CN112396641B - 一种基于全等二基线匹配的点云全局配准方法 - Google Patents
一种基于全等二基线匹配的点云全局配准方法 Download PDFInfo
- Publication number
- CN112396641B CN112396641B CN202011282691.0A CN202011282691A CN112396641B CN 112396641 B CN112396641 B CN 112396641B CN 202011282691 A CN202011282691 A CN 202011282691A CN 112396641 B CN112396641 B CN 112396641B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- registration
- line
- midpoint
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 238000013441 quality evaluation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
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
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 closest point,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(fast point 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PL和QL;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{PLX,PLY,PLZ}和{QLX,QLY,QLZ},其中PLZ和QLZ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MP,MP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∈PLZ,l2∈PLX∪PLY,确定l1与l2的公垂线与两线的交点分别记为xl1,xl2;计算l1与l2的公垂线长度Dmin,二基线中点连线记为lcc,lcc与基础二基线(l1,l2)的夹角分别记为(Ωz,Ωh),直线中点连线的长度为Dcc,若Dcc∈(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Dmin,中点连线距离Dcc两个特征,在QL集合中寻找对应的同名全等二基线。令l3i作为Z方向直线,i代表QLZ中第i个直线,i={1,2,3,...,n},n为QLZ中直线总数,对比l1与l3i长度差,通过最小直线长度差异阈值φ去除不合理的l3i,利用邻近搜索算法快速查询直线l4,l4∈QLX∪QLY,且l4中点与l3i中点的距离dcc∈(Dcc-ξ,Dcc+ξ),ξ为距离搜索允许误差,ξ>0,l3i与l4的中点连线lcci与直线l3i和l4的夹角分别记为(Ωzi,Ωhi);其中,(Ωzi,Ωhi)与(Ωz,Ωh)满足最大差异约束,同时l4与l3i最短距离dmin满足dmin∈(Dmin-μ,Dmin+μ),μ为最短距离允许误差阈值,循环判断QLZ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{lQXYi,lQZi},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{lQXYi,lQZi}可计算得到多个待配准点云Q与基准点云P的转换参数{Ri,ti},这里i表示第i组转换参数。依次使用配准参数{Ri,ti}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τi,同时统计QL中直线在PL中最近邻直线方向一致的百分比ιi,τi与ιi越大表明配准效果越好,取max{nwτi+(1-nw)ιi}对应的一组配准参数(Rmaxτι,tmaxτι)作为候选配准参数,nw∈(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{nwτi+(1-nw)ιi}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PL和QL,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xi,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(xi,μj),j={1,2,3},把样本点划入最近的簇中xi∈μnearest,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PL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{PLX,PLY,PLZ}和{QLX,QLY,QLZ},其中PLZ和QLZ方向与重力反方向相反,图4以{PLX,PLY,PLZ}为例展示三个主方向聚类结果,
其中,μi为簇Ci的中心点,i={1,2,3},xj为簇Ci中的向量样本,j={1,2,..,|Ci|},
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ssmall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Lx、Ly和Lz,按式(3)求取三维网格体积V,按式(4)求取边长sbig,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Dij,迭代计算ψ次取最大距离作为P空间直径MP,按式(6)确定二基线中点距离DCC取值范围,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,xmax和xmin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ymax和ymin分别表示点坐标y方向最大值与最小值,zmax和zmin分别表示点坐标z方向最大值与最小值,
V=LxLyLz (3)
其中,Lx、Ly和Lz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,sbig表示点云P点云构建θ个体素网格边长,
其中,(xi,yi,zi)和(xj,yj,zj)表示从降采样点云P'中随机抽取的两个三维点;
其中,MP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,DCC∈(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∈PLZ,l2∈PLX U PLY,按式(8)计算直线中点距离Dcc,若重新选取(l1,l2),按式(9)求解公垂线与二基线交点xl1和xl2,按式(10)计算两空间直线最短距离Dmin,按式(11)计算中点连线lcc与(l1,l2)的夹角(Ωz,Ωh),
其中,和/>为l1的两个端点坐标,/>和/>为l2的两个端点坐标,
其中,xl1和xl2为二基线的公垂线与二基线交点,
Dmin=||xl1-xl2|| (10)
其中,Dmin为l1和l2两空间直线最短距离,
