CN110211163A - 一种基于epfh特征的点云匹配算法 - Google Patents

一种基于epfh特征的点云匹配算法 Download PDF

Info

Publication number
CN110211163A
CN110211163A CN201910457142.3A CN201910457142A CN110211163A CN 110211163 A CN110211163 A CN 110211163A CN 201910457142 A CN201910457142 A CN 201910457142A CN 110211163 A CN110211163 A CN 110211163A
Authority
CN
China
Prior art keywords
point
feature
points
point cloud
matching
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.)
Pending
Application number
CN201910457142.3A
Other languages
English (en)
Inventor
汤慧
钟飞
王帑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XI'AN UNIVERSITY OF FINANCE AND ECONOMICS
Original Assignee
XI'AN UNIVERSITY OF FINANCE AND ECONOMICS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XI'AN UNIVERSITY OF FINANCE AND ECONOMICS filed Critical XI'AN UNIVERSITY OF FINANCE AND ECONOMICS
Priority to CN201910457142.3A priority Critical patent/CN110211163A/zh
Publication of CN110211163A publication Critical patent/CN110211163A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于EPFH特征的点云匹配算法，涉及点云数据技术领域。本发明包括建立局部坐标系；构件EPFH特征描述子；采用主成分分析法对EPFH特征描述子降维；采用采样一致性方法实现点云之间的粗匹配；采用基于k‑d树搜索对应点对的ICP算法实现两片点云的精匹配。本发明通过构件局部坐标系并采用主成分分析法对EPFH特征描述子降维；然后先采用采样一致性方法实现点云之间的粗匹配，再采用基于k‑d树搜索对应点对的ICP算法实现两片点云的精匹配，实现两片点云的精细匹配。

Description

一种基于EPFH特征的点云匹配算法
技术领域
本发明属于点云数据技术领域，特别是涉及一种基于EPFH特征的点云匹配算法。
背景技术
随着三维激光扫描设备的迅速发展，对于点云数据的处理受到广泛的关注。特别地，由于扫描设备受测量环境及设备本身的限制，无法一次性完成整个实体的扫描。因此，如何将不同视角下扫描的点云数据进行对齐成为今年来许多学者研究的热点。点云匹配正是研究此问题，通过寻找最优的刚体变换将不同视角下的点云进行对齐，其匹配的精度对三维模型的后续处理中发挥着至关重要的作用。
解决该问题最为经典的方法是由Besl等提出的迭代最近点(ICP)算法，该算法通过迭代的方式使得两片点云之间的距离最小化，以此来实现两片点云之间的匹配。但是若这两片点云之间的距离相差较远，ICP算法容易陷入局部最优，且迭代耗时。之后，有许多学者提出一系列改进的点云匹配算法。Rusu等通过提取点领域的几何特征，构件快速点特征直方图描述子来作为点的局部特征，以此实现点云之间的匹配。
Xian等利用球面极坐标将点云数据转化为数字图像，然后提取该图像的尺度不变特征，利用图像匹配实现三维点云的匹配。Jiang等考虑到角度特征具有刚体不变性，所以采用夹角特征来进行匹配。王鹏等基于B-SHOT描述子对特征点进行描述，通过双向汉明距离确定匹配点对，采用随机采样一致性算法估算刚体变换参数进行初始匹配，然后再采用3D-NDT算法完成精确匹配。赵夫群等利用特征点的曲率特征对特征点进行描述，确定匹配点对，通过四元数法进行粗匹配，最后采用改进ICP算法实现精确匹配。
