CN116452648A - 一种基于法向量约束纠正的点云配准方法及系统 - Google Patents
一种基于法向量约束纠正的点云配准方法及系统 Download PDFInfo
- Publication number
- CN116452648A CN116452648A CN202310706293.4A CN202310706293A CN116452648A CN 116452648 A CN116452648 A CN 116452648A CN 202310706293 A CN202310706293 A CN 202310706293A CN 116452648 A CN116452648 A CN 116452648A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- normal vector
- registration
- constraint correction
- target
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012937 correction Methods 0.000 title claims abstract description 71
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于法向量约束纠正的点云配准方法，该方法包括：S1.基于源点云和目标点云，创建点云拓扑结构；S2.根据点云拓扑结构，提取点云曲面特征；S3.对点云曲面特征中的法向量进行约束纠正；S4.基于约束纠正后的法向量，计算得到点云配准优化模型；S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。本发明基于法向量约束纠正，使用了KD‑Tree加速最近点的搜索，提升了点云法向量求解和配准的速度，并将点云中各个点之间的欧氏距离作为单位质量的传输代价。本发明使用法向量辅助评价点与点之间的距离，引用了点云的曲面特征数据进行约束纠正，进而提高了点云配准的精度和鲁棒性。
Description
技术领域
本发明属于点云配准技术领域，具体涉及一种基于法向量约束纠正的点云配准方法及系统。
背景技术
点云配准，即根据两个点云之间的度量信息建立配准的目标函数，在优化目标函数的过程中求解两个点云之间的相对变换，当目标函数优化到最小值时，得到点云的最佳相对变换，从而完成点云配准。
目前，点云配准的难点在于：在现场采集点云数据的过程中，会受到遮挡、拍摄角度变化、环境光照等因素的影响，使得目标点云部分缺失，大规模的缺失通常会导致局部特征的丢失，使得配准的难度大大提升。因此，急需发明一种精准且稳定的配准方法来解决目前点云配准的过程中所遇到的困难。
发明内容
本发明的目的在于克服现有技术之缺陷，本发明公开了一种基于法向量约束纠正的点云配准方法及系统，本发明基于法向量约束纠正，使用了KD-Tree加速最近点的搜索，提升了点云法向量求解和配准的速度，并将点云中各个点之间的欧氏距离作为单位质量的传输代价。本发明使用法向量辅助评价点与点之间的距离，引用了点云的曲面特征数据进行约束纠正，进而提高了点云配准的精度和鲁棒性。
为了到达预期效果，本发明采用了以下技术方案：
本发明公开了一种基于法向量约束纠正的点云配准方法，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
进一步地，将源点云和目标点云进行质量重新分配得到新的源点云和目标点云，基于新的源点云和目标点云，创建点云拓扑结构。
进一步地，所述将源点云和目标点云进行质量重新分配得到新的源点云和目标点云，具体包括：将源点云和目标点云的质量进行初始化，然后平均分配每个点的质量，同时计算得到源点云和目标点云的质量重心，将点云中每个点的位置减去对应的点云的质量重心位置得到新的源点云和目标点云。
进一步地，通过KD-Tree创建点云拓扑结构，具体步骤如下：
S1.1.计算点云坐标数据在X、Y、Z坐标轴方向的方差，选取方差最大的坐标轴方向作为参考坐标轴；
S1.2.将所有点云数据按照其在参考坐标轴方向上的大小进行排序，得到点云在参考坐标轴方向上的有序数据集，计算所述有序数据集的中位数值；
S1.3.以中位数值为界，将参考坐标轴方向上小于中位数值的点云数据构建为左子树，将参考坐标轴方向上大于中位数值的点云数据构建为右子树；
S1.4.对构建的左右子树按照步骤S1.3进行重复操作，直至子树不能进一步划分，得到点云拓扑结构。
进一步地，所述S2具体包括：通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征。
进一步地，所述通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征，具体包括：
S2.1.基于KD-Tree在点云中查询每个点的邻域点集，通过最小二乘法拟合出局部平面，根据局部平面的法向量构建协方差矩阵；
S2.2.通过奇异值分解法分解协方差矩阵，得到特征值以及对应的特征向量；
S2.3.在特征向量的特定方向，通过KD-Tree找到点云中每个点的K个最近点并连接K条边，给每条边设置权重，并找到最小生成树提取点云曲面特征。
进一步地，将源点云和目标点云的点云曲面主法线之间夹角的余弦值进行负指数变换后作为约束纠正系数。
进一步地，采用部分约束函数进行约束纠正。
进一步地，所述S5具体包括：基于点云配准优化模型求解得到传输计划，根据传输计划求解得到源点云和目标点云的相对变换矩阵，结合最优传输理论，得到配准后的相对变换矩阵。
本发明还公开了一种基于法向量约束纠正的点云配准系统，包括：
采集模块，用于采集源点云和目标点云；
配准模块，用于基于源点云和目标点云，创建点云拓扑结构；根据点云拓扑结构，提取点云曲面特征；对点云曲面特征中的法向量进行约束纠正；基于约束纠正后的法向量，计算得到点云配准优化模型；基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
与现有技术相比，本发明的有益效果是：本发明公开了一种基于法向量约束纠正的点云配准方法，包括：S1.基于源点云和目标点云，创建点云拓扑结构；S2.根据点云拓扑结构，提取点云曲面特征；S3.对点云曲面特征中的法向量进行约束纠正；S4.基于约束纠正后的法向量，计算得到点云配准优化模型；S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。本发明基于法向量约束纠正，使用了KD-Tree加速最近点的搜索，提升了点云法向量求解和配准的速度，并将点云中各个点之间的欧氏距离作为单位质量的传输代价。本发明使用法向量辅助评价点与点之间的距离，引用了点云的曲面特征数据进行约束纠正，进而提高了点云配准的精度和鲁棒性。在面对噪声或者重叠度较低等部分数据缺失的情况下，本发明依然具有较好的配准效果。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述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它的附图。
图1是本发明实施例提供的一种基于法向量约束纠正的点云配准方法的流程图。
图2是本发明实施例提供的一种基于法向量约束纠正的点云配准方法的配准算法流程图。
图3是本发明实施例提供的一种基于法向量约束纠正的点云配准系统的结构图。
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它实施例，都属于本发明保护的范围。
参见图1，本发明公开了一种基于法向量约束纠正的点云配准方法，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
在获取的点云数据的过程中，会受到环境的影响，例如光线、拍摄角度、遮挡等，给点云配准带来了极大的困难，本发明在面对噪声或者部分数据缺失的情况下，也具备较好的点云配准精度和鲁棒性。本发明基于点云曲面特征的点云配准方法是通过考虑点云中每个点的法向量信息来实现更准确的配准。本发明将点云的法向量信息加入到点云配准的目标函数中，并且引用了点云的曲面特征数据进行约束纠正。本发明能正确获取对称点云之间的实际误差值，在面对点云缺失与重叠率较低的情况下，也能准确的得到点云之间的对应关系。
优选地，将源点云和目标点云进行质量重新分配得到新的源点云和目标点云，基于新的源点云和目标点云，创建点云拓扑结构。因实际获取的源点云和目标点云存在质量不一的情况，点云质量不一会影响配准，因此将源点云和目标点云进行质量重新分配能够提高后续配准的精确度。
进一步地，所述将输入的源点云和目标点云进行质量重新分配后，得到新的源点云和目标点云，具体包括：将输入的源点云和目标点云的质量进行初始化，然后平均分配每个点的质量，同时计算得到源点云和目标点云的质量重心，将点云中每个点的位置减去对应的点云的质量重心位置得到新的源点云和目标点云。将源点云和目标点云进行质量重新分配并进行重心位置对齐得到新的源点云和目标点云进行后续配准，能够进一步提高配准精确度。
具体地，输入源点云和目标点云/>，源点云P和目标点云Q中每个点的质量分别为：/>，其中，i=1,2,3...m；j=1,2,3...n；
源点云P和目标点云Q在初始化质量分配时采取平均分配，并且将点云总质量设置为1，得到两个点云的质量重心位置：
；
将源点云P和目标点云Q中的每个点的位置减去对应的质量重心位置，对齐质量重心得到新的点云X和Y：。
在一个实施例中，通过KD-Tree创建点云拓扑结构，具体步骤如下：
