CN114219717A - 点云配准方法、装置、电子设备及存储介质 - Google Patents

点云配准方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114219717A
CN114219717A CN202111422335.9A CN202111422335A CN114219717A CN 114219717 A CN114219717 A CN 114219717A CN 202111422335 A CN202111422335 A CN 202111422335A CN 114219717 A CN114219717 A CN 114219717A
Authority
CN
China
Prior art keywords
point cloud
registration
point
registered
obtaining
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
CN202111422335.9A
Other languages
English (en)
Inventor
陈汉清
周迪斌
王徽
戴维焕
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.)
Hangzhou Santan Medical Technology Co Ltd
Original Assignee
Hangzhou Santan Medical Technology Co Ltd
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 Hangzhou Santan Medical Technology Co Ltd filed Critical Hangzhou Santan Medical Technology Co Ltd
Priority to CN202111422335.9A priority Critical patent/CN114219717A/zh
Publication of CN114219717A publication Critical patent/CN114219717A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/60—Rotation of a whole image or part thereof
    • 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

Abstract

本发明提供一种点云配准方法、装置、电子设备及存储介质，其中方法包括：基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。本发明通过获取待配准点云和参考点云之间的位置关系进行粗配准，得到初步配准后的粗配准点云，再通过双向迭代最近点算法对粗配准点云进行精配准，达到快速、准确的获取点云配准结果的效果。

Description

点云配准方法、装置、电子设备及存储介质
技术领域
本发明涉及医学图像技术领域，尤其涉及一种点云配准方法、装置、电子设备及存储介质。
背景技术
在医学图像领域中，点云配准(也称扫描匹配或点云对齐)在CT图像对比等方面起重要作用，它包括寻找对齐两个点云的最佳变换，它在运动估计和三维定位和三维重建目标识别定位、全景拼接以及典型的三维关键点匹配中都有应用。
目前，常用的算法有LORAX算法、四点法、Super 4PCS算法、DO法、结合法或迭代最近点(Iterative Closest Point,ICP)算法等。但是，目前常用的算法会存在使用位置或不确定的对应关系进行配准要么依赖于位置变换的初始位置，要么隐含的存在一小组异常值，或在没有初始位置的情况下配准失败，并且可能返回任意的变换估计矩阵等问题。
发明内容
本发明提供一种点云配准方法、装置、电子设备及存储介质，用以解决现有技术中不能快速、准确的进行点云配对的缺陷，实现手术过程中手术图像快速、准确的配准。
本发明提供一种点云配准方法，包括：
基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；
基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
根据本发明提供的一种点云配准方法，所述基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云，包括：
获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数；
基于所述旋转对应关系和所述平移参数，得到粗配准点云。
根据本发明提供的一种点云配准方法，所述获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数，包括：