然而，上述方法存在匹配精度低、耗时长、特征易受噪声影响等问题。因此，本文提出一种基于EPFH特征的点云匹配算法。该算法采用先粗配后细配的策略，首先针对点云上的显著特征点进行EPFH特征描述，该描述子具有较强的区分度。再通过采样一致性方法估算刚体变换矩阵，实现待匹配点云和目标点云的初始匹配。然后利用基于k-d树的迭代最近点算法实现两片点云的精细匹配。
发明内容
本发明的目的在于提供一种基于EPFH特征的点云匹配算法，通过构件局部坐标系并采用主成分分析法对EPFH特征描述子降维；然后先采用采样一致性方法实现点云之间的粗匹配，再采用基于k-d树搜索对应点对的ICP算法实现两片点云的精匹配，实现两片点云的精细匹配。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于EPFH特征的点云匹配算法，包括如下步骤：
S0：建立局部坐标系；
S1：构件EPFH特征描述子；
S2：采用主成分分析法对EPFH特征描述子降维；
S3：采用采样一致性方法实现点云之间的粗匹配；
其中，所述粗匹配具体过程如下：
S30：从待匹配点云P的特征点集合中选择n个样本特征点；
其中，所述样本特征点之间的距离不小于预先设定的最小距离阈值d；
S31：在目标点云Q的特征点集合中找出与待匹配点云P中的采样点具有相似EPFH特征的一个或者多个相似点，从所述相似点中随机选取一个作为当前采样点的一一对应点；
S32：计算所述对应点间的刚体变换矩阵，并计算所述对应点变换后的“距离误差和”函数评价当前变换的质量；
其中，采用Huber惩罚函数作为误差度量，记作
其中，
S33：采用Levenberg-Marquardt算法进行局部优化完成点云之间的初始匹配；
S4：采用基于k-d树搜索对应点对的ICP算法实现两片点云的精匹配；
其中，所述ICP算法进行精匹配具体过程如下：
S40：假设待匹配点云P经过坐标变换后得到粗匹配后的点云，在P′上选取m个数据点作为匹配数据点集合fp＝{pi|i＝1,2,...,m}；
S41：对于fp中的每一个点Pi，利用k-d树在目标点云Q上寻找距离其最近的对应点qi，将Pi与qi作为初始对应点对；
S42：采用最小二乘法计算旋转矩阵Rk+1和平移矩阵tk+1，使得第k+1次均方误差dk+1最小；
其中，
S43：将计算得到的刚体变换参数作用于点云P′即：P′＝Rk+1P′+tk+1；
S44：判断是否满足dk-dk+1＜ε或k＞K；若是，则匹配结束；若否执行S42；
其中，ε为预设的初始阈值，K为预设的迭代次数。
优选地，S0具体过程如下：
S00：设特征点Pi及其领域点的集合{Pi|i＝1,2,...N}，则该领域点的加权协方差矩阵如下：
其中，r为支撑域的大小，di为特征点Pk到其领域点Pi的最短距离；
SO1：对协方差矩阵M进行特征值分解，得到：
M＝VDVT；
其中，V是M的三个特征值分别对应的特征向量{e1,e2,e3}所构成的矩阵，D是一个对角阵，由M的所有特征值构成；
S02：采用协方差矩阵M的三个特征向量建立局部坐标系。
优选地，SO2具体过程如下：
S020：统计与向量e1方向相同的所有领域点构成的集合即：
S021：统计与向量e1方向相反的所有领域点构成的集合即：
S022：若则局部坐标系的x轴定义为向量e1，否则定义为向量-e1；
S023：对e3采用S022的方法获取局部坐标系的z轴，则局部坐标系的y轴由x×z得到，且局部坐标系以特征点Pk为原点；
实际上：所述协方差矩阵M的特征向量彼此之间都是正交的，所以采用协方差矩阵M的三个特征向量来建立局部坐标系；为了能够得到唯一的坐标系，需使得每个特征向量的方向不具有模糊性；此处消除每个特征向量在方向上的模糊性，通过对特征点到其每个邻域点的向量分布情况进行统计，最后保证特征向量的方向要与多数邻域点的向量方向相一致。
优选地，S1具体包括如下过程：
S10：将特征点的所有领域点变换到以特征点为原点的局部坐标系下；
S11：通过三维球形栅格分别沿距离、方向以及俯仰角将每个特征点的领域空间划分为32个子空间；
其中，沿距离划分为2个部分、沿方向划分为8个部分以及沿俯仰角划分为2个部分；
S12：采用属于所述子空间中的每组点对之间的几何不变量α,β,θ各构建直方图，然后连接所述直方图得到属于所述子空间的子特征，再连接各子空间中的自特征形成特征点的EPFH特征；
因为在每个子空间中，均采用点对几何不变特征进行特征描述，而描述子本身已具有较高的区分度，仅需划分少量的子空间即可使得该描述子具有更高的区分度，较小的子空间数量有利于获得紧凑且高效的特征描述子；
实际上，如果将直方图的维度置为10时，可以很好地取得描述子长度和区分度之间的折中；所以将每个直方图的维度置为10，则每个特征点的特征描述子的长度为10×3×32＝960；因为该描述子既包含几何信息又包含空间信息，所以会有更强的区分能力。
优选地，S2具体过程如下：
S20：设点云模型P上的所有特征点的特征描述子集合为：
{fi|i＝1,2,...,Nj}；其中，Nj为云模型P的特征点数量；
计算云模型P中特征点的协方差矩阵C：
其中，是S20中特征描述子集合所有特征的均值；
S21：对S20中协方差矩阵C进行特征值分解，得到：C＝VDVT；
其中，V是C所有的特征向量构成的矩阵，D是由C的所有特征值构成的对角阵；
S22：按照由大到小的方式将C的所有特征值进行排序，并将前Ndf2个特征值对应的特征向量构成投影矩阵Vc，则降维后描述局部点云的EPFH特征描述子为：
其中，S22中特征向量个数Ndf2选择，满足如下条件：
其中，{λi|i＝1,2,...,Ndf1}为特征值按照降序排列的集合；η为特征压缩的系数，Ndf1是降维前特征描述子的维度，Ndf2为降维后特征描述子的维度。
本发明具有以下有益效果：
本发明通过构件局部坐标系并采用主成分分析法对EPFH特征描述子降维；然后先采用采样一致性方法实现点云之间的粗匹配，再采用基于k-d树搜索对应点对的ICP算法实现两片点云的精匹配，实现两片点云的精细匹配。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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为本发明的一种基于EPFH特征的点云匹配算法的流程图；
图2为特征点的PFH计算影响区域的示意图；
图3为一组点对建立一个局部的Darboux框架的示意图；
图4为特征点的领域空间通过三维球形栅格分为32个子空间的示意图。
具体实施方式
下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
具体实施例一：
请参阅图1所示，本发明为一种基于EPFH特征的点云匹配算法，包括如下步骤：
S0：建立局部坐标系；
S1：构件EPFH特征描述子；
S2：采用主成分分析法对EPFH特征描述子降维；
S3：采用采样一致性方法实现点云之间的粗匹配；
其中，粗匹配具体过程如下：
S30：从待匹配点云P的特征点集合中选择n个样本特征点；
其中，样本特征点之间的距离不小于预先设定的最小距离阈值d；
S31：在目标点云Q的特征点集合中找出与待匹配点云P中的采样点具有相似EPFH特征的一个或者多个相似点，从相似点中随机选取一个作为当前采样点的一一对应点；
S32：计算对应点间的刚体变换矩阵，并计算对应点变换后的“距离误差和”函数评价当前变换的质量；
其中，采用Huber惩罚函数作为误差度量，记作
其中，
S33：采用Levenberg-Marquardt算法进行局部优化完成点云之间的初始匹配；
S4：采用基于k-d树搜索对应点对的ICP算法实现两片点云的精匹配；
其中，ICP算法进行精匹配具体过程如下：
S40：假设待匹配点云P经过坐标变换后得到粗匹配后的点云，在P′上选取m个数据点作为匹配数据点集合fp＝{pi|i＝1,2,...,m}；
S41：对于fp中的每一个点Pi，利用k-d树在目标点云Q上寻找距离其最近的对应点qi，将Pi与qi作为初始对应点对；
S42：采用最小二乘法计算旋转矩阵Rk+1和平移矩阵tk+1，使得第k+1次均方误差dk+1最小；
其中，
S43：将计算得到的刚体变换参数作用于点云P′即：P′＝Rk+1P′+tk+1；
S44：判断是否满足dk-dk+1＜ε或k＞K；若是，则匹配结束；若否执行S42；
其中，ε为预设的初始阈值，K为预设的迭代次数。
进一步地，S0具体过程如下(S00-S02)：
常用的点特征直方图(Point Feature Histograms,PFH)是由Rusu提出来的一种点云特征描述子，其构建了一个高维超信息空间的点集合特征表达，描述了中心点与其邻域范围点之间的空间差异。图2所示为特征点P0的PFH计算影响区域，球心位置的点为特征点P0，球心与球壳之间的点为P0的k邻域点，k邻域点是由以P0为中心，到其距离不大于所给半径r的点，这些所有的点构成一个全连通网络；
为了能够计算特征点邻域上的几何不变特征，因此必须为每一组点对建立一个局部的Darboux框架，请参阅图3。假设Ps,Pt为其中任意一组点对，ns,nt分别为其法向量，则其局部Darboux框架的坐标轴构造如下：
得到任意一组点对的Darboux框架后，即可计算α,β,θ三个几何不变特征，具体计算方式如下：
S00：设特征点Pi及其领域点的集合{Pi|i＝1,2,...N}，则该领域点的加权协方差矩阵如下：
其中，r为支撑域的大小，di为特征点Pk到其领域点Pi的最短距离；
SO1：对协方差矩阵M进行特征值分解，得到：
M＝VDVT；
其中，V是M的三个特征值分别对应的特征向量{e1,e2,e3}所构成的矩阵，D是一个对角阵，由M的所有特征值构成；
S02：采用协方差矩阵M的三个特征向量建立局部坐标系。
进一步地，SO2具体过程如下：
S020：统计与向量e1方向相同的所有领域点构成的集合即：
S021：统计与向量e1方向相反的所有领域点构成的集合即：
S022：若则局部坐标系的x轴定义为向量e1，否则定义为向量-e1；
S023：对e3采用S022的方法获取局部坐标系的z轴，则局部坐标系的y轴由x×z得到，且局部坐标系以特征点Pk为原点；
实际上：协方差矩阵M的特征向量彼此之间都是正交的，所以采用协方差矩阵M的三个特征向量来建立局部坐标系；为了能够得到唯一的坐标系，需使得每个特征向量的方向不具有模糊性；此处消除每个特征向量在方向上的模糊性，通过对特征点到其每个邻域点的向量分布情况进行统计，最后保证特征向量的方向要与多数邻域点的向量方向相一致。
进一步地，S1具体包括如下过程：
S10：将特征点的所有领域点变换到以特征点为原点的局部坐标系下；
S11：通过三维球形栅格分别沿距离、方向以及俯仰角将每个特征点的领域空间划分为32个子空间，请参阅图4；
其中，沿距离划分为2个部分、沿方向划分为8个部分以及沿俯仰角划分为2个部分；
S12：采用属于子空间中的每组点对之间的几何不变量α,β,θ各构建直方图，然后连接直方图得到属于子空间的子特征，再连接各子空间中的自特征形成特征点的EPFH特征；
因为在每个子空间中，均采用点对几何不变特征进行特征描述，而描述子本身已具有较高的区分度，仅需划分少量的子空间即可使得该描述子具有更高的区分度，较小的子空间数量有利于获得紧凑且高效的特征描述子；
实际上，如果将直方图的维度置为10时，可以很好地取得描述子长度和区分度之间的折中；所以将每个直方图的维度置为10，则每个特征点的特征描述子的长度为10×3×32＝960；因为该描述子既包含几何信息又包含空间信息，所以会有更强的区分能力。
进一步地，S2具体过程如下：
S20：设点云模型P上的所有特征点的特征描述子集合为：
{fi|i＝1,2,...,Nj}；其中，Nj为云模型P的特征点数量；
计算云模型P中特征点的协方差矩阵C：
其中，是S20中特征描述子集合所有特征的均值；
S21：对S20中协方差矩阵C进行特征值分解，得到：C＝VDVT；
其中，V是C所有的特征向量构成的矩阵，D是由C的所有特征值构成的对角阵；
S22：按照由大到小的方式将C的所有特征值进行排序，并将前Ndf2个特征值对应的特征向量构成投影矩阵Vc，则降维后描述局部点云的EPFH特征描述子为：
其中，S22中特征向量个数Ndf2选择，满足如下条件：
其中，{λi|i＝1,2,...,Ndf1}为特征值按照降序排列的集合；η为特征压缩的系数，Ndf1是降维前特征描述子的维度，Ndf2为降维后特征描述子的维度。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于EPFH特征的点云匹配算法，其特征在于，包括如下步骤：
S0：建立局部坐标系；
S1：构件EPFH特征描述子；
S2：采用主成分分析法对EPFH特征描述子降维；
S3：采用采样一致性方法实现点云之间的粗匹配；
其中，所述粗匹配具体过程如下：
S30：从待匹配点云P的特征点集合中选择n个样本特征点；
其中，所述样本特征点之间的距离不小于预先设定的最小距离阈值d；
S31：在目标点云Q的特征点集合中找出与待匹配点云P中的采样点具有相似EPFH特征的一个或者多个相似点，从所述相似点中随机选取一个作为当前采样点的一一对应点；
S32：计算所述对应点间的刚体变换矩阵，并计算所述对应点变换后的“距离误差和”函数评价当前变换的质量；
