解算法对四点基集B和四点基集M_i计算候选变换参数T_i的过程：

步骤5.1：利用步骤4中得到转换参数T_i，对点集Q进行旋转和平移，得到转换后的点集Q^T。

步骤5.2：定义如下代价函数

其中，

e²代表点集P和Q^T之间对应点对之间的距离，δ²为设定的距离阈值。利用此代价函数，通过确定有多少剩余的对应点之间的距离在误差范围内来评估候选转换参数的优异。

步骤5.3：选取使得代价函数C最小的T_i作为最优转换参数T_opt。

与现有技术相比，本发明具有的优点：

本发明采用斯坦福三维扫描存储库的公共点云数据集进行测试，并与S4PCS算法进行比较。实验结果表明，提出的方法在运行时间和配准精度上分别提升了34.8％、39.8％。

附图说明

图1两待配准原始输入点云数据。

图2利用本发明算法完成的粗配准后的点云数据。

图3本发明的配准算法总体流程图。

图4本发明配准算法中快速提取一致非共面四点集的流程图。

具体实施方式

结合附图1对本发明的技术方案作进一步说明。

为了便于理解本发明，下面参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。

图1、图2分别为用斯坦福大学开放点云数据库的Bunny模型配准前后的效果。

如图3所示，本发明公开了一种用于三维点云曲面重建的配准方法，包括以下步骤：

步骤1：读入两个部分重叠的待配准点云，源点云P和目标点云Q；

步骤2：首先，我们使用体素网格滤波器对它们进行重新采样，以使粗略均匀的点分布大致均匀，然后我们可以得到这两个点集的稀疏表示。

步骤3：采样后，在两个稀疏点集P和Q中，提取一致的非共面四点点集B∈P,M∈Q。

具体的如图4所示，步骤3包含以下步骤：

步骤3.1：提取点基。在从P中随机采样三个点a,b,c之后，随机选取点第四点d，并同时确保d点未落入由a,b,c三点定义的平面中。计算基集B{a,b,c,d}中任意两点之间的距离d₁～d₆。

步骤3.2：搜索点对。采用S4PCS算法中快速提取点对的方法，在点集T中寻找所有距离分别为d₁和d₂的两组点对。同时，初始化两个Map数据结构的链表Table1和Table2来分别存储这两组点对。

步骤3.3：查询一致三点点集。查询链表Table1和Table2中的点对，若两个分别来自两链表的点对具有相同的索引，进一步验证两点对各自其余的两点之间的距离是否为d₃。若是，则将具有相同索引的点定义为点a’_i，剩余两点各自定义为b′_i和c′_i。由此，可得到所有与点集{a,b,c}一致的候选点集{a′_i,b′_i,c′_i}。

步骤4.4：提取一致四点点集。对于所有的候选点集，提取所有的候选点{a′_i}作为点对搜索的输入，在点集T中提取所有距离a’_i为d₄的点d′_ai。则对于每一a′_i，点集{d′_ai}(O_sph)将会分布在一个以a′_i为球心，半径为d₄的近似球面上。然后，以同样的方式，我们提取所有的候选点{b′_i}作为点对搜索的输入，将d₅作为搜索半径，但将搜索范围从点集T调整为O_sph，来提取距离b′_i为d₅的点d′_bi。则对于每一b′_i，点集{d′_bi}(O_cir)将会分布在一个以b′_i为球心，半径为d₅的近似圆环上。最后，只需要验证子集O_cir中的点与c′_i的距离是否为d₆。若是，则将M′_i{a′_i,b′_i,c′_i,d′_i}视为与点集{a,b,c,d}一致的点集。