基于渐进非凸性进行全局旋转估计，获取所述待配准点云与所述参考点云之间的旋转对应关系；
基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数。
根据本发明提供的一种点云配准方法，所述基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数，还包括：
构建区间边界，获取每一区间的内点集；
基于所述内点集，获取每一所述内点集之间的距离；
基于所述内点集，获取最大内点集；
基于所述距离和所述最大内点集，获取所述平移参数。
根据本发明提供的一种点云配准方法，所述基于所述内点集，获取最大内点集，包括：
通过允许修剪外点产生内点图，并基于所述内点图获取所述最大内点集。
根据本发明提供的一种点云配准方法，所述基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果，包括：
获取粗配准点云中与所述参考点云最近的点，作为第一匹配点云；
基于所述第一匹配点云，获取粗配准点云的第一匹配子集；
获取所述第一匹配子集中与所述粗配准点云中最近的点，作为第二匹配点云；
基于所述第二匹配点云，获取所述参考点云的第二匹配子集；
基于所述第一匹配子集和所述第二匹配子集，获取配准结果。
本发明还提供一种点云配准装置，包括对应关系模块和结果获取模块，其中：
对应关系模块，用于基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；
结果获取模块，用于基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述点云配准方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述点云配准方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述点云配准方法的步骤。
本发明提供的点云配准方法、装置、电子设备及存储介质，通过获取待配准点云和参考点云之间的位置关系进行粗配准，得到初步配准后的粗配准点云，再通过双向迭代最近点算法对粗配准点云进行精配准，达到快速、准确的获取点云配准结果的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的点云配准方法的流程示意图；
图2是本发明提供的点云配准方法的粗配准流程示意图；
图3是本发明提供的点云配准装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
目前，现有的点云配准方案中，通常采用先粗配准再精配准的方案，常用的点云配准粗配准方案如下：
LORAX：LORAX方案提出了一个超点(Super-Points，SP)的概念，由部分点云构成的一个大的集合，通过将点云用一个个球体分成很多个小块，把每一块投影成深度图，然后采用深度神经网络对深度图进行特征压缩，最后压缩成一个5×2的矩阵做为一个特征，即描述符。通过这些描述符的位置关系可以进行粗配准。
四点法：这是一种快速且稳健的3D点云配准方案，它使用广基数，这些基数对噪声和异常值具有弹性。该算法允许记录可能被异常值污染的原始噪声数据，而无需对数据进行预过滤或去噪。此外，该方法显着减少了在存在噪声的情况下在底层表面之间建立可靠配准所需的试验次数。
Super 4PCS算法：Super-4PCS算法来源于4PCS算法，其基本思想是基于RANSAC算法。其算法框架与基于RANSAC算法的配准框架基本一致，只是对确定对应点对的策略进行了优化，将原本的随机选择三个不同的点修改为以源点云中共面的四点为基，在目标点云中确定对应的四点，以构成四组对应点。
常用的精配准方案如下:
结合法：结合法是将点云的颜色信息与几何信息相结合经行配准。是一种对齐两个彩色点云的算法。关键思想是优化联合光度和几何目标，锁定沿法线方向和切平面的对齐。通过使用虚拟相机对点云进行局部参数化，扩展了用于将RGB-D图像与点云对齐的光度目标。
迭代最近点算法(Iterative Closest Point,ICP)：这是一种高层次的基于自由形态曲面的配准方法，简单来说就是不停的循环，在两个点云间找到最近的对应点，由这些对应点计算出一个使按照此旋转平移矩阵变换后对应点距离最小的RT矩阵，并进行变换，重复以上步骤，直到某些值达到设定的阈值则停止迭代。ICP算法总是单调收敛到最近的均方距离度量的局部最小值，并且在前几次迭代期间收敛速度很快。因此，对于具有一定“形状复杂性”级别的特定对象类别，给定一组足够的初始旋转和平移，通过测试每个初始配准，可以在所有六个自由度上全局最小化均方距离度量。
但是现有的点云配准方法也有相应的缺陷，例如ICP算法在位姿或不确定的对应关系进行配准时，依赖于图像变换的初始位置；LORAX、四点法等方法隐含的存在一小组异常值，可能会在没有初始位置的情况下配准失败，并且可能返回任意的变换估计矩阵。
