CN112750144A - 点云匹配中一种基于特征直方图的点云特征提取方法 - Google Patents

Abstract

本发明公开了点云匹配中一种基于特征直方图的点云特征提取方法，在点云匹配中，先进行特征点的提取，再对特征点进行描述，最后通过描述子进行匹配，本发明特征点的提取中，利用了以点为中心的面的垂线，将面与该点的法线结合去求局部曲面的凹凸性，减少了一些噪声点的干扰。其次当围绕中心点的三角面小于2时，则说明该点是边缘点，在一定程度上去除了边缘点对于匹配的干扰；在特征点的描述中，将点的深度、距离、及局部的弯曲程度进行了综合，对邻域点集梯度化，求点的倾斜度，从而对点达到了一个特征描述的目的。

Description

点云匹配中一种基于特征直方图的点云特征提取方法

技术领域

本发明属于点云匹配技术领域，本发明涉及一种点云特征的提取方法，特别涉及点云匹配中一种基于特征直方图的点云特征提取方法。

背景技术

近年来，随着科学、技术和军用航天技术的发展，各种陆、海、空、天与电、光、声以及信息一体化的战争作战平台相继出现，各个国家之间信息对抗变得越来越激烈，对于未来战争，获取信息成为战争的第一要素。因此激光雷达采集的数据，利用三维点云数据进行点云匹配，获取目标物完整的三维信息是信息战中不可缺少的一部分。

随着三维成像技术的发展，点云匹配广泛应用于目标识别、三维重建及逆向工程等领域。点云匹配作为目标识别的重要技术之一，其主要是找到一个刚体变换，将两个或两个以上坐标系中的三维点云数据转换到同一坐标系，进而进行目标的识别。在点云匹配中，点云的特征提取是至关重要的一步，点云数据的配准、识别及分割都离不开该技术。

点云特征的提取包括特征点的提取和特征点的描述。点云特征点的提取主要是根据点云的局部的凹凸性进行提取，点云特征的描述目前有Spin Image、3DSC与USC以及PFH和FPFH。Spin Image描述子容易受到噪声干扰，且对非均匀采样比较敏感。PFH描述在计算密集的点云时过于耗时，为了简化，提出了FPFH描述子，但该描述子并不能全面的显示所有查询点的特征信息。在3DSC与USC描述子中，由于3DSC在计算中方位维上的模糊性，为了消除这一缺点，因而提出USC描述子，但随着噪声增大，该描述子也出现了一定的缺陷。因此，找到一种能够全面概括且复杂度低的方法去提取点云的特征尤为重要。

发明内容

本发明的目的是提供点云匹配中一种基于特征直方图的点云特征提取方法，能全面地概括特征点的局部几何特征且计算的复杂度低。

本发明所采用的技术方案是，点云匹配中一种基于特征直方图的点云特征提取方法，具体按照以下步骤实施：

步骤1、定义投影面W，计算任意特征点D_pi邻域内的点集到投影面的深度d_i；

步骤2、对特征点D_pi邻域进行分层，对步骤1所得的深度d_i进行梯度化；

步骤3、对每层的特征点D_pi，计算特征点D_pi相对于邻域的倾斜度α_k；

步骤4、将步骤3所得的倾斜度α_k映射到1D直方图中，最后所有直方图进行归一化，形成一个直方图。

本发明的特点还在于：

步骤1具体按照以下步骤实施：

步骤1.1、对场景点云P中的任意点p_i(x,y,z)，在任意点p_i(x,y,z)半径R领域内的点分别为p_1ip_2ip_3i...p_ik；

步骤1.2、利用公式(1)对步骤1.1所得的任意点p_i(x,y,z)半径R领域内内的点集，求协方差矩阵COV，再根据特征值分解EVD，得到特征值与特征向量，取最小特征值对应的特征向量为e₁,根据公式(2)求得法向量n_i；

在公式(2)中v_p为视点，一般取原点；

步骤1.3、由点云的网格模型可以得到以p_i(x,y,z)为顶点的三角面，设三角面的数量为L，则L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ为：

步骤1.4、给定一个阈值ε，判断θ是否大于ε，θ大于ε时，θ为特征点，反之不是。

步骤1.2的任意点p_i(x,y,z)半径R领域内的点集的质心利用公式(4)求得：

步骤1.3的三角面的数量L□3，L<3时，视L个三角面的顶点p_i为边缘点，则去除掉顶点p_i。

步骤1.3的L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ越大，则表示局部的领域内起伏越大；θ越小，则局部的领域越平坦。

步骤2具体按照以下步骤实施：

步骤2.1、对源点云和目标点云，进行特征点判断，得到源点云的特征点集D_p和目标点云的特征点集D_q。

步骤2.2、对步骤2.1所得的源点云的特征点集中的任意一特征点D_pi,以R为半径的D_pi的领域点集为{D_pi1,D_pi2...D_pik}，步骤1定义过特征点D_pi且与其法向量n_i垂直的平面为平面W，用公式(5)计算以R为半径的D_pi的领域点集的点与其法向量n_i垂直的投影面W的深度：

