CN112396641A - 一种基于全等二基线匹配的点云全局配准方法 - Google Patents

Abstract

本专利公开了一种基于全等二基线匹配的点云全局配准方法：针对人造场景点云存在的小重叠、高噪声、高对称问题带来的配准精度低的问题，本专利利用场景中广泛分布的空间三维直线特征，基于采样一致性框架，通过构建并匹配全等二基线迭代地完成点云全局配准。具体地，配准方法以点云中三维直线作为特征构建基元，首先在基准点云中构建基础二基线，基础二基线由两条空间非平行直线构成，包含显著且丰富拓扑信息，然后在待配准点云中依据基础二基线特征描述寻找同名二基线集合，继而根据全等线对匹配计算点云转换参数，最后基于采样一致性框架，迭代搜索最优全等二基线匹配，获取最优配准参数，完成场景点云高精度配准。

Description

一种基于全等二基线匹配的点云全局配准方法

技术领域

本发明涉及空间信息应用技术领域，具体涉及一种基于全等二基线匹配的点云全局配准方法。

背景技术

近年来，激光雷达设备的快速发展使得室内外场景三维点云获取变得越来越容易，并在室内外导航、虚拟现实和城市三维建模等领域得到了广泛应用。点云配准作为点云数据处理的重要步骤，是确保三维场景数据完备的一项关键技术。尽管，国内外学者针对点云配准做了大量研究，也产生了诸多优秀算法，但现有研究对小重叠、结构相似、复杂动态变化等场景仍缺乏适用性。

点云配准方法可以分为全局配准和精配准两大类。精配准旨在对全局配准参数进行优化，典型的算法包括最小二乘算法，迭代最近点算法(iterative closestpoint，ICP)及其衍生算法。然而，点云全局配准参数的优劣直接影响精配准效果。通常，全局配准参数失准易使点云精配准陷入局部最优，导致整体配准误差偏大。因此，全局配准是点云配准中需解决的首要问题。常见的全局配准策略是构建点云局部特征，通过计算多站点云间局部特征间的相似度进行同名特征匹配，并利用优化后的匹配特征计算点云配准参数。该类算法中，具有代表性的局部特征有快速点特征直方图(fastpoint feature histograms,FPFH)、Spin Image等。与局部特征相比，全局特征更具描述性，主要包括平面特征、直线特征等，主要适用于城区、建筑等复杂人造场景。基于全局特征的点云配准思想为：首先通过将点云分割获取平面、直线等全局特征，然后空间一致性或邻域特征一致性策略在平面、直线等层面上搜索同名特征，最后利用匹配的同名全局特征估计点云配准参数，代表性算法是基于视点描述子的点云配准方法。然而，在人造场景中，获取的多站点云普遍存在重叠度低、噪声多、场景相似性高导致同名特征匹配难度大等问题，现有配准方法的自动化水平差，鲁棒性低，难以保证人造场景点云配准的精度和效率。

本专利针对小重叠、高噪声、高对称的人造场景点云配准问题，设计了一种基于全等二基线匹配的点云全局配准方法。该方法以经过水平校准的点云作为输入，首先提取多站点云中的三维直线段作为配准的基元，然后通过构建全等二基线的匹配原则确定多站点云间的同名匹配，最后利用匹配的同名全等线段计算点云配准参数。该专利采用最大重叠度原则和最大线结构一致性原则评估点云配准质量，并基于采样一致性框架迭代优化点云配准参数，可满足小重叠、高噪声、高对称的人造场景点云自动配准需求。

三、发明内容

(一)解决的技术方案

本发明所要解决的技术问题是：针对人造场景中多站点云重叠度小、点云中噪声多、空间对称性强导致点云配准精度差、效率慢、自动化水平低的问题，利用场景中丰富的三维直线特征，设计一种基于全等二基线匹配的点云全局配准方法。具体地，输入原始两站点云，并提取点云中的三维直线特征；在基准点云中寻找两条空间上几何拓扑关系显著的直线段，组成基础二基线；然后在待匹配点云中按一致性约束规则寻找多组与基础二基线具有相同几何拓扑关系的二基线，记为候选同名全等二基线；进而根据候选全等二基线匹配计算点云配准参数，基于最大重叠度原则与最大结构一致性原则评价转换参数质量；为了保证基础二基线来自点云重叠区域，上述参数求解过程基于采样一致性寻优框架，迭代二基线创建、匹配、转换与评价过程，确定最优全等二基线匹配，获取最优配准参数，完成场景点云高精度配准。

