CN114511673A - 一种基于改进icp的海底局部环境初步构建方法 - Google Patents
一种基于改进icp的海底局部环境初步构建方法 Download PDFInfo
- Publication number
- CN114511673A CN114511673A CN202210091474.6A CN202210091474A CN114511673A CN 114511673 A CN114511673 A CN 114511673A CN 202210091474 A CN202210091474 A CN 202210091474A CN 114511673 A CN114511673 A CN 114511673A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- distance
- cloud data
- point cloud
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/61—Scene description
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于改进ICP的海底局部环境初步构建方法,包括:特征点提取:对ISS算法进行改进,使该算法忽略尺度信息带来的影响,由此在点云数据中提取特征点;特征点描述:对FPFH算法进行改进,减弱该算法对于法向量的依赖性,由此对特征点进行描述;特征点匹配:利用RANSAC算法实现两帧点云特征点的匹配,初步估计出两帧点云数据的位姿关系;点云数据匹配及局部环境构建:利用改进的ICP方法,进一步优化当前两帧点云数据的匹配效果。本发明对ISS算法所进行的改进,可使该算法在一定程度上忽略点云数据尺度信息带来的影响。
Description
技术领域
本发明属于同时定位与构图技术领域,具体涉及一种基于改进ICP的海底局部环境初步构建方法。
背景技术
随着三维实时成像声呐的出现,使得水下实时稠密点云数据的直接获取成为可能,这在一方面可加快水下SLAM技术的发展。在经典的水下环境建图方法中,一般都是结合运载体的导航系统来确定所采集数据的空间信息的,而如果运载体的导航系统无法正常工作时,那么水下环境构建基本是无法完成的。为了能在运载体的导航系统无法正常工作时仍然能进行局部的环境构建,故设计了一种仅基于点云数据的局部环境初步构建方法,该方法对经典的ISS(Intrinsic Shape Signatures)、FPFH(Fast Point FeatureHistograms)和RANSAC(Random Sample Consensus)算法都进行了优化。
发明内容
本发明的目的是为了提供一种短时间内不需要依赖惯导导航系统的基于改进ICP的局部环境初步构建方法。
本发明的目的是这样实现的:包括如下步骤:
步骤1:特征点提取:对ISS算法进行改进,使该算法忽略尺度信息带来的影响,由此在点云数据中提取特征点;
步骤2:特征点描述:对FPFH算法进行改进,减弱该算法对于法向量的依赖性,由此对特征点进行描述;
步骤3:特征点匹配:利用RANSAC算法实现两帧点云特征点的匹配,初步估计出两帧点云数据的位姿关系;
步骤4:点云数据匹配及局部环境构建:利用改进的ICP方法,进一步优化当前两帧点云数据的匹配效果。
本发明还包括:
1.步骤1中特征点提取具体为:
在经典的ISS算法中,对于pki,在计算协方差矩阵Cov(pki)前,设定给定参数r;
在ΔPki的所有元素的各个维度上选择绝对值最大的一个值,令该值为rmax;
2.步骤2中特征点描述具体为:
4.步骤3中特征点匹配具体为:
k和k+1时刻所得到的点云数据为Pk和Pk+1,描述子点集为Xk、Xk+1;
其中,对于Ck,k+1中的第i个元素有ci={fk,i,fk+1,i},fk,i∈Xk,fk+1,i∈Xk+1;
计算Dk,d中距离的平均值dk,mean;
给定距离尺度系数Kscale的值,并确定dinlier为:dinlier=Kscale*dmean;
利用RANSAC来估计Pk和Pk+1间的位姿关系,且使用dinlier来判断Pk和Pk+1中配对成功的点数,即可得到旋转矩阵Rk→k+1和平移向量tk→k+1。
5.步骤4中点云数据匹配及局部环境构建为:
利用初始估计的位姿Rk→k+1和tk→k+1对Pk进行变换得到Pk,k→k+1,即;Pk,k→k+1=Rk→k+1Pk+tk→k+1;
从Pk,k→k+1中选出位于曲率较低处的点;
使用非极大值抑制的方法使选取的点分布均匀;
通过非线性优化的方法对error(Rk→k+1,tk→k+1)进行优化,得到ΔRk→k+1和Δtk→k+1;
利用ΔRk→k+1与Δtk→k+1对Rk→k+1与tk→k+1进行更新;
而后继续对新的Rk→k+1与tk→k+1进行迭代优化,当到达迭代次数nt时,停止优化操作,其中,nt为给定值;
通过Rk→k+1与tk→k+1即可实现第k帧点云数据Pk与第k+1帧点云数据Pk+1间的匹配;
