CN112070832B - 基于点云dca特征的非合作目标位姿跟踪方法及装置 - Google Patents
基于点云dca特征的非合作目标位姿跟踪方法及装置 Download PDFInfo
- Publication number
- CN112070832B CN112070832B CN202010790024.7A CN202010790024A CN112070832B CN 112070832 B CN112070832 B CN 112070832B CN 202010790024 A CN202010790024 A CN 202010790024A CN 112070832 B CN112070832 B CN 112070832B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- pose
- dimensional
- feature
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于点云DCA特征的非合作目标位姿跟踪方法及装置,其中,该方法包括:对三维目标点云模型和三维场景点云模型进行特征点检测;提取三维目标点云模型和三维场景点云模型中的点云局部特征描述子;根据FLANN算法对三维目标点云模型的点云局部特征描述子和三维场景点云模型中的点云局部特征描述子进行特征匹配;通过RANSAC算法去除特征匹配结果中的错误匹配,得到三维目标点云模型的初步位姿估计;将初步位姿估计作为迭代最近点算法的初始值,通过迭代最近点算法对位姿估计进行精调。该方法提出一种简洁高效的非合作目标位姿测量方法,可以更好的实现目标航天器相对位姿的测量。
Description
技术领域
本申请涉及位姿跟踪技术领域,特别涉及一种基于点云DCA特征的非合作目标位姿跟踪方法及装置。
背景技术
随着空间技术的发展,人类对航天器进行在轨维护、维修以及轨道垃圾清理等需求越来越迫切。作为服务对象的故障卫星、失效航天器及轨道垃圾等大多数都没有考虑过轨道服务,即没有安装合作标志器和应答机等辅助测量设备,也没有安装用于抓捕固定的装置。对其进行相对位姿测量是实现在轨服务的关键,可以为非合作目标的交会和维护等提供准确的相对姿态信息。然而,空间非合作目标相对位姿测量存在测量设备有限、目标尺度变化大、空间环境变化剧烈等不利因素,为相关的研究工作带来了极大挑战。
在相关技术中,基于双目立体视觉的相对测量方法计算精度不高,不能很好的适应光照和目标位置的变化,而基于稠密点云的相对位姿测量方法则需要事先知道目标的点云模型并需要较好的初始值。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种基于点云DCA特征的非合作目标位姿跟踪方法,该方法提出一种简洁高效的非合作目标位姿测量方法,可以更好的实现目标航天器相对位姿的测量。
本申请的另一个目的在于提出一种基于点云DCA特征的非合作目标位姿跟踪装置。
为达到上述目的,本申请一方面实施例提出了一种基于点云DCA特征的非合作目标位姿跟踪方法,包括:
对三维目标点云模型和三维场景点云模型进行特征点检测;
提取所述三维目标点云模型和所述三维场景点云模型中的点云局部特征描述子;
根据FLANN算法对所述三维目标点云模型的点云局部特征描述子和所述三维场景点云模型中的点云局部特征描述子进行特征匹配;
通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计;
将所述初步位姿估计作为迭代最近点算法的初始值,通过所述迭代最近点算法对所述三维目标点云模型的位姿估计进行精调。
为达到上述目的,本申请另一方面实施例提出了一种基于点云DCA特征的非合作目标位姿跟踪装置,包括:
特征点检测模块,用于通过对三维目标点云模型和三维场景点云模型稀疏采样进行特征点检测;
特征描述模块,用于提取所述三维目标点云模型和所述三维场景点云模型中的点云局部特征描述子;
特征匹配模块,用于根据FLANN算法对所述三维目标点云模型的点云局部特征描述子和所述三维场景点云模型中的点云局部特征描述子进行特征匹配;
位姿粗估计模块,用于通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计;
位姿精调模块,用于将所述初步位姿估计作为迭代最近点算法的初始值,通过所述迭代最近点算法对所述三维目标点云模型的位姿估计进行精调。
本申请实施例的基于点云DCA特征的非合作目标位姿跟踪方法及装置,具有如下优势:
(1)利用点云的邻域点平均距离,曲率变化和邻域点法向夹角提出了一种简单、高效而且鲁棒的三维点云特征描述子DCA;
(2)针对在点云配准时ICP算法对初值依赖等问题,提出了基于点云DCA特征的非合作目标位姿跟踪算法。该方法首先计算点云的特征描述子(DCA),然后基于该特征描述寻找点云的对应关系并求得初始配准结果,最后将该结果作为ICP的初始值,实现目标位姿的精确跟踪。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪方法流程图;
图2为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪方法流程框图;
图3为根据本申请一个实施例的数据点与邻域点平均距离示意图;
图4为根据本申请一个实施例的数据点曲率示意图;
图5为根据本申请一个实施例的数据点与邻域点法向夹角示意图;
图6为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪装置结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述根据本申请实施例提出的基于点云DCA特征的非合作目标位姿跟踪方法及装置。
首先将参照附图描述根据本申请实施例提出的基于点云DCA特征的非合作目标位姿跟踪方法。
图1为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪方法流程图。
图2为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪方法流程框图。
结合图1和图2所示,该基于点云DCA特征的非合作目标位姿跟踪方法包括以下步骤:
步骤S1,对三维目标点云模型和三维场景点云模型进行特征点检测。
特征点检测是特征描述与特征匹配的前提,最常用的方法就是通过对点云的稀疏采样得到的。在本申请的实施例中采用对点云稀疏采样的方法实现特征点检测。
步骤S2,提取三维目标点云模型和三维场景点云模型中的点云局部特征描述子。
具体地,非合作目标位姿跟踪的主要目的是获得失效翻滚卫星的位置和姿态。本申请的实施例是基于三维点云的局部特征实现目标的姿态跟踪的。三维点云表面的凹凸程度、尖头、尖锐边等都可以表达点云数据的外观特征。其中,点云的法向量、曲率和密度等都不同程度的反应了点云的几何特征,本申请的实施例利用点云的密度、曲率和法向夹角作为点云的局部特征描述,实现非合作目标点云特征的识别。
(1)邻域点平均距离
点云的密度可以用邻域点距离进行表征,欧式距离ε通常被用来表示数据点的邻域。对于规则采样的表面,相同的ε具有相同数目的邻域点。而对于不规则采样的表面,相同的ε可能具有不同数目的邻域点。而作为数据点邻域的另一种常用表示方法k邻域来说,无论采样表面规则与否,在相同的k邻域内,都具有相同数目的邻域点。设G={gi},i=1,…,N为点云的数据点集,其中数据特征点gi的三维坐标为(xi,yi,zi),N是点云数据集中点的个数。M(gi)={gij}1≤j≤k表示与特征点gi空间距离最近的k个点,即gi的k邻域。
点云的特征可以用点与邻域点的平均距离来表示:当点与周围邻域点的平均距离较小时,点云分布比较密集,一般是点云的特征区域;反之,当点与周围邻域点的平均距离较大时,点云分布比较稀疏,一般是点云的平滑区域。如图3所示,数据点A与周围邻域点的平均距离较小点云密集,因此位于特征区域。数据点C与周围邻域点的平均距离较大点云稀疏,因此位于平滑区域。
邻域点平均距离如下所示:
为了保持三维点云的细节信息,在判断数据点是否位于特征区域时,将邻域点平均距离作为判别点云特征的一个参数。
(2)曲率
曲率反映了点云表面的凹凸程度是点云识别中重要的几何特征。对于仅由三维坐标表示且没有任何拓扑信息的曲面,只能近似估算其曲率。本申请实施例采用基于局部曲面拟合的方法计算点云数据点的曲率,
假设点云表面是光滑的,所有采样点的局部邻域可以用平面来拟合。对于数据点gi,求得它的k个邻域点,计算一个最小二乘意义上的局部平面E:
式中n为平面法向量,d为到局部平面E坐标原点的距离。
对法向量的求解可以转化为对顶点相关矩阵的主元分析问题:
Cem=λm·em,m∈{1,2,3} (4)
由于C是半正定的三阶对称矩阵,其中λm均为实数是对应点集的主元,em相互正交为沿相应特征向量方向上的曲面变分。根据多元向量的分析,λm可以表示各个对应特征向量方向上局部曲面的变化度。因此,总的曲面变分为数据点gi到它重心的欧式距离的平方和,如下式所示:
数据点gi在k邻域内的曲面变分如下所示:
其中λ1表示曲面沿法向量方向的变化,λ2、λ3表示数据点gi在切平面上的分布情况。曲面变分τi可以近似表示数据点gi的曲率Hi即Hi≈τi。
如图4所示,黑色的点为三维点云的任意数据点,空心点为该数据点相应的邻域点,在该点处的切平面用直线表示。数据点g1的邻域点与其切平面的距离较大,表明该点位于曲率较大的曲面上,因此该点位于特征区域;与之相反,数据点g2的邻域点与其切平面间的距离较小,表明该点位于曲率较小的曲面上,因此该点位于点云的平滑区。
(3)法向夹角
为了得到数据点gi与邻域点gj法向夹角参数ωa(gi),对gi的所有邻域点法向夹角求和:
数据点与邻域点法向夹角如图5所示,邻域点个数k=4。图中黑色点表示点云上的任意数据点,空心点表示该数据点相应的邻域点。数据点g3位于弯曲度较大的曲面上,其与邻域点的法向夹角也较大,因此该点位于特征区域;与之相反,数据点g8位于较平坦的曲面上,其余邻域点的法向夹角较小,因此该点位于点云的平滑区域。
数据点与邻域点法向夹角参数反映了数据点gi的所有邻域点对其弯曲程度的影响。如果数据点gi位于弯曲度较大的曲面上,则法向夹角参数ωa(gi)也较大,因此该点位于点云的特征区域;与之相反,如果数据点gi位于弯曲度较小的曲面上,则法向夹角参数ωa(gi)也随之减小,因此该点很有可能位于点云较平坦的区域。因此,把数据点与邻域点法向夹角参数也作为判断点云特征的一个参数。
在本申请的实施例中,经过对多组实验数据分析可知,点云数据的密度和分布的均匀性决定了邻域点个数k的取值。当点云密度较大时,k值取值较小,一般为10-30;而当点云中包含噪声、遮挡等情况时,k值取值应该大些,一般为50-100。k值取值越大,点云特征描述精度越高,但计算时间越长。
可以理解的是,特征描述的目的是提取点云局部的特征信息使得点云中每个点可以区分开来。特征描述直接影响后续特征匹配的效果和效率,是基于点云局部特征位姿估计的一个关键环节。在整个流程中特征点检测、特征描述和特征匹配是为了建立两个点云的对应关系,它们占整个位姿估计流程时间的90%。本申请采用上节三维点云局部特征描述子对非合作目标的点云进行特征描述。该特征描述子为3维浮点型。
步骤S3,根据FLANN算法对三维目标点云模型的点云局部特征描述子和三维场景点云模型中的点云局部特征描述子进行特征匹配。
特征匹配直接影响位姿估计的结果。本申请中对目标点云特征描述的结果为3维浮点型数据,因此特征匹配问题转变为高维数据的对应点搜索问题。本申请采用FLANN(Fast Library for Approximate Nearest Neighbors)搜索欧式距离最近的点作为候选配对,并且只有最近点与次近点的比值小于一定阈值时(本申请实施例设为0.9)才认为是正确的匹配。FLANN是目前最完整的最近邻开源库,它实现了一系列快速查找高维度最近邻搜索的算法,比暴力搜索算法快几个数量级。
步骤S4,通过RANSAC算法去除特征匹配结果中的错误匹配,得到三维目标点云模型的初步位姿估计。
通过上述基于点云局部特征的匹配结果已经剔除了大部分的错误匹配,但仍然存在少量的错误配对,这些错误配对给后续的位姿估计带来了较大的影响。为了减小错误匹配对两个点云间初始位姿估计带来的影响,本申请的实施例利用RANSAC算法实现。
RANSAC算法首先假定数据是由“内点”和“噪点”组成,然后对数据进行少量的采样并不断的迭代计算模型的参数,来得到数据拟合最好的结果。对于本申请基于点云局部特征描述子匹配得到的N个配对结果,采用RANSAC算法实现错误配对剔除并获得配对点云间初始位姿的流程如下:
a)根据确定3维变换关系所需最小样本数的要求,在N个配对结果中随机选取3个,计算初始变换关系Ti0;
b)判断其他配对结果是否满足初始变换关系Ti0。其他配对结果中的一个点通过变换关系Ti0后得到的点,和其原配对点间的误差小于一定的阈值时,该配对被认为是内点,否则为噪点;
c)当内点数达到一定的数量时,变换关系Ti0就被认定为一个合理的位姿估计;
d)根据得到的所有内点配对重新计算变换关系Ti1,并统计该变换关系下的误差;
e)不断重复以上过程,每次都能得到一个变换关系:对于不合理的位姿估计,直接丢弃重新开始;对于合理的位姿估计,保留变换关系下误差最小的位姿估计作为最终的位姿估计结果输出。