S1.1.计算点云坐标数据在X、Y、Z坐标轴方向的方差，选取方差最大的坐标轴方向A作为参考坐标轴；
具体地，方差最大的坐标轴方向，其中，分别为X、Y、Z坐标轴的平均值，n为点云数据中点的数目。
S1.2.将所有点云数据按照其在参考坐标轴A方向上的大小进行排序，得到点云在参考坐标轴方向上的有序数据集，计算所述有序数据集的中位数值m；
具体地，假设有序数据集为，其中，/>，则
，其中，W为/>的值。
S1.3.以中位数值m为界，将参考坐标轴A方向上小于中位数值m的点云数据构建为左子树，将参考坐标轴A方向上大于中位数值m的点云数据构建为右子树；
具体地，。
S1.4.对构建的左右子树按照步骤S1.3进行重复操作，直至子树不能进一步划分，此时的子树对应的节点为叶节点。
本发明使用了KD-Tree加速最近点的搜索，提升了后续点云法向量求解和配准的速度。
在另一个实施例中，所述S2具体包括：通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征。
主成分分析法（Principal Component Analysis，PCA）是一种统计方法，其通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。主成分分析法是运用“降维”思想，把多个指标变换成少数综合指标的多元统计方法，这里的综合指标就是主成分。每个主成分都是原始变量的线性组合，彼此相互独立，并保留了原始变量绝大部分信息。主成分分析法的本质是通过原始变量的相关性，寻求相关变量的综合替代对象，并且保证了转化过程中的信息损失最小。
最小二乘法（又称最小平方法）是一种数学优化技术，它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
进一步地，所述通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征，具体包括：
S2.1.基于KD-Tree在点云中查询每个点的K邻域点集，通过最小二乘法拟合出局部平面，根据局部平面的法向量构建协方差矩阵M；
具体地，假设K邻域点集P={P1，P2，…，Pk}；
则局部平面为，其中，/>为局部平面P的法向量，d为局部平面P到法线的距离，且满足/>；
查询点云中目标点的K邻域点集并进行去中心化，局部平面P的法向量可以用主成分分析法得到；
构建协方差矩阵；其中，/>，其为邻域点集的质量重心位置。
S2.2.通过奇异值分解法分解协方差矩阵，得到特征值以及对应的特征向量；
奇异值分解法（Singular Value Decomposition，SVD）是线性代数中一种重要的矩阵分解，奇异值分解是特征分解在任意矩阵上的推广。使用SVD对矩阵进行分解，能得到代表矩阵最本质变化的矩阵元素。
具体地，特征值可以表示为：，并且/>；
特征值对应的特征向量为/>；
协方差矩阵M又可以表示为：。
S2.3.在特征向量的特定方向，通过KD-Tree找到点云中每个点的K个最近点并连接K条边，给每条边设置权重，并找到最小生成树提取点云曲面特征。
具体地，权重可以表示为：，两个点的法向量为/>、/>，其中，w越小，表明两点之间的法线越接近。使用Prim算法找到最小生成树，并使得相邻点的定向一致，进而提取点云曲面特征，即点云曲面法向量。Prim算法（普里姆算法）是图论中的一种算法，其可在加权连通图里搜索最小生成树，意即由此算法搜索到的边子集所构成的树中，不但包括了连通图里的所有顶点，且其所有边的权值之和亦为最小。
优选的实施例中，将源点云和目标点云的点云曲面主法线之间夹角的余弦值进行负指数变换后作为约束纠正系数。
具体地，点云在实际应用中以离散形式存在的，点云的目标函数表达式可表示为：，传输计划/>表示点x将自身的质量传输到了点y，/>表示点x到点y的距离。
对点云曲面法向量进行约束纠正，将主法线、/>之间夹角的余弦值进行负指数变换后作为纠正系数，其可表示为：/>；
将纠正系数带入最优传输方程，对欧氏距离进行法向量约束纠正，可用函数表示如下：
，
式中，pi、qj分别表示源点云与目标点云的两个点，M与N分别代表源点云与目标点云中点的数量，表示pi到qj的距离。值得注意的是，点云在配准的过程中并不总是遵循质量守恒准则，如两个点云之间的距离过远，则可以传输自身质量的一部分，从而降低整体的传输代价，这种条件下的最优传输理论称为非平衡最优传输理论。另外还有一种适用于点云配准和非平衡最优传输的通用泛化的最优传输框架，其表达式为：
；
式中，的含义：/>是源点云X与目标点云Y的联合分布，从中采取一种方案/>来计算欧氏距离，x,y分别表示源点云与目标点云中的一个点，表示点云之间的传输代价函数，/>、/>表示约束边缘概率的散度函数，散度函数是用来衡量两个测度/>、/>和边缘概率/>、/>的接近程度。
进一步地，采用部分约束函数进行约束纠正。传统的最优传输理论要求严格质量守恒准则，即散度函数是强约束，而本发明使用RangeConstraint部分约束函数（RG函数），计算只传输自身质量一部分的部分质量最优传输计划。且在给定的范围内进行质量传输，规定了自身质量传输的上限和下限，其函数表达式如下：
；
式中，、/>表示边缘概率，/>、/>是自定义参数，用来调节点的质量权重。
进一步地，点云配准的优化模型离散化表示为：
；
式中，表示/>传输到的/>的质量之和组成的向量，表示/>接受到的/>的质量之和组成的向量，/>表示在传输过程中源点云传输出去的总质量，/>表示元素全是1的N维向量，/>表示元素全是1的M维向量。
本发明基于法向量约束纠正，并将点云中各个点之间的欧氏距离作为单位质量的传输代价，使用法向量辅助评价点与点之间的距离，引用了点云的曲面特征数据进行约束纠正，进而提高了点云配准的精度和鲁棒性。在面对噪声或者重叠度较低等部分数据缺失的情况下，本发明依然具有较好的配准效果。
进一步地，所述S5具体包括：基于点云配准优化模型求解得到传输计划，根据传输计划求解得到源点云和目标点云的相对变换矩阵，结合最优传输理论，得到配准后的相对变换矩阵。
具体地，基于点云配准优化模型，通过最优传输Sinkhorn算法求解传输计划，根据传输计划，使用SVD求解求解得到源点云和目标点云的相对变换矩阵，重复此步骤，直到最优化问题的求解结果收敛，获得配准后的相对变换矩阵。Sinkhorn算法能把一个概率分布以最小代价转换成另外一个分布。
在一个实施例中，使用交替迭代算法求解得到配准后的相对变换矩阵，具体包括：首先进行传输计划求解，采用熵正则化处理，来降低时间复杂度和最优传输的计算代价；然后采用可微的Sinkhorn算法求解最优传输计划，再使用SVD分解求得两个点云之间的相对变换矩阵T，当两次迭代最优化问题的结果收敛，获得配准后的变换矩阵T(R ,t)。
最优传输理论是一种通用的多对多点云配准方法，最优传输理论将欧氏距离作为单位质量的运输代价。最优传输理论是广义上的多对多对应概率，根据某一点传输的质量除以其自身的总质量，可以得到点对点之间的对应概率，根据最优传输理论可以明确点云中的正确对应关系，最优传输理论在应对噪声时有更好的表现效果。
在另一个实施例中，如图2所示，创建KD-Tree拓扑结构，计算点云法线，计算点云欧氏距离D，也可以使用其他距离，将距离D加入法向量约束，计算得到点云配准优化模型T（R，t），基于点云配准优化模型求解得到传输计划，判断传输计划两次迭代的差值是否小于设定值，如果否，则重新计算传输计划，如果是，则判断点云配准优化模型两次迭代差值是否小于设定值，如果是，则点云配准优化模型构建完成，如果否，则重新构建点云配准优化模型。
为进一步研究不同噪声对配准结果的影响，通过仿真对源点云重复添加了随机噪声、异常点，相比基于高斯混合模型的CPD算法、基于正态分布的NDT算法，本发明进行配准的效果更好。
为探寻点云缺失情况下对配准结果的影响，通过部分缺失的经典点云数据进行配准，针对3D视觉传感器曝光，点云部分缺失的情况做了实验。实验结果表明，相比基于高斯混合模型的CPD算法、基于正态分布的NDT算法，本发明进行配准的效果更好。
通过对比实验证明，本发明在面对噪声和重叠度较低的点云配准实验中，能有效求解点云点与点之间的对应关系，在点云部分缺失的情况下，相比基于高斯混合模型的CPD算法、基于正态分布的NDT算法，本发明的点云配准精度和鲁棒性都更好。
本发明还公开了一种基于法向量约束纠正的点云配准系统，包括：
采集模块，用于采集源点云和目标点云；
配准模块，用于基于源点云和目标点云，创建点云拓扑结构；根据点云拓扑结构，提取点云曲面特征；对点云曲面特征中的法向量进行约束纠正；基于约束纠正后的法向量，计算得到点云配准优化模型；基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
在一个实施例中，如图3所示，基于源点云和目标点云的点云拓扑结构数据，创建点云拓扑结构，再基于点云拓扑结构提取点云曲面特征，根据点云曲面特征计算得到点云配准算法。其中创建点云拓扑结构的过程中，通过构建三维KD-Tree来加速搜索最近点得到邻域点集，根据邻域点集计算得到点云拟合曲面的法线，将法线定向得到点云曲面的法向量，根据最优传输理论，对法向量进行纠正，进而求解得到目标函数以构建点云配准优化模型。
在另一个实施例中，所述点云配准系统的实施例与前述一种基于法向量约束纠正的点云配准方法的各个实施例相对应，在此不再赘述。
