CN113160129B - 组合式精简点云数据的快速配准方法 - Google Patents
组合式精简点云数据的快速配准方法 Download PDFInfo
- Publication number
- CN113160129B CN113160129B CN202110251619.XA CN202110251619A CN113160129B CN 113160129 B CN113160129 B CN 113160129B CN 202110251619 A CN202110251619 A CN 202110251619A CN 113160129 B CN113160129 B CN 113160129B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- points
- registration
- characteristic
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
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)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种组合式精简点云数据的快速配准方法,通过k近邻识别给定散乱点云边界特征,通过曲率区分特征与非特征区域,将特征区域立方体栅格剖分后将每个点所在邻域的均匀曲率与整体点云的曲率平均值做比较,基于重心的方法对非特征区域进行精简,采用pca算法进行点云粗配准,将粗配准后的点云数据进行几何特征提取,再使用ICP算法进行精配准,计算配准后的X,Y,Z轴旋转误差,若大于给定值,则减少精简比例,重复精简,若小于等于给定值,则完成配准。本发明既保留了点云数据边缘特征又对平面区域不造成数据空洞,一定程度上为后续点云配准工作提高了效率。
Description
技术领域
本发明属于神经外科辅助导航技术,具体为一种组合式精简点云数据的快速配准方法。
背景技术
神经外科辅助导航在放射治疗定位,临床诊断和评估等方面应用广泛,其中的点云处理技术在神经外科辅助导航中起着关键作用。配准技术的应用最早在医学诊断和图像处理领域被提出,在同一幅图像上将功能影像和解剖结构影像结合起来表达多种信息来帮助医生进行医学诊断。机器人辅助手术导航减少因为信息不完整而导致的误差,增加临床诊断的准确性和效率。配准技术的应用最早在医学诊断和图像处理领域被提出,在同一幅图像上将功能影像和解剖结构影像结合起来表达多种信息来帮助医生进行医学诊断。
经过对现有技术的探索发现,“Point cloud simplification with pres-ervededge based on normal vector,Optik-International Journal for Light andElectron Optics,126(19);2157-2162,2015”(基于法线向量的边缘保留点云简化,国际光学与电子光学杂志,2015年)中Han H,Han X,Sun F提出用八叉树构建点云数据的K邻域,计算出点云数据的法向量,根据法向量识别保留特征点,非特征区域数据点根据待测点到邻域切平面的距离作为评判标准,边界数据点的保留效果不理想。
“Autonomous positioning control of manipulator and fast surfacefitting based on pariticle filter and point cloud library technology,International Journal of Advanced Robotic Systems,14(5);1-14,2017.”(基于粒子滤波和点云库技术的机械手自主定位控制和快速曲面拟合,国际先进机器人系统杂志,2017年)中Li L,Hu Y提出的一种基于点间平均距离的简化算法,将点集用三维网格包围,用平均距离法提取特征点,立方体网格与简化精度成反比,该类方法简化效率较低。
三维点云技术中最近点迭代算法是在点云配准算法中最为经典的配准算法。不过该算法需要较好的初值,才能得到较好的配准效果。为了解决最近点迭代算法局部极小值问题,提出了许多基于ICP改进的算法,实验效果明显提升,但本质上仍然是局部搜索算法。
发明内容
本发明提出了一种组合式精简点云数据的快速配准方法。
实现本发明的技术解决方案为:一种组合式精简点云数据的快速配准方法,具体步骤为:
步骤1、获取采样点的近邻点作为局部型面所用数据,以最小二乘法拟合采样点的近邻点的微切平面,并将采样点向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征;
步骤2、计算去除得到的散乱点云边界特征的点云数据高斯曲率,与给定值作比较区分特征与非特征区域;
步骤3、计算所有特征区域内的均匀曲率和整体曲率平均值,保留大于平均值的点云,删除小于平均值的点云;
步骤4、依据重心的方法对非特征区域进行精简;
步骤5、将步骤1中的散乱点云边界特征、步骤3特征区域中大于平均值的点云与步骤4非特征区域精简得到的点云进行融合;
步骤6、将经过融合得到的点云数据进行粗配准;
步骤7、采用基于特征点提取的算法,利用几何特征,将粗配准后点云进行特征点提取,再将提取特征点后的点云利用迭代最近点ICP算法进行精确配准;
步骤8、对于配准过的点云数据,进行误差计算,给定X,Y,Z轴的旋转误差最大值,若计算得出的旋转误差大于给定值则返回步骤1,降低精简比例,若小于等于给定值,则完成配准。
优选地,计算所有特征区域内的均匀曲率和整体曲率平均值的具体方法为:
三维栅格划分空间确定长方体的三边长为:
其中,Xmax,Xmin,Ymax,Ymin,Zmax,Zmin,分别表示点集中X,Y,Z方向的最大最小值,a表示在误差允许范围内长方体扩大的一定范围;
曲面方程如下:
Z(x,y)=ax2+bxy+cy2
采用最小二乘法求拟合方程系数a,b,c,即求下列式子最小值:
其中xi,yi,zi为k领域内数据点的坐标值,对其求导,求出拟合系数a,b,c;
由曲面方程的一阶和二阶表达式求出曲面的均匀曲率:
计算出所有选取点在领域内的均匀曲率和曲率平均值,保留大于平均值的点,删除小于平均值的点。
优选地,依据重心的方法对非特征区域进行精简的具体方法为:
对于非特征区域,计算每个小立方体内所有点的重心坐标,选择距离该重心欧氏距离最小的点代替其它点,并将其它点删除。
优选地,对点云数据进行粗配准的具体方法为:
利用K-D树对每一个点取邻近点对邻近点做PCA降维,生成两点集的参考坐标系,将其中的一个参考坐标系旋转平移至与另一个重合,使得变换后两点集的位置重合。
本发明与现有技术相比,其显著优点为:本发明结合了K近邻和立方体栅格法以此来在精简阶段保留边界的完整和原有数据特征,在配准阶段结合了PCA算法和基于特征点提取的点云配准算法有效减少ICP算法迭代所需时间;在精度校验阶段,设置误差最大值,防止因过度精简而造成较大误差;本发明改进了针对神经外科辅助导航中,点云数据存在的配准速度慢、精度低的问题;本发明中精简的点云数据能够既保留点云数据边缘特征又对平面区域不造成数据空洞,一定程度上为后续点云配准工作提高了效率。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为本发明所采用的点云精简流程图。
图2为本发明所采用的点云配准流程图。
图3为本发明所采用的精度校验流程图。
具体实施方式
一种组合式精简点云数据的快速配准方法,包括以下步骤:
步骤1、获取采样点的近邻点作为局部型面所用数据,以最小二乘法拟合采样点的近邻点的微切平面,并将采样点向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征。
步骤2、计算去除得到的散乱点云边界特征的点云数据高斯曲率,与给定值作比较区分特征与非特征区域。
步骤3、对于特征区域,计算出所有特征区域内的均匀曲率和整体曲率平均值,保留大于平均值的点,删除小于平均值的点。
进一步的实施例中,对于特征区域,三维栅格划分空间确定长方体的三边长为:
其中,Xmax,Xmin,Ymax,Ymin,Zmax,Zmin,分别表示点集中X,Y,Z方向的最大最小值,a表示在误差允许范围内长方体扩大的一定范围。在三维栅格法建立空间索引的基础上,依据点云密集程度分布选取K值为10。曲面方程如下:
Z(x,y)=ax2+bxy+cy2
采用最小二乘法求拟合方程系数a,b,c,即求下列式子最小值:
其中xi,yi,zi为k领域内数据点的坐标值,对其求导,求出拟合系数a,b,c。
再由曲面方程的一阶和二阶表达式求出曲面的均匀曲率:
计算出所有选取点在领域内的均匀曲率和曲率平均值,保留大于平均值的点,删除小于平均值的点。
步骤4、对于非特征区域,依据重心的方法进行精简。
进一步的实施例中,对于非特征区域,计算每个小立方体内所有点的重心坐标,选择距离该重心欧氏距离最小的点代替其它点,并将其它点删除。重心和欧氏距离的计算公式如下列公式。
非特征点的处理采用下采样方法,通过构造一个三维体素栅格,然后在每个体素内用体素内的所有点的重心近似显示体素中的其他点,这样体素内所有点就用一个重心点来表示,进行下采样的来达到滤波的效果,这样就大大的减少了数据量,为配准工作之前作为预处理阶段,可以很好的提高程序的运行速度。
步骤5、将步骤1中的散乱点云边界特征、步骤3特征区域中大于平均值的点云与步骤4非特征区域精简得到的点云进行融合。
进一步的实施例中,对于融合阶段,设置一个距离阈值,计算精简得到的点云中两两点云之间的欧几里得距离,过滤冗余重复的部分;得到的精简后的点云数据比原始点云数据大幅下降,且精简后的点云保持了原始数据的基本几何特征,进而直接加快了点云的配准过程。并且非特征点全部用重心来表示,对于后续的点云配准工作有很大的帮助,非特征点采用重心的方法相对于比如说中心的方法来说,对于后续的点云配准,会大大减少数据量,因为非特征点占了人脸点云数量的绝大多数,对后续配的数据会大大减少。精简点云数据的流程如图1所示。
步骤6、将上述融合后的点云数据进行粗配准,对每一个点,用到K-D树取邻近点,比如取最邻近的50个点,对邻近点做PCA降维,把它降到二维平面上,可以想象得到这个平面一定是它的切平面(在切平面上才可以尽可能分散),再将生成的两点集的参考坐标系其中的一个旋转平移至与另一个重合,使得变换后两点集的位置大致重合。
进一步的实施例中,加载上述经过融合后的点云数据,对邻近点做PCA降维,把它降到二维平面上,可以想象得到这个平面一定是它的切平面(在切平面上才可以尽可能分散),利用pca计算主方向、特征值和特征向量,切平面的法线就是该点的法线了,而这样的法线有两个,取哪个还需要考虑邻近点的凸包方向。再将生成的两点集的参考坐标系其中的一个旋转平移至与另一个重合,使得变换后两点集的位置大致重合,为后续的精配准打好基础。由于ICP算法容易受到初始位置的影响,因此,采用能考虑全局点云的主成分分析法来完成粗配准,点云粗配准结果使得两点云部分重合,需要进一步精配准达到配准效果。
