CN116309026A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116309026A CN116309026A CN202310265472.9A CN202310265472A CN116309026A CN 116309026 A CN116309026 A CN 116309026A CN 202310265472 A CN202310265472 A CN 202310265472A CN 116309026 A CN116309026 A CN 116309026A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- local feature
- statistical
- query
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000009466 transformation Effects 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 238000013519 translation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开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,涉及点云配准领域,该方法包括分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;获取源点云与目标点云的统计局部特征描述符;根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。本发明能够提高点云配准的精度和鲁棒性。
Description
技术领域
本发明涉及点云配准领域,特别是涉及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。
背景技术
随着LiDAR、Kinect等高精度三维扫描设备的飞速发展,获取自扫描设备的点云数据已经成为三维模型的重要表现形式。然而,受限于扫描仪的自身性能以及扫描场景的复杂条件,所扫描的点云数据存在着部分点重叠、缺失和噪声干扰等问题,对其后续应用有很大影响。因此,用于改善扫描点云质量的点云预处理技术十分重要。点云配准作为一项重要的点云预处理技术,在点云后续的处理过程中起关键作用。点云配准的目的在于,在给定的度量空间下,找到变化矩阵以建立某一点云到另外一个点云的对应关系。点云配准的相关技术已经广泛应用到三维重建、文物修复、地图绘制和自动驾驶等领域。
现有的点云配准算法分为迭代最近点(Iterative Closest Point,ICP)及其变种算法和基于传统几何特征的配准算法。点云配准中应用最广泛的ICP算法是由BeslP J等提出的,该算法通过点云之间的最近点距离建立优化模型,以建立配准关系。原始ICP算法在初始姿态良好对应时可以得到精确的配准结果,否则容易陷入局部最优解,除此之外,该算法还有鲁棒性差和迭代速度慢等缺点。王宾等提出的应用改进迭代最近点算法在精确配准阶段提出基于双向距离比例的ICP算法,提高了配准精度。Zhang J等提出的快速鲁棒ICP算法(Fast and Robust Iterative Closest Point,Fast ICP)]利用优化最小化(majorization-minimization,MM)]算法对其进行最小化,在鲁棒性及配准速率上均有提高。ICP及其变种算法是基于点距离建立配准关系的,因此,这类方法在初始位姿较差时容易陷入局部最优解,对部分数据缺失点云的配准存在较大缺陷,算法的鲁棒性与全局优化能力仍然存在一定限制。
基于传统几何特征的配准算法通过点对间相同的几何特征建立对应关系来进行配准。Salti S等提出的方向直方图描述子(Signature ofHistogram ofOrientation,SHOT)在查询点处建立局部坐标系,将邻近点的空间位置信息和几何特征统计信息结合起来用做特征描述。Yang J等提出的局部特征统计直方图(Local Feature StatisticsHistogram,LFSH)是最近提出的一种基于几何特征的方法,该方法将局部深度、点密度和法线夹角特征进行统计加权,更加全面的描述局部形状几何特征。基于传统几何特征的配准算法鲁棒性更强,但是受几何特征稳定性影响较大,点云特征的求取与对应计算使得该类方法配准速率较差。李新春等提出的基于邻域特征点提取和匹配的点云配准算法、刘玉珍等提出的一种改进的基于快速点特征直方图的ICP点云配准算法和李宇翔等提出的一种基于改进三维形状上下文的点云配准通过提取特征点进行配准,特征点提取能够提高配准速率,但对配准精度有较大影响。
因此,针对ICP算法在初始位姿差、部分数据丢失和噪声干扰情况下鲁棒性差、配准精度低的问题,亟需提供一种新的点云配准方法或系统。
发明内容