(二)技术方案

人造场景点云中包含大量三维直线特征，这类特征相比点位信息或点特征包含更为丰富的空间结构信息。直线集合可描述物体的长度与空间指向，而且不同直线组合可包含显著的几何拓扑信息，可丰富空间特征的构建，基于此，本专利提出一种基于全等二基线匹配的点云全局配准方法，方法以经过水平校准的点云作为输入，使用三维直线特征作为配准基元，基于采样一致性寻优框架求取点云最优配准参数，可用于人造室内外场景点云小重叠、高噪声、高对称配准任务，具体实现步骤如下：

1)基于直线方向一致性的点云线段特征聚类。以两站点云配准为例，分别记基准点云P 和待配准点云Q，提取P和Q点云中的直线段集合，分别记为P'_L和Q'_L，删除小于最小直线长度阈值γ的短线，得到剩余直线段集合分别记作P_L和Q_L；基于曼哈顿假设，使用K-means聚类方法将直线按方向分为三类，直线聚类结果分别记为{P_LX,P_LY,P_LZ}和{Q_LX,Q_LY,Q_LZ}，其中P_LZ和Q_LZ方向与重力反方向相反。

2)基础二基线中点间距离取值范围与算法迭代次数计算。计算P空间直径M_P，M_P与重叠度参数δ用于判定基础二基线中点间的距离取值范围，最近间距记为α，最远间距记为β，其中重叠度δ作为输入量表示两测站点云目视空间重叠区域占目标点云P的比例，δ∈(0，1)，同时将基准点云P重叠区域视为内点，基于采样一致性框架判定配准方法迭代次数 N。

3)基础二基线构建。从基准点云P中随机选择两条直线段记作(l₁,l₂)，其中l₁∈P_LZ， l₂∈P_LX∪P_LY，确定l₁与l₂的公垂线与两线的交点分别记为x_l1，x_l2；计算l₁与l₂的公垂线长度 D_min，二基线中点连线记为l_cc，l_cc与基础二基线(l₁,l₂)的夹角分别记为(Ω_z,Ω_h)，直线中点连线的长度为D_cc，若D_cc∈(α，β)进行步骤4)，否则重复步骤3)继续寻找合适的基础二基线。

4)同名全等二基线构建与匹配。根据基准点云P中选定基础二基线间的最短距离D_min，中点连线距离D_cc两个特征，在Q_L集合中寻找对应的同名全等二基线。令l_3i作为Z方向直线， i代表Q_LZ中第i个直线，i＝{1,2,3,...,n}，n为Q_LZ中直线总数，对比l₁与l_3i长度差，通过最小直线长度差异阈值φ去除不合理的l_3i，利用邻近搜索算法快速查询直线l₄，l₄∈Q_LX∪Q_LY，且l₄中点与l_3i中点的距离d_cc∈(D_cc-ξ，D_cc+ξ)，ξ为距离搜索允许误差，ξ＞0，l_3i与l₄的中点连线l_cci与直线l_3i和l₄的夹角分别记为(Ω_zi,Ω_hi)；其中，(Ω_zi,Ω_hi)与(Ω_z,Ω_h)满足最大差异约束，同时l₄与l_3i最短距离d_min满足d_min∈(D_min-μ,D_min+μ)，μ为最短距离允许误差阈值，循环判断Q_LZ中所有直线，寻找可能的全等匹配，计算并存储所有满足几何约束条件的候选全等二基线集合，记为{l_QXYi,l_QZi}，这里i表示候选全等二基线编号。

