CN109887012A - 一种结合自适应搜索点集的点云配准方法 - Google Patents
一种结合自适应搜索点集的点云配准方法 Download PDFInfo
- Publication number
- CN109887012A CN109887012A CN201910020437.4A CN201910020437A CN109887012A CN 109887012 A CN109887012 A CN 109887012A CN 201910020437 A CN201910020437 A CN 201910020437A CN 109887012 A CN109887012 A CN 109887012A
- Authority
- CN
- China
- Prior art keywords
- point
- point set
- point cloud
- cloud
- registration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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Mi;步骤5、通过奇异值分解算法对四点基集B和四点基集Mi计算候选变换参数Ti;步骤6、通过LCP评估方法对候选变换参数Ti估算最优转换参数Topt;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
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Mi;
步骤5、通过奇异值分解算法对四点基集B和四点基集Mi计算候选变换参数Ti;
步骤6、通过LCP评估方法对候选变换参数Ti估算最优转换参数Topt;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bi′和ci′。由此,可得到所有与点集{a,b,c}一致的候选点集{a′i,bi′,ci′}。
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}(Osph)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Osph,来提取距离b′i为d5的点d′bi。则对于每一b′i,点集{d′bi}(Ocir)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Ocir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Mi计算候选变换参数Ti的过程:
步骤5.1:利用步骤4中得到转换参数Ti,对点集Q进行旋转和平移,得到转换后的点集QT。
步骤5.2:定义如下代价函数
其中,
e2代表点集P和QT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Ti作为最优转换参数Topt。
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}(Osph)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Osph,来提取距离b′i为d5的点d′bi。则对于每一b′i,点集{d′bi}(Ocir)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Ocir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Mi,利用奇异值分解(SVD)算法计算候选变换参数Ti。
步骤5:为了在候选变换参数Ti中估计出最优转换Topt,采取最大公共点集(LCP)评估器对Ti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Ti,对点集Q进行旋转和平移,得到转换后的点集QT。
步骤5.1:利用步骤4中得到转换参数Ti,对点集Q进行旋转和平移,得到转换后的点集QT。
步骤5.2:定义如下代价函数
其中,
e2代表点集P和QT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Ti作为最优转换参数Topt。
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(Topt),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Mi;
步骤5、通过奇异值分解算法对四点基集B和四点基集Mi计算候选变换参数Ti;
步骤6、通过LCP评估方法对候选变换参数Ti估算最优转换参数Topt;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}(Osph)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Osph,来提取距离b′i为d5的点d′bi。则对于每一b′i,点集{d′bi}(Ocir)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Ocir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Mi计算候选变换参数Ti的过程:
步骤5.1:利用步骤4中得到转换参数Ti,对点集Q进行旋转和平移,得到转换后的点集QT。
步骤5.2:定义如下代价函数
其中,
e2代表点集P和QT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Ti作为最优转换参数Topt。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020437.4A CN109887012B (zh) | 2019-01-09 | 2019-01-09 | 一种结合自适应搜索点集的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020437.4A CN109887012B (zh) | 2019-01-09 | 2019-01-09 | 一种结合自适应搜索点集的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109887012A true CN109887012A (zh) | 2019-06-14 |
CN109887012B CN109887012B (zh) | 2023-03-31 |
Family
ID=66925675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020437.4A Active CN109887012B (zh) | 2019-01-09 | 2019-01-09 | 一种结合自适应搜索点集的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109887012B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN113689329A (zh) * | 2021-07-02 | 2021-11-23 | 上海工程技术大学 | 一种用于稀疏点云增强的最短路径插值法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080298672A1 (en) * | 2007-05-29 | 2008-12-04 | Cognex Corporation | System and method for locating a three-dimensional object using machine vision |
WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
CN107492120A (zh) * | 2017-07-18 | 2017-12-19 | 北京航空航天大学 | 点云配准方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
US20180308249A1 (en) * | 2017-04-21 | 2018-10-25 | Qualcomm Incorporated | Registration of range images using virtual gimbal information |
-
2019
- 2019-01-09 CN CN201910020437.4A patent/CN109887012B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080298672A1 (en) * | 2007-05-29 | 2008-12-04 | Cognex Corporation | System and method for locating a three-dimensional object using machine vision |
WO2015039375A1 (zh) * | 2013-09-17 | 2015-03-26 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
CN106780459A (zh) * | 2016-12-12 | 2017-05-31 | 华中科技大学 | 一种三维点云数据自动配准方法 |
US20180308249A1 (en) * | 2017-04-21 | 2018-10-25 | Qualcomm Incorporated | Registration of range images using virtual gimbal information |
CN107346550A (zh) * | 2017-07-05 | 2017-11-14 | 滁州学院 | 一种针对具有颜色信息的三维点云数据快速配准方法 |
CN107492120A (zh) * | 2017-07-18 | 2017-12-19 | 北京航空航天大学 | 点云配准方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
Non-Patent Citations (2)
Title |
---|
CAROLINA RAPOSO等: "Using 2 point+normal sets for fast registration of point clouds with small overlap", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 * |
余文利等: "基于曲率的点云自动配准方法", 《系统仿真学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN113689329A (zh) * | 2021-07-02 | 2021-11-23 | 上海工程技术大学 | 一种用于稀疏点云增强的最短路径插值法 |
CN113689329B (zh) * | 2021-07-02 | 2023-06-02 | 上海工程技术大学 | 一种用于稀疏点云增强的最短路径插值法 |
Also Published As
Publication number | Publication date |
---|---|
CN109887012B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
Mitra et al. | Partial and approximate symmetry detection for 3d geometry | |
Mellado et al. | Super 4pcs fast global pointcloud registration via smart indexing | |
Chang et al. | Automatic registration for articulated shapes | |
Tevs et al. | Isometric registration of ambiguous and partial data | |
CN101593205B (zh) | 基于视频的三维模型检索方法 | |
CN107358629B (zh) | 一种基于目标识别的室内建图与定位方法 | |
Albarelli et al. | Fast and accurate surface alignment through an isometry-enforcing game | |
CN107967463B (zh) | 一种基于合成图像和深度学习的虚拟人脸识别方法 | |
CN109903319A (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN104616247B (zh) | 一种用于基于超像素sift航拍地图拼接的方法 | |
CN109658444A (zh) | 一种基于多模态特征的规则三维彩色点云配准方法 | |
CN109859256A (zh) | 一种基于自动对应点匹配的三维点云配准方法 | |
CN109472816A (zh) | 一种点云配准方法 | |
CN108597016B (zh) | 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法 | |
Yin et al. | An automatic assembly and completion framework for fragmented skulls | |
CN110428424A (zh) | 基于深度学习的雷达回波图像高压线分割方法 | |
Gao et al. | Classification of 3D terracotta warrior fragments based on deep learning and template guidance | |
CN109887012A (zh) | 一种结合自适应搜索点集的点云配准方法 | |
CN109920050A (zh) | 一种基于深度学习和薄板样条的单视图三维火焰重建方法 | |
Tang et al. | Research on 3D human pose estimation using RGBD camera | |
Luo et al. | Effective outlier matches pruning algorithm for rigid pairwise point cloud registration using distance disparity matrix | |
Dong et al. | Probability driven approach for point cloud registration of indoor scene | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN104142978B (zh) | 一种基于多特征和稀疏表示的图像检索系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |