CN113160293B - 一种基于特征概率的复杂场景地面站点云自动配准方法 - Google Patents
一种基于特征概率的复杂场景地面站点云自动配准方法 Download PDFInfo
- Publication number
- CN113160293B CN113160293B CN202110520776.6A CN202110520776A CN113160293B CN 113160293 B CN113160293 B CN 113160293B CN 202110520776 A CN202110520776 A CN 202110520776A CN 113160293 B CN113160293 B CN 113160293B
- Authority
- CN
- China
- Prior art keywords
- point
- probability
- matrix
- registration
- matching
- 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 26
- 239000011159 matrix material Substances 0.000 claims abstract description 90
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 35
- 239000000203 mixture Substances 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000011430 maximum method Methods 0.000 abstract description 2
- 230000000739 chaotic effect Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000006302 Usnea Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G06T5/70—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于特征概率的复杂场景地面站点云自动配准方法,包括通过融合局部特征向量构建协方差描述子,并采用矩阵对数之差简化计算,实现对采样点的全面描述;通过构建基于高斯混合模型的目标函数和几何先验知识的反馈机制,可构建两站点云间的松弛匹配概率矩阵,实现同名点的稳健匹配;通过迭代和期望最大法求解转换参数和高斯混合模型的方差值,精准优化参数实现点云稳健配准。本发明具有极强的稳健性和实用性,可适用于多种复杂场景的地面点云配准,具有优异的实用价值。
Description
技术领域
本发明涉及激光点云测量数据智能处理与地理信息数据应用研究领域,尤其涉及一种基于特征概率的复杂场景地面站点云自动配准方法。
背景技术
地面站激光扫描(Terrestrial Laser Scanning,TLS)是一种高效采集场景表面丰富、精准三维点云的有效技术,已被广泛使用于诸多复杂混乱的场景中,包括:山区、城区、林区。其采集的点云在三维建模、地形分析、文化遗产保护、林区生物量估计等应用中发挥着重要作用。为全面描述复杂混乱场景的表面信息,通常需要设置多个站点从不同视角描述表面信息。点云配准可实现不同点云间的空间基准统一,是相关应用的前提。然而复杂场景地面测量点云中存在点密度、噪声、遮挡等数据质量差异,给自动配准方法带来严峻挑战,实现复杂混乱场景地面点云的稳健配准是本发明的重点。
目前,点云配准已得到国内外一些学者的研究。在点云配准中需要解决两大难题:点云间初始转换参数的确定和转换参数的进一步优化。为确定初始转换参数,Chen等将RANSAC算法与配准算法结合起来取得了一定的成果,但其鲁棒性和效率依然存在研究空间。在基于几何特征的配准方法中,He等通过二次曲面拟合估计点云中所含点的曲率实现了初始配准;Jiang等求解某一点的k维特征向量,并以此为依据筛选可靠的对应点对,进而计算初始变换矩阵;同样地,Chen等利用点其邻域点的法向量夹角的值以及邻域的形状索引值建立2D直方图并结合质心和局部表面类型值完成初始变换矩阵的计算;Frome等提出构建三维形状上下文描述子完成匹配,但该描述子的抗干扰能力差;Rusu等提出构建点特征直方图描述子描述关键点局部范围的表面特征。上述局部特征描述子以独特的方式编码邻域表面信息,在特定的场景中可以发挥良好的性能,但对于复杂混乱的场景中,难以取得良好的效果,一种针对复杂混乱场景点云具有良好描述性、稳健匹配策略和精准参数优化的方法依然值得研究。