5)基于全等二基线空间变化的点云转换参数计算与参数质量评价。利用基础二基线 (l₁,l₂)与全等二基线集合{l_QXYi,l_QZi}可计算得到多个待配准点云Q与基准点云P的转换参数 {R_i,t_i}，这里i表示第i组转换参数。依次使用配准参数{R_i,t_i}将点云Q转换到基准点云P坐标系下，统计Q点云中满足点到P中最近点距离小于阈值λ的点数占Q总点数的百分比τ_i，同时统计Q_L中直线在P_L中最近邻直线方向一致的百分比ι_i，τ_i与ι_i越大表明配准效果越好，取max{n_wτ_i+(1-n_w)ι_i}对应的一组配准参数(R_maxτι,t_maxτι)作为候选配准参数，n_w∈(0，1)为权重系数。

6)迭代求解最优点云配准参数。为得到正确配准参数，基础二基线的选取应保证在基准点云P和待配准点云Q的重叠区内，基于采样一致性框架能够保证高置信度下获取符合要求的基础二基线，根据步骤2中计算的最大迭代次数，重复步骤3-5，更新基础二基线与全等二基线的匹配，获得新的候选配准参数，当迭代次数超过N或max{n_wτ_i+(1-n_w)ι_i}大于迭代停止阈值Γ时停止计算，输出对应的转换参数{R,t}，完成点云全局配准。

(三)有益效果

1、利用本发明，能够实现小重叠、高噪声和高对称人造场景点云的高效自动配准。

2、利用本发明，能够实现小重叠、高噪声和高对称人造场景点云高精度鲁棒配准。

四、附图说明

图1一种基于全等二基线匹配的点云全局配准方法流程图。

图2三维直线簇去除短线示意图。

图3三维直线簇方向聚类示意图。

图4三个主方向直线簇分类结果示意图。

图5二基线属性提取示意图。

图6全等二基线匹配示意图。

图7全等二基线空间变换完成配准参数求解示意图。

五、具体实施方式

图1-图7为例，详细说明了一种基于全等二基线匹配的点云全局配准方法，具体实施方式如下：

步骤1：基于直线方向一致性的点云线段特征聚类。两待配准点云分别记为目标点云P 和待配准点云Q，P和Q点云中直线集合分别为P'_L和Q'_L，图2以P'_L为例，判断并删除小于最短直线长度阈值χ的线段，P和Q点云两长线集合分别记作P_L和Q_L，基于曼哈顿假设，根据直线方向差异使用K均值聚类方法将直线分为三类，具体方法如下：

1)以点云中直线向量作为样本x_i，这里i表示第i个直线向量，随机选择3个样本点充当簇的中心点{μ₁，μ₂，μ₃}；

2)计算所有样本点与各个簇中心之间的距离dist(x_i,μ_j)，j＝{1，2，3}，把样本点划入最近的簇中x_i∈μ_nearest，生成簇{C₁,C₂,C₃}；

3)把样本点划入最近的簇中，根据簇中已有的样本点，按式(1)重新计算簇中心；

4)重复2)-3)步，直到不再更新簇中心点位，

图3以P_L为例展示分类结果，其中散点构成的直线平行于坐标轴X，虚线平行于坐标轴 Y，实线平行于坐标轴Z，P和Q直线聚类结果分别记为{P_LX,P_LY,P_LZ}和{Q_LX,Q_LY,Q_LZ}，其中P_LZ和Q_LZ方向与重力反方向相反，图4以{P_LX,P_LY,P_LZ}为例展示三个主方向聚类结果，

其中，μ_i为簇C_i的中心点，i＝{1,2,3},x_j为簇C_i中的向量样本，j＝{1,2,..,|C_i|},

步骤二：基准二基线中点间距离取值范围与算法迭代次数计算。使用小边长s_small构建三维体素网格，用于存储点云P的空间位置，按式(2)求取三维体素网格三边的长度L_x、L_y和 L_z，按式(3)求取三维网格体积V，按式(4)求取较大边长s_big，用于构建θ个体素网格的降采样模型，栅格划分完毕后将点云数据放到相应的栅格中，同时删除那些不包含数据点的栅格，在每个栅格中，将离栅格重心最近的数据点保留下来，删除其余的数据点，降采样点云P'用于表达P点位空间分布，随机选取点云P'中两点，按式(5)计算两点欧式空间距离D_ij，迭代计算ψ次取最大距离作为P空间直径M_P，按式(6)确定二基线中点距离D_CC取值范围，较长的D_CC值保证更为稳定的转换参数求解，同时将目标点云P重叠区域设为内点，按式(7)基于采样一致性框架判定方法迭代次数N，

