CN113538531A - 形貌约束的点云数据配准序列确定方法 - Google Patents

形貌约束的点云数据配准序列确定方法 Download PDF

Info

Publication number
CN113538531A
CN113538531A CN202010290043.3A CN202010290043A CN113538531A CN 113538531 A CN113538531 A CN 113538531A CN 202010290043 A CN202010290043 A CN 202010290043A CN 113538531 A CN113538531 A CN 113538531A
Authority
CN
China
Prior art keywords
point cloud
cloud data
registration
complexity
morphology
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.)
Pending
Application number
CN202010290043.3A
Other languages
English (en)
Inventor
孙殿柱
林伟
李延瑞
沈江华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202010290043.3A priority Critical patent/CN113538531A/zh
Publication of CN113538531A publication Critical patent/CN113538531A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/38—Registration of image sequences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明为提高大数据量多视角点云数据的配准效率，提出一种形貌约束的点云数据配准序列确定方法，属于产品逆向工程领域。通过主成分分析度量点云的局部形貌平坦程度，分割平坦区域点云并提取距离质心最近点作为核心点进行自适应简化，以点云中所有样点到拟合平面的偏差均值量化多视角点云的形貌复杂度，并通过形貌复杂度确定配准序列。本发明适用于具有重叠区域的有序多视角点云数据，可在显著降低点云规模的前提下有效降低配准过程中的累计误差，提高整体配准效率。