其中，采用Huber惩罚函数作为误差度量，记作
其中，
S33：采用Levenberg-Marquardt算法进行局部优化完成点云之间的初始匹配；
S4：采用基于k-d树搜索对应点对的ICP算法实现两片点云的精匹配；
其中，所述ICP算法进行精匹配具体过程如下：
S40：假设待匹配点云P经过坐标变换后得到粗匹配后的点云，在P′上选取m个数据点作为匹配数据点集合fp＝{pi|i＝1,2,...,m}；
S41：对于fp中的每一个点Pi，利用k-d树在目标点云Q上寻找距离其最近的对应点qi，将Pi与qi作为初始对应点对；
S42：采用最小二乘法计算旋转矩阵Rk+1和平移矩阵tk+1，使得第k+1次均方误差dk+1最小；
其中，
S43：将计算得到的刚体变换参数作用于点云P′即：P′＝Rk+1P′+tk+1；
S44：判断是否满足dk-dk+1＜ε或k＞K；若是，则匹配结束；若否执行S42；
其中，ε为预设的初始阈值，K为预设的迭代次数。
2.根据权利要求1所述的一种基于EPFH特征的点云匹配算法，其特征在于，S0具体过程如下：
S00：设特征点Pi及其领域点的集合{Pi|i＝1,2,...N}，则该领域点的加权协方差矩阵如下：
其中，r为支撑域的大小，di为特征点Pk到其领域点Pi的最短距离；
SO1：对协方差矩阵M进行特征值分解，得到：
M＝VDVT；
其中，V是M的三个特征值分别对应的特征向量{e1,e2,e3}所构成的矩阵，D是一个对角阵，由M的所有特征值构成；
S02：采用协方差矩阵M的三个特征向量建立局部坐标系。
3.根据权利要求2所述的一种基于EPFH特征的点云匹配算法，其特征在于，SO2具体过程如下：
S020：统计与向量e1方向相同的所有领域点构成的集合即：
S021：统计与向量e1方向相反的所有领域点构成的集合即：
S022：若则局部坐标系的x轴定义为向量e1，否则定义为向量-e1；
S023：对e3采用S022的方法获取局部坐标系的z轴，则局部坐标系的y轴由x×z得到，且局部坐标系以特征点Pk为原点。
4.根据权利要求1所述的一种基于EPFH特征的点云匹配算法，其特征在于，S1具体包括如下过程：
S10：将特征点的所有领域点变换到以特征点为原点的局部坐标系下；
S11：通过三维球形栅格分别沿距离、方向以及俯仰角将每个特征点的领域空间划分为32个子空间；
其中，沿距离划分为2个部分、沿方向划分为8个部分以及沿俯仰角划分为2个部分；
S12：采用属于所述子空间中的每组点对之间的几何不变量α,β,θ各构建直方图，然后连接所述直方图得到属于所述子空间的子特征，再连接各子空间中的自特征形成特征点的EPFH特征。
5.根据权利要求1所述的一种基于EPFH特征的点云匹配算法，其特征在于，S2具体过程如下：
S20：设点云模型P上的所有特征点的特征描述子集合为：
{fi|i＝1,2,...,Nj}；其中，Nj为云模型P的特征点数量；
计算云模型P中特征点的协方差矩阵C：
其中，是S20中特征描述子集合所有特征的均值；
S21：对S20中协方差矩阵C进行特征值分解，得到：C＝VDVT；
其中，V是C所有的特征向量构成的矩阵，D是由C的所有特征值构成的对角阵；
S22：按照由大到小的方式将C的所有特征值进行排序，并将前Ndf2个特征值对应的特征向量构成投影矩阵Vc，则降维后描述局部点云的EPFH特征描述子为：
其中，S22中特征向量个数Ndf2选择，满足如下条件：
其中，{λi|i＝1,2,...,Ndf1}为特征值按照降序排列的集合；η为特征压缩的系数，Ndf1是降维前特征描述子的维度，Ndf2为降维后特征描述子的维度。
CN201910457142.3A 2019-05-29 2019-05-29 一种基于epfh特征的点云匹配算法 Pending CN110211163A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910457142.3A CN110211163A (zh) 2019-05-29 2019-05-29 一种基于epfh特征的点云匹配算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910457142.3A CN110211163A (zh) 2019-05-29 2019-05-29 一种基于epfh特征的点云匹配算法

Publications (1)