其中，x_max和x_min分别表示体素网格结构中三维点坐标x方向最大值与最小值，同理y_max和y_min分别表示点坐标y方向最大值与最小值，z_max和z_min分别表示点坐标z方向最大值与最小值，

V＝L_xL_yL_z (3)

其中，L_x、L_y和L_z表示三维体素三边的长度，V表示三维网格体积，

其中，θ表示体素网格降采样模型数量，s_big表示点云P点云构建θ个体素网格边长，

其中，(x_i,y_i,z_i)和(x_j,y_j,z_j)表示从降采样点云P'中随机抽取的两个三维点；

其中，M_P代表点云P空间直径，重叠度δ表示两测站点云目视空间重叠区域占目标点云P的比例，δ∈(0，1)，β表示二基线中点最远间距阈值，α表示二基线中点最近间距阈值，D_CC∈(α，β)；

其中，p表示采样一致性模型构建置信度，δ为点云重叠度，N为采样一致性约束迭代次数。

步骤三：基础二基线构建。如图5所示，从目标点云P中随机选择两配准基线记作和(l₁,l₂)，其中l₁∈P_LZ，l₂∈P_LX U P_LY，按式(8)计算直线中点距离D_cc，若

重新选取(l₁,l₂)，按式(9)求解公垂线与二基线交点x_l1和x_l2，按式(10)计算两空间直线最短距离D_min，按式(11)计算中点连线l_cc与(l₁,l₂)的夹角(Ω_z,Ω_h)，

其中，

和

为l₁的两个端点坐标，

和

为l₂的两个端点坐标，

其中，x_l1和x_l2为二基线的公垂线与二基线交点，

D_min＝||x_l1-x_l2|| (10)

其中，D_min为l₁和l₂两空间直线最短距离，

其中，l_cc为(l₁,l₂)的中点连线，

为l_cc的方向向量，

为l₁方向向量，

为l₂方向向量，(Ω_z,Ω_h)为l_cc与(l₁,l₂)的夹角，

步骤四：全等二基线构建与匹配。在Q_L集合中寻找对应同名线匹配，选取l_3i作为Z方向直线，i代表Q_LZ中第i个直线，i＝{1,2,3,...,n}，n为Q_LZ中直线总数，按式(12)计算l₁与l_3i长度差异量ζ，若ζ＞φ，φ为直线长度最大差异阈值，则判断Q_LZ中i+1个直线，i+1≤n，否则使用临近搜索算法快速查询直线l₄，l₄∈Q_LX U Q_LY，按式(13)，计算l₄中点与l_3i中点间隔d_cc，应满足d_cc∈(D_cc-ξ，D_cc+ξ)，ξ为距离搜索允许误差阈值，ξ＞0，按式(11)，计算l₄和l_3i中点连线l_cci与直线l_3i和l₄夹角，分别记为(Ω_zi,Ω_hi)，按式(14)，(Ω_zi,Ω_hi)与 (Ω_z,Ω_h)满足最大角度差异阈值Φ约束，同时l₄与l_3i最短距离d_min满足 d_min∈(D_min-μ,D_min+μ)，μ为最短距离允许误差阈值，图6(a)展示基础二基线，图6(b) 展示满足要求的同名二基线匹配，图6(c)展示

情况下的误匹配，图6 (d)展示

情况下的误匹配，遍历Q_LZ中所有的直线寻找所有满足基础二基线特征约束的直线组合，记为{l_QXYi,l_QZi}，这里i表示全等二基线编号，

其中，|l₁|表示直线l₁的长度，|l_3i|表示直线l_3i的长度，max(|l₁|,|l_3i|)表示l₁和l_3i中较长的直线长度；

其中，

和

分别为直线l₄和l_3i中点，d_cc为两直线中点距离，

其中，Φ为同名二基线中点连线夹角最大角度差异阈值，

步骤五：基于全等二基线空间变化的点云转换参数计算与参数质量评价。计算基础二基线(l₁,l₂)与同名二基线集合{l_QXYi,l_QZi}中每个组合转换参数，具体的，针对(l₁,l₂)与(l_QXYi,l_QZi)匹配组合，首先按式(15)计算l_QZi中点平移至坐标系原点的转换矩阵T_ci，将点云Q平移得到Q_ci，然后按式(16)中罗德里格旋转公式，将点云Q_ci绕l_QZi旋转使得l₂与l_QXYi方向一致，求解旋转角度