通过不断地将各连续帧的点云数据进行匹配,即可逐步实现对海底局部环境的初步构建。
与现有技术相比,本发明的有益效果是:本发明对ISS算法所进行的改进,可使该算法在一定程度上忽略点云数据尺度信息带来的影响。本发明对FPFH算法进行的改进,可在一定程度上加固该算法中参考法向量的稳定性。本发明在RANSAC算法中判断两对点匹配成功的距离可以忽视点云密度及尺度所带来的影响。本发明可实现对海底局部环境的初步构建。
附图说明
图1为本发明初步构建局部环境的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,一种基于改进ICP的海底局部环境初步构建方法,包括如下步骤:
特征点提取步骤:对ISS算法进行改进,使该算法忽略尺度信息带来的影响,由此在点云数据中提取特征点;
特征点描述步骤:对FPFH算法进行改进,减弱该算法对于法向量的依赖性,由此对特征点进行描述;
特征点匹配步骤:利用RANSAC算法实现两帧点云特征点的匹配,初步估计出两帧点云数据的位姿关系;
点云数据匹配及局部环境构建步骤:利用改进的ICP方法,进一步优化当前两帧点云数据的匹配效果。
实施例1:特征点提取步骤
在经典的ISS算法中,对于pki,在计算协方差矩阵Cov(pki)前,设定给定参数r;
在ΔPki的所有元素的各个维度上选择绝对值最大的一个值,令该值为rmax;
实施例2:特征点描述步骤
实施例3:参考单位向量
实施例4:特征点匹配
k和k+1时刻所得到的点云数据为Pk和Pk+1,描述子点集为Xk、Xk+1;
其中,对于Ck,k+1中的第i个元素有ci={fk,i,fk+1,i},fk,i∈Xk,fk+1,i∈Xk+1;
计算Dk,d中距离的平均值dk,mean;
给定距离尺度系数Kscale的值,并确定dinlier为:dinlier=Kscale*dmean;
利用RANSAC来估计Pk和Pk+1间的位姿关系,且使用dinlier来判断Pk和Pk+1中配对成功的点数,即可得到旋转矩阵Rk→k+1和平移向量tk→k+1。
实施例5:点云数据匹配及局部环境构建
利用初始估计的位姿Rk→k+1和tk→k+1对Pk进行变换得到Pk,k→k+1,即;Pk,k→k+1=Rk→k+1Pk+tk→k+1;
从Pk,k→k+1中选出位于曲率较低处的点;
使用非极大值抑制的方法使选取的点分布均匀;
通过非线性优化的方法对error(Rk→k+1,tk→k+1)进行优化,得到ΔRk→k+1和Δtk→k+1;
利用ΔRk→k+1与Δtk→k+1对Rk→k+1与tk→k+1进行更新;
而后继续对新的Rk→k+1与tk→k+1进行迭代优化,当到达迭代次数nt时,停止优化操作,其中,nt为给定值;
通过Rk→k+1与tk→k+1即可实现第k帧点云数据Pk与第k+1帧点云数据Pk+1间的匹配;
k时刻到k+υ(υ>0)时刻采集的点云数据集为Pk,k+υ={Pk,Pk+1,…,Pk+υ};
通过不断地将Pk,k+υ中每两帧点云数据拼接起来,即可初步得到海底的局部环境构图。
实施例6.曲率较低处
其中,R3>R2;
计算出μi、Σi;
若α<αthreshold,且λ1<δλ2,则认为pi位于曲率较低处,αthreshold为给定的曲率阈值;
否则,认为pi没有位于曲率较低处;
其中,0<δ<1。
实施例8.误差函数error(Rk→k+1,tk→k+1)
Claims (6)
1.一种基于改进ICP的海底局部环境初步构建方法,其特征在于,步骤如下:
步骤1:特征点提取:对ISS算法进行改进,使该算法忽略尺度信息带来的影响,由此在点云数据中提取特征点;
步骤2:特征点描述:对FPFH算法进行改进,减弱该算法对于法向量的依赖性,由此对特征点进行描述;
步骤3:特征点匹配:利用RANSAC算法实现两帧点云特征点的匹配,初步估计出两帧点云数据的位姿关系;
步骤4:点云数据匹配及局部环境构建:利用改进的ICP方法,进一步优化当前两帧点云数据的匹配效果。
2.根据权利要求1所述的一种基于改进ICP的海底局部环境初步构建方法,其特征在于,步骤1中特征点提取具体为:设k时刻采集到的一帧三维点云数据为其中pki={(xki,yki,zki)|1≤i≤nk},表示Pk中的第i个点在空间中的坐标位置;
5.根据权利要求1所述的一种基于改进ICP的海底局部环境初步构建方法,其特征在于,步骤3中特征点匹配具体为:k和k+1时刻所得到的点云数据为Pk和Pk+1,描述子点集为Xk、Xk+1;对Xk和Xk+1中的描述子进行配对操作,去除那些空间中相差较远的特征点配对结果,得到的配对结果记为其中,对于Ck,k+1中的第i个元素有ci={fk,i,fk+1,i},fk,i∈Xk,fk+1,i∈Xk+1;计算Pk中每个点到其最近邻居点的距离,则有距离集合:计算Dk,d中距离的平均值dk,mean;给定距离尺度系数Kscale的值,并确定dinlier为:dinlier=Kscale*dmean;利用RANSAC来估计Pk和Pk+1间的位姿关系,且使用dinlier来判断Pk和Pk+1中配对成功的点数,即可得到旋转矩阵Rk→k+1和平移向量tk→k+1。
