CN112750144B - 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
点云匹配中一种基于特征直方图的点云特征提取方法 Download PDFInfo
- Publication number
- CN112750144B CN112750144B CN202011580901.4A CN202011580901A CN112750144B CN 112750144 B CN112750144 B CN 112750144B CN 202011580901 A CN202011580901 A CN 202011580901A CN 112750144 B CN112750144 B CN 112750144B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- feature
- histogram
- points
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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Dpi邻域内的点集到投影面的深度di,所述投影面W为过特征点Dpi且与其法向量ni垂直的平面;
步骤2、对特征点Dpi邻域进行分层,对步骤1所得的深度di进行梯度化;
步骤3、对每层的特征点Dpi的邻域,计算特征点Dpi相对于邻域的倾斜度αk;
步骤4、将步骤3所得的倾斜度αk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pi(x,y,z),在任意点pi(x,y,z)半径R领域内的点分别为pi1pi2pi3…pik;
步骤1.2、利用公式(1)对步骤1.1所得的任意点pi(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,求得法向量ni;
步骤1.3、由点云的网格模型可以得到以pi(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mim2...mL与pi的法向量ni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,pi(x,y,z)为特征点,反之不是。
步骤1.2的任意点pi(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时,视L个三角面的顶点pi为边缘点,则去除掉顶点pi。
步骤1.3的L个三角面的法向量mim2...mL与pi的法向量ni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Dp和目标点云的特征点集Dq。
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Dpi,以R为半径的Dpi的领域点集为{Dpi1,Dpi2...Dpik},步骤1定义过特征点Dpi且与其法向量ni垂直的平面为平面W,用公式(5)计算以R为半径的Dpi的领域点集的点与其法向量ni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Dpi的领域点集沿着ni方向平均划分为N2a层;
步骤3.2、对领域内点集的深度di进行梯度化,邻域内点Dpik的局部关系由αk、di表示,用公式(6)计算出特征点Dpi相对于以R为半径Dpi的领域点集的倾斜度αk;
步骤4具体按照以下步骤实施:
步骤4.1、对每层的特征点Dpi,分别计算特征点Dpi的倾斜度αk并将倾斜度αk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Dp为中心的相邻点的总数进行归一化;假设Dp为中心球划分为N2a层,将每个一维直方图离散化为Nr区间,则合并后的直方图大小为N2a×Nr;
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3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ni,3.面的法向量mim2...mL;
图2是图1中任意点pi(x,y,z)的局部特征关系图;
图2中,1.点pi(x,y,z),2.点pi的法向量ni,3.以点pi为顶点,周围三角面的法向量mim2...mL,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Dpi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di,4.对半径为R的邻域进行分层;
图4是图3的Dpik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Na+2层的中心点,2.A是DpikO1在Na+2层平面的投影延长线与球面的交点,3.B为Dpik在第Na+1层上的投影点,4.αk是投影延长线与ADpik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Dpi邻域内的点集到投影面的深度di;
步骤2、对特征点Dpi邻域进行分层,对步骤1所得的深度di进行梯度化;
步骤3、对每层的特征点Dpi的邻域,计算特征点Dpi相对于邻域的倾斜度αk;
步骤4、将步骤3所得的倾斜度αk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pi(x,y,z),在任意点pi(x,y,z)半径R领域内的点分别为pi1pi2pi3…pik;
步骤1.2、利用公式(1)对步骤1.1所得的任意点pi(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,求得法向量ni;
步骤1.3、如图1所示,由点云的网格模型可以得到以pi(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mim2...mL与pi的法向量ni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,pi(x,y,z)为特征点,反之不是。
步骤1.2的任意点pi(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时,视L个三角面的顶点pi为边缘点,则去除掉顶点pi。
步骤1.3的L个三角面的法向量mim2...mL与pi的法向量ni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Dp和目标点云的特征点集Dq。
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Dpi,以R为半径的Dpi的领域点集为{Dpi1,Dpi2...Dpik},如图3所示,步骤1定义过特征点Dpi且与其法向量ni垂直的平面为平面W,用公式(5)计算以R为半径的Dpi的领域点集的点与其法向量ni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Dpi的领域点集沿着ni方向平均划分为N2a层;
步骤3.2、对领域内点集的深度di进行梯度化,图4是领域内点Dpik的局部关系,用公式(6)计算出特征点Dpi相对于以R为半径的Dpi的领域点集的倾斜度αk;
步骤4具体按照以下步骤实施:
步骤4.1、对每层的特征点Dpi,分别计算特征点Dpi的倾斜度αk并将倾斜度αk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Dp为中心的相邻点的总数进行归一化;假设Dp为中心球划分为N2a层,将每个一维直方图离散化为Nr区间,则合并后的直方图大小为N2a×Nr;
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 (7)
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Dpi邻域内的点集到投影面的深度di,所述投影面W为过特征点Dpi且与其法向量ni垂直的平面;
步骤2、对特征点Dpi邻域进行分层,对步骤1所得的深度di进行梯度化;
步骤3、对每层的特征点Dpi的邻域,计算所述特征点Dpi相对于邻域的倾斜度αk;所述步骤3具体按照以下步骤实施:
步骤3.1、将特征点Dpi的领域点集沿着ni方向平均划分为N2a层;
步骤3.2、对领域内点集的深度di进行梯度化,邻域内点Dpik的局部关系由αk、di表示,用公式(6)计算出特征点Dpi相对于以R为半径的Dpi的领域点集的倾斜度αk;