与旋转矩阵T_R，将Q_ci旋转T_R得到点云Q_ciR，进而按式(17)将Q_ciR中l_QZi的中点平移至l₁中点得到点云Q_ciRt，最后将Q_ciRt点云沿l_QZi轴上下平移，得到l₂与l_QXYi直线共线位移量t_z，按式(18)计算转换矩阵T_zi，最终得到转换后的点云Q_trans，图7(a)展示了(l_QXYi,l_QZi)空间平移使得l_QZi中点与坐标系原点点重合，图7(b)展示了(l_QXYi,l_QZi)绕l_QZi旋转使得使得l₂与l_QXYi方向一致，图7(c)展示了将l_QZi中点平移至l₁中点，图7(d)展示了(l_QXYi,l_QZi)沿l_QZi方向平移得到l₂与l_QXYi直线共线，(l_QXYi,l_QZi)及中点连线d_cc使用较粗线段表示，(l₁,l₂)及中点连线D_CC使用较细线段表示，参数评价部分，使用配准参数将点云Q转换到点云P坐标系下，记录Q 点云中距P点云小于距离阈值λ的点数占Q点云总数的百分比τ_i，同时统计Q_L中直线在P_L中最近邻直线方向一致的百分比ι_i，τ_i与ι_i越大表明配准效果越好，按式(19)计算配准得分，取score最大值对应的一组配准参数(R_maxτι,t_maxτι)作为候选配准参数，

其中，

是直线l_QZi的中点坐标，t_ci表示平移向量，E为3乘3单位矩阵，T_ci表示l_QZi中点平移至坐标系原点的转换矩阵，Q_ci表示Q平移转换之后的点云；

其中，v_rot为l₁的方向向量，v_ori为l_QXYi的方向向量，k为Z轴单位向量，方向与重力方向相反，

表示旋转量，T_R为旋转量绕Z轴的矩阵表达方式，Q_ciR表示Q_ci绕l_QZi旋转T_R之后的点云；

其中，

表示l₂中点坐标，t_ti表示Q_ciR中l_QZi的中点平移至l₂中点平移向量，T_ci为平移量t_ti的矩阵表示，Q_ciRt表示Q_ciR平移T_ci后的点云；

其中，t_zi为点云Q_ciRt沿l_QZi平移向量，T_zi为t_zi的矩阵表达，Q_trans为最终的转换点云。

score＝n_wτ_i+(1-n_w)ι_i (19)

其中score为配准得分，n_w∈(0，1)为权重系数，

步骤六：迭代求解最优点云配准参数。为得到最优配准参数，基础二基线的选取应保证在基准点云P和待配准点云Q的重叠区内，基于采样一致性框架能够保证高置信度下获取符合要求的基础二基线，重复步骤3-5，更新基础二基线与全等二基线的匹配，获得新的候选配准参数，更新最大score得分max_score，当迭代次数超过N或max_score大于迭代停止阈值Γ时停止计算，输出max_score对应的转换参数{R,t}，完成点云全局配准。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于全等二基线匹配的点云全局配准方法，其特征在于，该方法包括：

1)基于直线方向一致性的点云线段特征聚类；

2)基准二基线中点间距离取值范围与算法迭代次数计算；

3)基础二基线构建方法；

4)全等二基线构建与匹配；

5)基于全等二基线空间变化的点云转换参数计算与参数质量评价；

6)迭代求解最优点云配准参数。

2.根据权利要求1所述的基于直线方向一致性的点云线段特征聚类，其特征在于，包含以下内容：

两待配准点云分别记为目标点云P和待配准点云Q，P和Q点云中直线集合分别为P′_L和Q'_L，判断并删除小于最短直线长度阈值χ的短线段，P和Q点云两长线集合分别记作P_L和Q_L，基于曼哈顿假设，使用K均值聚类方法将直线分为三类，P和Q直线聚类结果分别记为{P_LX,P_LY,P_LZ}和{Q_LX,Q_LY,Q_LZ}，其中P_LZ和Q_LZ方向与重力反方向相反，至此完成带有明确指向信息的点云线段特征数据准备。