针对上述技术问题，本发明实施例通过获取待配准点云和参考点云之间的位置关系进行粗配准，得到初步配准后的粗配准点云，再通过双向迭代最近点算法对粗配准点云进行精配准。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1至图4描述本发明提供的点云配准方法、装置、电子设备及存储介质。
图1是本发明提供的点云配准方法的流程示意图，如图1所示，本发明提供了一种点云配准方法，其中，该方法执行主体为终端，如手机、车载终端等，该方法包括如下步骤：
步骤101，基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云。
可以理解为，在对手术前的CT图像进行扫描之后，从手术前的CT图像中获取3D模型数据，通过对该模型进行点云提取，作为参考点云。再获取手术过程中的病灶区域的CT图像，并通过该CT图像获取相应的3D模型数据，通过对该模型进行点云提取，作为待配准点云，手术过程中的病灶区域与手术前CT图像对应区域一致。
获取参考点云和待配准点云后，通过获取参考点云和待配准点云之间的位置对应关系，并根据两者间的位置对应关系做出点云移动配准。
例如，可通过参考点云和待配准点云之间的相对距离，获取配准时待配准点云的移动参数，并根据该参数进行粗配准。
步骤102，基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
可以理解为，在进行了粗配准的基础上，待配准点云与参考点云之间的误差已经控制在一个相对较小的范围之内。通过双向迭代最近点算法，进一步的减少待配准点云与参考点云之间配准的误差。
其中，双向迭代最近点算法是在传统的迭代最近点算法的基础上，进行双向匹配。通过扩大迭代最近点步长的角度宽度，缩短迭代最近点的配准时间。
本发明提供的点云配准方法，通过获取待配准点云和参考点云之间的位置关系进行粗配准，得到初步配准后的粗配准点云，再通过双向迭代最近点算法对粗配准点云进行精配准，达到快速、准确的获取点云配准结果的效果。
可选地，所述基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云，包括：
获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数；
基于所述旋转对应关系和所述平移参数，得到粗配准点云。
可以理解为，在确定参考点云与待配准点云之后，通过获取参考点云与待配准点云之间的旋转对应关系和平移参数，进行粗配准。
其中，通过获取参考点云与待配准点云之间的旋转对应关系，将待配准点云旋转至与参考点云一致的方向上；再通过获取参考点云与待配准点云之间的平移参数，将待配准点云在构建的空间坐标系中平移至参考点云所处的位置，进行点云粗配准。
其中，在点云粗配准的过程中，运用到几何中的不变测量，即参考点云与待配准点云是在同一比例下完成粗配准。
本发明提供的点云配准方法，通过获取待配准点云和参考点云之间的旋转对应关系和平移参数，进一步提高点云配准中粗匹配步骤的准确性，有利于更准确的获取点云配准结果。
可选地，所述获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数，包括：
基于渐进非凸性进行全局旋转估计，获取所述待配准点云与所述参考点云之间的旋转对应关系；
基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数。
可以理解为，可通过渐进非凸性进行全局旋转估计，获取待配准点云与所参考点云之间的旋转对应关系，并根据该旋转对应关系确定待配准点云的旋转方向和角度，控制待配准点云进行旋转。
其中，渐进非凸性的总体最小二乘法(Graduated Non-Convexity-TruncatedLeast Squares GNC-TLS)是一种启发式优化算法。该算法假设全局空间中存在多个局部最优解，全局最优解是其中的某一个最优解，可以有效的避免算法陷入单个局部最优解导致算法无法收敛。
在获取旋转对应关系之后，利用自适应投票(adaptive voting)机制，在多项式时间内获取待配准点云与参考点云之间的平移参数，并根据该平移参数确定待配准点云的平移数值，控制待配准点云进行平移。
其中，adaptive voting机制可以在多项式时间(算法的计算时间不会因为点云的数量改变而改变)内求解平移参数。
多项式时间指算法的计算时间不会因为点云的数量改变而改变，无论点云的数量有多大，程序的时间复杂度始终O(1)，也就是说程序的运行时间不会随着点云的数量而变化。
本发明提供的点云配准方法，通过渐进非凸性和自适应投票机制，更准确的获取到待配准点云与参考点云之间的旋转对应关系和平移参数，有利于更准确的获取点云配准结果。
可选地，所述基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数，还包括：
构建区间边界，获取每一区间的内点集；
基于所述内点集，获取每一所述内点集之间的距离；