步骤4、将步骤3所得的倾斜度αk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pi(x,y,z),在所述任意点pi(x,y,z)半径R领域内的点分别为pi1pi2pi3...pik;
步骤1.2、利用公式(1)对步骤1.1所得的任意点pi(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,求得法向量ni;
步骤1.3、由点云的网格模型可以得到以pi(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mim2...mL与pi的法向量ni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,pi(x,y,z)为特征点,反之不是。
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pi为边缘点,则去除掉所述顶点pi。
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mim2...mL与pi的法向量ni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。
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4具体按照以下步骤实施:
步骤4.1、对每层的特征点Dpi,分别计算所述特征点Dpi的倾斜度αk并将所述倾斜度αk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Dp为中心的相邻点的总数进行归一化;假设Dp为中心球划分为N2a层,将每个一维直方图离散化为Nr区间,则合并后的直方图大小为N2a×Nr;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580901.4A CN112750144B (zh) | 2020-12-28 | 2020-12-28 | 点云匹配中一种基于特征直方图的点云特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580901.4A CN112750144B (zh) | 2020-12-28 | 2020-12-28 | 点云匹配中一种基于特征直方图的点云特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750144A CN112750144A (zh) | 2021-05-04 |
CN112750144B true CN112750144B (zh) | 2023-03-28 |
Family
ID=75646280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011580901.4A Active CN112750144B (zh) | 2020-12-28 | 2020-12-28 | 点云匹配中一种基于特征直方图的点云特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750144B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN111611996A (zh) * | 2020-04-22 | 2020-09-01 | 青岛联合创智科技有限公司 | 一种点云特征点描述子的计算方法 |
-
2020
- 2020-12-28 CN CN202011580901.4A patent/CN112750144B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745459A (zh) * | 2013-12-26 | 2014-04-23 | 西安交通大学 | 一种非结构化点云特征点检测方法及其提取方法 |
WO2016201671A1 (zh) * | 2015-06-18 | 2016-12-22 | 北京大学深圳研究生院 | 一种三维点云的局部特征提取方法及装置 |
CN111340862A (zh) * | 2020-02-18 | 2020-06-26 | 广州智能装备研究院有限公司 | 一种基于多特征融合的点云配准方法、装置及存储介质 |
CN111611996A (zh) * | 2020-04-22 | 2020-09-01 | 青岛联合创智科技有限公司 | 一种点云特征点描述子的计算方法 |
Non-Patent Citations (2)
Title |
---|
A 3-D-Point-Cloud System for Human-Pose Estimation;Kai-Chi Chan;《IEEE Transactions on Systems, Man, and Cybernetics: Systems》;20140714;1486-1497页 * |
基于顶点法向量重要度的模型简化算法研究;王芳;《计算机与数字工程》;20111219;6-8,100页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112750144A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222642B (zh) | 一种基于全局图聚类的平面建筑构件点云轮廓提取方法 | |
CN109215129B (zh) | 一种基于三维点云的局部特征描述方法 | |
CN110570428A (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
CN103345757B (zh) | 多层次多特征约束下的光学和sar影像自动配准方法 | |
CN109241978B (zh) | 地基三维激光点云中平面片的快速提取方法 | |
CN105096317A (zh) | 一种复杂背景中的高性能相机全自动标定方法 | |
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN108388902A (zh) | 结合全局框架点与局部shot特征的复合3d描述子构建方法 | |
CN111161267A (zh) | 一种三维点云模型的分割方法 | |
CN111507921B (zh) | 一种基于低秩恢复的隧道点云去噪方法 | |
Yue et al. | A new plane segmentation method of point cloud based on mean shift and RANSAC | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN113836484B (zh) | 基于路径点邻近域与地面滤波的自适应点云抽稀方法 | |
Lv et al. | A convex hull-based feature descriptor for learning tree species classification from ALS point clouds | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
CN112861669B (zh) | 地表坡向约束的高分辨率dem地形特征增强提取方法 | |
CN112365592B (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
CN112750144B (zh) | 点云匹配中一种基于特征直方图的点云特征提取方法 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
Chen et al. | An efficient global constraint approach for robust contour feature points extraction of point cloud | |
Zhang et al. | A road extraction method based on high resolution remote sensing image | |
CN115880325A (zh) | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 | |
Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
Shui et al. | Automatic planar shape segmentation from indoor 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 |