6.根据权利要求1所述的一种基于改进ICP的海底局部环境初步构建方法,其特征在于,步骤4中点云数据匹配及局部环境构建为:
利用初始估计的位姿Rk→k+1和tk→k+1对Pk进行变换得到Pk,k→k+1,即;Pk,k→k+1=Rk→k+1Pk+tk→k+1;从Pk,k→k+1中选出位于曲率较低处的点;使用非极大值抑制的方法使选取的点分布均匀;得到的标准点集记为其中np,k表示中点的数量;
从Pk+1中选出距离点最近的λ个点,记为再从中选出距离点小于给定距离D1的点集其中,γi表示中点的数量;中距离最近的一个点记为pnst-nbor,比较pnst-nbir与两点处的法向量,若两法向量的夹角在区间[θt,180°-θt],则将从中舍去,其中θt为给定值;
对于中的每个点集,计算这些点集中的点在Pk,k→k+1中的最近邻,若最近邻没有位于平面上,或最近邻距离中相应点的距离超过给定距离R2,则将相应点集从剔除,且R2>R1;得到相应的最近邻点集记为 每个点集中的点对应的法向量所组成的集合记为将中的点投影至标准点集的对应点中,得到投影点集
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091474.6A CN114511673B (zh) | 2022-01-26 | 2022-01-26 | 一种基于改进icp的海底局部环境初步构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091474.6A CN114511673B (zh) | 2022-01-26 | 2022-01-26 | 一种基于改进icp的海底局部环境初步构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511673A true CN114511673A (zh) | 2022-05-17 |
CN114511673B CN114511673B (zh) | 2022-12-09 |
Family
ID=81549338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210091474.6A Active CN114511673B (zh) | 2022-01-26 | 2022-01-26 | 一种基于改进icp的海底局部环境初步构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511673B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296693A (zh) * | 2016-08-12 | 2017-01-04 | 浙江工业大学 | 基于3d点云fpfh特征实时三维空间定位方法 |
US20190057511A1 (en) * | 2017-08-18 | 2019-02-21 | A.Tron3D Gmbh | Method for registering at least two different 3d models |
CN109493372A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
CN110930495A (zh) * | 2019-11-22 | 2020-03-27 | 哈尔滨工业大学(深圳) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 |
CN111415379A (zh) * | 2020-03-23 | 2020-07-14 | 南京大学 | 一种基于布谷鸟优化的三维点云数据配准方法 |
JP2020139891A (ja) * | 2019-02-28 | 2020-09-03 | クモノスコーポレーション株式会社 | 球形マーカー検出方法 |
CN112950682A (zh) * | 2021-02-07 | 2021-06-11 | 南京航空航天大学 | 一种基于小波变换与尺度表征的跨尺度点云配准算法 |
CN113702941A (zh) * | 2021-08-09 | 2021-11-26 | 哈尔滨工程大学 | 一种基于改进icp的点云测速方法 |
CN113886510A (zh) * | 2021-09-18 | 2022-01-04 | 鹏城实验室 | 一种终端交互方法、装置、设备及存储介质 |
-
2022
- 2022-01-26 CN CN202210091474.6A patent/CN114511673B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296693A (zh) * | 2016-08-12 | 2017-01-04 | 浙江工业大学 | 基于3d点云fpfh特征实时三维空间定位方法 |