就算数据中存在明显的野值,RANSAC也能得到鲁棒的估计结果,但是所需估计时间不确定。对于上述迭代过程,RANSAC需要迭代次,当特征匹配结果N较大时,将需要较长的时间才能得到最优结果。出于效率的考虑,在实际应用中通常设置迭代次数的上限。这样得到的结果不一定是最优的,甚至有可能是错误的。在这种情况下,特征匹配的正确性就显得尤为重要。特征匹配的正确率越高,RANSAC收敛到最优结果的速度就越快,否则收敛的结果和速度都难以保证。本申请通过基于阈值的FLANN特征匹配策略,剔除了大部分错误匹配,提高了RANSAC的迭代效率和最终收敛结果的精度。
步骤S5,将初步位姿估计作为迭代最近点算法的初始值,通过迭代最近点算法对所述三维目标点云模型的位姿估计进行精调。
ICP(Iterative Closest Point)算法常被用来求解两组点云之间的变换关系,它具有精度高、适用性强的特点。但是ICP算法要求较好的初始值,并且两个点云之间变换不能太大,不能有太多遮挡等,否则算法收敛速度慢甚至无法收敛。本申请的实施例利用RANSAC算法得到的位姿估计作为ICP算法的初始值,进一步对位姿估计的结果进行精调。
基于三维点云的位姿估计具有精度高,不受光照和尺寸变化影响等特点。随着近年来低成本三维采集设备的出现,基于三维点云位姿估计的研究也得以迅速发展。基于点云的位姿估计本质上就是一个点云配准的过程,即给定一个模型点云G={gi}和场景点云M={mi},求解两者之间的相对变换关系T=(R,t),使得两者之间共同的部分能够正确的匹配和搭接。点云配准通常是先根据点云的特征建立两个点云的对应关系,估计一个粗匹配,然后再通过迭代最近点(ICP)算法进行位姿精调。
根据本申请实施例提出的基于点云DCA特征的非合作目标位姿跟踪方法,通过利用点云的邻域点平均距离,曲率变化和邻域点法向夹角提出了一种简单、高效而且鲁棒的三维点云特征描述子DCA,基于该特征描述子寻找点云的对应关系并求得初始配准结果,最后将该结果作为ICP的初始值,实现目标位姿的精确跟踪。
其次参照附图描述根据本申请实施例提出的基于点云DCA特征的非合作目标位姿跟踪装置。
图6为根据本申请一个实施例的基于点云DCA特征的非合作目标位姿跟踪装置结构示意图。
如图6所示,该基于点云DCA特征的非合作目标位姿跟踪装置包括:特征点检测模块601、特征描述模块602、特征匹配模块603、位姿粗估计模块604和位姿精调模块605。
特征点检测模块601,用于通过对三维目标点云模型和三维场景点云模型稀疏采样进行特征点检测。
特征描述模块602,用于提取三维目标点云模型和三维场景点云模型中的点云局部特征描述子。
特征匹配模块603,用于根据FLANN算法对三维目标点云模型的点云局部特征描述子和三维场景点云模型中的点云局部特征描述子进行特征匹配。
位姿粗估计模块604,用于通过RANSAC算法去除特征匹配结果中的错误匹配,得到三维目标点云模型的初步位姿估计。
位姿精调模块605,用于将初步位姿估计作为迭代最近点算法的初始值,通过迭代最近点算法对所述三维目标点云模型的位姿估计进行精调。
进一步地,在本申请的一个实施例中,点云局部特征描述子包括:点云的邻域点平均距离、曲率变化和邻域点法向夹角;
点云的邻域点平均距离表示点云的疏密程度,点云的曲率变化表示点云表面的凹凸程度,点云的邻域点法向夹角表示点云表面弯曲或平坦的程度。
需要说明的是,前述对基于点云DCA特征的非合作目标位姿跟踪方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本申请实施例提出的基于点云DCA特征的非合作目标位姿跟踪装置,通过利用点云的邻域点平均距离,曲率变化和邻域点法向夹角提出了一种简单、高效而且鲁棒的三维点云特征描述子DCA,基于该特征描述子寻找点云的对应关系并求得初始配准结果,最后将该结果作为ICP的初始值,实现目标位姿的精确跟踪。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于点云DCA特征的非合作目标位姿跟踪方法,其特征在于,包括以下步骤:
对三维目标点云模型和三维场景点云模型进行特征点检测;
提取所述三维目标点云模型和所述三维场景点云模型中的点云局部特征描述子;
根据FLANN算法对所述三维目标点云模型的点云局部特征描述子和所述三维场景点云模型中的点云局部特征描述子进行特征匹配;
通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计;
将所述初步位姿估计作为迭代最近点算法的初始值,通过所述迭代最近点算法对所述三维目标点云模型的位姿估计进行精调,包括:
通过预设的三维目标点云模型点云G={gi}和维场景点云模型的场景点云M={mi},通过点云配准求解两者点云之间的相对变换关系T=(R,t),使得两者点云之间共同的部分正确的匹配和搭接;其中,所述点云配准是根据点云的特征建立两个点云的对应关系估计粗匹配,再通过迭代最近点ICP算法进行位姿精调;