基于所述内点集，获取最大内点集；
基于所述距离和所述最大内点集，获取所述平移参数。
可以理解为，在获取待配准点云与参考点云时，首先构建区间边界。然后，对于计算每个区间的内点集(存在相同空间上的点)。由于内点集不会在一个区间内改变，所以在区间中心计算内点集。
最后，计算每个内点集的代价(距离)，并将最小的代价作为最优解返回。并从中找到最大的内点集，然后通过最大的内点集和距离来计算平移参数。
本发明提供的点云配准方法，通过构建区间边界，寻找最大内点集，进一步提高平移参数的准确性，有利于更准确的获取点云配准结果。
可选地，所述基于所述内点集，获取最大内点集，包括：
通过允许修剪外点产生内点图，并基于所述内点图获取所述最大内点集。
可以理解为，在待配准点云与参考点云进行粗配准时，空间上会存在相同位置的点，通过允许修剪大量的外点来产生内点图(存在相同空间上的点)，并从中找到最大的内点集，然后通过最大的内点集和距离来计算平移参数。
本发明提供的点云配准方法，通过修剪外点产生内点图，剔除影响配准结果的杂点，提高最大内点集的准确性，有利于更准确的获取点云配准结果。
可选地，所述基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果，包括：
获取粗配准点云中与所述参考点云最近的点，作为第一匹配点云；
基于所述第一匹配点云，获取粗配准点云的第一匹配子集；
获取所述第一匹配子集中与所述粗配准点云中最近的点，作为第二匹配点云；
基于所述第二匹配点云，获取所述参考点云的第二匹配子集；
基于所述第一匹配子集和所述第二匹配子集，获取配准结果。
可以理解为，在对待配准点云进行粗配准，获取粗配准点云的基础上，会从待配准点云中获取一个点，即第一匹配点云bcf(i)，该第一匹配点云与离参考点云里的每个点ai距离最近，参考点云的匹配可通过如下公式获取：
Figure BDA0003377846700000101
式中，
Figure BDA0003377846700000102
为参考点云的匹配，ai为参考点云中的点，bcf(i)为第一匹配点云，T为参考点云与待配准点云的三维变换。
经过上述公式计算，可得到一个粗配准点云的第一匹配子集bcf，以及一个映射：
fforward：i→cf(i)
式中，fforward为原映射，Cf(i)为参考点云的匹配。
在获取第一匹配子集及映射之后，再进行一次反向查找，即获取所述第一匹配子集中bcf与所述粗配准点云中最近的点，作为第二匹配点云acb(i)。并根据该第二匹配点云构成第二匹配子集acb及一个新的映射：
fbackward：cf(i)→cb(i)
式中，fforward为新映射，Cb(i)为待配准点云的匹配。
原映射fforward里的匹配Cf(i)，是参考点云到待配准点云的有效匹配的条件为，对于参考点云里每个点，经过反向查找得到的与其距离小于一个固定的阈值，阈值获取如下式所示：
Figure BDA0003377846700000103
式中，Iuni为阈值，acb(i)为第二匹配点云，ai为参考点云中的点，
Figure BDA0003377846700000104
为参考点云的匹配，N为点云的个数，mi为对应点的指标，ni为对应点的指标。
本发明中，为了得到有效的点云匹配，进行了正向与反向的查找，并通过反向查找的结果筛选正向查找的匹配。在得到有效匹配后便定义目标函数。与通常的点到面的ICP函数不同，本发明的目标函数也包含双向匹配的过程。所述目标函数如下：
Jbi(i)＝(ai-Tbi)T(Ωi，A+RΩi，BRT)(ai-Tbi)
式中，ai为参考点云中的点，T为参考点云与待配准点云的三维变换，bi为待配准点云中的点，Ωi，A为获取点对ai的局部几何形状的信息矩阵，Ωi，B为获取点对bi的局部几何形状的信息矩阵，R表示旋转矩阵。
在进行精配准，获取配准结果之后，利用相关熵来作为一个鲁棒的误差度量，传统的ICP算法的误差度量是用均方根误差，这种方法不能够很好的应对外点(由传感器噪声或者其他原因导致的误匹配)，相关熵是一个适应外点的鲁棒误差度量。
本发明提供的点云配准方法，通过优化迭代最近点算法，使粗配准点云与参考点云进行双向匹配，进一步提高精配准的效率，有利于更快速的获取点云配准结果。
为更清楚的说明本发明的技术方案，以下对上述各实施例进行举例说明。图2是本发明提供的点云配准方法的粗配准流程示意图，在输入参考点云和待配准点云之后，通过参考点云和待配准点云之间的旋转对应关系和平移参数进行粗配准。如图2所示，具体包括：
首先，从手术前的CT图像中获取3D模型数据，通过对该模型进行点云提取，作为参考点云。再获取手术过程中的病灶区域的CT图像，并通过该CT图像获取相应的3D模型数据，通过对该模型进行点云提取，作为待配准点云。
其次，使用adaptive voting机制进行尺度估计，即确保参考点云和带配准点云在同一比例下进行配准，尺度指的是点云图像的缩放比例。