步骤4：对于提取到的一致的非共面四点点集B和M_i，利用奇异值分解(SVD)算法计算候选变换参数T_i。

步骤5：为了在候选变换参数T_i中估计出最优转换T_opt，采取最大公共点集(LCP)评估器对T_i进行评估。

具体的，步骤5包含以下步骤：

步骤5.1：利用步骤4中得到转换参数T_i，对点集Q进行旋转和平移，得到转换后的点集Q^T。

步骤5.1：利用步骤4中得到转换参数T_i，对点集Q进行旋转和平移，得到转换后的点集Q^T。

步骤5.2：定义如下代价函数

其中，

e²代表点集P和Q^T之间对应点对之间的距离，δ²为设定的距离阈值。利用此代价函数，通过确定有多少剩余的对应点之间的距离在误差范围内来评估候选转换参数的优异。

步骤5.3：选取使得代价函数C最小的T_i作为最优转换参数T_opt。

步骤6：为了消除由随机采样引起的方差，将步骤3～5作为一个整体循环进行RANSAC迭代。如果迭代完成L(最大数量)次迭代，或者它找到达到标准的最优变换参数(T_opt)，迭代终止。

步骤7：利用最优转换参数对P和Q两点云完成初始配准。

应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种结合自适应搜索点集的点云配准方法，其特征在于，包括如下步骤：

步骤1、读取两个部分重叠的待配准点云，源点云数集P和目标点云数集Q；

步骤2、通过体素网格滤波器分别对源点云数集P和目标点云数集Q进行重新采样，分别建立稀疏点云集P和目标稀疏点云集Q；

步骤3、从稀疏点云集P中随机提取非共面四点点集B；

步骤4、从稀疏点云集Q中寻找与点集B相一致的非共面四点点集M_i；

步骤5、通过奇异值分解算法对四点基集B和四点基集M_i计算候选变换参数T_i；

步骤6、通过LCP评估方法对候选变换参数T_i估算最优转换参数T_opt；令N＝N+1；

步骤7、判断N＝L，如果满足，则利用最优转换参数对P和Q两点云完成初始配准构建点云配准模型；否则，返回步骤3中。

2.根据权利要求1所述的一种结合自适应搜索点集的点云配准方法，其特征在于，所述步骤4中提取与非共面四点点集B∈P一致的M∈Q：

步骤4.1：搜索点对。采用S4PCS算法中快速提取点对的方法，在点集T中寻找所有距离分别为d₁和d₂的两组点对。同时，初始化两个Map数据结构的链表Table1和Table2来分别存储这两组点对。

步骤4.2：查询一致三点点集。查询链表Table1和Table2中的点对，若两个分别来自两链表的点对具有相同的索引，进一步验证两点对各自其余的两点之间的距离是否为d₃。若是，则将具有相同索引的点定义为点a’_i，剩余两点各自定义为b′_i和c′_i。由此，可得到所有与点集{a,b,c}一致的候选点集{a′_i,b′_i,c′_i}。

步骤4.3：提取一致四点点集。对于所有的候选点集，提取所有的候选点{a′_i}作为点对搜索的输入，在点集T中提取所有距离a’_i为d₄的点d′_ai。则对于每一a′_i，点集{d′_ai}(O_sph)将会分布在一个以a′_i为球心，半径为d₄的近似球面上。然后，以同样的方式，我们提取所有的候选点{b′_i}作为点对搜索的输入，将d₅作为搜索半径，但将搜索范围从点集T调整为O_sph，来提取距离b′_i为d₅的点d′_bi。则对于每一b′_i，点集{d′_bi}(O_cir)将会分布在一个以b′_i为球心，半径为d₅的近似圆环上。最后，只需要验证子集O_cir中的点与c′_i的距离是否为d₆。若是，则将M′_i{a′_i,b′_i,c′_i,d′_i}视为与点集{a,b,c,d}一致的点集。

3.根据权利要求1所述的一种结合自适应搜索点集的点云配准方法，其特征在于，所述步骤5中的异值分解算法对四点基集B和四点基集M_i计算候选变换参数T_i的过程：

步骤5.1：利用步骤4中得到转换参数T_i，对点集Q进行旋转和平移，得到转换后的点集Q^T。

步骤5.2：定义如下代价函数

其中，

e²代表点集P和Q^T之间对应点对之间的距离，δ²为设定的距离阈值。利用此代价函数，通过确定有多少剩余的对应点之间的距离在误差范围内来评估候选转换参数的优异。

步骤5.3：选取使得代价函数C最小的T_i作为最优转换参数T_opt。