3.根据权利要求1所述的基准二基线中点间距离取值范围与算法迭代次数计算，其特征在于，包含以下内容：

使用小边长s_small构建三维体素网格，用于存储点云P的空间位置，按式(1)求取三维体素网格三边的长度L_x、L_y和L_z，按式(2)求取三维网格体积V，按式(3)求取较大边长s_big，用于构建θ个体素网格的降采样模型，栅格划分完毕后将点云数据放到相应的栅格中，同时删除那些不包含数据点的栅格，在每个栅格中，将离栅格重心最近的数据点保留下来，删除其余的数据点，降采样点云P'用于表达P点位空间分布，随机选取点云P'中两点，按式(4)计算两点欧式空间距离D_ij，迭代计算ψ次取最大距离作为P空间直径M_P，按式(5)确定二基线中点距离取值范围D_CC，D_CC∈(α，β)，较长的D_CC值保证更为稳定的转换参数求解，同时将目标点云P重叠区域设为内点，按式(6)基于采样一致性框架判定方法迭代次数N，

其中，x_max和x_min分别表示体素网格结构中三维点坐标x方向最大值与最小值，同理y_max和y_min分别表示点坐标y方向最大值与最小值，z_max和z_min分别表示点坐标z方向最大值与最小值，

V＝L_xL_yL_z (2)

其中，L_x、L_y和L_z表示三维体素三边的长度，V表示三维网格体积，

其中，θ表示体素网格降采样模型数量，s_big表示点云P点云构建θ个体素网格边长，

其中，(x_i,y_i,z_i)和(x_j,y_j,z_j)表示从降采样点云P'中随机抽取的两个三维点；

其中，M_P代表点云P空间直径，重叠度δ表示两测站点云目视空间重叠区域占目标点云P的比例，δ∈(0，1)，β表示二基线中点最远间距阈值，α表示二基线中点最近间距阈值；

其中，p表示采样一致性模型构建置信度，δ为点云重叠度，N为采样一致性约束迭代次数。

4.根据权利要求1所述的基础二基线构建方法，其特征在于，包含以下内容：

从目标点云P中随机选择两配准基线记作和(l₁,l₂)，其中l₁∈P_LZ，l₂∈P_LX∪P_LY，按式(7)计算直线中点距离D_cc，若

重新选取(l₁,l₂)，按式(8)求解最短距离直线与二基线交点x_l1和x_l2，按式(9)计算两空间直线最短距离D_min，按式(10)计算中点连线l_cc与(l₁,l₂)的夹角(Ω_z,Ω_h)，

其中，

和

为l₁的两个端点坐标，

和

为l₂的两个端点坐标，

其中，x_l1和x_l2为最短距离直线与二基线交点，

D_min＝|x_l1-x_l2| (9)