再次，构建区间边界，对于计算每个区间的内点集(存在相同空间上的点)。由于内点集不会在一个区间内改变，所以在区间中心计算内点集。通过允许修剪大量的外点来产生内点图(存在相同空间上的点)，并从中找到最大的内点集，计算每个内点集的代价(距离)，并将最小的代价作为最优解返回。
然后，将最大内点集传入GNC-TLS模块进行旋转估计，再使用adaptive voting机制进行平移估计，得到旋转和平移矩阵，并根据获取到的旋转和平移矩阵，进行粗配准，得到粗配准点云。
最后，会从粗配准点云(即带配准点云)中获取一个点，即第一匹配点云bcf(i)，该第一匹配点云与离参考点云里的每个点ai距离最近，参考点云的匹配可通过如下公式获取：
Figure BDA0003377846700000121
式中，
Figure BDA0003377846700000122
为参考点云的匹配，ai为参考点云中的点，bcf(i)为第一匹配点云，T为参考点云与待配准点云的三维变换。
经过上述公式计算，可得到一个粗配准点云的第一匹配子集bcf，以及一个映射：
fforward：i→cf(i)
式中，fforward为原映射，Cf(i)为参考点云的匹配。
在获取第一匹配子集及映射之后，再进行一次反向查找，即获取所述第一匹配子集中bcf与所述粗配准点云中最近的点，作为第二匹配点云acb(i)。并根据该第二匹配点云构成第二匹配子集acb及一个新的映射：
fbackward：cf(i)→cb(i)
式中，fforward为新映射，Cb(i)为待配准点云的匹配。
原映射fforward里的匹配Cf *(i)，是参考点云到待配准点云的有效匹配的条件为，对于参考点云里每个点，经过反向查找得到的与其距离小于一个固定的阈值，阈值获取如下式所示：
Figure BDA0003377846700000123
式中，Iuni为阈值，acb(i)为第二匹配点云，ai为参考点云中的点，
Figure BDA0003377846700000131
为参考点云的匹配。
本发明中，为了得到有效的点云匹配，进行了正向与反向的查找，并通过反向查找的结果筛选正向查找的匹配。在得到有效匹配后便定义目标函数。与通常的点到面的ICP函数不同，本发明的目标函数也包含双向匹配的过程。所述目标函数如下：
Jbi(i)＝(ai-Tbi)T(Ωi，A+RΩi，BRT)(ai-Tbi)
式中，ai为参考点云中的点，T为参考点云与待配准点云的三维变换，bi为待配准点云中的点。
本发明提供的点云配准方法，通过渐进非凸性和自适应投票机制获取参考点云和待配准点云的旋转对应关系和平移参数，得到粗配准点云，并通过双向迭代最近点算法，对所述粗配准点云进行精配准，达到快速、准确的获取点云配准结果的效果。
下面对本发明提供的点云配准装置进行描述，下文描述的点云配准装置与上文描述的点云配准方法可相互对应参照。
图3是本发明提供的点云配准装置的结构示意图，如图3所示，主要包括对应关系模块301和结果获取模块302；其中，所述对应关系模块301，用于基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；结果获取模块302，用于基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
本发明提供的点云配准装置，通过获取待配准点云和参考点云之间的位置关系进行粗配准，得到初步配准后的粗配准点云，再通过双向迭代最近点算法对粗配准点云进行精配准，达到快速、准确的获取点云配准结果的效果。
基于上述实施例的内容，作为可选地，所述对应关系模块，还用于：
获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数；
基于所述旋转对应关系和所述平移参数，得到粗配准点云。
作为可选地，所述对应关系模块，还用于：
基于渐进非凸性进行全局旋转估计，获取所述待配准点云与所述参考点云之间的旋转对应关系；
基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数。
作为可选地，所述对应关系模块，还用于：
构建区间边界，获取每一区间的内点集；
基于所述内点集，获取每一所述内点集之间的距离；
基于所述内点集，获取最大内点集；
基于所述距离和所述最大内点集，获取所述平移参数。
作为可选地，所述对应关系模块，还用于：
通过允许修剪外点产生内点图，并基于所述内点图获取所述最大内点集。
作为可选地，所述结果获取模块，还用于：
获取粗配准点云中与所述参考点云最近的点，作为第一匹配点云；
基于所述第一匹配点云，获取粗配准点云的第一匹配子集；
获取所述第一匹配子集中与所述粗配准点云中最近的点，作为第二匹配点云；
基于所述第二匹配点云，获取所述参考点云的第二匹配子集；