为进一步优化转换参数,实现点云间的精准拼接,主流的解决方案是ICP及其改进方法,可以得到较好的拼接效果。其中,为提高点云配准效率,常采用点云采样的方法。如:Turk等在点云表面构建均匀网格并利用网格的顶点代替整个网格点云,对点云进行均匀采样,减少配准过程的计算量;Pereira等提出利用分区法将点云进行分区,然后从每个分区中提取部分点云组成子集用于后续配准。为提高匹配的正确率,Zheng等提出利用SIFT特征描述子匹配同名点。为提高配准效率,Li等提出采用kd-tree管理和点云搜索的方式代替传统ICP算法中穷举搜索的方式,加速了点对搜索从而减少了配准用时;Li等将启发式搜索集成到ICP算法中,并利用法向量特征约束对应点的选取,兼顾了配准的效率和精度。然而,ICP相关算法需要提供良好的初始转换参数,大大限制了其应用。在处理重叠度较小、局部信息差异大的点云时,同名基元匹配、参数优化求解等方面始终存在很多不确定的问题。因此,如何针对上述难点,实现复杂、混乱场景地面点云的稳健配准,是一个亟需解决的问题。
发明内容
发明目的:本发明目的是提供一种基于特征概率的复杂场景地面站点云自动配准方法,提高配准的稳健性和有效性,适用于多种复杂场景的地面点云配准,具有显著的实用价值。
技术方案:一种基于特征概率的复杂场景地面站点云自动配准方法,包括如下步骤:
步骤1:对采集的相邻站激光点云进行去噪、均匀采样处理,得到两站样本近似均匀分布的采样点云;
步骤2:对各采样点,搜索原始点中的邻域点,根据邻域点计算几何变量构建协方差矩阵描述子,描述其局部区域的几何特征;在构建协方差矩阵描述子时,根据各邻域点的点密度赋予相应权重;
步骤3:对两个协方差矩阵描述子,采用相似性度量衡量相似度;通过矩阵对数之差简化计算,并采用指数函数将相似度归一化;
步骤4:构建点云配准的概率目标函数:由法向量和协方差矩阵描述子构建一个新的特征空间,并引入两个高斯混合模型GMM分别表示欧式空间和特征空间中的匹配概率,通过约束高斯混合模型以压缩求解空间;根据高斯混合模型构建新的目标函数,简化目标函数并优化后验匹配概率;
步骤5:构建反馈机制以嵌入地面站点云的几何先验知识:对各采样点,搜索采样点云中的邻域点计算点密度反馈值,调整匹配概率;对任两对匹配点计算距离和角度的反馈值,衡量几何一致性,优化匹配概率;
步骤6:根据构建的目标函数和初始转换参数迭代求解转换参数和方差值:通过偏导数计算平移向量,根据旋转矩阵引理变换、简化目标函数计算旋转矩阵,最后分别计算对应于欧式空间和特征空间的两个方差值,控制下一步迭代的步幅。
进一步地,步骤4中对待配准的两站点云Y3×M和X3×N,在欧式空间和特征空间中的配准概率均服从高斯混合模型分布,表示为P(x)和F(x),只有当两者同时满足时,两站点云才能够有效配准;两站点云的最终配准概率由两者相乘得到。考虑到噪声和粗差分布,配准概率函数具体表示如下:
其中,为两站点云的配准概率函数,p(xn)和f(xn)为各点在欧式空间和特征空间中的概率密度函数,0≤w≤1是粗差的权重,/>是指噪声或粗差均匀分布的概率,Pf(m)为特征空间中点ym的分布概率,f(xn|zn=m)为点xn和点ym间匹配的高斯密度函数构造如下:
其中,λ2为高斯混合模型的方差,为各点的法向量,R为当前的迭代的旋转矩阵,为两点的协方差描述子的相似性,df(xn,ym)表示两点在特征空间中的差异,用来标明两点在特征空间中的匹配概率,两点云间的配准参数通过最大化所述配准概率函数求解;简化计算,该步骤等同于最小化配准概率函数的负对数函数,将连乘运算转换为求和运算,将所述配准概率函数的负对数似然函数作为概率期望函数。
进一步地,简化概率期望函数的无关项得到目标函数,目标函数中后验匹配概率决定着本次迭代中潜在的匹配点对,影响参数计算的准确率和收敛效率,表达公式如下:
其中,表示点xn和点ym间的后验匹配概率,/>为上一次迭代中高斯混合模型的方差,cf为顾及噪声分布的常数项部分,M、N分别为两点云的点数;通过公式(3)估算任两点间的匹配概率,组成一个M×N的匹配概率矩阵,所述匹配概率矩阵中隐含着了两点云在特征空间中的匹配情况。