本发明的目的是提供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,能够提高点云配准的精度和鲁棒性。
为实现上述目的,本发明提供了如下方案:
一种基于统计局部特征描述与匹配的点云配准方法,包括:
分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;所述三维点云数据为源点云;
将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;
获取源点云与目标点云的统计局部特征描述符;
根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。
可选地,所述分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符,之前还包括:
利用三维扫描仪获取三维点云数据;所述三维点云数据作为源点云;
采用K-D树方法确定所述三维点云数据中每一查询点对应的邻域范围内的邻近点。
可选地,所述分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符,具体包括:
确定每一查询点对应的邻域范围内的点到查询点的点云局部密度;
根据每一查询点对应的邻域范围内的点邻域范围内点云的拟合平面;
确定每一查询点对应的邻域范围内的邻近点到拟合平面的距离;
通过每一查询点对应的邻域范围内的邻近点到拟合平面的距离的方差确定点云拟合平面距离方差。
可选地,所述将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符,具体包括:
其中,SLFD(pi)查询点pi的统计局部特征描述符,LFD(pi)为查询点pi的局部特征描述符,LFD(pij)为邻近点pij的局部特征描述符,k为邻域范围内点的个数,pi-pij为查询点pi到邻近点pij的距离。
可选地,根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准,具体包括:
采用最远点采样的方法从目标点云中选取m个样本点,并根据m个样本点确定样本点集;
对三维点云数据和样本点集相应的点对间的特征差异进行对应点匹配,剔除错误点对;
通过奇异值分解确定对应点之间的关系,并根据对应点之间的关系确定三维点云数据到目标点云的变换模型;
采用平均匹配距离作为度量改进ICP算法,确定目标变换模型;所述目标变换模型为平均匹配距离达到最小值时的变换模型;
利用目标变换模型,进行点云配准。
可选地,对三维点云数据和样本点集相应的点对间的特征差异进行对应点匹配,具体包括:
其中,FD(pi,qi)为源点云与目标点云的点对(pi,qi)间的特征差异,pi为源点云中的点,qi为目标点云中的对应点,fa为第a项参数。
可选地,所述采用平均匹配距离作为度量改进ICP算法,确定目标变换模型,具体包括:
确定当前的变换模型中三维点云数据中点与相应的目标点云中对应点的当前的平均匹配距离;
判断当前的平均匹配距离是否达到最小值;
若达到,则将当前的变换模型确定为目标变换模型;
若未达到,则返回所述采用最远点采样的方法从目标点云中选取m个样本点,并根据m个样本点确定样本点集的步骤,更新变换模型,直至平均匹配距离达到最小值。
其中,MMD为pi和qi的平均匹配距离,qi为目标点云中的样本点;pi为三维点云数据中统计局部特征描述符与qi相对应的点,u为采样匹配点对数。
一种基于统计局部特征描述与匹配的点云配准系统,包括:
局部特征描述符确定模块,用于分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;所述三维点云数据为源点云;
统计局部特征描述符确定模块,用于将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;
源点云与目标点云的统计局部特征描述符获取模块,用于获取源点云与目标点云的统计局部特征描述符;
点云配准模块,用于根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的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,利用点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建一个4维的特征描述符,称为局部特征描述符(local feature descriptor,LFD),通过统计加权可以得到该查询点的统计局部特征描述符(Statistics of local feature descriptor,SLFD),准确地描述查询点的局部特征;然后,通过点对间的特征差异(FD)进行对应点匹配,剔除错误点对,解决点云部分数据缺失和噪声干扰的问题;最后,使用平均匹配距离(MMD)作为度量改进ICP算法,对点云进行配准,解决初始位姿较差时配准精度低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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为本发明所提供的一种基于统计局部特征描述与匹配的点云配准方法流程图;