所述通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计,包括:
a)根据确定3维变换关系所需最小样本数的要求,在N个配对结果中随机选取3个,计算初始变换关系Ti0;
b)判断其他配对结果是否满足初始变换关系Ti0:其他配对结果中的一个点通过变换关系Ti0后得到的点,和其原配对点间的误差小于预设的阈值时,该配对被认为是内点,否则为噪点;
c)当内点数达到预设的数量时,变换关系Ti0被认定为正确的位姿估计;
d)根据得到的所有内点配对重新计算变换关系Ti1,并统计该变换关系下的误差;
e)重复a)-d)的过程,每次得到一个变换关系:对于非正确的位姿估计,直接丢弃重新开始;对于正确的位姿估计,保留变换关系下误差最小的位姿估计作为最终的位姿估计结果输出。
2.根据权利要求1所述的基于点云DCA特征的非合作目标位姿跟踪方法,其特征在于,所述特征点检测包括对点云进行稀疏采样。
3.根据权利要求1所述的基于点云DCA特征的非合作目标位姿跟踪方法,其特征在于,所述点云局部特征描述子包括:点云的邻域点平均距离、曲率变化和邻域点法向夹角;
所述点云的邻域点平均距离表示点云的疏密程度,所述点云的曲率变化表示点云表面的凹凸程度,所述点云的邻域点法向夹角表示点云表面弯曲或平坦的程度。
7.根据权利要求3-6任一一项所述的基于点云DCA特征的非合作目标位姿跟踪方法,其特征在于,根据点云模型的特点调整邻域点个数的取值。
8.根据权利要求1所述的基于点云DCA特征的非合作目标位姿跟踪方法,其特征在于,所述根据FLANN算法对所述三维目标点云模型的点云局部特征描述子和所述三维场景点云模型中的点云局部特征描述子进行特征匹配,包括:采用FLANN算法搜索欧式距离最近的点作为候选配对,且在最近点与次近点的比值小于预设阈值时为正确匹配。
9.一种基于点云DCA特征的非合作目标位姿跟踪装置,特征在于,包括:
特征点检测模块,用于通过对三维目标点云模型和三维场景点云模型稀疏采样进行特征点检测;
特征描述模块,用于提取所述三维目标点云模型和所述三维场景点云模型中的点云局部特征描述子;
特征匹配模块,用于根据FLANN算法对所述三维目标点云模型的点云局部特征描述子和所述三维场景点云模型中的点云局部特征描述子进行特征匹配;
位姿粗估计模块,用于通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计;
位姿精调模块,用于将所述初步位姿估计作为迭代最近点算法的初始值,通过所述迭代最近点算法对所述三维目标点云模型的位姿估计进行精调,包括:
通过预设的三维目标点云模型点云G={gi}和维场景点云模型的场景点云M={mi},通过点云配准求解两者点云之间的相对变换关系T=(R,t),使得两者点云之间共同的部分正确的匹配和搭接;其中,所述点云配准是根据点云的特征建立两个点云的对应关系估计粗匹配,再通过迭代最近点ICP算法进行位姿精调;
所述通过RANSAC算法去除所述特征匹配结果中的错误匹配,得到所述三维目标点云模型的初步位姿估计,的流程为:
a)根据确定3维变换关系所需最小样本数的要求,在N个配对结果中随机选取3个,计算初始变换关系Ti0;
b)判断其他配对结果是否满足初始变换关系Ti0:其他配对结果中的一个点通过变换关系Ti0后得到的点,和其原配对点间的误差小于预设的阈值时,该配对被认为是内点,否则为噪点;
c)当内点数达到预设的数量时,变换关系Ti0被认定为正确的位姿估计;
d)根据得到的所有内点配对重新计算变换关系Ti1,并统计该变换关系下的误差;
e)重复a)-d)的过程,每次得到一个变换关系:对于非正确的位姿估计,直接丢弃重新开始;对于正确的位姿估计,保留变换关系下误差最小的位姿估计作为最终的位姿估计结果输出。
10.根据权利要求9所述的基于点云DCA特征的非合作目标位姿跟踪装置,其特征在于,所述点云局部特征描述子包括:点云的邻域点平均距离、曲率变化和邻域点法向夹角;
所述点云的邻域点平均距离表示点云的疏密程度,所述点云的曲率变化表示点云表面的凹凸程度,所述点云的邻域点法向夹角表示点云表面弯曲或平坦的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790024.7A CN112070832B (zh) | 2020-08-07 | 2020-08-07 | 基于点云dca特征的非合作目标位姿跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790024.7A CN112070832B (zh) | 2020-08-07 | 2020-08-07 | 基于点云dca特征的非合作目标位姿跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070832A CN112070832A (zh) | 2020-12-11 |