本发明基于法向量约束纠正，使用了KD-Tree加速最近点的搜索，提升了点云法向量求解和配准的速度，并将点云中各个点之间的欧氏距离作为单位质量的传输代价。本发明使用法向量辅助评价点与点之间的距离，引用了点云的曲面特征数据进行约束纠正，进而提高了点云配准的精度和鲁棒性。在面对噪声或者重叠度较低等部分数据缺失的情况下，本发明依然具有较好的配准效果。通过对比实验证明，本发明在面对噪声和重叠度较低的点云配准实验中，能有效求解点云点与点之间的对应关系，在点云部分缺失的情况下，相比基于高斯混合模型的CPD算法、基于正态分布的NDT算法，本发明的点云配准精度和鲁棒性都更好。
基于同一发明思路，本发明还公开了一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行一种基于法向量约束纠正的点云配准方法，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
此外，上述的存储器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，本发明实施例还提供一种计算机程序产品，所述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机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种基于法向量约束纠正的点云配准方法，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
又一方面，本发明实施例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实施例提供的一种基于法向量约束纠正的点云配准方法，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于法向量约束纠正的点云配准方法，其特征在于，包括：
S1.基于源点云和目标点云，创建点云拓扑结构；
S2.根据点云拓扑结构，提取点云曲面特征；
S3.对点云曲面特征中的法向量进行约束纠正；
S4.基于约束纠正后的法向量，计算得到点云配准优化模型；
S5.基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
2.如权利要求1所述的一种基于法向量约束纠正的点云配准方法，其特征在于，将源点云和目标点云进行质量重新分配得到新的源点云和目标点云，基于新的源点云和目标点云，创建点云拓扑结构。
3.如权利要求2所述的一种基于法向量约束纠正的点云配准方法，其特征在于，所述将源点云和目标点云进行质量重新分配得到新的源点云和目标点云，具体包括：将源点云和目标点云的质量进行初始化，然后平均分配每个点的质量，同时计算得到源点云和目标点云的质量重心，将点云中每个点的位置减去对应的点云的质量重心位置得到新的源点云和目标点云。
4.如权利要求3所述的一种基于法向量约束纠正的点云配准方法，其特征在于，通过KD-Tree创建点云拓扑结构，具体步骤如下：
S1.1.计算点云坐标数据在X、Y、Z坐标轴方向的方差，选取方差最大的坐标轴方向作为参考坐标轴；
S1.2.将所有点云数据按照其在参考坐标轴方向上的大小进行排序，得到点云在参考坐标轴方向上的有序数据集，计算所述有序数据集的中位数值；
S1.3.以中位数值为界，将参考坐标轴方向上小于中位数值的点云数据构建为左子树，将参考坐标轴方向上大于中位数值的点云数据构建为右子树；
S1.4.对构建的左右子树按照步骤S1.3进行重复操作，直至子树不能进一步划分，得到点云拓扑结构。
5.如权利要求1所述的一种基于法向量约束纠正的点云配准方法，其特征在于，所述S2具体包括：通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征。
6.如权利要求5所述的一种基于法向量约束纠正的点云配准方法，其特征在于，所述通过主成分分析法和最小二乘法，将目标点云的邻域点集进行平面拟合以提取点云曲面特征，具体包括：
S2.1.基于KD-Tree在点云中查询每个点的邻域点集，通过最小二乘法拟合出局部平面，根据局部平面的法向量构建协方差矩阵；
S2.2.通过奇异值分解法分解协方差矩阵，得到特征值以及对应的特征向量；
S2.3.在特征向量的特定方向，通过KD-Tree找到点云中每个点的K个最近点并连接K条边，给每条边设置权重，并找到最小生成树提取点云曲面特征。
7.如权利要求1所述的一种基于法向量约束纠正的点云配准方法，其特征在于，将源点云和目标点云的点云曲面主法线之间夹角的余弦值进行负指数变换后作为约束纠正系数。
8.如权利要求7所述的一种基于法向量约束纠正的点云配准方法，其特征在于，采用部分约束函数进行约束纠正。
9.如权利要求1所述的一种基于法向量约束纠正的点云配准方法，其特征在于，所述S5具体包括：基于点云配准优化模型求解得到传输计划，根据传输计划求解得到源点云和目标点云的相对变换矩阵，结合最优传输理论，得到配准后的相对变换矩阵。