步骤3具体按照以下步骤实施：

步骤3.1、将特征点D_pi的领域点集沿着n_i方向平均划分为N_2a层；

步骤3.2、对领域内点集的深度d_i进行梯度化，用公式(6)计算出特征点D_pi相对于以R为半径D_pi的领域点集的倾斜度α_k；

其中，D_PikB＝|d_i|，

O₁A可由相交余弦定理计算得

a为上半球的划分层数，R为邻域半径。

步骤4具体按照以下步骤实施：

步骤4.1、对每层的特征点D_pi，分别计算特征点D_pi的倾斜度α_k并将倾斜度α_k映射到一维直方图中，一维直方图以角度为横坐标，点数为纵坐标；

步骤4.2、将所有1D直方图放在一起形成一个直方图，然后通过除以D_p为中心的相邻点的总数进行归一化；假设D_p为中心球划分为N_2a层，将每个一维直方图离散化为N_r区间，则合并后的直方图大小为N_2a×N_r；

步骤4.3：利用得到的特征描述，根据最近邻距离比法，进一步进行粗配准。

本发明的有益效果是：

1、特征点的提取。特征点的提取中，利用了以点为中心的面的垂线，将面与该点的法线结合去求局部曲面的凹凸性，减少了一些噪声点的干扰。其次当围绕中心点的三角面小于2时，则说明该点是边缘点，在一定程度上去除了边缘点对于匹配的干扰。

2、特征点的描述。点的特征与周围领域点的关系主要包括点的深度、法向量的夹角、点之间的距离以及局部的曲率等。在特征点局部几何特征提取中，将点的深度、距离、及局部的弯曲程度进行了综合，对邻域点集梯度化，求点的倾斜度，从而达到了一个对特征点特征描述的目的。

3、方法简单，复杂度低。将特征进行一维映射，再将一维直方图进行归一化处理，比多维描述的复杂度降低。

附图说明

图1本发明的特征点提取过程中局部关系的示意图；

图1中，1.三角网型的点云数据，2.点的法向量n_i，3.面的法向量m_im₂...m_L；

图2是图1中任意点p_i(x,y,z)的局部特征关系图；

图2中，1.点p_i(x,y,z)，2.点p_i的法向量n_i，3.以点p_i为顶点，周围三角面的法向量m_im₂...m_L，4.点法向量与面法向量的夹角θ；

图3是本发明对特征点领域内特征的描述以及特征之间关系的示意图；

图3中，1.投影面W，2.以特征点D_pi为中心，R为半径的领域所包含的点集，3.点集到投影面的深度d_i，4.对半径为R的邻域进行分层；

图4是图3的D_pik与其W面的投影和中心点所组成平面的切面图；

图4中，1.O₁是第N_a+2层的中心点，2.A是D_pikO₁在N_a+2层平面的投影延长线与球面的交点，3.B为D_pik在第N_a+1层上的投影点，4.α_k是投影延长线与AD_pik的夹角。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供了点云匹配中一种基于特征直方图的点云特征提取方法，在点云匹配中，先进行特征点的提取，再对特征点进行描述，最后通过描述子进行匹配，具体按照以下步骤实施：

步骤1、定义投影面W，计算任意特征点D_pi邻域内的点集到投影面的深度d_i；

步骤2、对特征点D_pi邻域进行分层，对步骤1所得的深度d_i进行梯度化；

步骤3、对每层的特征点D_pi，计算特征点D_pi相对于邻域的倾斜度α_k；

步骤4、将步骤3所得的倾斜度α_k映射到1D直方图中，最后所有直方图进行归一化，形成一个直方图。

步骤1具体按照以下步骤实施：

步骤1.1、对场景点云P中的任意点p_i(x,y,z)，在任意点p_i(x,y,z)半径R领域内的点分别为p_1ip_2ip_3i...p_ik；

步骤1.2、利用公式(1)对步骤1.1所得的任意点p_i(x,y,z)半径R领域内点集，求协方差矩阵COV，再根据特征值分解EVD，得到特征值与特征向量，取最小特征值对应的特征向量为e₁,根据公式(2)求得法向量n_i；

在公式(2)中v_p为视点，一般取原点；

步骤1.3、如图1所示，由点云的网格模型可以得到以p_i(x,y,z)为顶点的三角面，设三角面的数量为L，则L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ如图2所示，为：

步骤1.4、给定一个阈值ε，判断θ是否大于ε，θ大于ε时，θ为特征点，反之不是。

步骤1.2的任意点p_i(x,y,z)半径R领域内的点集的质心利用公式(4)求得：

步骤1.3的三角面的数量L□3，L<3时，视L个三角面的顶点p_i为边缘点，则去除掉顶点p_i。

步骤1.3的L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ越大，则表示局部的领域内起伏越大；θ越小，则局部的领域越平坦。

步骤2具体按照以下步骤实施：

步骤2.1、对源点云和目标点云，进行特征点判断，得到源点云的特征点集D_p和目标点云的特征点集D_q。

步骤2.2、对步骤2.1所得的源点云的特征点集中的任意一特征点D_pi,以R为半径的D_pi的领域点集为{D_pi1,D_pi2...D_pik}，如图3所示，步骤1定义过特征点D_pi且与其法向量n_i垂直的平面为平面W，用公式(5)计算以R为半径的D_pi的领域点集的点与其法向量n_i垂直的投影面W的深度：

步骤3具体按照以下步骤实施：

步骤3.1、将特征点D_pi的领域点集沿着n_i方向平均划分为N_2a层；

步骤3.2、对领域内点集的深度d_i进行梯度化，图4是领域内点D_pik的局部关系，用公式(6)计算出特征点D_pi相对于以R为半径的D_pi的领域点集的倾斜度α_k；

其中，D_PikB＝|d_i|，

O₁A可由相交弦定理计算得

a为上半球的划分层数，R为邻域半径。

步骤4具体按照以下步骤实施：

步骤4.1、对每层的特征点D_pi，分别计算特征点D_pi的倾斜度α_k并将倾斜度α_k映射到一维直方图中，一维直方图以角度为横坐标，点数为纵坐标；

步骤4.2、将所有1D直方图放在一起形成一个直方图，然后通过除以D_p为中心的相邻点的总数进行归一化；假设D_p为中心球划分为N_2a层，将每个一维直方图离散化为N_r区间，则合并后的直方图大小为N_2a×N_r；

步骤4.3、利用得到的特征描述，根据最近邻距离比法，进一步进行粗配准。

Claims (8)

1.点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，在点云匹配中，先进行特征点的提取，再对特征点进行描述，最后通过描述子进行匹配，具体按照以下步骤实施：

步骤1、定义投影面W，计算任意特征点D_pi邻域内的点集到投影面的深度d_i；

步骤2、对特征点D_pi邻域进行分层，对步骤1所得的深度d_i进行梯度化；

步骤3、对每层的特征点D_pi，计算所述特征点D_pi相对于邻域的倾斜度α_k；

步骤4、将步骤3所得的倾斜度α_k映射到1D直方图中，最后所有直方图进行归一化，形成一个直方图。

2.根据权利要求1所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、对场景点云P中的任意点p_i(x,y,z)，在所述任意点p_i(x,y,z)半径R领域内的点分别为p_1ip_2ip_3i...p_ik；

步骤1.2、利用公式(1)对步骤1.1所得的任意点p_i(x，y,z)半径R领域内的点集，求协方差矩阵COV，再根据特征值分解EVD，得到特征值与特征向量，取最小特征值对应的特征向量为e₁,根据公式(2)求得法向量n_i；

在公式(2)中v_p为视点，一般取原点；

步骤1.3、由点云的网格模型可以得到以p_i(x,y，z)为顶点的三角面，设三角面的数量为L，则L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ为：

步骤1.4、给定一个阈值ε，判断θ是否大于ε，θ大于ε时，θ为特征点，反之不是。

3.根据权利要求2所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤1.2的任意点p_i(x，y，z)半径R领域内点集的质心利用公式(4)求得：

。

4.根据权利要求2所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤1.3的三角面的数量

L<3时，视所述L个三角面的顶点p_i为边缘点，则去除掉所述顶点p_i。

5.根据权利要求2所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤1.3的L个三角面的法向量m_im₂...m_L与p_i的法向量n_i的夹角θ越大，则表示局部的领域内起伏越大；θ越小，则所述局部的领域越平坦。

6.根据权利要求2所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、对源点云和目标点云，进行特征点判断，得到源点云的特征点集D_p和目标点云的特征点集D_q。

步骤2.2、对步骤2.1所得的源点云的特征点集中的任意一特征点D_pi，所述以R为半径的D_pi的领域点集为{D_pi1,D_pi2...D_pik}，如图3所示，步骤1定义过特征点D_pi且与其法向量n_i垂直的平面为平面W，用公式(5)计算所述以R为半径的D_pi的领域内点集的点与其法向量n_i垂直的投影面W的深度：

。

7.根据权利要求6所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、将特征点D_pi的领域点集沿着n_i方向平均划分为N_2a层；

步骤3.2、对领域内点集的深度d_i进行梯度化，图4是领域内点D_pik的局部关系，用公式(6)计算出特征点D_pi相对于以R为半径的D_pi的领域点集的倾斜度α_k；

其中，D_pikB＝|d_i|，

O₁A可由相交弦定理计算得

a为上半球的划分层数，R为邻域半径。

8.根据权利要求7所述的点云匹配中一种基于特征直方图的点云特征提取方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、对每层的特征点D_pi，分别计算所述特征点D_pi的倾斜度α_k并将所述倾斜度α_k映射到一维直方图中，所述一维直方图以角度为横坐标，点数为纵坐标；

步骤4.2、将所有1D直方图放在一起形成一个直方图，然后通过除以D_p为中心的相邻点的总数进行归一化；假设D_p为中心球划分为N_2a层，将每个一维直方图离散化为N_r区间，则合并后的直方图大小为N_2a×N_r；

步骤4.3、利用得到的特征描述，根据最近邻距离比法，进一步进行初始匹配。

Images