Description

形貌约束的点云数据配准序列确定方法
技术领域
本发明提供一种形貌约束的点云数据配准序列确定方法，属于产品逆向工程技术领域。
背景技术
在逆向工程领域，三维扫描设备中主流的光栅式投影设备和双目视觉测量设备在扫描过程中受到扫描视角的限制，通常难以一次性获得完整的数据模型，需变换视角多次扫描，然后采用点云配准方法将多个不同视角的扫描数据即多视角点云数据统一到同一坐标系中。
对现有技术文献检索发现，Chen等在学术期刊《Image and Vision Computing》1992.10(3):145-155发表的论文“Object modeling by registration of multiplerange images”中首先将其中一个视角的扫描数据所在的坐标系确定为基准坐标系，然后根据顺序依次添加新的扫描数据进行配准，直到获得完整的数据模型。Bergevin等在学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》1996.18(5):540-547发表的论文“Towards a general multi-view registration technique”中将扫描数据先进行两两配准，并迭代此过程直到配准误差被均匀分配到每次配准过程中，避免了配准误差的累积但配准效率大大降低。徐思雨等在学术期刊《自动化学报》2019,45(08):1486-1494发表的论文“逐步求精的多视角点云配准方法”中首先构建初始配准模型，然后按照双视角配准算法计算配准参数并调整配准模型，以便求解后续配准参数，通过迭代求解配准参数并调整配准模型可最终实现全局配准。Mateo等在学术期刊《ComputerVision and Image Understanding》2014.118:84-96发表的论文“Bayesian perspectivefor the registration of multiple 3D views”中通过期望最大化算法将多视图点云配准问题嵌入到贝叶斯框架中，同时考虑双视图的对应关系及噪声影响，最后进行后验判断，提高了配准的整体精度及稳健性。Evangelidis等在学术期刊《IEEE Transactions onPattern Analysis and Machine Intelligence》2018,40(6):1397-1410发表的论文“Joint Alignment of Multiple Point Sets with Batch and IncrementalExpectation-Maximization”中将扫描数据中的每个点都视为从高斯混合模型中抽取的样本点，从而将多视角扫描数据的配准问题转化为聚类分析问题，通过期望最大化方法计算计算扫描数据间的变换矩阵，提高了整体的配准精度。
综上所述，现有点云数据配准方法主要通过顺序添加点云数据进行配准，当点云数据的样点规模较大或某相邻视角重叠区域较小时，配准效率依然不高，并且会形成较大的累计误差，因此如何实现大数据量多视角点云的快速精确配准，是逆向工程领域的研究重点及难点。
发明内容
为解决上述技术问题，本发明采用一种形貌约束的点云数据配准序列确定方法，该方法适用于大数据量的有序多视角点云数据，可在维持点云原有形貌的基础上有效简化点云，并有效减少配准过程的累计误差。其技术方案为：
一种形貌约束的点云数据配准序列确定方法，其特征在于依次包含以下步骤：(1)基于平坦形貌对点云数据进行简化；(2)计算点云数据的形貌复杂度；(3)根据点云数据的形貌复杂度确定配准序列。
为实现发明目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(1)中，基于平坦形貌对点云数据进行简化，具体步骤为：1)设多视角点云数据为{P1,P2,…,PN}，i←1；2)采用k均值聚类算法对点云数据Pi进行分割，获得结果C＝{C1,C2,…,Ck}；3)Qi←φ；4)构造C中的任意子集Cr的协方差矩阵Cov(Cr)并进行特征值分解，获得最小特征值λ，在C中剔除Cr；5)设阈值为ε，若λ≤ε，则Q1←Q1∪{Cr}，转步骤7)，否则转步骤6)；6)采用k均值聚类算法对Cr进行再次分割获得C′＝{C′1,C′2,…,C′k}，C←C∪C′；7)重复步骤4)到步骤6)，直至C为空集，获得递归分割结果Qi＝{Qi1,Qi2,…,Qin}；8)提取Qi中每个子集中距离质心最近的点作为核心点，构造简化点集P′i；9)i←i+1；10)重复步骤2)到步骤9)，直至i＝N，获得多视角点云数据的简化结果{P′1,P′2,…,P′N}。
为实现发明目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤2)中计算点云数据的形貌复杂度，具体步骤为：1)多视角点云数据为{P1,P2,…,PN}，i←1；2)构造点云数据Pi的协方差矩阵并进行特征值分解；3)设最小特征值对应的特征向量为v＝[u v w]T，计算Pi的质心为
Figure BDA0002450057360000021
则Pi的拟合平面方程为
Figure BDA0002450057360000022
4)根据公式：
Figure BDA0002450057360000023
计算Pi的形貌复杂度
Figure BDA0002450057360000024
其中Ni为Pi中的样点数量；5)i←i+1；6)重复步骤2)到步骤5)，直至i＝N，获得多视角点云数据的形貌复杂度
Figure BDA0002450057360000025
为实现发明目的，所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(3)中，根据点云数据的形貌复杂度确定配准序列，具体步骤为：1)选取多视角简化点集{P′1,P′2,…,P′N}中最大形貌复杂度