进一步地,为避免步骤5中因各采样点密度不均产生的配准偏差问题,构建顾及各采样点局部点密度的反馈机制;对于每个采样点,根据邻域点到该点的距离计算出局部密度的反馈值;邻域点分布较稠的采样点将被赋予较小的反馈值,分布较稀疏的采样点将被赋予较大的反馈值;对于任意两个待匹配点,将各自的反馈值作为权重更新相应的匹配概率。这样,稀疏区域和稠密区域间的匹配可以由不同的反馈值平衡,避免了上述问题。
两对正确匹配的点应该在距离和角度上几何一致,该几何条件可被用来消除错误匹配,尤其对于具有诸多重复结构的场景数据效果显著。对于任意一对匹配对(如:m和n),及另一对匹配对(如:li和ri),其几何约束的反馈值构建如下:
其中,为几何约束的反馈值,Pcomb(m,n)为更新后的两点匹配概率,Nmatch为匹配的对数,dxy代表点x和点y间的欧式距离,/>代表点x的法向量,系数κ平衡了采样点的局部点密度和几何一致性约束的反馈值。通过回报值改进后,采用归一化操作处理匹配概率矩阵,点密度和几何一致性约束的约束原理如图3所示;
进一步地,步骤6中,为计算平移向量T,通过求解目标函数关于T的偏导数得到:
其中,X3×N和Y3×M为两点云矩阵,Np为P矩阵中各元素加和,1M×1为M行1列的元素为1的矩阵,Rold为最后一次迭代中计算的旋转矩阵,P是根据后验匹配概率公式计算的M×N匹配概率矩阵;
旋转矩阵的求解问题是带有约束条件(如:RTR=I,det(R)=1)的函数优化问题。为简化计算,将上述构建的目标函数转换为如下形式:
其中,θ表示旋转矩阵和平移向量参数,δ2和λ2为欧式空间和特征空间的方差,为采用协方差矩阵的相似性更新后的匹配概率矩阵,/>和/>为两点法向量矩阵,c1和c2为常数项,/>和/>为重心化后的点云矩阵,根据旋转矩阵引理,分别得到间接矩阵A和旋转矩阵R如下:
其中,A为间接矩阵,U,Λ,V为采用SVD分解后的三个中间矩阵,C为组成的对角矩阵。为了更新欧式空间和特征空间的方差δ2和λ2,将旋转矩阵R和平移向量T代入目标函数,分别求目标函数关于方差δ2和λ2的偏导,可得:
其中,δ2和λ2为欧式空间和特征空间高斯混合模型的方差值,NP和为欧式空间和特征空间中匹配概率矩阵的元素累积值。由于地面扫描仪大多装有水平补偿仪,相邻站点云间的旋转可认为是水平旋转,因此为提高稳健性,将计算出的旋转矩阵近似为水平旋转矩阵代入迭代以缩小求解空间提高稳健性,实现两站点云的稳健配准。
有益效果:与现有技术相比,本发明具有如下显著的优点:本发明首次扩展了概率配准方法用于室外复杂场景地面点云配准,不同于以前的工作,本发明提出了一种新颖的概率配准框架,融合了地面站点云的几何特点(如:刚性的4DOF变换、由地面扫描特性引起的点密度变化、点云具有噪声、遮挡等数据质量差异);本发明构建了一个独立的特征空间概率模型,通过引入方差灵活地连接欧式空间和特征空间,联合约束以压缩求解空间,极大提高了配准的稳健性和有效性。除此之外,添加了包含几何先验知识的反馈机制,补偿了传统概率配准方法的缺陷,使得本发明具有极强的稳健性和实用性,可适用于多种复杂场景的地面点云配准,具有优异的实用价值。
附图说明
图1是本发明的方法流程示例;
图2是本发明的概率配准原理示例;
图3是本发明的几何反馈机制示例;
图4是本发明的迭代中同名点匹配与待配准点云变换示例;
图5是本发明对多种复杂场景中地面点云配准结果示例。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。如图1所示,本发明提供多场景地面点云自动配准方法,通过聚合多个特征向量构建出局部协方差矩阵描述子,然后引入一个全新的高斯混合模型表达由协方差描述子和法向量构成的特征空间,根据特征配对概率构建目标函数,并融合后验概率匹配公式和几何先验知识的反馈机制,构建两站点云的松弛匹配概率矩阵,通过迭代和期望最大法求解转换参数和高斯混合模型的方差值,实现点云配准。输入数据为任两站地面站激光点云,输出数据为配准后的两站点云、转换参数和精度报告。
本发明技术方案的实施可采用计算机软件方式实现自动运行,具体包括以下步骤:
步骤1:近似均匀采样点云:对任意两站相邻的点云,通过滤波和均匀采样,得到两站近似均匀分布的采样点云。
实施例对任意两站有重叠的地面站点云进行处理,分别记为目标点云和待配准点云。首先对两站点云进行滤波以剔除离群点(如:噪声点),进而通过综合考虑距离、点密度和几何特征因素,采样出N和M个近似均匀分布的点,分别记为目标采样点云X3×N和待配准采样点云Y3×M。