CN112070832B true CN112070832B (zh) | 2023-02-17 |
Family
ID=73660861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790024.7A Active CN112070832B (zh) | 2020-08-07 | 2020-08-07 | 基于点云dca特征的非合作目标位姿跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070832B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392879B (zh) * | 2021-05-26 | 2023-02-24 | 中铁二院工程集团有限责任公司 | 一种航空影像多视图匹配方法 |
CN116416305B (zh) * | 2022-09-17 | 2024-02-13 | 上海交通大学 | 一种基于优化采样五维点对特征的多实例位姿估计方法 |
CN116046017B (zh) * | 2023-01-18 | 2024-05-07 | 上汽通用五菱汽车股份有限公司 | 一种测量路径的校准方法、装置、存储介质和计算机设备 |
CN116681733B (zh) * | 2023-08-03 | 2023-11-07 | 南京航空航天大学 | 一种空间非合作目标近距离实时位姿跟踪方法 |
CN117541614B (zh) * | 2024-01-09 | 2024-03-29 | 南京航空航天大学 | 基于改进icp算法的空间非合作目标近距离相对位姿跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976353A (zh) * | 2016-04-14 | 2016-09-28 | 南京理工大学 | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 |
US9868212B1 (en) * | 2016-02-18 | 2018-01-16 | X Development Llc | Methods and apparatus for determining the pose of an object based on point cloud data |
CN109559340A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种并行的三维点云数据自动化配准方法 |
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
CN110223348A (zh) * | 2019-02-25 | 2019-09-10 | 湖南大学 | 基于rgb-d相机的机器人场景自适应位姿估计方法 |
-
2020
- 2020-08-07 CN CN202010790024.7A patent/CN112070832B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9868212B1 (en) * | 2016-02-18 | 2018-01-16 | X Development Llc | Methods and apparatus for determining the pose of an object based on point cloud data |
CN105976353A (zh) * | 2016-04-14 | 2016-09-28 | 南京理工大学 | 基于模型和点云全局匹配的空间非合作目标位姿估计方法 |
CN109559340A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种并行的三维点云数据自动化配准方法 |
CN110223348A (zh) * | 2019-02-25 | 2019-09-10 | 湖南大学 | 基于rgb-d相机的机器人场景自适应位姿估计方法 |
