CN113838216B - 一种基于局部点对特征的物体三维点云配准算法 - Google Patents
一种基于局部点对特征的物体三维点云配准算法 Download PDFInfo
- Publication number
- CN113838216B CN113838216B CN202111069102.5A CN202111069102A CN113838216B CN 113838216 B CN113838216 B CN 113838216B CN 202111069102 A CN202111069102 A CN 202111069102A CN 113838216 B CN113838216 B CN 113838216B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- local
- matching
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部点对特征的物体三维点云配准算法,具体按照以下步骤实施:步骤1,通过深度相机获取物体多个不同角度的三维点云数据;步骤2,对步骤1得到的点云数据进行预处理;步骤3,对步骤2得到的点云进行关键点提取,得到物体表面较为突出或凹陷的点集;步骤4,利用局部点对特征对步骤3得到关键点集进行特征描述,获得特征描述矩阵;步骤5,对步骤4得到的特征矩阵进行特征匹配,利用匹配到的点对关系计算旋转平移矩阵;步骤6,利用步骤5得到的旋转平移矩阵将物体的多个不同角度的点云旋转平移至同一坐标系下,完成配准。这种基于局部点对特征的物体三维点云配准算法具有鲁棒性强、配准精度高和运行速度快的优点。
Description
技术领域
本发明属于物体虚拟空间三维重建技术领域,特别是涉及一种基于局部点对特征的物体三维点云配准算法。
背景技术
点云配准技术是物体虚拟空间三维重建技术中基础性的研究,具体来说点云配准是将三维传感器产生的多个不同角度的点云配准形成物体完整三维模型点云的过程。随着点云配准技术与计算机视觉技术的发展,点云配准技术被广泛应用于三维重建、目标识别与定位、机器人导航、形状检测等领域。
点云配准技术目前主要分为3种:基于特征匹配的配准算法、基于穷举搜索的配准算法与基于迭代优化的配准算法。其中基于特征匹配的配准算法的核心是特征描述与特征匹配,特征描述与特征匹配的质量直接影响最终的配准精度。然而,由于传感器获取物体点云时往往包含各种噪声、物体点云形状各异导致现有基于特征匹配的配准算法精度低,鲁棒性差,因此提出一种鲁棒性强的配准算法是实现高质量点云配准的关键。
发明内容
本发明所要解决的技术问题是:针对现有点云配准技术存在的问题,提供一种基于局部点对特征的物体三维点云配准算法,使物体虚拟模型可以与真实物体更为相似,重建精度更高。
本发明所采用的技术方案是,一种基于局部点对特征的物体三维点云配准算法,具体按照以下步骤实施:
步骤1,通过深度相机获取物体多个不同角度的三维点云数据;
步骤2,对步骤1得到的点云数据进行预处理;
步骤3,对步骤2得到的点云进行关键点提取,得到物体表面较为突出或凹陷的点集;
步骤4,利用局部点对特征对步骤3得到关键点集进行特征描述,获得特征描述矩阵;
步骤5,对步骤4得到的特征矩阵进行特征匹配,利用匹配到的点对关系计算旋转平移矩阵;
步骤6,利用步骤5得到的旋转平移矩阵将物体的多个不同角度的点云旋转平移至同一坐标系下,完成配准。
本发明的技术方案,还具有以下特点:
在所述步骤3中,通过公式(1)进行关键点提取;
式(1)中pi为点云上任一点,pi法向量为ni,其邻近点pij的法向量为nij,k为邻近点的数量,j=1,2,…,k,i=1,2,…,N,N为采样点数量。
所述步骤4具体按照以下步骤进行;
步骤4.1,通过公式(2)计算步骤3得到的关键点周围的局部点对特征参数;
式中p为点云关键点集合中一点,qi(i=1,2,…,m)为点p的邻点集;为qi(i=1,2,…,m)的邻点集;di=p-qi;n、ni为点p与点qi(i=1,2,…,m)的法矢量;ni、为点qi(i=1,2,…,m)与的法矢量;
步骤4.2,对步骤4.1计算出的局部点对特征参数F(p,pi)进行直方图统计,距离量F1设置6个区间,角度量F2~7分别设置22个区间,生成的局部特征描述向量LPPF(p)为6+6×22=138维向量;
步骤4.3,遍历所有关键点,将4.2得到的特征描述向量组合形成特征描述矩阵;
步骤4.4,遍历所有输入点云,得到多个不同点云的特征描述矩阵。
所述步骤5具体按照以下步骤进行;
步骤5.1,采用KD树算法对步骤4得到的特征描述矩阵进行最近邻搜索,确定初始点对匹配关系;
步骤5.2,采用简化渐进一致性算法S-PROSAC筛选步骤5.1得到的初始点对匹配关系,利用筛选后的点对匹配关系计算旋转平移矩阵。
本发明的有益效果是:
(1)本发明的一种基于局部点对特征的物体三维点云配准算法,结合关键点提取算法,对物体不同角度的点云提取关键点,仅对关键点局部的点云几何信息进行特征描述与匹配,有效提高了匹配的准确度与速度;
(2)本发明的一种基于局部点对特征的物体三维点云配准算法,在利用局部点对特征进行特征描述时,局部点对特征描述子的特征参数F5、F6、F7,可有效增强描述子在面对高斯噪声时的鲁棒性,提高了配准算法的鲁棒性;
(3)本发明的一种基于局部点对特征的物体三维点云配准算法,计算描述子时,采用直方图统计的方式构建局部点对特征描述子,提升了描述子对点云的描述能力,提高了配准算法的精度;