US20190057511A1 (en) * | 2017-08-18 | 2019-02-21 | A.Tron3D Gmbh | Method for registering at least two different 3d models |
CN109493372A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
JP2020139891A (ja) * | 2019-02-28 | 2020-09-03 | クモノスコーポレーション株式会社 | 球形マーカー検出方法 |
CN110930495A (zh) * | 2019-11-22 | 2020-03-27 | 哈尔滨工业大学(深圳) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 |
CN111415379A (zh) * | 2020-03-23 | 2020-07-14 | 南京大学 | 一种基于布谷鸟优化的三维点云数据配准方法 |
CN112950682A (zh) * | 2021-02-07 | 2021-06-11 | 南京航空航天大学 | 一种基于小波变换与尺度表征的跨尺度点云配准算法 |
CN113702941A (zh) * | 2021-08-09 | 2021-11-26 | 哈尔滨工程大学 | 一种基于改进icp的点云测速方法 |
CN113886510A (zh) * | 2021-09-18 | 2022-01-04 | 鹏城实验室 | 一种终端交互方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李仁忠等: "基于ISS特征点结合改进ICP的点云配准算法", 《激光与光电子学进展》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114511673B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780442B (zh) | 一种立体匹配方法及系统 | |
JP5406705B2 (ja) | データ補正装置及び方法 | |
CN106599836B (zh) | 多人脸跟踪方法及跟踪系统 | |
CN105993034B (zh) | 用于增强表面重构的轮廓求全 | |
Wei et al. | Tensor voting guided mesh denoising | |
CN109800692B (zh) | 一种基于预训练卷积神经网络的视觉slam回环检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN111507921B (zh) | 一种基于低秩恢复的隧道点云去噪方法 | |
CN110069989B (zh) | 人脸图像处理方法及装置、计算机可读存储介质 | |
CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
US20030235337A1 (en) | Non-rigid image registration using distance functions | |
CN112488127B (zh) | 基于层次b样条的多尺度点云特征点检测与匹配 | |
CN110909778A (zh) | 一种基于几何一致性的图像语义特征匹配方法 | |
CN109872343B (zh) | 弱纹理物体姿态跟踪方法、系统及装置 | |
CN114972882A (zh) | 基于多注意力机制的磨损表面损伤深度估计方法及系统 | |
CN114119669A (zh) | 一种基于Shuffle注意力的图匹配目标跟踪方法与系统 | |
Haindl et al. | Model-based texture segmentation | |
CN114511673B (zh) | 一种基于改进icp的海底局部环境初步构建方法 | |
CN110390336B (zh) | 一种提高特征点匹配精度的方法 | |
CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
CN109410333B (zh) | 一种高质量超面片聚类生成方法 | |
CN109785331B (zh) | 基于自适应像素值约束和mrf的声呐图像分割方法 | |
CN113702941A (zh) | 一种基于改进icp的点云测速方法 | |
CN106652048B (zh) | 基于3d-susan算子的三维模型感兴趣点提取方法 | |
JP2006031390A5 (zh) |
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 |