其中,lcc为(l1,l2)的中点连线,为lcc的方向向量,/>为l1方向向量,/>为l2方向向量,(Ωz,Ωh)为lcc与(l1,l2)的夹角,
步骤四:全等二基线构建与匹配。在QL集合中寻找对应同名线匹配,选取l3i作为Z方向直线,i代表QLZ中第i个直线,i={1,2,3,...,n},n为QLZ中直线总数,按式(12)计算l1与l3i长度差异量ζ,若ζ>φ,φ为直线长度最大差异阈值,则判断QLZ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∈QLX U QLY,按式(13),计算l4中点与l3i中点间隔dcc,应满足dcc∈(Dcc-ξ,Dcc+ξ),ξ为距离搜索允许误差阈值,ξ>0,按式(11),计算l4和l3i中点连线lcci与直线l3i和l4夹角,分别记为(Ωzi,Ωhi),按式(14),(Ωzi,Ωhi)与(Ωz,Ωh)满足最大角度差异阈值Φ约束,同时l4与l3i最短距离dmin满足dmin∈(Dmin-μ,Dmin+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QLZ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{lQXYi,lQZi},这里i表示全等二基线编号,
其中,|l1|表示直线l1的长度,|l3i|表示直线l3i的长度,max(|l1|,|l3i|)表示l1和l3i中较长的直线长度;
其中,和/>分别为直线l4和l3i中点,dcc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{lQXYi,lQZi}中每个组合转换参数,具体的,针对(l1,l2)与(lQXYi,lQZi)匹配组合,首先按式(15)计算lQZi中点平移至坐标系原点的转换矩阵Tci,将点云Q平移得到Qci,然后按式(16)中罗德里格旋转公式,将点云Qci绕lQZi旋转使得l2与lQXYi方向一致,求解旋转角度与旋转矩阵TR,将Qci旋转TR得到点云QciR,进而按式(17)将QciR中lQZi的中点平移至l1中点得到点云QciRt,最后将QciRt点云沿lQZi轴上下平移,得到l2与lQXYi直线共线位移量tz,按式(18)计算转换矩阵Tzi,最终得到转换后的点云Qtrans,图7(a)展示了(lQXYi,lQZi)空间平移使得lQZi中点与坐标系原点点重合,图7(b)展示了(lQXYi,lQZi)绕lQZi旋转使得使得l2与lQXYi方向一致,图7(c)展示了将lQZi中点平移至l1中点,图7(d)展示了(lQXYi,lQZi)沿lQZi方向平移得到l2与lQXYi直线共线,(lQXYi,lQZi)及中点连线dcc使用较粗线段表示,(l1,l2)及中点连线DCC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τi,同时统计QL中直线在PL中最近邻直线方向一致的百分比ιi,τi与ιi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(Rmaxτι,tmaxτι)作为候选配准参数,
其中,是直线lQZi的中点坐标,tci表示平移向量,E为3乘3单位矩阵,Tci表示lQZi中点平移至坐标系原点的转换矩阵,Qci表示Q平移转换之后的点云;
其中,vrot为l1的方向向量,vori为lQXYi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,TR为旋转量绕Z轴的矩阵表达方式,QciR表示Qci绕lQZi旋转TR之后的点云;
其中,表示l2中点坐标,tti表示QciR中lQZi的中点平移至l2中点平移向量,Tci为平移量tti的矩阵表示,QciRt表示QciR平移Tci后的点云;
其中,tzi为点云QciRt沿lQZi平移向量,Tzi为tzi的矩阵表达,Qtrans为最终的转换点云。
score=nwτi+(1-nw)ιi (19)
其中score为配准得分,nw∈(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maxscore,当迭代次数超过N或maxscore大于迭代停止阈值Γ时停止计算,输出maxscore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 (1)
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,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PL'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PL和QL,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{PLX,PLY,PLZ}和{QLX,QLY,QLZ},其中PLZ和QLZ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;
2)基准二基线中点间距离取值范围计算方法与一种算法迭代次数计算方法,包含以下内容:
使用小边长ssmall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Lx、Ly和Lz,按式(2)求取三维网格体积V,按式(3)求取边长sbig,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Dij,迭代计算ψ次取最大距离作为P空间直径MP,按式(5)确定二基线中点距离取值范围DCC,DCC∈(α,β),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,xmax和xmin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ymax和ymin分别表示点坐标y方向最大值与最小值,zmax和zmin分别表示点坐标z方向最大值与最小值,
V=LxLyLz (2)
其中,Lx、Ly和Lz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,sbig表示点云P点云构建θ个体素网格边长,
其中,(xi,yi,zi)和(xj,yj,zj)表示从降采样点云P'中随机抽取的两个三维点;
其中,MP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;
3)基础二基线构建方法,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∈PLZ,l2∈PLX UPLY,按式(7)计算直线中点距离Dcc,若重新选取(l1,l2),按式(8)求解最短距离直线与二基线交点xl1和xl2,按式(9)计算两空间直线最短距离Dmin,按式(10)计算中点连线lcc与(l1,l2)的夹角(Ωz,Ωh),
其中,和/>为l1的两个端点坐标,/>和/>为l2的两个端点坐标,
其中,xl1和xl2为最短距离直线与二基线交点,
Dmin=|xl1-xl2| (9)
其中,Dmin为l1和l2两空间直线最短距离,
其中,lcc为(l1,l2)的中点连线,为lcc的方向向量,/>为l1方向向量,/>为l2方向向量,(Ωz,Ωh)为lcc与(l1,l2)的夹角;
4)全等二基线构建与匹配,包含以下内容:
在QL集合中寻找对应同名线匹配,选取l3i作为Z方向直线,i代表QLZ中第i个直线,i={1,2,3,...,n},n为QLZ中直线总数,按式(11)计算l1与l3i长度差异量ζ,若ζ>φ,φ为直线长度最大差异阈值,则判断QLZ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∈QLX UQLY,按式(12),计算l4中点与l3i中点间隔dcc,应满足dcc∈(Dcc-ξ,Dcc+ξ),ξ为距离搜索允许误差阈值,ξ>0,按式(10),计算l4和l3i中点连线lcci与直线l3i和l4夹角,分别记为(Ωzi,Ωhi),按式(13),(Ωzi,Ωhi)与(Ωz,Ωh)需满足最大角度差异阈值Φ约束,同时l4与l3i最短距离dmin需满足dmin∈(Dmin-μ,Dmin+μ),μ为最短距离允许误差阈值,遍历QLZ中所有的直线寻找满足二基线特征约束的直线组合,记为{lQXYi,lQZi},这里i表示同名二线编号,
其中,|l1|表示直线l1的长度,|l3i|表示直线l3i的长度,max(|l1|,|l3i|)表示l1和l3i中较长的直线长度,
其中,和/>分别为直线l4和l3i中点,dcc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;
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,包含以下内容:
计算二线基(l1,l2)与同名二线集合{lQXYi,lQZi}中每个组合转换参数,具体的,针对(l1,l2)与(lQXYi,lQZi)匹配组合,首先按式(14)计算lQZi中点平移至坐标系原点的转换矩阵Tci,将点云Q平移得到Qci,然后按式(15)中罗德里格旋转公式,将点云Qci绕lQZi旋转使得l2与lQXYi方向一致,求解旋转角度与旋转矩阵TR,将Qci旋转TR得到点云QciR,进而按式(16)将QciR中lQZi的中点平移至l1中点得到点云QciRt,最后将QciRt点云沿lQZi轴上下平移,得到l2与lQXYi直线共线位移量tz,按式(17)计算转换矩阵Tzi,最终得到转换后的点云Qtrans,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τi,同时统计QL中直线在PL中最近邻直线方向一致的百分比ιi,τi与ιi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(Rmaxτι,tmaxτι)作为候选配准参数,
其中,是直线lQZi的中点坐标,tci表示平移向量,E为3乘3单位矩阵,Tci表示lQZi中点平移至坐标系原点的转换矩阵,Qci表示Q平移转换之后的点云;
其中,vrot为l1的方向向量,vori为lQXYi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,TR为旋转量绕Z轴的矩阵表达方式,QciR表示Qci绕lQZi旋转TR之后的点云;
其中,表示l2中点坐标,tti表示QciR中lQZi的中点平移至l2中点平移向量,Tci为平移量tti的矩阵表示,QciRt表示QciR平移Tci后的点云;
其中,tzi为点云QciRt沿lQZi平移向量,Tzi为tzi的矩阵表达,Qtrans为最终的转换点云,
score=nwτi+(1-nw)ιi (18)
其中score为配准得分,nw∈(0,1)为权重系数;
6)迭代求解最优点云配准参数的方法,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maxscore,当迭代次数超过N或maxscore大于迭代停止阈值Γ时停止计算,输出maxscore对应的转换参数{R,t},完成点云全局配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282691.0A CN112396641B (zh) | 2020-11-17 | 2020-11-17 | 一种基于全等二基线匹配的点云全局配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011282691.0A CN112396641B (zh) | 2020-11-17 | 2020-11-17 | 一种基于全等二基线匹配的点云全局配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396641A CN112396641A (zh) | 2021-02-23 |
CN112396641B true CN112396641B (zh) | 2023-07-21 |
Family
ID=74599943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011282691.0A Active CN112396641B (zh) | 2020-11-17 | 2020-11-17 | 一种基于全等二基线匹配的点云全局配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396641B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011113B (zh) * | 2021-03-23 | 2022-04-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种离散点云重复点快速查找方法 |
CN113853632B (zh) * | 2021-08-18 | 2024-08-06 | 香港应用科技研究院有限公司 | 用于3d扫描之间全局配准的方法和系统 |
US11887271B2 (en) | 2021-08-18 | 2024-01-30 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method and system for global registration between 3D scans |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
CN116523984B (zh) * | 2023-07-05 | 2023-09-26 | 矽瞻科技(成都)有限公司 | 一种3d点云定位及配准方法、设备和介质 |
CN117351052B (zh) * | 2023-10-16 | 2024-09-20 | 北京科技大学顺德创新学院 | 一种基于特征一致性和空间一致性的点云精配准方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
CN108604301A (zh) * | 2015-12-04 | 2018-09-28 | 欧特克公司 | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 |
CN109523582A (zh) * | 2018-09-10 | 2019-03-26 | 中国矿业大学(北京) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 |
CN109544681A (zh) * | 2018-11-26 | 2019-03-29 | 西北农林科技大学 | 一种基于点云的果实三维数字化方法 |
CN109949350A (zh) * | 2019-03-11 | 2019-06-28 | 中国矿业大学(北京) | 一种基于形态不变特征的多时相点云自动配准方法 |