其中，D_min为l₁和l₂两空间直线最短距离，

其中，l_cc为(l₁,l₂)的中点连线，

为l_cc的方向向量，

为l₁方向向量，

为l₂方向向量，(Ω_z,Ω_h)为l_cc与(l₁,l₂)的夹角。

5.根据权利要求1所述的全等二基线构建与匹配，其特征在于，包含以下内容：

在Q_L集合中寻找对应同名线匹配，选取l_3i作为Z方向直线，i代表Q_LZ中第i个直线，i＝{1,2,3,...,n}，n为Q_LZ中直线总数，按式(11)计算l₁与l_3i长度差异量ζ，若ζ＞φ，φ为直线长度最大差异阈值，则判断Q_LZ中i+1个直线，i+1≤n，否则使用临近搜索算法快速查询直线l₄，l₄∈Q_LX∪Q_LY，按式(12)，计算l₄中点与l_3i中点间隔d_cc，应满足d_cc∈(D_cc-ξ，D_cc+ξ)，ξ为距离搜索允许误差阈值，ξ＞0，按式(10)，计算l₄和l_3i中点连线l_cci与直线l_3i和l₄夹角，分别记为(Ω_zi,Ω_hi)，按式(13)，(Ω_zi,Ω_hi)与(Ω_z,Ω_h)需满足最大角度差异阈值Φ约束，同时l₄与l_3i最短距离d_min需满足d_min∈(D_min-μ,D_min+μ)，μ为最短距离允许误差阈值，遍历Q_LZ中所有的直线寻找满足二基线特征约束的直线组合，记为{l_QXYi,l_QZi}，这里i表示同名二线编号，

其中，|l₁|表示直线l₁的长度，|l_3i|表示直线l_3i的长度，max(|l₁|,|l_3i|)表示l₁和l_3i中较长的直线长度，

其中，

和

分别为直线l₄和l_3i中点，d_cc为两直线中点距离，

其中，Φ为同名二线中点连线夹角最大角度差异阈值。

6.根据权利要求1所述的基于全等二基线空间变化的点云转换参数计算与参数质量评价，其特征在于，包含以下内容：

计算二线基(l₁,l₂)与同名二线集合{l_QXYi,l_QZi}中每个组合转换参数，具体的，针对(l₁,l₂)与(l_QXYi,l_QZi)匹配组合，首先按式(14)计算l_QZi中点平移至坐标系原点的转换矩阵T_ci，将点云Q平移得到Q_ci，然后按式(15)中罗德里格旋转公式，将点云Q_ci绕l_QZi旋转使得l₂与l_QXYi方向一致，求解旋转角度

与旋转矩阵T_R，将Q_ci旋转T_R得到点云Q_ciR，进而按式(16)将Q_ciR中l_QZi的中点平移至l₁中点得到点云Q_ciRt，最后将Q_ciRt点云沿l_QZi轴上下平移，得到l₂与l_QXYi直线共线位移量t_z，按式(17)计算转换矩阵T_zi，最终得到转换后的点云Q_trans，参数评价部分，使用配准参数将点云Q转换到点云P坐标系下，记录Q点云中距P点云小于距离阈值λ的点数占Q点云总数的百分比τ_i，同时统计Q_L中直线在P_L中最近邻直线方向一致的百分比ι_i，τ_i与ι_i越大表明配准效果越好，按式(18)计算配准得分，取score最大值对应的一组配准参数(R_maxτι,t_maxτι)作为候选配准参数，

其中，

是直线l_QZi的中点坐标，t_ci表示平移向量，E为3乘3单位矩阵，T_ci表示l_QZi中点平移至坐标系原点的转换矩阵，Q_ci表示Q平移转换之后的点云；

其中，v_rot为l₁的方向向量，v_ori为l_QXYi的方向向量，k为Z轴单位向量，方向与重力方向相反，

表示旋转量，T_R为旋转量绕Z轴的矩阵表达方式，Q_ciR表示Q_ci绕l_QZi旋转T_R之后的点云；

其中，

表示l₂中点坐标，t_ti表示Q_ciR中l_QZi的中点平移至l₂中点平移向量，T_ci为平移量t_ti的矩阵表示，Q_ciRt表示Q_ciR平移T_ci后的点云；

其中，t_zi为点云Q_ciRt沿l_QZi平移向量，T_zi为t_zi的矩阵表达，Q_trans为最终的转换点云，

score＝n_wτ_i+(1-n_w)ι_i (18)

其中score为配准得分，n_w∈(0，1)为权重系数。

7.根据权利要求1所述的迭代求解最优点云配准参数，其特征在于，包含以下内容：

为得到正确配准参数，基础二基线的选取应保证在基准点云P和待配准点云Q的重叠区内，基于采样一致性框架能够保证高置信度下获取符合要求的基础二基线，重复4-6，更新基础二基线与全等二基线的匹配，获得新的候选配准参数，更新最大score得分max_score，当迭代次数超过N或max_score大于迭代停止阈值Γ时停止计算，输出max_score对应的转换参数{R,t}，完成点云全局配准。

Images