(4)本发明的一种基于局部点对特征的物体三维点云配准算法,在特征匹配阶段,采用简化渐进一致性算法S-PROSAC算法,从不断增大的最佳匹配关系中随机采样的方式进行寻优,实现对点云配准参数旋转平移矩阵的鲁棒性估计,提高了配准算法的鲁棒性与精度。
附图说明
图1是本发明的一种基于局部点对特征的物体三维点云配准算法的工作原理图;
图2是本发明的一种基于局部点对特征的物体三维点云配准算法的局部点对特征参数分量示意图;
图3是本发明的一种基于局部点对特征的物体三维点云配准算法的简化渐进一致性算法S-PROSAC原理图;
具体实施方式
以下结合附图说明和具体实施例对本发明的技术方案作进一步地详细说明。
如图1、图2和图3所示,本发明的一种基于局部点对特征的物体三维点云配准算法,具体按照以下步骤实施:
步骤1,通过深度相机获取物体多个不同角度的三维点云数据;
步骤2,对步骤1得到的点云数据进行预处理;
步骤3,通过公式(1)对步骤2得到的点云进行关键点提取,得到物体表面较为突出或凹陷的点集;
式(1)中pi为点云上任一点,pi法向量为ni,其邻近点pij的法向量为nij,k为邻近点的数量,j=1,2,…,k,i=1,2,…,N,N为采样点数量。
步骤4.1,通过公式(2)计算步骤3得到的关键点周围的局部点对特征;
式中p为点云关键点集合中一点,qi(i=1,2,…,m)为点p的邻点集;为qi(i=1,2,…,m)的邻点集;di=p-qi;n、ni为点p与点qi(i=1,2,…,m)的法矢量;ni、为点qi(i=1,2,…,m)与的法矢量;
步骤4.2,对步骤4.1计算出的局部点对特征参数F(p,pi)进行直方图统计,距离量F1设置6个区间,角度量F2~7分别设置22个区间,生成的局部特征描述向量LPPF(p)为6+6×22=138维向量;
步骤4.3,遍历所有关键点,将4.2得到的特征描述向量组合形成特征描述矩阵;
步骤4.4,遍历所有输入点云,得到多个不同点云的特征描述矩阵。
步骤5.1,采用KD树算法对步骤4得到的特征描述矩阵进行最近邻搜索,确定初始点对匹配关系;
步骤5.2,采用简化渐进一致性算法S-PROSAC筛选步骤5.1得到的初始点对匹配关系,利用筛选后的点对匹配关系计算旋转平移矩阵。
本发明的一种基于局部点对特征的物体三维点云配准算法,对输入点云进行预处理后,首先结合关键点提取算法,仅对点云关键点周围的局部几何信息进行描述与匹配,在保证精度的同时可有效提高算法速度。其次在计算局部点对特征描述子时采用直方图统计的方式,这样可以在保留大量点云几何信息的同时,统一特征描述向量的维数,便于后续特征匹配。最后,在特征匹配时,简化渐进一致性算法S-PROSAC算法时从不断增大的最佳匹配关系中随机采样的方式进行寻优,实现了对点云配准参数旋转平移矩阵的鲁棒性估计,提高了配准算法的精度。
Claims (2)
1.一种基于局部点对特征的物体三维点云配准算法,其特征在于,具体按照以下步骤实施:
步骤1,通过深度相机获取物体多个不同角度的三维点云数据;
步骤2,对步骤1得到的点云数据进行预处理;
式(1)中pi为点云上任一点,pi法向量为ni,其邻近点pij的法向量为nij,k为邻近点的数量,j=1,2,…,k,i=1,2,…,N,N为采样点数量;
步骤4,通过公式(2)计算步骤3得到的关键点周围的局部点对特征,对计算出的局部点对特征参数进行直方图统计,距离量F1设置6个区间,角度量F2~7分别设置22个区间,生成的局部特征描述向量LPPF为6+6×22=138维向量,遍历所有关键点,得到的特征描述向量组合形成特征描述矩阵,遍历所有输入点云,得到多个不同点云的特征描述矩阵;
步骤5,对步骤4得到的特征矩阵进行特征匹配,利用匹配到的点对关系计算旋转平移矩阵;
步骤6,利用步骤5得到的旋转平移矩阵将物体的多个不同角度的点云旋转平移至同一坐标系下,完成配准。
2.根据权利要求1所述的一种基于局部点对特征的物体三维点云配准算法,其特征在于,所述步骤5具体按照以下步骤进行;
步骤5.1,采用KD树算法对步骤4得到的特征描述矩阵中的特征描述向量进行最近邻搜索,确定初始点对匹配关系;
步骤5.2,采用简化渐进一致性算法S-PROSAC筛选步骤5.1得到的初始点对匹配关系;简化渐进一致性算法包含步骤对初始匹配评分并排序,选取n个高质量匹配点对作为假设生成集,从假设生成集中随机选取3对匹配关系计算旋转平移矩阵,用旋转平移矩阵计算其他关键点的投影点,计算所有投影点与对应点间距离d,d<距离阈值,将该匹配点对加入假设生成集,达到迭代次数输出假设生成集为匹配结果;利用筛选后的点对匹配关系计算旋转平移矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069102.5A CN113838216B (zh) | 2021-09-13 | 2021-09-13 | 一种基于局部点对特征的物体三维点云配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069102.5A CN113838216B (zh) | 2021-09-13 | 2021-09-13 | 一种基于局部点对特征的物体三维点云配准算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838216A CN113838216A (zh) | 2021-12-24 |
CN113838216B true CN113838216B (zh) | 2023-05-12 |
Family