基于所述第一匹配子集和所述第二匹配子集，获取配准结果。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行上述各方法实施例所提供的点云配准方法，该方法例如包括：基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法实施例所提供的点云配准方法，该方法例如包括：基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例所提供的点云配准方法，该方法例如包括：基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种点云配准方法，其特征在于，包括：
基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；
基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
2.根据权利要求1所述的点云配准方法，其特征在于，所述基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云，包括：
获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数；
基于所述旋转对应关系和所述平移参数，得到粗配准点云。
3.根据权利要求2所述的点云配准方法，其特征在于，所述获取所述待配准点云与所述参考点云之间的旋转对应关系和平移参数，包括：
基于渐进非凸性进行全局旋转估计，获取所述待配准点云与所述参考点云之间的旋转对应关系；
基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数。
4.根据权利要求3所述的点云配准方法，其特征在于，所述基于自适应投票机制，在多项式时间内获取所述待配准点云与所述参考点云之间的平移参数，还包括：
构建区间边界，获取每一区间的内点集；
基于所述内点集，获取每一所述内点集之间的距离；
基于所述内点集，获取最大内点集；
基于所述距离和所述最大内点集，获取所述平移参数。
5.根据权利要求4所述的点云配准方法，其特征在于，所述基于所述内点集，获取最大内点集，包括：
通过允许修剪外点产生内点图，并基于所述内点图获取所述最大内点集。
6.根据权利要求1所述的点云配准方法，其特征在于，所述基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果，包括：
获取粗配准点云中与所述参考点云最近的点，作为第一匹配点云；
基于所述第一匹配点云，获取粗配准点云的第一匹配子集；
获取所述第一匹配子集中与所述粗配准点云中最近的点，作为第二匹配点云；
基于所述第二匹配点云，获取所述参考点云的第二匹配子集；
基于所述第一匹配子集和所述第二匹配子集，获取配准结果。
7.一种点云配准装置，其特征在于，包括：
对应关系模块，用于基于参考点云与待配准点云之间的位置对应关系，得到粗配准点云；
结果获取模块，用于基于双向迭代最近点算法，对所述粗配准点云进行精配准，并获取配准结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述点云配准方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述点云配准方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述点云配准方法的步骤。
CN202111422335.9A 2021-11-26 2021-11-26 点云配准方法、装置、电子设备及存储介质 Pending CN114219717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422335.9A CN114219717A (zh) 2021-11-26 2021-11-26 点云配准方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422335.9A CN114219717A (zh) 2021-11-26 2021-11-26 点云配准方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114219717A true CN114219717A (zh) 2022-03-22

Family

ID=80698524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422335.9A Pending CN114219717A (zh) 2021-11-26 2021-11-26 点云配准方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114219717A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661220A (zh) * 2022-12-28 2023-01-31 深圳煜炜光学科技有限公司 点云数据配准方法、装置、设备及存储介质