Figure BDA0002450057360000026
所对应的简化点集P′i作为固定点云；2)分别将P′i与P′i+1、P′i-1进行配准，获得配准结果P′i.1、P′i.-1并计算对应的形貌复杂度
Figure BDA0002450057360000027
3)若
Figure BDA0002450057360000028
则将P′i+1作为浮动点云，保留P′i.1，否则将P′i-1作为浮动点云，保留P′i.-1；4)当保留P′i.1时，继续添加P′i+2进行配准并计算配准结果的形貌复杂度
Figure BDA0002450057360000029
5)设阈值为η，若
Figure BDA00024500573600000210
则继续添加P′i+3，直至配准结果的形貌复杂度大于η，否则结束添加，在{P′1,P′2,…,P′N}中删除已配准简化点集，将其作为输入数据重复步骤1)到步骤5)；6)设本轮配准结果为{P″1,P″1,…,P″N′}，计算其对应形貌复杂度并将其作为输入数据重复步骤1)到步骤5)，直至完成配准过程。
与现有技术相比，本发明具有以下优点：
(1)基于形貌约束将点云进行迭代分割并提取每个子集中距离质心最近的样点作为保留点，可在降低参与配准运算的多视角点云数据规模的前提下保持点云形貌，且点云形貌的保持程度远高于点云的简化幅度。
(2)对点云数据进行拟合平面并计算点云中所有样点到平面的偏差均值，可有效刻画待配准点云的整体形貌的复杂程度。
(3)基于点云数据的形貌复杂度确定固定点云及浮动点云，进而确定点云配准序列，可将配准误差分布于每轮配准之中，可有效减少累计误差。
附图说明
图1是本发明的流程图；
图2为点云简化结果；
图3为人像数据和火车数据的多视角模型；
图4为人像数据模型和火车数据模型的配准效果图。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。
本发明所述的一种形貌约束的点云数据配准序列确定方法的流程图如图1所示，该程序主要流程为：对点云数据进行递归分割，构造点云数据的简化点集，计算点云形貌复杂度，根据形貌复杂度确定配准序列以完成配准过程。
设C＝{C1,C2,…,Cn}，若
Figure BDA0002450057360000031
且Ci∩Cj＝φ，i,j∈{1,2,…,n}，i≠j，Ci在P的来源曲面S上的对应的圆盘拓扑同胚区域的平坦程度，亦即Ci的形貌平坦程度，可基于Ci的主元分析结果进行量化。设Ci＝{xi|i＝1,2,…,ni}，
Figure BDA0002450057360000032
则构造Ci的协方差矩阵为Cov(Ci)，
Figure BDA0002450057360000033
对Cov(Ci)进行特征值分解，由于Cov(Ci)的最小特征值反映的是Ci的平面逼近结果法向方向上的数据相关性，因此可将其作为Ci在S上对应圆盘拓扑同胚区域的平坦程度量化结果。为了判定Ci的形貌是否平坦，设定阈值ε，若Cov(Ci)的最小特征值小于ε，则认为Ci符合平坦形貌约束条件，否则不符合。ε的值需结合具体点云而定，一般设为λmax/10，其中λmax为最大特征值。ε的值越小，意味着约束条件越严格，符合条件的子集越接近于平坦。
采用k均值聚类算法对P进行分割，k值在理论上可取
Figure BDA0002450057360000041
区间内的任何一个整数，|P|为P包含的样点总数。由于对点云分割的目的在于数据简化，k＝2能够起到最大幅度的简化效果，因此本发明实施例使用k＝2均值聚类算法对P进行分割，分割结果的精细程度由阈值ε决定。设多视角点云{P1,P2,…,PN}的递归分割结果为Q＝{Q1,Q2,…,Qm}，提取每个视角点云分割子集中距离质心最近的点作为核心点即可构造多视角简化点集{P′1,P′2,…,P′N}。
设多视角点云{P1,P2,…,PN}为顺序排列，即Pi和Pi+1、Pi-1为相邻视角采样点集，且相邻采样点集之间必定存在重叠部分，{P1,P2,…,PN}对应的简化集合为{P′1,P′2,…,P′N}。Pi为{P1,P2,…,PN}中
Figure BDA0002450057360000042
值最大的点云，其简化点集为P′i，将其作为固定点云，则浮动点云应于P′i-1、P′i+1中选取。应用采样一致性初始配准算法进行初始配准，设P′i.-1、P′i.1分别为P′i与P′i-1、P′i+1的配准结果，且
Figure BDA0002450057360000043
这说明相较于P′i-1，P′i与P′i+1的重叠部分中包含更多的特征区域，因此应选择P′i+1作为浮动点云，并采用迭代最近点算法进行精确配准。
设P′i.2为P′i.1与P′i+2的配准结果，计算P′i.2的形貌复杂度，
Figure BDA0002450057360000044
越小则重合程度越好，即配准效果越好，因此设置形貌复杂度阈值为η，若
Figure BDA0002450057360000045
则继续添加P′i+3进行配准，否则结束配准，选择剩下的待配准点云中
Figure BDA0002450057360000046
值最大的作为第二固定点云并重复上述过程。
实施例一：图2中(a)、(b)分别为人像数据模型和火车数据模型的简化效果图，可以看出，本发明能够在保持点云原有形貌的基础上有效简化点云，降低参与配准运算的多视角点云样点规模。
实施例二：图4为人像数据模型和火车数据模型的配准效果图，其配准误差分别为0.391mm和2.42×10-3mm。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (4)