图2为点云局部密度示意图;
图3为拟合平面示意图(其中,(a)部分表示弯曲部分,(b)部分表示平坦部分);
图4为SLFD的邻域范围;
图5为点云配准流程图;
图6为不同变换状态下Bunny模型配准情况示意图;
图7为不同程度数据丢失状态下Bunny模型配准情况示意图;
图8为不同噪声条件下China Dragon模型配准情况示意图;
图9为实际物品Bottle配准情况示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
本发明的目的是提供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,能够提高点云配准的精度和鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明所提供的一种基于统计局部特征描述与匹配的点云配准方法,包括:
S101,分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;
S101之前还包括:
利用三维扫描仪获取三维点云数据;所述三维点云数据作为源点云;
采用K-D树方法确定所述三维点云数据中每一查询点对应的邻域范围内的邻近点。
S101具体包括:
S1001,确定每一查询点对应的邻域范围内的点到查询点的点云局部密度;
S1001中通过局部点云密度对该范围内的点云疏密程度进行描述,点云局部密度通过点云各点的距离平均值进行估算,点之间的距离由点云中某一点与其邻域范围内距离该点最近的点的距离表示。平均距离越小,点云分布越密集;平均距离越大,点云分布越分散。如图2所示,在平坦区域,分布较为分散;在弯曲程度较大的区域,分布较为密集。
假设查询点pi邻域范围内有k个点,采用K-D树方法选取查询点pi的邻近点,和最近欧氏距离法相比,K-D树算法具有更高的效率。用dis(p)表示邻域范围内点p与其他点之间的距离,d(p)表示邻域范围内点p与其他点之间的最小距离,则有:
d(p)=min(dis(p)) (1)
其邻域范围内k个点到pi的点云局部密度可以表示为:
S1002,根据每一查询点对应的邻域范围内的点邻域范围内点云的拟合平面;
S1002中通过邻近点到邻域范围的拟合平面距离的方差对该邻域范围内的点云分布进行有效描述。首先,通过邻域内的点得出邻域范围内点云的拟合平面L;然后,计算邻域内各点与L之间的距离l;最后,通过邻域范围内拟合平面距离l的方差描述该邻域范围内点云分布情况。由图3可以看出,拟合平面距离方差较小时,拟合平面符合点云分布情况,点云分布较为平坦;拟合平面距离方差较大时,拟合平面偏离点云分布情况,点云弯曲程度较大。
通过邻域半径中的k个点,利用最小二乘法拟合二次曲面。根据最小二乘原理可得:
将上式系数进行求导,并使其为0,解出二次曲面系数。将曲线方程写成曲面L参数方程形式:
此时,拟合平面距离方差为:
曲率分为主曲率、高斯曲率和平均曲率。主曲率又分为最大主曲率和最小主曲率,分别表示垂直于最小曲率面和最大曲率面的曲率值。高斯曲率K为两个主曲率的乘积,其数值大小与曲面上的距离有关,与曲面嵌入到空间的方式无关,因此高斯曲率表示点云的内部几何特征。曲面的平均曲率H描述一个曲面嵌入周围空间的曲率,用来表示该曲面的外在弯曲程度。因此,高斯曲率和平均曲率相结合可以全面的描绘出该点的局部弯曲程度。
曲面的第一基本公式可表示为:
曲面的第二基本公式可表示为:
高斯曲率:
平均曲率:
S102,将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符LFD;将局部特征中的四个描述子分别定义,点云局部密度为参数f1、局部分布特征为参数f2、高斯曲率为参数f3、平均曲率为参数f4,LFD表示形式为(f1,f2,f3,f4)。
将查询点与其邻近点的特征描述子进行统计加权可以降低邻域范围内异常值和噪声的影响,查询点与邻近点之间距离的倒数作为权值可削弱距离较远的点对查询点邻域特征的影响。通过统计加权可以得到该查询点的统计局部特征描述符(Statistics oflocal feature descriptor,SLFD)。
S102具体包括:
其中,SLFD(pi)查询点pi的统计局部特征描述符,LFD(pi)为查询点pi的局部特征描述符,LFD(pij)为邻近点pij的局部特征描述符,k为邻域范围内点的个数,pi-pij为查询点pi到邻近点pij的距离。
SLFD的计算步骤如下:
步骤1:采用K-D树方法选取查询点pi的邻近点。
步骤2:计算查询点pi的点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率,得到该点的局部特征描述符LFD。
步骤3:如图4所示,将邻近点pij的LFD与查询点pi的LFD进行统计加权,得到该查询点的SLFD。