CN110008462A (zh) * | 2018-01-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种命令序列检测方法及命令序列处理方法 |
CN111563920A (zh) * | 2020-04-15 | 2020-08-21 | 西安工程大学 | 一种全局优化与多约束条件迭代的3d彩色点云配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10109055B2 (en) * | 2016-11-21 | 2018-10-23 | Seiko Epson Corporation | Multiple hypotheses segmentation-guided 3D object detection and pose estimation |
-
2020
- 2020-11-17 CN CN202011282691.0A patent/CN112396641B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463894A (zh) * | 2014-12-26 | 2015-03-25 | 山东理工大学 | 一种多视角三维激光点云全局优化整体配准方法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN108604301A (zh) * | 2015-12-04 | 2018-09-28 | 欧特克公司 | 用于大rgb-d扫描的可缩放自动全局配准的基于关键点的点对特征 |
CN110008462A (zh) * | 2018-01-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种命令序列检测方法及命令序列处理方法 |
CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
CN109523582A (zh) * | 2018-09-10 | 2019-03-26 | 中国矿业大学(北京) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 |
CN109544681A (zh) * | 2018-11-26 | 2019-03-29 | 西北农林科技大学 | 一种基于点云的果实三维数字化方法 |
CN109949350A (zh) * | 2019-03-11 | 2019-06-28 | 中国矿业大学(北京) | 一种基于形态不变特征的多时相点云自动配准方法 |
CN111563920A (zh) * | 2020-04-15 | 2020-08-21 | 西安工程大学 | 一种全局优化与多约束条件迭代的3d彩色点云配准方法 |
Non-Patent Citations (6)
Title |
---|
3dfeat-net: Weakly supervised local 3d features for point cloud registration;Zi Jian Yew 等;《Proceedings of the European Conference on Computer Vision (ECCV), 2018》;607-623 * |
Multiscale Sparse Features Embedded 4-Points Congruent Sets for Global Registration of TLS Point Clouds;Zhihua Xu 等;《IEEE Geoscience and Remote Sensing Letters》;286-290 * |
Using 2-Lines Congruent Sets for Coarse Registration of Terrestrial Point Clouds in Urban Scenes;Ershuai Xu 等;《IEEE Transactions on Geoscience and Remote Sensing》;1-18 * |
三维点云数据配准方法研究;宋景豪;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-1592 * |
基于区域的自动点云配准算法;韩宝昌;《中国优秀硕士学位论文全文数据库 信息科技辑》;I135-25 * |
基于语义信息的图像/点云配准与三维重建;周佳新;《中国优秀硕士学位论文全文数据库 信息科技辑》;I138-814 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396641A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112396641B (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
CN108898662B (zh) | 基于点云数据的管线设施bim模型自动化重建方法 | |
CN109410321B (zh) | 基于卷积神经网络的三维重建方法 | |
CN105469388B (zh) | 基于降维的建筑物点云配准方法 | |
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
CN101477529B (zh) | 一种三维对象的检索方法和装置 | |
CN109949350B (zh) | 一种基于形态不变特征的多时相点云自动配准方法 | |
CN111027140B (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
CN106529431B (zh) | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 | |
CN110111375B (zh) | 一种Delaunay三角网约束下的影像匹配粗差剔除方法及装置 | |
CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
CN113327276B (zh) | 一种面向移动测量大体量点云数据配准的方法 | |
CN117315146B (zh) | 基于跨尺度多源数据的三维模型的重建方法及存储方法 | |
CN112884886A (zh) | 一种自适应搜索半径的三维点云管道提取与建模方法 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN115082716A (zh) | 一种面向道路精细重建的多源点云粗匹配算法 | |
Zhao et al. | Intelligent matching method for heterogeneous remote sensing images based on style transfer | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
CN113988198A (zh) | 一种基于地标约束的多尺度城市功能分类方法 | |
CN114565774A (zh) | 基于局部几何与全局结构联合学习的3d图卷积分类方法 | |
CN112634447B (zh) | 一种露头岩层分层方法、装置、设备及存储介质 | |
CN115222988B (zh) | 激光雷达点云数据城市地物PointEFF精细分类方法 |
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 |