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
Non-Patent Citations (2)
Title |
---|
基于旋转投影二进制描述符的空间目标位姿估计;邹瑜等;《光学精密工程》;20171130;第25卷(第11期);引言、第3节 * |
基于点云的非合作目标三维重建及近距离位姿测量研究;何英;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20190115;第5.2-5.3、6.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070832A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070832B (zh) | 基于点云dca特征的非合作目标位姿跟踪方法及装置 | |
Cheng et al. | Optical landmark detection for spacecraft navigation | |
Antone et al. | Automatic recovery of relative camera rotations for urban scenes | |
CN110335297B (zh) | 一种基于特征提取的点云配准方法 | |
Tazir et al. | CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration | |
Zhang et al. | Vision-based pose estimation for textureless space objects by contour points matching | |
JP5385105B2 (ja) | 画像検索方法およびシステム | |
Li et al. | A tutorial review on point cloud registrations: principle, classification, comparison, and technology challenges | |
CN111145232A (zh) | 一种基于特征信息变化度的三维点云自动配准方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN107025449B (zh) | 一种视角不变局部区域约束的倾斜影像直线特征匹配方法 | |
CN103345757A (zh) | 多层次多特征约束下的光学和sar影像自动配准方法 | |
CN103632142A (zh) | 基于局部坐标系特征描述的图像匹配方法 | |
CN103279955B (zh) | 图像匹配方法和系统 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
Sablatnig et al. | Model-based registration of front-and backviews of rotationally symmetric objects | |
CN113706381A (zh) | 一种三维点云数据的拼接方法及装置 | |
CN114648445B (zh) | 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法 | |
CN114494368A (zh) | 一种结合降维投影和特征匹配的低重叠率点云配准方法 | |
CN117876447B (zh) | 一种基于微表面融合与对齐的三维点云配准方法 | |
CN114358166B (zh) | 一种基于自适应k均值聚类的多目标定位方法 | |
CN111664845B (zh) | 交通标志定位、视觉地图制作方法及装置、定位系统 | |
Kannala et al. | Measuring and modelling sewer pipes from video | |
Ma et al. | Efficient rotation estimation for 3D registration and global localization in structured point clouds |
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 |