ID=78959012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069102.5A Active CN113838216B (zh) | 2021-09-13 | 2021-09-13 | 一种基于局部点对特征的物体三维点云配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838216B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
US11037346B1 (en) * | 2020-04-29 | 2021-06-15 | Nanjing University Of Aeronautics And Astronautics | Multi-station scanning global point cloud registration method based on graph optimization |
-
2021
- 2021-09-13 CN CN202111069102.5A patent/CN113838216B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490912A (zh) * | 2019-07-17 | 2019-11-22 | 哈尔滨工程大学 | 基于局部灰度顺序模型描述符的3d-rgb点云配准方法 |
US11037346B1 (en) * | 2020-04-29 | 2021-06-15 | Nanjing University Of Aeronautics And Astronautics | Multi-station scanning global point cloud registration method based on graph optimization |
Non-Patent Citations (3)
Title |
---|
Anders Glent Buch等.Local Point Pair Feature Histogram for Accurate 3D Matching.《29th British Machine Vision Conference, BMVC 2018》.2019,第1-12页. * |
刘玉珍等.一种改进的基于快速点特征直方图的ICP点云配准算法.《激光与光电子学进展》.2021,第第58卷卷(第第6期期),第0611003-1~0611003-8页. * |
童磊.面向机器人抓取的零件识别与定位方法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2019,(第第1期期),第I140-1618页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113838216A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN111781608B (zh) | 一种基于fmcw激光雷达的运动目标检测方法及系统 | |
CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN106023183B (zh) | 一种实时的直线段匹配方法 | |
CN109215129A (zh) | 一种基于三维点云的局部特征描述方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Chen et al. | Guide local feature matching by overlap estimation | |
CN103824305A (zh) | 一种改进的Meanshift目标跟踪方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN116309026A (zh) | 一种基于统计局部特征描述与匹配的点云配准方法及系统 | |
Hyeon et al. | Pose correction for highly accurate visual localization in large-scale indoor spaces | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN109829459B (zh) | 基于改进ransac的视觉定位方法 | |
CN110246165B (zh) | 提高可见光图像与sar图像配准速度的方法及系统 | |
CN116152494A (zh) | 基于两阶段3d点云语义分割的建筑物脚点识别分割方法 | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN113838216B (zh) | 一种基于局部点对特征的物体三维点云配准算法 | |
Han et al. | Accurate and robust vanishing point detection method in unstructured road scenes | |
Zeng et al. | Local feature descriptor based rapid 3D ear recognition |
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 |