CN114494379A - 基于fpfh的凸包辅助三维点云配准方法、设备及介质 - Google Patents
基于fpfh的凸包辅助三维点云配准方法、设备及介质 Download PDFInfo
- Publication number
- CN114494379A CN114494379A CN202210148085.2A CN202210148085A CN114494379A CN 114494379 A CN114494379 A CN 114494379A CN 202210148085 A CN202210148085 A CN 202210148085A CN 114494379 A CN114494379 A CN 114494379A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- fpfh
- transformation matrix
- point set
- 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
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
- 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 Analysis (AREA)
Abstract
本公开实施例中提供了一种基于FPFH的凸包辅助三维点云配准方法、设备及介质,属于数据处理技术领域,具体包括:计算获取的三维点云数据的凸包,再通过泊松采样获得凸包的点云,并去除点云中离群的点;根据凸包的点云计算FPFH特征,通过特征描述子相似性建立对应点点集;使用RANSAC算法,求出凸包点云的最优变换矩阵;再对获取的三维点云数据计算FPFH特征,通过特征描述子相似性建立对应点点集,通过凸包点云的变换矩阵对对应点点集进行筛选,并对筛选后的对应点点集进行验证,之后通过RANSA算法计算出最优变换矩阵,得到最终配准结果。通过本公开的方案,提高了配准效率和精准度。
Description
技术领域
本公开实施例涉及数据处理技术领域,尤其涉及一种基于FPFH的凸包辅助三维点云配准方法、设备及介质。
背景技术
目前,随着制造业的转型,智能制造对工业机器人的要求也越来越高,传统的通过编程来实现单一功能的机器人将无法满足制造业向高效率、低成本的方向发展的需求。在很多情况下,我们需要工业机器人具有测量、识别、分析、处理等更多高级的功能,因此,让工业机器人配备机器视觉成为了必不可少的一环。机器视觉摒弃了传统的通过接触来测量,使用了非接触式的测量方式,不仅解决了某些情况下无法直接接触目标物体的问题,也避免了由于接触式测量时操作不当等原因可能产生的绝对误差,同时对于精密、复杂物体难以测量的问题,使测量过程精简化、高效化,这在高度自动化的智能制造生产中起到的至关重要的作用。
同时随着工业领域中机器视觉的发展,不同的视觉技术也根据实际需求被提出,并且也广泛运用在其他领域中。机器视觉的描述维度也由CCD相机获得的二维图片发展到由深度相机、结构光等方案获得物体的三维图像和三维信息,同时可以对这些三维数据进行处理进而实现不同的需求,点云数据处理就是其中的一种。三维点云在制造业、文物保护、航空航天、虚拟现实、3D打印、医疗科学、影视制作等多个领域广泛运用。三维点云数据可以通过深度相机、激光雷达、结构光等多种方式得到,但是无论使用哪种方式,都只能获得三维目标物体的局部点云图像,要获得物体完整的点云数据,就需要使用到三维点云配准技术,三维点云配准技术是点云数据处理的技术基础。
但是现有的点云配准技术,在点云数据获取时的角度相差较大时(如90度),获得的三维点云数据会因为凸起、死角等原因,导致部分位置的点云数据无法采集,进而点云之间的重叠区域中的可以用来正确匹配的点的数量不足,导致直接使用点的FPFH特征描述子进行对应点匹配时正确的点对较少,会使最终的配准正确率不高,从而需要多次配准,增加了配准的不确定性,降低了配准的效率。
可见,亟需一种高效精准的基于FPFH的凸包辅助三维点云配准方法。
发明内容
有鉴于此,本公开实施例提供一种基于FPFH的凸包辅助三维点云配准方法、设备及介质,至少部分解决现有技术中存在点云配准效率和准确率较差的问题。
第一方面,本公开实施例提供了一种基于FPFH的凸包辅助三维点云配准方法,包括:
步骤1:根据空间目标物体的源点云P和目标点云Q,使用Quickhull算法分别计算所述源点云P和所述目标点云Q的凸包,得到Q(P)和Q(Q);
步骤2:对所述凸包Q(P)和Q(Q)进行泊松采样,得到点云Pc和Qc分别表示所述凸包Q(P)和Q(Q)的三维点云数据;
步骤3:根据预设条件筛选所述点云Pc和Qc中的点;
步骤4:对筛选后的点云Pc和Qc中的点分别计算其FPFH特征描述子,得到F(Pc)={F(pc),pc∈Pc},F(Qc)={F(qc),qc∈Qc},并根据所述FPFH特征描述子构建第一k-d树,其中,F(Pc)和F(Qc)分别表示筛选后的点云Pc和Qc的FPFH特征描述子,pc表示筛选后的点云Pc中的点,qc表示筛选后的点云Qc中的点;
步骤5:对于筛选后的点云Pc中的每一个点的特征描述子F(Pc),在点云Qc中通过所述第一k-d树查询与该点最相似的FPFH特征描述子F(qc),则Pc和qc为一组对应点,得到筛选后的点云Pc对Qc的对应点点集Kpqc,以及,同理得到筛选后的点云Qc对Pc的对应点集Kqpc,选择对应点集Kpqc和Kqpc同时包含的点对建立对应点集Kc;
步骤6:根据所述对应点集Kc,采用RANSAC算法迭代计算最优变换矩阵Tc;
步骤7:对所述源点云P和所述目标点云Q中的点分别计算其FPFH特征描述子,得到F(P)={F(p),p∈P},F(Q)={F(q),q∈Q}并对点云的FPFH特征描述子构建第二k-d树,其中,F(P)和F(Q)分别表示P和Q的FPFH特征描述子,其中p表示所述源点云P中的点,q表示所述目标点云Q中的点;
步骤8:对于所述源点云P中的每一个点的特征描述子F(Pi),在所述目标点云Q中通过所述第二k-d树查询与该点最相似的FPFH特征描述子F(q),则p和q为一组对应点,得到所述源点云P对Q的对应点点集Kpq,以及,同理得到所述目标点云Q对P的对应点集Kqp,选择对应点集Kpq和Kqp同时包含的点对建立对应点集K;
步骤9:最优变换矩阵Tc筛选所述对应点集K,通过筛选得到新的点集,同时对所述新的点集进行验证;
步骤10:利用所述新的点集,采用所述RANSAC算法迭代求取最优变换矩阵T,进行预设次数的迭代且每次迭代采样过程与步骤6相同,得到所述源点云P和所述目标点云Q的关系变换矩阵,并通过所述关系变换矩阵对所述源点云P进行变换得到配准结果。
根据本公开实施例的一种具体实现方式,所述步骤3中,所述预设条件为:对于所述点云Pc中的点pc,所述源点云P存在点p属于以pc为中心的半径为R的球形内,同理,对于所述点云Qc中的点qc,所述目标点云Q存在点q属于以qc为中心的半径为R的球形内,即:
其中,R为设定的距离阈值。
根据本公开实施例的一种具体实现方式,所述步骤6,包括:
在所述对应点集Kc中随机选择3对对应点建立点集Kcn,然后利用点集Kcn通过Umeyama算法计算初始变换矩阵Tci;
评估所述初始变换矩阵Tci的变换矩阵的适应度的和平均误差,当本次所述初始变换矩阵适应度平均误差满足预设条件时,则更新所述最优变换矩阵Tc=Tci。
根据本公开实施例的一种具体实现方式,所述步骤9中,将所述对应点集K中满足筛选条件的点保留,得到新的点集,其中,所述筛选条件为
其中,r为筛选阈值。
第二方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于FPFH的凸包辅助三维点云配准方法。
第三方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于FPFH的凸包辅助三维点云配准方法。
第四方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于FPFH的凸包辅助三维点云配准方法。
本公开实施例中的基于FPFH的凸包辅助三维点云配准方案,包括:步骤1:根据空间目标物体的源点云P和目标点云Q,使用Quickhull算法分别计算所述源点云P和所述目标点云Q的凸包,得到Q(P)和Q(Q);步骤2:对所述凸包Q(P)和Q(Q)进行泊松采样,得到点云Pc和Qc分别表示所述凸包Q(P)和Q(Q)的三维点云数据;步骤3:根据预设条件筛选所述点云Pc和Qc中的点;步骤4:对筛选后的点云Pc和Qc中的点分别计算其FPFH特征描述子,得到F(Pc)={F(pc),pc∈Pc},F(Qc)={F(qc),qc∈Qc},并根据所述FPFH特征描述子构建第一k-d树,其中,F(Pc)和F(Qc)分别表示筛选后的点云Pc和Qc的FPFH特征描述子,pc表示筛选后的点云Pc中的点,qc表示筛选后的点云Qc中的点;步骤5:对于筛选后的点云Pc中的每一个点的特征描述子F(Pc),在点云Qc中通过所述第一k-d树查询与该点最相似的FPFH特征描述子F(qc),则Pc和qc为一组对应点,得到筛选后的点云Pc对Qc的对应点点集Kpqc,以及,同理得到筛选后的点云Qc对Pc的对应点集Kqpc,选择对应点集Kpqc和Kqpc同时包含的点对建立对应点集Kc;步骤6:根据所述对应点集Kc,采用RANSAC算法迭代计算最优变换矩阵Tc;步骤7:对所述源点云P和所述目标点云Q中的点分别计算其FPFH特征描述子,得到F(P)={F(p),p∈P},F(Q)={F(q),q∈Q}并对点云的FPFH特征描述子构建第二k-d树,其中,F(P)和F(Q)分别表示P和Q的FPFH特征描述子,其中p表示所述源点云P中的点,q表示所述目标点云Q中的点;步骤8:对于所述源点云P中的每一个点的特征描述子F(Pi),在所述目标点云Q中通过所述第二k-d树查询与该点最相似的FPFH特征描述子F(q),则p和q为一组对应点,得到所述源点云P对Q的对应点点集Kpq,以及,同理得到所述目标点云Q对P的对应点集Kqp。选择对应点集Kpq和Kqp同时包含的点对建立对应点集K;步骤9:最优变换矩阵Tc筛选所述对应点集K,通过筛选得到新的点集,同时对所述新的点集进行验证;步骤10:利用所述新的点集,采用所述RANSAC算法迭代求取最优变换矩阵T,进行预设次数的迭代且每次迭代采样过程与步骤6相同,得到所述源点云P和所述目标点云Q的关系变换矩阵,并通过所述关系变换矩阵对所述源点云P进行变换得到配准结果。
本公开实施例的有益效果为:通过本公开的方案,将三维点云数据和其凸包进行有效的结合,优化了由于对应点集中有效对应点对比例较低导致的难以配准问题;
通过三维点云的凸包计算得到的变换矩阵,对利用特征值建立对应点集进行筛选,有效剔除了错误对应关系,提高了有效对应点对的比例,提升了后续配准的效率;
通过凸包对配准进行辅助,利用凸包的特性描述了三维点云数据的外部特征,增大了获取三维点云数据时的角度,减少了三维重建时所需要的数据量。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种基于FPFH的凸包辅助三维点云配准方法的流程示意图;
图2为本公开实施例提供的一种基于FPFH的凸包辅助三维点云配准方法的配准方法总体设计示意图;
图3为本公开实施例提供的一种三维点云数据示意图;
图4为本公开实施例提供的一种凸包的点云数据示意图;
图5为本公开实施例提供的一种凸包的点云数据配准结果示意图;
图6为本公开实施例提供的一种三维点云数据配准结果示意图;
图7为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于FPFH的凸包辅助三维点云配准方法,所述方法可以应用于奇迹视觉场景的三维点云配准过程中。
参见图1,为本公开实施例提供的一种基于FPFH的凸包辅助三维点云配准方法的流程示意图。如图1和图2所示,所述方法主要包括以下步骤:
步骤1:根据空间目标物体的源点云P和目标点云Q,使用Quickhull算法分别计算所述源点云P和所述目标点云Q的凸包,得到Q(P)和Q(Q);
具体实施时,可以根据空间目标物体的三维点云数据P、Q,如图3所示,其中,(a)为所述源点云P,(b)为所述目标点云Q。然后通过所述Quickhull算法分别计算点云数据的凸包,得到Q(P)和Q(Q)分别表示所述源点云P和所述目标点云Q的凸包。所述Quickhull算法步骤如下:
1.1、根据需要计算的凸包是三维,首先从点云中随机选择不在同一平面上的4个点构成一个单纯复型,即一个四面体,以每个面为基准,产生四个超平面。
1.2、对于每个超平面F,遍历点云中所有没有被访问过的点p,如果该点p在超平面的上方,将储存在F的外部点集中。遍历所有超平面,获得外部点集。
1.3、对于每个外部点集不为空的超平面F,选择F外部点集中距离最远的点p,初始化可见超平面集V为F,对V中的所有超平面的未访问过的相邻超平面N,如果点p在N的上方,则将N加入到集合V中。
1.4、脊集合H为超平面集V中超平面的边界,对于H中的每个脊R,将R与p构建一个新的超平面F’,连接新的超平面与它的相邻超平面。
1.5、对于每个新的超平面F’,访问超平面集V中的每个超平面的外部点集中的点q,如果点q在F’的上方,将其存储在F’的外部点集中。
1.6、删除V中的超平面,重复步骤1.2直到所有超平面的外部点集为空,得到Q(P)和Q(Q)分别表示所述源点云P和所述目标点云Q的凸包。如图4所示,其中,(a)为所述源点云P的凸包,(b)为所述目标点云Q的凸包。
步骤2:对所述凸包Q(P)和Q(Q)进行泊松采样,得到点云Pc和Qc分别表示所述凸包Q(P)和Q(Q)的三维点云数据;
具体实施时,在得到所述凸包Q(P)和Q(Q)后,可以对所述凸包Q(P)和Q(Q)进行泊松采样,得到点云Pc和Qc分别表示所述凸包Q(P)和Q(Q)的三维点云数据。当然,还可以采用其他的采样方法,在此不进行列举。
步骤3:根据预设条件筛选所述点云Pc和Qc中的点;
可选的,所述预设条件为:对于所述点云Pc中的点pc,所述源点云P存在点p属于以pc为中心的半径为R的球形内,同理,对于所述点云Qc中的点qc,所述目标点云Q存在点q属于以qc为中心的半径为R的球形内,即:
其中,R为设定的距离阈值。
例如,可以筛选所述点云Pc和Qc中的点,对所述点云Pc和Qc中的点需要满足以下条件:
对于点云Pc中的点pci,点云P存在点pi属于以pci为中心的半径为R的球形内,同理,对于点云Qc中的点qci,目标点云Q存在点qi属于以qci为中心的半径为R的球形内。即:
其中,R为设定的距离阈值,R=0.006m;
对筛选后的点云Pc和Qc中的点计算法线,计算法线时的搜索半径为0.005m。当然,所述距离阈值和所述搜索半径可以根据实际需要进行调整。
步骤4:对筛选后的点云Pc和Qc中的点分别计算其FPFH特征描述子,得到F(Pc)={F(pc),pc∈Pc},F(Qc)={F(qc),qc∈Qc},并根据所述FPFH特征描述子构建第一k-d树,其中,F(Pc)和F(Qc)分别表示筛选后的点云Pc和Qc的FPFH特征描述子,pc表示筛选后的点云Pc中的点,qc表示筛选后的点云Qc中的点;
具体实施时,可以对筛选后的点云Pc和Qc分别计算其FPFH特征描述子,搜索半径为0.005m,得到F(Pc)={F(pc),pc∈Pc},F(Qc)={F(qc),qc∈Qc}分别表示Pc和Qc的FPFH点特征,其中pci表示三维点云Pc中的点,qci表示三维点云Qc中的点,并对点云的FPFH特征构建所述第一k-d树用于查询。
步骤5:对于筛选后的点云Pc中的每一个点的特征描述子F(Pc),在点云Qc中通过所述第一k-d树查询与该点最相似的FPFH特征描述子F(qc),则Pc和qc为一组对应点,得到筛选后的点云Pc对Qc的对应点点集Kpqc,以及,同理得到筛选后的点云Qc对Pc的对应点集Kqpc,选择对应点集Kpqc和Kqpc同时包含的点对建立对应点集Kc;
具体实施时,对于筛选后的点云Pc中的每一个点的特征描述子F(Pc),在点云Qc中通过所述第一k-d树查询与该点最相似的FPFH特征描述子F(qc),则Pc和qc为一组对应点,得到筛选后的点云Pc对Qc的对应点点集Kpqc,以及,同理得到筛选后的点云Qc对Pc的对应点集Kqpc,选择对应点集Kpqc和Kqpc同时包含的点对建立对应点集Kc,通过将三维点云数据和其凸包进行有效的结合,优化了由于对应点集中有效对应点对比例较低导致的难以配准问题,凸包的点云数据配准结果如图5所示。
步骤6:根据所述对应点集Kc,采用RANSAC算法迭代计算最优变换矩阵Tc;
进一步的,所述步骤6,包括:
在所述对应点集Kc中随机选择3对对应点建立点集Kcn,然后利用点集Kcn通过Umeyama算法计算初始变换矩阵Tci;
评估所述初始变换矩阵Tci的变换矩阵的适应度的和平均误差,当本次所述初始变换矩阵适应度平均误差满足预设条件时,则更新所述最优变换矩阵Tc=Tci。
例如,利用所述对应点集Kc,采用所述RANSAC算法迭代计算最优变换矩阵Tc,设置迭代执行次数为n,n设定为100000,每次迭代采样过程如下:
a)在对应点集Kc中随机选择3对对应点(pci,qci)建立点集Kcn,利用点集Kcn通过所述Umeyama算法计算所述初始变换矩阵Tci,所述初始变换矩阵Tci是用来描述点集Kcn中点云Pc和点云Qc的点进行刚性变换时的变换关系,所述初始变换矩阵Tci表示如下:
其中,R表示旋转分量矩阵,t表示平移分量矩阵;
b)对于所述初始变换矩阵Tci,需要满足以下条件,否则结束本次采样:
其中,μ为距离阈值参数,μ=0.005;τ为比例阈值参数,τ=0.9;
c)对于对应点集Kc,将所有符合以下条件的对应点对(pci,qci)建立对应点集Kce:
评估当前所述初始变换矩阵Tci,评估参数为Fci和RMSEci,分别表示变换矩阵的适应度的和平均误差,表示如下:
其中card(·)表示集合中元素的个数。
若满足以下条件之一:
更新最优变换矩阵Tc=Tci,同时记录当前变换矩阵的评估参数Fc=Fci,RMSEc=RMSEci。
经过步骤6,得到所述最优变换矩阵Tc。
步骤7:对所述源点云P和所述目标点云Q中的点分别计算其FPFH特征描述子,得到F(P)={F(p),p∈P},F(Q)={F(q),q∈Q}并对点云的FPFH特征描述子构建第二k-d树,其中,F(P)和F(Q)分别表示P和Q的FPFH特征描述子,其中p表示所述源点云P中的点,q表示所述目标点云Q中的点;
具体实施时,可以对述源点云P和所述目标点云Q中的点分别计算其FPFH特征描述子,得到F(P)={F(p),p∈P},F(Q)={F(q),q∈Q},利用F(P)和F(Q)分别表示P和Q的FPFH特征描述子,其中p表示所述源点云P中的点,q表示所述目标点云Q中的点,并对点云的FPFH特征描述子构建第二k-d树。
步骤8:对于所述源点云P中的每一个点的特征描述子F(Pi),在所述目标点云Q中通过所述第二k-d树查询与该点最相似的FPFH特征描述子F(q),则p和q为一组对应点,得到所述源点云P对Q的对应点点集Kpq,以及,同理得到所述目标点云Q对P的对应点集Kqp,选择对应点集Kpq和Kqp同时包含的点对建立对应点集K;
具体实施时,在得到所述第二k-d树后,对于所述源点云P中的每一个点的特征描述子F(Pi),可以在所述目标点云Q中通过所述第二k-d树查询与该点最相似的FPFH特征描述子F(q),则p和q为一组对应点,得到所述源点云P对Q的对应点点集Kpq,以及,同理得到所述目标点云Q对P的对应点集Kqp。选择对应点集Kpq和Kqp同时包含的点对建立对应点集K。
步骤9:最优变换矩阵Tc筛选所述对应点集K,通过筛选得到新的点集,同时对所述新的点集进行验证;
可选的,所述步骤9中,将所述对应点集K中满足筛选条件的点保留,得到新的点集,其中,所述筛选条件为
其中,r为筛选阈值。
具体实施时,在得到所述对应点集K后,可以通过凸包点云计算得到的变换矩阵Tc筛选所述对应点集点集K,只有满足以下条件才在点集K中保留:
其中,r为筛选阈值,r=0.005m。
通过筛选得到新的对应点点集Ke,同时对点集Ke进行验证:
对于所述对应点集K,将所有符合以下条件的对应点对(pi,qj)建立对应点集Ke:
其中τ为比例阈值参数,τ=0.9。
其中γ为比例参数,γ=0.6,
当满足以上条件是认为该点集Ke为有效的。
步骤10:利用所述新的点集,采用所述RANSAC算法迭代求取最优变换矩阵T,进行预设次数的迭代且每次迭代采样过程与步骤6相同,得到所述源点云P和所述目标点云Q的关系变换矩阵,并通过所述关系变换矩阵对所述源点云P进行变换得到配准结果。
具体实施时,在得到新的点集Ke后,可以利用所述新的点集Ke,采用所述RANSAC算法迭代求取最优变换矩阵T,进行预设次数的迭代且每次迭代采样过程与步骤6相同,得到所述源点云P和所述目标点云Q的关系变换矩阵,并通过所述关系变换矩阵对所述源点云P进行变换得到配准结果如图6所示。
本实施例提供的基于FPFH的凸包辅助三维点云配准方法,通过将三维点云数据和其凸包进行有效的结合,优化了由于对应点集中有效对应点对比例较低导致的难以配准问题;通过三维点云的凸包计算得到的变换矩阵,对利用特征值建立对应点集进行筛选,有效剔除了错误对应关系,提高了有效对应点对的比例,提升了后续配准的效率;通过凸包对配准进行辅助,利用凸包的特性描述了三维点云数据的外部特征,增大了获取三维点云数据时的角度,减少了三维重建时所需要的数据量。
参见图7,本公开实施例还提供了一种电子设备70,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于FPFH的凸包辅助三维点云配准方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于FPFH的凸包辅助三维点云配准方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于FPFH的凸包辅助三维点云配准方法。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备70的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备70操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备70与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备70,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于FPFH的凸包辅助三维点云配准方法,其特征在于,包括:
步骤1:根据空间目标物体的源点云P和目标点云Q,使用Quickhull算法分别计算所述源点云P和所述目标点云Q的凸包,得到Q(P)和Q(Q);
步骤2:对所述凸包Q(P)和Q(Q)进行泊松采样,得到点云Pc和Qc分别表示所述凸包Q(P)和Q(Q)的三维点云数据;
步骤3:根据预设条件筛选所述点云Pc和Qc中的点;
步骤4:对筛选后的点云Pc和Qc中的点分别计算其FPFH特征描述子,得到F(Pc)={F(pc),pc∈Pc},F(Qc)={F(qc),qc∈Qc},并根据所述FPFH特征描述子构建第一k-d树,其中,F(Pc)和F(Qc)分别表示筛选后的点云Pc和Qc的FPFH特征描述子,pc表示筛选后的点云Pc中的点,qc表示筛选后的点云Qc中的点;
步骤5:对于筛选后的点云Pc中的每一个点的特征描述子F(Pc),在点云Qc中通过所述第一k-d树查询与该点最相似的FPFH特征描述子F(qc),则Pc和qc为一组对应点,得到筛选后的点云Pc对Qc的对应点点集Kpqc,以及,同理得到筛选后的点云Qc对Pc的对应点集Kqpc,选择对应点集Kpqc和Kqpc同时包含的点对建立对应点集Kc;
步骤6:根据所述对应点集Kc,采用RANSAC算法迭代计算最优变换矩阵Tc;
步骤7:对所述源点云P和所述目标点云Q中的点分别计算其FPFH特征描述子,得到F(P)={F(p),p∈P},F(Q)={F(q),q∈Q}并对点云的FPFH特征描述子构建第二k-d树,其中,F(P)和F(Q)分别表示P和Q的FPFH特征描述子,其中p表示所述源点云P中的点,q表示所述目标点云Q中的点;
步骤8:对于所述源点云P中的每一个点的特征描述子F(Pi),在所述目标点云Q中通过所述第二k-d树查询与该点最相似的FPFH特征描述子F(q),则p和q为一组对应点,得到所述源点云P对Q的对应点点集Kpq,以及,同理得到所述目标点云Q对P的对应点集Kqp,选择对应点集Kpq和Kqp同时包含的点对建立对应点集K;
步骤9:最优变换矩阵Tc筛选所述对应点集K,通过筛选得到新的点集,同时对所述新的点集进行验证;
步骤10:利用所述新的点集,采用所述RANSAC算法迭代求取最优变换矩阵T,进行预设次数的迭代且每次迭代采样过程与步骤6相同,得到所述源点云P和所述目标点云Q的关系变换矩阵,并通过所述关系变换矩阵对所述源点云P进行变换得到配准结果。
3.根据权利要求1所述的方法,其特征在于,所述步骤6,包括:
在所述对应点集Kc中随机选择3对对应点建立点集Kcn,然后利用点集Kcn通过Umeyama算法计算初始变换矩阵Tci;
评估所述初始变换矩阵Tci的变换矩阵的适应度的和平均误差,当本次所述初始变换矩阵适应度平均误差满足预设条件时,则更新所述最优变换矩阵Tc=Tci。
5.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-4中任一项所述的基于FPFH的凸包辅助三维点云配准方法。
6.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-4中任一项所述的基于FPFH的凸包辅助三维点云配准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148085.2A CN114494379A (zh) | 2022-02-17 | 2022-02-17 | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148085.2A CN114494379A (zh) | 2022-02-17 | 2022-02-17 | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494379A true CN114494379A (zh) | 2022-05-13 |