步骤7、采用基于特征点提取的算法,利用几何特征,将粗配准后点云进行特征点提取,再将提取特征点后的点云利用迭代最近点ICP算法进行精确配准。快速ICP算法通过最小二乘法迭代计算的方式来逐渐逼近最优结果。具体包括以下步骤:
步骤7.1、将步骤6中粗配准后的点云数据利用几何特征进行特征点提取,计算粗配准后的整体点云数据的平均曲率,再将单个的点云数据与整体点云数据的平均曲率值作比较,保留大于平均曲率值的点云数据,得到提取特征点后的点云数据。
步骤7.2、将上述得到的提取特征点后的点云数据利用迭代最近点ICP算法进行精确配准。
进一步的实施例中,精配准选择的是基于特征点提取的算法,利用几何特征,将粗配准后的点云进行特征点提取,再将提取特征点后的点云利用迭代最近点ICP算法进行精确配准。快速ICP算法通过最小二乘法迭代计算的方式来逐渐逼近最优结果,很大程度上提高了配准的精度。精配准结果,在迭代到2次时就已经取得了很好的配准效果,解决了传统ICP算法对初始位姿要求较高的缺点,有效降低了迭代次数,一定程度上降低计算开销。能够实现点云模型的精确配准。点云配准流程如图2所示。
步骤8、对于配准过的点云数据,进行误差计算,给定X,Y,Z轴的旋转误差最大值,若计算得出的旋转误差大于给定值则返回第一步,降低精简比例,若小于等于给定值,则完成配准。
进一步的实施例中,对于配准过的点云数据,进行误差校验计算,设置旋转误差值避免造成点云数据的过度精简影响点云的配准精度。给定X,Y,Z轴的旋转误差最大值,设置为:X=1.56351e-007,Y=4.80282e-008,Z=0。若计算得出的旋转误差大于给定值则返回第一步点云融合阶段,降低精简比例,若小于等于给定值,则完成配准。点云数据配准的精度校验流程如图3所示。
本发明解决了点云精简过程中特征点易丢失、边界保留不完整以及在平面或者非特征区容易出现过精简而造成空洞现象等问题。解决了点云配准过程中局部最优解和配准精度以及对应点查找匹配错误的问题。本发明结合了K近邻和立方体栅格法以此来在精简阶段保留边界的完整和原有数据特征,在配准阶段结合了PCA算法和基于特征点提取的点云配准算法有效减少ICP算法迭代所需时间。与传统ICP算法的配准耗时相比,通过改进的ICP算法,极大减少了计算开销。在精度校验阶段,设置误差最大值,防止因过度精简而造成较大误差。在点云配准中能提升配准效率。
Claims (3)
1.一种组合式精简点云数据的快速配准方法,其特征在于,具体步骤为:
步骤1、获取采样点的近邻点作为局部型面所用数据,以最小二乘法拟合采样点的近邻点的微切平面,并将采样点向微切平面投影,根据采样点与其k近邻所对应投影点连线的最大夹角识别散乱点云边界特征;
步骤2、计算去除得到的散乱点云边界特征的点云数据高斯曲率,与给定值作比较区分特征与非特征区域;
步骤3、计算所有特征区域内的均匀曲率和整体曲率平均值,保留大于平均值的点云,删除小于平均值的点云,具体方法为:
三维栅格划分空间确定长方体的三边长为:
其中,Xmax,Xmin,Ymax,Ymin,Zmax,Zmin,分别表示点集中X,Y,Z方向的最大最小值,a表示在误差允许范围内长方体扩大的一定范围;
曲面方程如下:
Z(x,y)=ax2+bxy+cy2
采用最小二乘法求拟合方程系数a,b,c,即求下列式子最小值:
其中xi,yi,zi为k领域内数据点的坐标值,对其求导,求出拟合系数a,b,c;
由曲面方程的一阶和二阶表达式求出曲面的均匀曲率:
计算出所有选取点在领域内的均匀曲率和曲率平均值,保留大于平均值的点,删除小于平均值的点;
步骤4、依据重心的方法对非特征区域进行精简;
步骤5、将步骤1中的散乱点云边界特征、步骤3特征区域中大于平均值的点云与步骤4非特征区域精简得到的点云进行融合;
步骤6、将经过融合得到的点云数据进行粗配准;
步骤7、采用基于特征点提取的算法,利用几何特征,将粗配准后点云进行特征点提取,再将提取特征点后的点云利用迭代最近点ICP算法进行精确配准;
步骤8、对于配准过的点云数据,进行误差计算,给定X,Y,Z轴的旋转误差最大值,若计算得出的旋转误差大于给定值则返回步骤1,降低精简比例,若小于等于给定值,则完成配准。
2.根据权利要求1所述的组合式精简点云数据的快速配准方法,其特征在于,依据重心的方法对非特征区域进行精简的具体方法为:
对于非特征区域,计算每个小立方体内所有点的重心坐标,选择距离该重心欧氏距离最小的点代替其它点,并将其它点删除。
3.根据权利要求1所述的组合式精简点云数据的快速配准方法,其特征在于,对点云数据进行粗配准的具体方法为:
利用K-D树对每一个点取邻近点对邻近点做PCA降维,生成两点集的参考坐标系,将其中的一个参考坐标系旋转平移至与另一个重合,使得变换后两点集的位置重合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251619.XA CN113160129B (zh) | 2021-03-08 | 2021-03-08 | 组合式精简点云数据的快速配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110251619.XA CN113160129B (zh) | 2021-03-08 | 2021-03-08 | 组合式精简点云数据的快速配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160129A CN113160129A (zh) | 2021-07-23 |