点云配准就是通过两点云之间相应的点对建立对应关系,从而建立变换模型的过程。基于传统几何特征的配准算法将两个点云中特征一致的点对相对应,然后建立变换模型,以达到点云配准的目的。本文通过计算点对间的特征差异确定对应关系,并使用平均匹配距离(Mean match distance,MMD)替换均方根误差(Root Mean Squared Error,RMSE)作为度量,计算两个点云之间的偏差,该算法称为特征一致性ICP算法(Feature ConsistencyIterative Closest Point,FC-ICP)。
S103,获取源点云与目标点云的统计局部特征描述符;
S104,根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准;
S104具体包括:
采用最远点采样的方法从目标点云中选取m个样本点,并根据m个样本点确定样本点集;
对三维点云数据和样本点集相应的点对间的特征差异进行对应点匹配,剔除错误点对。
在点云局部特性描述之后,如何找出相应的匹配点对是点云配准过程中的一个难点。通过两点之间的特征差异(Feature Difference)确定对应关系,两个不同点云间的FD如下所示:
其中,pi为源点云中的点,qi为目标点云中的对应点,fa为第a项参数。
FD越小,两个点之间的特征越相近,当FD为0时,两点之间特征相同。为进一步提高相同特征点对匹配的正确率,选取阈值为0.002,当FD超过阈值时,两个点的特征差别较大。
通过奇异值分解确定对应点之间的关系,并根据对应点之间的关系确定三维点云数据到目标点云的变换模型;
采用平均匹配距离作为度量改进ICP算法,确定目标变换模型;所述目标变换模型为平均匹配距离达到最小值时的变换模型;
利用目标变换模型,进行点云配准。
其中,MMD为pi和qi的平均匹配距离,qi为目标点云中的样本点;pi为三维点云数据中统计局部特征描述符与qi相对应的点,u为采样匹配点对数。
点云配准具体实现步骤如下,配准算法的具体流程图如图5所示:
步骤1:计算源点云与目标点云的SLFD;
步骤2:使用最远点采样(FPS)的方法从目标点云T中选取m个样本点,将这些点定义为样本点集Q。
步骤3:在源点云P的SLFD中找到与样本点集Q的SLFD相同的点。从点集Q中随机选择一个点作为点云P中样本点的对应,使其FD最小。若FD大于阈值,说明该点不存在对应点,则说明该点邻域内存在噪声和异常值的影响,此时,将点集Q中的该点去除;
步骤4:通过奇异值分解(Singular Value Decomposition,SVD)计算两个点云对应点之间的关系求取源点云到目标点云的变换模型;
S'=Rb·S+Tb (12)
其中,b为变换次数。
步骤5:通过计算平均匹配距离MMD度量两个点云之间的匹配程度;
其中,pi为目标点云中的样本点;qi为源点云中SLFD特征与pi相对应的点;u为采样匹配点对数。
步骤6:对上述步骤进行迭代,更新源点云与目标点云之间的变换关系,当MMD达到最小值时,停止迭代。
为了验证算法的适用性和可行性,本文在Intel core i5-6200 2.4GHz(CPU)2GRAM计算机上,通过Visual Studio 2019环境下的C++语言,使用PCL 1.11.0点云公共库进行验证。本文以斯坦福大学点云数据集中的Bunny(35947个点)、China Dragon(437645个点)点云模型和Creaform Handy SCAN 700高精度工业级手持式三维激光扫描仪获得的沐浴露瓶(Bottle)点云(21469个点)作为实验对象,设置了四组实验。
第一组实验考虑不同初始位姿对点云配准的影响,分别使用初始位姿不同的Bunny模型作为源点云进行配准。第二组实验考虑不同程度数据丢失情况的点云配准,分别选取随机旋转平移变换后点云数据的10%数据缺失情况(32865个点)、30%数据缺失情况(26127个点)和50%数据缺失情况(17325个点)的Bunny模型作为源点云进行配准。第三组实验考虑不同噪声条件的点云配准,使用China Dragon模型,在原始点云旋转后的数据上分别加入了标准差为1mm、2mm和3mm的高斯噪声干扰作为源点云进行配准。最后,将实际物品Bottle点云数据进行随机的旋转平移变换、部分数据截取以及加入标准差为2mm的高斯噪声干扰作为源点云(17837个点)验证本文算法在实际应用中的效果。
将FC-ICP与ICP算法、基于双向距离比例的ICP算法、一种改进的基于快速点特征直方图的ICP点云配准算法和一种基于改进三维形状上下文的点云配准进行对比,验证算法优势。配准时间均由读取点云数据开始,直至配准完成进行计算。将配准后的点云与目标点云之间距离的均方根误差作为点云配准精度评价指标,ξRMSE定义为:
其中,||R·pi+T-qi||2表示配准后对应点对之间的欧氏距离。因此均方根误差数值越大,两点云对应点间的距离越大,即点云配准精度越低。