1.一种形貌约束的点云数据配准序列确定方法，其特征在于依次包含以下步骤：(1)基于平坦形貌对点云数据进行简化；(2)计算点云数据的形貌复杂度；(3)根据点云数据的形貌复杂度确定配准序列。
2.如权利要求1所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(1)中，基于平坦形貌对点云数据进行简化，具体步骤为：1)设多视角点云数据为{P1,P2,…,PN}，i←1；2)采用k均值聚类算法对点云数据Pi进行分割，获得结果C＝{C1,C2,…,Ck}；3)Qi←φ；4)构造C中的任意子集Cr的协方差矩阵Cov(Cr)并进行特征值分解，获得最小特征值λ，在C中剔除Cr；5)设阈值为ε，若λ≤ε，则Q1←Q1∪{Cr}，转步骤7)，否则转步骤6)；6)采用k均值聚类算法对Cr进行再次分割获得C′＝{C′1,C′2,…,C′k}，C←C∪C′；7)重复步骤4)到步骤6)，直至C为空集，获得递归分割结果Qi＝{Qi1,Qi2,…,Qin}；8)提取Qi中每个子集中距离质心最近的点作为核心点，构造简化点集P′i；9)i←i+1；10)重复步骤2)到步骤9)，直至i＝N，获得多视角点云数据的简化结果{P′1,P′2,…,P′N}。
3.如权利要求1所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤2)中计算点云数据的形貌复杂度，具体步骤为：1)多视角点云数据为{P1,P2,…,PN}，i←1；2)构造点云数据Pi的协方差矩阵并进行特征值分解；3)设最小特征值对应的特征向量为v＝[uv w]T，计算Pi的质心为
Figure FDA0002450057350000011
则Pi的拟合平面方程为
Figure FDA0002450057350000012
4)根据公式：
Figure FDA0002450057350000013
计算Pi的形貌复杂度
Figure FDA0002450057350000014
其中Ni为Pi中的样点数量；5)i←i+1；6)重复步骤2)到步骤5)，直至i＝N，获得多视角点云数据的形貌复杂度
Figure FDA0002450057350000015
4.如权利要求1所述的形貌约束的点云数据配准序列确定方法，其特征在于：步骤(3)中，根据点云数据的形貌复杂度确定配准序列，具体步骤为：1)选取多视角简化点集{P′1,P′2,…,P′N}中最大形貌复杂度
Figure FDA00024500573500000110
所对应的简化点集P′i作为固定点云；2)分别将P′i与P′i+1、P′i-1进行配准，获得配准结果P′i.1、P′i.-1并计算对应的形貌复杂度
Figure FDA0002450057350000016
3)若
Figure FDA0002450057350000017
则将P′i+1作为浮动点云，保留P′i.1，否则将P′i-1作为浮动点云，保留P′i.-1；4)当保留P′i.1时，继续添加P′i+2进行配准并计算配准结果的形貌复杂度
Figure FDA0002450057350000018
5)设阈值为η，若
Figure FDA0002450057350000019
则继续添加P′i+3，直至配准结果的形貌复杂度大于η，否则结束添加，在{P′1,P′2,…,P′N}中删除已配准简化点集，将其作为输入数据重复步骤1)到步骤5)；6)设本轮配准结果为{P1″,P1″,…,P″N′}，计算其对应形貌复杂度并将其作为输入数据重复步骤1)到步骤5)，直至完成配准过程。
CN202010290043.3A 2020-04-14 2020-04-14 形貌约束的点云数据配准序列确定方法 Pending CN113538531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010290043.3A CN113538531A (zh) 2020-04-14 2020-04-14 形貌约束的点云数据配准序列确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010290043.3A CN113538531A (zh) 2020-04-14 2020-04-14 形貌约束的点云数据配准序列确定方法