CN113160129B true CN113160129B (zh) | 2022-09-30 |
Family
ID=76884420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110251619.XA Active CN113160129B (zh) | 2021-03-08 | 2021-03-08 | 组合式精简点云数据的快速配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160129B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299240A (zh) * | 2021-12-20 | 2022-04-08 | 重庆市勘测院 | 一种基于距离阈值的并行点云抽稀方法 |
CN115578524B (zh) * | 2022-12-09 | 2023-03-31 | 华东交通大学 | 红外三维重构方法、系统、存储介质及计算机设备 |
CN116206026B (zh) * | 2023-05-06 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 轨迹信息处理方法、装置、计算机设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798696A (zh) * | 2017-10-19 | 2018-03-13 | 北京联合大学 | 一种基于保局pca的三维点云配准方法 |
CN109872352A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 |
-
2021
- 2021-03-08 CN CN202110251619.XA patent/CN113160129B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798696A (zh) * | 2017-10-19 | 2018-03-13 | 北京联合大学 | 一种基于保局pca的三维点云配准方法 |
CN109872352A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 |
Non-Patent Citations (1)
Title |
---|
基于欧氏距离测度的激光点云配准;张梅等;《测绘科学》;20100531;第35卷(第3期);第5-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160129A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160129B (zh) | 组合式精简点云数据的快速配准方法 | |
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
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 | |
CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
CN113298833A (zh) | 目标物点云特征线面提取方法及系统 | |
CN107123164A (zh) | 保持锐利特征的三维重建方法及系统 | |
CN106504331A (zh) | 基于三维模型检索的牙齿建模方法 | |
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN107680168B (zh) | 三维重建中基于平面拟合的网格简化方法 | |
CN113421291B (zh) | 利用点云配准技术和三维重建技术的工件位置找正方法 | |
CN111400830B (zh) | 一种三维毛坯工件的加工校准方法及装置 | |
CN112862949B (zh) | 基于多视图的物体3d形状重建方法 | |
CN112651944B (zh) | 基于cad模型的3c部件高精度六维位姿估计方法及系统 | |
CN116091727A (zh) | 一种基于多尺度特征描述的复杂曲面点云配准方法、电子设备及存储介质 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN115147433A (zh) | 点云配准方法 | |
CN112001954B (zh) | 一种基于极曲线约束的水下pca-sift图像匹配方法 | |
CN116883590A (zh) | 一种三维人脸点云优化方法、介质及系统 | |
US20070120850A1 (en) | Method and Apparatus for Non-Shrinking Mesh Smoothing Using Local Fitting | |
CN107356968B (zh) | 基于crease的三维水平集断层曲面自动提取方法 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN114004900A (zh) | 一种基于点线面特征的室内双目视觉里程计方法 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 |
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 |