在三维扫描仪扫描数据的过程中,扫描物品会在不同的环境下产生旋转与位移变化。ICP及其变种算法在初始位姿较差时,容易陷入局部最优解。为分析算法在非理想状况下的配准精度,通过实验对点云进行随机的旋转和平移。将基于双向距离比例的ICP算法简写为双向ICP一种改进的基于快速点特征直方图的ICP点云配准算法记为Paper1,一种基于改进三维形状上下文的点云配准记为Paper2。配准情况如图6所示。
表1不同变换状态下Bunny模型配准数据
表1为不同变换状态下Bunny模型的配准数据,由表可知,ICP和双向ICP算法通过点对间的最小距离进行配准,对初始位姿较差的点云配准精度较差,和两种算法相比,FC-ICP算法精度提高2个量级。与ICP算法相比,FC-ICP算法速率提高25%,与双向ICP算法相比,提升更多。Paper1和Paper2算法通过提取特征点,再通过特征点的局部特征进行对应的方式进行点云配准,特征点提取具有局限性,因此虽然两个算法在初始位姿较差时仍有较好结果,但整体配准精度较差。与Paper1算法相比,FC-ICP算法配准精度提高93.45%以上,节省24.29%以上的时间。与Paper2算法相比,FC-ICP的配准时间提高24.7%以上,配准精度提高95.29%以上。FC-ICP对整体点云进行特征描述并查找对应点对,由此可见,FC-ICP算法对任意变换状态下的点云均有较好的配准结果。
在三维扫描仪扫描数据的过程中,遮挡、缺失等环境因素会造成点云数据不完整的情况。为分析算法在非理想情况下的配准精度,对原始点云数据进行旋转平移变换,再分别选取随机旋转平移变换后点云数据的10%数据缺失情况、30%数据缺失情况和50%数据缺失情况的Bunny模型作为源点云进行配准,对算法进行验证,部分点云配准情况如图7所示。
表2不同变换状态下Bunny模型配准数据
表2为不同程度数据丢失状态下Bunny模型配准数据,从表中可以看出,部分数据缺失的点云对于ICP及其变种算法有较大影响,ICP算法和双向ICP算法对于部分点云配准精度较差,FC-ICP配准精度比ICP算法精度提高99.7%以上,节省21.41%以上的时间,比双向ICP算法配准精度提高99.25%,节省更多时间。部分数据缺失的点云对Paper1和Paper2这类基于传统几何特征的点云配准算法影响较小。和Paper1算法相比,点云配准精度提高67.33%,速率提高26.1%。和Paper1算法相比,点云配准精度提高89.11%,速率提高16.3%。FC-ICP算法查找相同的SLFD建立正确的匹配点对,将无法对应的采样点剔除,因此该算法能在点云部分数据缺失的情况下得到更好的配准结果,配准精度有效提高。
在三维扫描仪扫描数据的过程中,噪声干扰会导致点云数据产生异常。使用ChinaDragon作为目标点云,对原始点云数据进行随机旋转变换后,分别加入标准差为1mm、2mm和3mm的随机高斯噪声,对比算法在噪声环境中的配准精度和配准时间,从而验证算法的鲁棒性。从开始读取点云计算时间衡量速率,使用配准前后的均方根误差作为衡量指标。由于ChinaDragon模型数据量较大,这部分实验时间较长。不同噪声条件下ChinaDragon模型配准情况如图8所示。
表3不同程度数据丢失状态下Bunny模型配准数据
表3为不同噪声条件下China Dragon模型配准数据,根据表3可知,FC-ICP在较大噪声的情况下,SLFD受噪声影响,点对匹配不准确,点云模型变换迭代次数增多,配准时间增加。ICP算法与双向ICP算法陷入最优解,配准精度较小。由于Paper1和Paper2算法都是通过点云局部特征进行特征点提取,在存在噪声的情况下,对特征点提取存在较大影响。与Paper1算法相比,配准精度提高48.95%,速率提高5.24%。Paper2算法受噪声影响较大,鲁棒性较差,FC-ICP配准精度提高22.75%,配准时间提高6.89%。由此可见,FC-ICP算法在噪声较小时,能够有效完成配准,噪声较大时,估算点云曲率需对邻域范围进行平面拟合,拟合平面存在偏差,估算曲率误差较大,FC-ICP鲁棒性仍需提高。
为了验证FC-ICP在实际应用中的效果,以Creaform Handy SCAN 700高精度工业级手持式三维激光扫描仪获得的沐浴露瓶(Bottle)点云作为实验数据。为了模拟点云在实际情况下的配准过程,对原始数据进行随机的旋转平移变换,切割部分数据,并且加入均方差为2mm的高斯噪声。图9为Bottle实物的配准情况,表4为配准误差和配准时间。
表4 Bottle实物的配准数据
结合表4可以看出,在实物配准过程中,ICP算法和双向ICP算法陷入局部最优解。Paper1和Paper2算法受噪声影响,精度较低。和其他算法相比,FC-ICP算法精确度提高70.52%以上,配准速率提高9.92%以上。