Publication Number Publication Date
CN110211163A true CN110211163A (zh) 2019-09-06

Family

ID=67789349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910457142.3A Pending CN110211163A (zh) 2019-05-29 2019-05-29 一种基于epfh特征的点云匹配算法

Country Status (1)

Country Link
CN (1) CN110211163A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310818A (zh) * 2020-02-10 2020-06-19 贝壳技术有限公司 特征描述子确定方法、装置及计算机可读存储介质
CN111862173A (zh) * 2020-07-03 2020-10-30 广州大学 一种基于点云配准的线上试衣穿搭方法
CN112596063A (zh) * 2020-11-27 2021-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置，闭环检测方法及装置
WO2021114027A1 (zh) * 2019-12-09 2021-06-17 深圳大学 一种基于sgh描述3d局部特征的3d形状匹配方法及装置
WO2021114026A1 (zh) * 2019-12-09 2021-06-17 深圳大学 一种基于局部参考坐标系的3d形状匹配方法及装置
CN113147807A (zh) * 2021-04-20 2021-07-23 武汉理工大学 一种铁轨无损检测小车及方法
CN116797803A (zh) * 2023-07-13 2023-09-22 南京埃斯顿自动化股份有限公司 一种基于分段式解耦的点云匹配方法、电子设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133458A (zh) * 2018-01-17 2018-06-08 视缘(上海)智能科技有限公司 一种基于目标物体空间点云特征的自动拼接方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
庄祉昀等: "用于三维点云表示的扩展点特征直方图算法", 《国防科技大学学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021114027A1 (zh) * 2019-12-09 2021-06-17 深圳大学 一种基于sgh描述3d局部特征的3d形状匹配方法及装置
WO2021114026A1 (zh) * 2019-12-09 2021-06-17 深圳大学 一种基于局部参考坐标系的3d形状匹配方法及装置
CN113168729A (zh) * 2019-12-09 2021-07-23 深圳大学 一种基于局部参考坐标系的3d形状匹配方法及装置
US11625454B2 (en) 2019-12-09 2023-04-11 Shenzhen University Method and device for 3D shape matching based on local reference frame
CN113168729B (zh) * 2019-12-09 2023-06-30 深圳大学 一种基于局部参考坐标系的3d形状匹配方法及装置
CN111310818A (zh) * 2020-02-10 2020-06-19 贝壳技术有限公司 特征描述子确定方法、装置及计算机可读存储介质
CN111862173A (zh) * 2020-07-03 2020-10-30 广州大学 一种基于点云配准的线上试衣穿搭方法
CN112596063A (zh) * 2020-11-27 2021-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置，闭环检测方法及装置
CN112596063B (zh) * 2020-11-27 2024-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置，闭环检测方法及装置