Publications (1)

Publication Number Publication Date
CN113538531A true CN113538531A (zh) 2021-10-22

Family

ID=78087963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010290043.3A Pending CN113538531A (zh) 2020-04-14 2020-04-14 形貌约束的点云数据配准序列确定方法

Country Status (1)

Country Link
CN (1) CN113538531A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143210A (zh) * 2014-07-31 2014-11-12 哈尔滨工程大学 一种多尺度法向特征点云配准方法
CN104299260A (zh) * 2014-09-10 2015-01-21 西南交通大学 一种基于sift和lbp的点云配准的接触网三维重建方法
CN105551015A (zh) * 2015-12-02 2016-05-04 南京邮电大学 一种散乱点云图像配准方法
CN106546184A (zh) * 2016-09-30 2017-03-29 长春理工大学 大型复杂曲面三维形貌机器人柔性测量系统
US20190156507A1 (en) * 2016-10-10 2019-05-23 Tencent Technology (Shenzhen) Company Limited Method and apparatus for processing point cloud data and storage medium
CN110021039A (zh) * 2018-11-15 2019-07-16 山东理工大学 序列图像约束的多视角实物表面点云数据初始配准方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143210A (zh) * 2014-07-31 2014-11-12 哈尔滨工程大学 一种多尺度法向特征点云配准方法
CN104299260A (zh) * 2014-09-10 2015-01-21 西南交通大学 一种基于sift和lbp的点云配准的接触网三维重建方法
CN105551015A (zh) * 2015-12-02 2016-05-04 南京邮电大学 一种散乱点云图像配准方法
CN106546184A (zh) * 2016-09-30 2017-03-29 长春理工大学 大型复杂曲面三维形貌机器人柔性测量系统
US20190156507A1 (en) * 2016-10-10 2019-05-23 Tencent Technology (Shenzhen) Company Limited Method and apparatus for processing point cloud data and storage medium
CN110021039A (zh) * 2018-11-15 2019-07-16 山东理工大学 序列图像约束的多视角实物表面点云数据初始配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI Y ET AL.: "Multi-view point cloud registration with adaptive convergence threshold and its application in 3D model retrieval", 《MULTIMEDIA TOOLS AND APPLICATIONS》, vol. 1, no. 4, pages 1 - 18 *

Similar Documents

Publication Publication Date Title
CN107886529B (zh) 一种用于三维重建的点云配准方法
Zeng et al. 3D point cloud denoising using graph Laplacian regularization of a low dimensional manifold model
CN109887015B (zh) 一种基于局部曲面特征直方图的点云自动配准方法
CN100559398C (zh) 自动的深度图像配准方法
CN109903319B (zh) 一种基于多分辨率的快速迭代最近点配准算法
CN109934855A (zh) 一种基于点云的带电作业场景电力部件三维重建方法
CN111080684A (zh) 一种点邻域尺度差异描述的点云配准方法
CN110599506B (zh) 一种复杂异形曲面机器人三维测量的点云分割方法
CN113327275B (zh) 一种基于多约束点到局部曲面投影的点云双视角精配准方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
WO2022077863A1 (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN111044041B (zh) 基于重力场三维特征的重力辅助惯性导航适配区选取方法
CN102682477A (zh) 一种基于结构先验的规则场景三维信息提取方法
CN110222642A (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
CN104835153B (zh) 基于稀疏表示的非刚性表面对齐方法
CN112164145B (zh) 基于点云数据快速提取室内三维线段结构的方法
CN109544603A (zh) 基于深度迁移学习的目标跟踪方法
CN109345582A (zh) 基于优化的置信传播算法和稀疏表示的深度图像获取方法
CN110009745B (zh) 根据平面基元和模型驱动对点云提取平面的方法
WO2020248096A1 (zh) 基于局部特征的三维人脸识别方法和系统
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
CN106447662A (zh) 一种基于组合距离的fcm图像分割算法
CN114648445B (zh) 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法
Xin et al. Rapid registration method by using partial 3D point clouds
CN117541614B (zh) 基于改进icp算法的空间非合作目标近距离相对位姿跟踪方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211022

WD01 Invention patent application deemed withdrawn after publication