针对点云配准在初始位姿差变换、数据缺失和噪声干扰情况下的问题,本文提出一种基于统计局部特征描述与匹配的点云配准算法。通过点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率构建了一个4维的统计局部特征描述符(Statistics oflocal feature descriptor,SLFD),更加准确全面的描述点云局部特征;通过点对间的特征差异查找对应点,确定对应关系,使用改进的FC-ICP算法对点云模型进行配准。由斯坦福大学点云数据集和实物数据集的点云配准实验结果可以看出,不存在噪声时,配准精度提高67.33%以上,存在噪声时,配准精度提高22.75%以上。当点云数据较少时,配准速率提高较大,节省16.3%的时间,当点云数据较大时,速率提升5.24%。由此可见,在不同的环境下,本文算法与ICP算法、双向ICP算法、改进的基于快速点特征直方图的ICP点云配准算法和基于改进三维形状上下文的点云配准相比较,具有较高的配准精度和配准速率,鲁棒性更强。
对应上述方法,本发明还提供一种基于统计局部特征描述与匹配的点云配准系统,包括:
局部特征描述符确定模块,用于分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;
统计局部特征描述符确定模块,用于将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;
源点云与目标点云的统计局部特征描述符获取模块,用于获取源点云与目标点云的统计局部特征描述符;
点云配准模块,用于根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于统计局部特征描述与匹配的点云配准方法,其特征在于,包括:
分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;所述三维点云数据为源点云;
将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;
获取源点云与目标点云的统计局部特征描述符;
根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。
2.根据权利要求1所述的一种基于统计局部特征描述与匹配的点云配准方法,其特征在于,所述分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符,之前还包括:
利用三维扫描仪获取三维点云数据;所述三维点云数据作为源点云;
采用K-D树方法确定所述三维点云数据中每一查询点对应的邻域范围内的邻近点。
3.根据权利要求2所述的一种基于统计局部特征描述与匹配的点云配准方法,其特征在于,所述分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符,具体包括:
确定每一查询点对应的邻域范围内的点到查询点的点云局部密度;
根据每一查询点对应的邻域范围内的点邻域范围内点云的拟合平面;
确定每一查询点对应的邻域范围内的邻近点到拟合平面的距离;
通过每一查询点对应的邻域范围内的邻近点到拟合平面的距离的方差确定点云拟合平面距离方差。
5.根据权利要求1所述的一种基于统计局部特征描述与匹配的点云配准方法,其特征在于,根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准,具体包括:
采用最远点采样的方法从目标点云中选取m个样本点,并根据m个样本点确定样本点集;
对三维点云数据和样本点集相应的点对间的特征差异进行对应点匹配,剔除错误点对;
通过奇异值分解确定对应点之间的关系,并根据对应点之间的关系确定三维点云数据到目标点云的变换模型;
采用平均匹配距离作为度量改进ICP算法,确定目标变换模型;所述目标变换模型为平均匹配距离达到最小值时的变换模型;
利用目标变换模型,进行点云配准。
7.根据权利要求5所述的一种基于统计局部特征描述与匹配的点云配准方法,其特征在于,所述采用平均匹配距离作为度量改进ICP算法,确定目标变换模型,具体包括:
确定当前的变换模型中三维点云数据中点与相应的目标点云中对应点的当前的平均匹配距离;
判断当前的平均匹配距离是否达到最小值;
若达到,则将当前的变换模型确定为目标变换模型;
若未达到,则返回所述采用最远点采样的方法从目标点云中选取m个样本点,并根据m个样本点确定样本点集的步骤,更新变换模型,直至平均匹配距离达到最小值。
9.一种基于统计局部特征描述与匹配的点云配准系统,其特征在于,包括:
局部特征描述符确定模块,用于分别确定三维点云数据中每一查询点的局部特征描述符和对应的邻近点的局部特征描述符;所述局部特征描述符包括:点云局部密度、点云拟合平面距离方差、高斯曲率和平均曲率;所述三维点云数据为源点云;
统计局部特征描述符确定模块,用于将每一查询点的局部特征描述符和对应的邻近点的局部特征描述符进行统计加权,得到对应查询点的统计局部特征描述符;
源点云与目标点云的统计局部特征描述符获取模块,用于获取源点云与目标点云的统计局部特征描述符;