10.一种基于法向量约束纠正的点云配准系统，其特征在于，包括：
采集模块，用于采集源点云和目标点云；
配准模块，用于基于源点云和目标点云，创建点云拓扑结构；根据点云拓扑结构，提取点云曲面特征；对点云曲面特征中的法向量进行约束纠正；基于约束纠正后的法向量，计算得到点云配准优化模型；基于点云配准优化模型，求解得到源点云和目标点云的相对变换矩阵进行点云配准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706293.4A CN116452648B (zh) | 2023-06-15 | 2023-06-15 | 一种基于法向量约束纠正的点云配准方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706293.4A CN116452648B (zh) | 2023-06-15 | 2023-06-15 | 一种基于法向量约束纠正的点云配准方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452648A true CN116452648A (zh) | 2023-07-18 |
| CN116452648B CN116452648B (zh) | 2023-09-22 |
Family
ID=87130575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310706293.4A Active CN116452648B (zh) | 2023-06-15 | 2023-06-15 | 一种基于法向量约束纠正的点云配准方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452648B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934822A (zh) * | 2023-09-15 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的系统 |
| CN117349990A (zh) * | 2023-12-05 | 2024-01-05 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080684A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨工程大学 | 一种点邻域尺度差异描述的点云配准方法 |
| US20200388044A1 (en) * | 2019-06-06 | 2020-12-10 | Zhejiang University | Plant point cloud acquisition, registration and optimization method based on tof camera |
| CN112381861A (zh) * | 2020-09-18 | 2021-02-19 | 南京航空航天大学 | 一种基于地基激光雷达的林地点云数据配准和分割方法 |
| CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
| CN113706381A (zh) * | 2021-08-26 | 2021-11-26 | 北京理工大学 | 一种三维点云数据的拼接方法及装置 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
| CN114332366A (zh) * | 2021-12-24 | 2022-04-12 | 西运才 | 数字城市单体房屋点云立面3d特征提取方法 |
| CN115423972A (zh) * | 2022-08-20 | 2022-12-02 | 北京航空航天大学 | 一种基于车载多激光雷达融合的封闭场景三维重建方法 |
| CN115861397A (zh) * | 2022-11-25 | 2023-03-28 | 福州大学 | 一种基于改进fpfh-icp的点云配准方法 |
| CN116051540A (zh) * | 2023-03-06 | 2023-05-02 | 武汉科技大学 | 基于点云模型的互感器接线端子定位位姿获取方法及系统 |
-
2023