Family
ID=81483276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148085.2A Pending CN114494379A (zh) | 2022-02-17 | 2022-02-17 | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494379A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934734A (zh) * | 2024-03-25 | 2024-04-26 | 北京思路智园科技有限公司 | 基于cv和vr的企业危险工艺动态场景模拟方法及系统 |
-
2022
- 2022-02-17 CN CN202210148085.2A patent/CN114494379A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934734A (zh) * | 2024-03-25 | 2024-04-26 | 北京思路智园科技有限公司 | 基于cv和vr的企业危险工艺动态场景模拟方法及系统 |
CN117934734B (zh) * | 2024-03-25 | 2024-06-07 | 北京思路智园科技有限公司 | 基于cv和vr的企业危险工艺动态场景模拟方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898086B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
CN110276346B (zh) | 目标区域识别模型训练方法、装置和计算机可读存储介质 | |
CN112258512B (zh) | 点云分割方法、装置、设备和存储介质 | |
CN110276345B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
CN111815754A (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
CN110287955B (zh) | 目标区域确定模型训练方法、装置和计算机可读存储介质 | |
CN109754464B (zh) | 用于生成信息的方法和装置 | |
CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
Lai et al. | A real-time range finding system with binocular stereo vision | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN116844129A (zh) | 多模态特征对齐融合的路侧目标检测方法、系统及装置 | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN114494379A (zh) | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 | |
Tian et al. | Automatic feature type selection in digital photogrammetry of piping | |
CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN109816791B (zh) | 用于生成信息的方法和装置 | |
CN115713560A (zh) | 一种摄像头和车辆的外参数标定方法及装置、电子设备、存储介质 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN116798027A (zh) | 基于多尺度特征提取的三维点云实时云匹配方法及装置 | |
CN114743395B (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN114694257A (zh) | 多人实时三维动作识别评估方法、装置、设备及介质 |
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 |