CN113147807A (zh) * 2021-04-20 2021-07-23 武汉理工大学 一种铁轨无损检测小车及方法
CN116797803A (zh) * 2023-07-13 2023-09-22 南京埃斯顿自动化股份有限公司 一种基于分段式解耦的点云匹配方法、电子设备及介质
CN116797803B (zh) * 2023-07-13 2024-02-06 南京埃斯顿自动化股份有限公司 一种基于分段式解耦的点云匹配方法、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110211163A (zh) 一种基于epfh特征的点云匹配算法
Dong et al. A novel binary shape context for 3D local surface description
CN109887015B (zh) 一种基于局部曲面特征直方图的点云自动配准方法
Yang et al. Automatic 3D facial expression recognition using geometric scattering representation
Yang et al. Rotational contour signatures for both real-valued and binary feature representations of 3D local shape
CN109215129B (zh) 一种基于三维点云的局部特征描述方法
Zhao et al. Aliked: A lighter keypoint and descriptor extraction network via deformable transformation
CN108665491B (zh) 一种基于局部参考点的快速点云配准方法
CN101315661B (zh) 一种减小表情影响的快速三维人脸识别方法
CN111340862B (zh) 一种基于多特征融合的点云配准方法、装置及存储介质
CN110009745B (zh) 根据平面基元和模型驱动对点云提取平面的方法
Zhang et al. KDD: A kernel density based descriptor for 3D point clouds
CN101839722A (zh) 一种中低空下目标自动识别及载体高精度定位方法
CN113643270A (zh) 一种基于点云数据的图像配准方法及装置
CN107330928A (zh) 基于改进形状上下文的图像特征匹配方法
Liao et al. Feature matching and position matching between optical and SAR with local deep feature descriptor
CN112164101B (zh) 三维点云匹配方法和装置
Ye et al. Multi-manifold clustering: A graph-constrained deep nonparametric method
Lu et al. Point cloud registration algorithm fusing of super 4pcs and icp based on the key points
CN115082716A (zh) 一种面向道路精细重建的多源点云粗匹配算法
CN113592030B (zh) 基于复值奇异谱分析的图像检索方法和系统
Zhou et al. Feature matching for remote sensing image registration via manifold regularization
CN111127667B (zh) 基于区域曲率二进制描述符的点云初始配准方法
Li et al. GPU-based parallel optimization for real-time scale-invariant feature transform in binocular visual registration
Heng et al. Multi-scale Geometry-aware Self-Attention for 3D Point Cloud Classification

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