点云配准模块,用于根据源点云与目标点云的点对间的特征差异和平均匹配距离改进ICP算法,对点云进行配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265472.9A CN116309026A (zh) | 2023-03-20 | 2023-03-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310265472.9A CN116309026A (zh) | 2023-03-20 | 2023-03-20 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309026A true CN116309026A (zh) | 2023-06-23 |
Family
ID=86833876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310265472.9A Pending CN116309026A (zh) | 2023-03-20 | 2023-03-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309026A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664575A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
-
2023
- 2023-03-20 CN CN202310265472.9A patent/CN116309026A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664575A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
CN116664575B (zh) * | 2023-07-31 | 2023-11-03 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784778B (zh) | 基于线性求解非线性优化的双目相机外参标定方法和系统 | |
CN113012212A (zh) | 一种基于深度信息融合的室内场景三维点云重建方法和系统 | |
JP2012168941A (ja) | 記述子を用いて3dオブジェクトまたはオブジェクトを表す方法 | |
CN109472816B (zh) | 一种点云配准方法 | |
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 | |
CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN107316328B (zh) | 一种基于二维激光扫描仪角点特征的闭环检测方法 | |
CN112200915B (zh) | 一种基于靶标三维模型纹理影像的前后形变量检测方法 | |
CN112329726B (zh) | 人脸识别方法及装置 | |
Xian et al. | A fast registration algorithm of rock point cloud based on spherical projection and feature extraction | |
CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN113160285A (zh) | 一种基于局部深度图像关键性的点云匹配方法 | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
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 | |
CN116758126A (zh) | 一种基于相似三角形的误匹配剔除的快速点云配准方法 | |
CN110472651B (zh) | 一种基于边缘点局部特征值的目标匹配与定位方法 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN113313200B (zh) | 一种基于法向约束的点云精匹配方法 | |
Geng et al. | Neighboring constraint-based pairwise point cloud registration algorithm | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN109887012B (zh) | 一种结合自适应搜索点集的点云配准方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
Zang et al. | Density-adaptive and geometry-aware registration of TLS point clouds based on coherent point drift | |
CN116503452A (zh) | 一种基于sift特征提取的点云配准方法 |
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 |