步骤2:构建协方差矩阵描述子:对两站采样点云,搜索各采样点在原始点中的邻域点,并计算局部几何特征向量,综合多个特征向量构建协方差矩阵描述子。
实施例对各采样点,搜索其在原始点云中的K(如K=70)个邻域点,并计算各邻域点的三个局部特征,包括:各邻域点法向量与当前点法向量的夹角,邻域点法向量与邻域点到当前点向量的夹角,及邻域点到当前点切平面的距离。根据三个特征值构成该邻域点的特征向量,综合各邻域点特征向量构建协方差矩阵描述子。
步骤3:度量协方差矩阵描述子的相似性:为提高相似性度量的效率,采用矩阵对数之差简化计算,并采用指数函数将其归一化。
实施例对两个3×3的协方差矩阵描述子Ca,Cb,采用两矩阵的对数之差度量其相似性,并将其归一化,表示如下:
其中,wcd为提高描述性的权重系数,推荐wcd=0.1。表示两者间对数度量的差异,In(·)表示矩阵的对数,||·||F表示弗罗贝尼乌斯范数。该度量避免传统的广义特征值计算,/>值较大表示两个协方差矩阵描述子间的几何差异较大,反之亦然。通过结合指数函数将描述子间的差异规范化为0到1间的相似度值。
步骤4:构建点云配准的概率目标函数:由法向量和协方差矩阵描述子构建一个新的特征空间,并引入两个高斯混合模型(GMM)分别表示欧式空间和特征空间中的匹配概率,通过约束高斯混合模型以压缩求解空间提高求解效率和质量。根据高斯混合模型构建新的目标函数,简化目标函数并优化后验匹配概率。
实施例对待配准的两站点云Y3×M和X3×N,采用P(x)和F(x)表示其在欧式空间和特征空间中的配准概率。两站点云的最终配准概率由两者相乘得到,考虑到噪声和粗差分布,由公式(1)构建配准概率函数:
对于点xn和点ym间匹配的高斯密度函数f(xn|zn=m)根据公式(2)构造:
两点云间的配准参数可以通过最大化配准概率函数求解。为简化计算,将其转换为求解其负对数似然函数的最小值。因此,将上述配准概率函数的负对数似然函数作为概率期望函数,其原理图如图2。
通过进一步简化概率期望函数的无关项,可以得到目标函数,目标函数中后验匹配概率决定着本次迭代中潜在的匹配点对,影响参数计算的准确率和收敛效率,具体表示如下:
其中,M、N分别为两点云的点数。通过该公式可估算任两点间的匹配概率,组成一个M×N的匹配概率矩阵,该匹配概率矩阵中隐含着了两点云在特征空间中的匹配情况。
步骤5:构建几何先验知识的反馈机制:对各采样点,搜索其采样点云中的邻域点计算点密度反馈值,调整匹配概率;对任两对匹配点计算其距离和角度的反馈值,衡量其几何一致性,优化匹配概率。
实施例对每个采样点,根据其邻域点到该点的距离计算出其局部密度的反馈值。赋予点密度较高的采样点较小的反馈值,反之亦然。对于任意两个待匹配点,将其各自的反馈值作为权重更新相应的匹配概率;两对正确匹配的点应该在距离和角度上几何一致,该几何条件可被用来消除错误匹配,尤其对于具有诸多重复结构的场景数据效果显著。对于任意一对匹配对(如:m和n),及另一对匹配对(如:li和ri),根据公式(4)计算几何约束的反馈值:
通过反馈值改进后,采用归一化操作处理匹配概率矩阵,反馈机制的原理图如图3所示。
步骤6:求解转换参数和方差值:通过偏导数计算平移向量,根据旋转矩阵引理变换、简化目标函数计算旋转矩阵,最后分别计算对应于欧式空间和特征空间的两个方差值,控制下一步迭代的步幅,迭代中同名点匹配与点云配准结果如图4所示。
为计算平移向量T,通过求解目标函数关于T的偏导数得到:
其中,Rold为最后一次迭代中计算的旋转矩阵,P是根据后验匹配概率公式计算的M×N匹配概率矩阵。
旋转矩阵的求解问题是带有约束条件(如:RTR=I,det(R)=1)的函数优化问题。为简化计算,将上述构建的目标函数转换为如下形式:
为更新欧式空间和特征空间的方差δ2和λ2,将旋转矩阵R和平移向量T代入目标函数,分别求目标函数关于方差δ2和λ2的偏导,可得:
由于地面扫描仪大多装有水平补偿仪,相邻站点云间的旋转可认为是水平旋转,因此为提高稳健性,实施例将计算出的旋转矩阵近似为水平旋转矩阵代入迭代计算以缩小求解空间,实现两站点云的稳健配准,多场景点云配准结果如图5所示。
本发明的具体实施方式中,未涉及到的说明属于本领域的公知技术,可参考公知技术加以实施。
Claims (3)
1.一种基于特征概率的复杂场景地面站点云自动配准方法,其特征在于,包括如下步骤:
步骤1:对采集的相邻站激光点云进行去噪、均匀采样处理,得到两站样本近似均匀分布的采样点云;
步骤2:对各采样点,搜索原始点中的邻域点,根据邻域点计算几何变量构建协方差矩阵描述子,描述局部区域的几何特征;在构建协方差矩阵描述子时,根据各邻域点的点密度赋予相应权重;
步骤3:对两个协方差矩阵描述子,采用相似性度量衡量相似度;通过矩阵对数之差简化计算,并采用指数函数将相似度归一化;
步骤4:构建点云配准的概率目标函数:由法向量和协方差矩阵描述子构建一个新的特征空间,并引入两个高斯混合模型GMM分别表示欧式空间和特征空间中的匹配概率,通过约束高斯混合模型以压缩求解空间;根据高斯混合模型构建新的目标函数,简化目标函数并优化后验匹配概率;
步骤5:构建反馈机制以嵌入地面站点云的几何先验知识:对各采样点,搜索采样点云中的邻域点计算点密度反馈值,调整匹配概率;对任两对匹配点计算距离和角度的反馈值,衡量几何一致性,优化匹配概率;
步骤6:根据构建的目标函数和初始转换参数迭代求解转换参数和方差值:通过偏导数计算平移向量,根据旋转矩阵引理变换、简化目标函数计算旋转矩阵,最后分别计算对应于欧式空间和特征空间的两个方差值,控制下一步迭代的步幅;
其中,所述步骤4中对待配准的两站点云Y3×M和X3×N,在欧式空间和特征空间中的配准概率均服从高斯混合模型分布,表示为P(x)和F(x),只有当两者同时满足时,两站点云才能够有效配准;配准概率函数表达式如下:
其中,为两站点云的配准概率函数,p(xn)和f(xn)为各点在欧式空间和特征空间中的概率密度函数,0≤w≤1是粗差的权重,/>是指噪声或粗差均匀分布的概率,Pf(m)为特征空间中点ym的分布概率,f(xn|zn=m)为点xn和点ym间匹配的高斯密度函数构造如下:
其中,λ2为高斯混合模型的方差,为各点的法向量,R为当前的迭代的旋转矩阵,/>为两点的协方差描述子的相似性,df(xn,ym)表示两点在特征空间中的差异,用来标明两点在特征空间中的匹配概率,两点云间的配准参数通过最大化所述配准概率函数求解;简化计算,该步骤等同于最小化配准概率函数的负对数函数,将连乘运算转换为求和运算,将所述配准概率函数的负对数似然函数作为概率期望函数;
进一步简化概率期望函数的无关项得到目标函数,所述目标函数中后验匹配概率决定着本次迭代中潜在的匹配点对,影响参数计算的准确率和收敛效率,表达公式如下:
2.根据权利要求1所述的基于特征概率的复杂场景地面站点云自动配准方法,其特征在于,所述步骤5中各采样点密度不均产生的配准偏差,构建顾及各采样点局部点密度的反馈机制;对于每个采样点,根据邻域点到该点的距离计算出局部密度的反馈值;邻域点分布较稠的采样点将被赋予较小的反馈值,分布较稀疏的采样点将被赋予较大的反馈值;对于任意两个待匹配点,将各自的反馈值作为权重更新相应的匹配概率;
对于任意一对匹配对,如m和n,及另一对匹配对,如li和ri,几何约束的反馈值表达式如下:
3.根据权利要求1所述的基于特征概率的复杂场景地面站点云自动配准方法,其特征在于,所述步骤6中,为计算平移向量T,通过求解目标函数关于T的偏导数得到:
其中,X3×N和Y3×M为两点云矩阵,Np为P矩阵中各元素加和,1M×1为M行1列的元素为1的矩阵,Rold为最后一次迭代中计算的旋转矩阵,P是根据后验匹配概率公式计算的M×N匹配概率矩阵;
为简化计算,将上述构建的目标函数转换为如下形式:
其中,θ表示旋转矩阵和平移向量参数,δ2和λ2为欧式空间和特征空间的方差,为采用协方差矩阵的相似性更新后的匹配概率矩阵,/>和/>为两点法向量矩阵,c1和c2为常数项,/>和/>为重心化后的点云矩阵,根据旋转矩阵引理,分别得到间接矩阵A和旋转矩阵R如下:
其中,A为间接矩阵,U,Λ,V为采用SVD分解后的三个中间矩阵,C为组成的对角矩阵,为了更新欧式空间和特征空间的方差δ2和λ2,将旋转矩阵R和平移向量T代入目标函数,分别求目标函数关于方差δ2和λ2的偏导,可得:
其中,δ2和λ2为欧式空间和特征空间高斯混合模型的方差值,NP和NPf为欧式空间和特征空间中匹配概率矩阵的元素累积值,由于地面扫描仪大多装有水平补偿仪,相邻站点云间的旋转是水平旋转,将计算出的旋转矩阵近似为水平旋转矩阵代入迭代以缩小求解空间提高稳健性,实现两站点云的稳健配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520776.6A CN113160293B (zh) | 2021-05-13 | 2021-05-13 | 一种基于特征概率的复杂场景地面站点云自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520776.6A CN113160293B (zh) | 2021-05-13 | 2021-05-13 | 一种基于特征概率的复杂场景地面站点云自动配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113160293A CN113160293A (zh) | 2021-07-23 |
CN113160293B true CN113160293B (zh) | 2023-06-20 |
Family
ID=76874738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520776.6A Active CN113160293B (zh) | 2021-05-13 | 2021-05-13 | 一种基于特征概率的复杂场景地面站点云自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255162B (zh) * | 2021-06-23 | 2023-05-05 | 南京信息工程大学 | 基于非刚性概率模型的车载激光点云自动误差纠正方法 |
CN113838109B (zh) * | 2021-11-30 | 2022-02-15 | 北京航空航天大学 | 一种低重合度点云配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204009A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于仿射变换模型cpd算法的三维点云配准方法 |
EP3451291A1 (en) * | 2017-09-01 | 2019-03-06 | Tata Consultancy Services Limited | Systems and methods for shape constrained 3d point cloud registration |
CN112288857A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的机器人语义地图物体识别方法 |
CN112504123A (zh) * | 2020-12-07 | 2021-03-16 | 重庆顺泰铁塔制造有限公司 | 一种用于输电塔板件自动化检测设备和方法 |
CN112581515A (zh) * | 2020-11-13 | 2021-03-30 | 上海交通大学 | 基于图神经网络的户外场景点云配准方法 |
-
2021
- 2021-05-13 CN CN202110520776.6A patent/CN113160293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204009A (zh) * | 2017-05-23 | 2017-09-26 | 哈尔滨工业大学 | 基于仿射变换模型cpd算法的三维点云配准方法 |
EP3451291A1 (en) * | 2017-09-01 | 2019-03-06 | Tata Consultancy Services Limited | Systems and methods for shape constrained 3d point cloud registration |
CN112288857A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的机器人语义地图物体识别方法 |
CN112581515A (zh) * | 2020-11-13 | 2021-03-30 | 上海交通大学 | 基于图神经网络的户外场景点云配准方法 |
CN112504123A (zh) * | 2020-12-07 | 2021-03-16 | 重庆顺泰铁塔制造有限公司 | 一种用于输电塔板件自动化检测设备和方法 |
Non-Patent Citations (5)
Title |
---|
Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures;Ben Eckart 等;《arXiv》;1-22 * |
Registration of large-scale terrestrial laser scanner point clouds: A review and benchmark;Zhen Dong 等;《ISPRS Journal of Photogrammetry and Remote Sensing》;第163卷;327-342 * |
基于典型相关分析的点云配准算法;唐志荣 等;《中国激光》;第46卷(第4期);0404006-1:9 * |
基于因子分析法的三维点云配准算法;唐志荣 等;《激光与光电子学进展》;1-20 * |
基于多维混合柯西分布的点云配准;唐志荣 等;《光学学报》;1-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN113160293A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160293B (zh) | 一种基于特征概率的复杂场景地面站点云自动配准方法 | |
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN110619263B (zh) | 低秩联合协同表示的高光谱遥感影像异常探测方法 | |
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN111080684A (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
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 | |
Chen et al. | Decentralized Riemannian gradient descent on the Stiefel manifold | |
CN108181617B (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
CN110909303B (zh) | 一种自适应时空异质性反距离插值方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN114119690A (zh) | 一种基于神经网络重建高斯混合模型的点云配准方法 | |
CN114463548A (zh) | 一种基于视觉特征与胶囊网络的图像分类方法 | |
CN113538535A (zh) | 一种基于双分支特征交互的3d点云配准网络模型及配准方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN115795333A (zh) | 一种基于低秩约束自适应图学习的不完整多视图聚类方法 | |
CN114611620A (zh) | 一种面向无标签多维时序数据的模式发现方法、系统及终端 | |
CN108595373A (zh) | 一种无控制dem配准方法 | |
CN114998522A (zh) | 多视连续光场影像室内场景稠密点云准确提取方法及系统 | |
CN116152303B (zh) | 一种基于几何空间一致性加权的二部图点云匹配算法 | |
Xiang et al. | Point cloud alignment method based on improved ISS-ICP algorithm | |
Hero et al. | Imaging applications of stochastic minimal graphs | |
He | Research on outdoor garden scene reconstruction based on PMVS Algorithm | |
CN117389786A (zh) | 一种基于截断极小最大凹惩罚的时空交通数据修复方法 | |
Li et al. | A Multi-Constraint Strategy Algorithm for Stereo Matching |
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 |