CN116523982A (zh) * 2023-05-12 2023-08-01 北京长木谷医疗科技股份有限公司 基于相似度兼容性度量的稀疏点云配准方法及装置
WO2024002360A1 (zh) * 2022-06-30 2024-01-04 武汉联影智融医疗科技有限公司 配准方法、装置、计算机设备和可读存储介质
CN117765047A (zh) * 2024-02-22 2024-03-26 法奥意威(苏州)机器人系统有限公司 一种工件配准方法、装置、计算机设备及存储介质
CN116523982B (zh) * 2023-05-12 2024-05-03 北京长木谷医疗科技股份有限公司 基于相似度兼容性度量的稀疏点云配准方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024002360A1 (zh) * 2022-06-30 2024-01-04 武汉联影智融医疗科技有限公司 配准方法、装置、计算机设备和可读存储介质
CN115661220A (zh) * 2022-12-28 2023-01-31 深圳煜炜光学科技有限公司 点云数据配准方法、装置、设备及存储介质
CN115661220B (zh) * 2022-12-28 2023-03-17 深圳煜炜光学科技有限公司 点云数据配准方法、装置、设备及存储介质
CN116523982A (zh) * 2023-05-12 2023-08-01 北京长木谷医疗科技股份有限公司 基于相似度兼容性度量的稀疏点云配准方法及装置
CN116523982B (zh) * 2023-05-12 2024-05-03 北京长木谷医疗科技股份有限公司 基于相似度兼容性度量的稀疏点云配准方法及装置
CN117765047A (zh) * 2024-02-22 2024-03-26 法奥意威(苏州)机器人系统有限公司 一种工件配准方法、装置、计算机设备及存储介质
CN117765047B (zh) * 2024-02-22 2024-04-30 法奥意威(苏州)机器人系统有限公司 一种工件配准方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN114219717A (zh) 点云配准方法、装置、电子设备及存储介质
CN112179330B (zh) 移动设备的位姿确定方法及装置
CN107063228B (zh) 基于双目视觉的目标姿态解算方法
CN110070564B (zh) 一种特征点匹配方法、装置、设备及存储介质
WO2015135323A1 (zh) 一种摄像机跟踪方法及装置
Irschara et al. Towards wiki-based dense city modeling
CN109410316B (zh) 物体的三维重建的方法、跟踪方法、相关装置及存储介质
Melo et al. Unsupervised intrinsic calibration from a single frame using a" plumb-line" approach
CN109754459B (zh) 一种用于构建人体三维模型的方法及系统
CN111145232A (zh) 一种基于特征信息变化度的三维点云自动配准方法
WO2012044216A1 (en) Method and apparatus for solving position and orientation from correlated point features in images
JP2010513907A (ja) カメラシステムのキャリブレーション
CN112734837B (zh) 图像匹配的方法及装置、电子设备及车辆
CN111612731B (zh) 基于双目显微视觉的测量方法、装置、系统及介质
CN112184811B (zh) 单目空间结构光系统结构校准方法及装置
KR20220044442A (ko) 물체의 3d 표현을 생성하는 시스템 및 방법
CN116309880A (zh) 基于三维重建的物体位姿确定方法、装置、设备及介质
CN111105452A (zh) 基于双目视觉的高低分辨率融合立体匹配方法
CN111739071A (zh) 基于初始值的快速迭代配准方法、介质、终端和装置
CN113777593B (zh) 基于伺服电机辅助运动的多激光雷达外参标定方法和装置
CN111798453A (zh) 用于无人驾驶辅助定位的点云配准方法及其系统
CN111126436B (zh) 视觉匹配方法及装置
JP2006113832A (ja) ステレオ画像処理装置およびプログラム
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
KR20200142392A (ko) 동위의 3차원 마커 사이의 회전 및 이동 위치 추정 방법

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