- 2023-06-15 CN CN202310706293.4A patent/CN116452648B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200388044A1 (en) * | 2019-06-06 | 2020-12-10 | Zhejiang University | Plant point cloud acquisition, registration and optimization method based on tof camera |
| CN111080684A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨工程大学 | 一种点邻域尺度差异描述的点云配准方法 |
| WO2022021739A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及系统 |
| CN112381861A (zh) * | 2020-09-18 | 2021-02-19 | 南京航空航天大学 | 一种基于地基激光雷达的林地点云数据配准和分割方法 |
| CN113506376A (zh) * | 2021-07-27 | 2021-10-15 | 刘秀萍 | 地面三维点云多尺度闭合差校验拼接方法 |
| CN113706381A (zh) * | 2021-08-26 | 2021-11-26 | 北京理工大学 | 一种三维点云数据的拼接方法及装置 |
| CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
| CN114332366A (zh) * | 2021-12-24 | 2022-04-12 | 西运才 | 数字城市单体房屋点云立面3d特征提取方法 |
| CN115423972A (zh) * | 2022-08-20 | 2022-12-02 | 北京航空航天大学 | 一种基于车载多激光雷达融合的封闭场景三维重建方法 |
| CN115861397A (zh) * | 2022-11-25 | 2023-03-28 | 福州大学 | 一种基于改进fpfh-icp的点云配准方法 |
| CN116051540A (zh) * | 2023-03-06 | 2023-05-02 | 武汉科技大学 | 基于点云模型的互感器接线端子定位位姿获取方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| GANG WANG 等: "Trajectory Planning and Optimization for Robotic Machining Based On Measured Point Cloud", 《IEEE TRANSACTIONS ON ROBOTICS》, vol. 38, no. 3, XP011910373, DOI: 10.1109/TRO.2021.3108506 * |
| SHUO XU 等: "A fast point clouds registration method with ISS-shot feature descriptors", 《PROCEEDINGS VOLUME 12566, FIFTH INTERNATIONAL CONFERENCE ON COMPUTER INFORMATION SCIENCE AND ARTIFICIAL INTELLIGENCE (CISAI 2022)》 * |
| 孙文潇 等: "法线特征约束的激光点云精确配准", 《武汉大学学报(信息科学版)》, vol. 45, no. 7 * |
| 宋莎莎: "基于最优传输理论的点云配准算法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 崔水军;李荣;: "基于法向量特征的点云配准方法", 科技创新导报, no. 03 * |
| 赵云涛 等: "Fast target recognition and location based on graph model and point cloud model", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
| 赵云涛 等: "基于协方差矩阵自适应进化策略的机器人手眼标定算法", 《计算机应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934822A (zh) * | 2023-09-15 | 2023-10-24 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的系统 |
| CN116934822B (zh) * | 2023-09-15 | 2023-12-05 | 众芯汉创(江苏)科技有限公司 | 一种基于三维点云数据自主配准转化精细化模型的系统 |
| CN117349990A (zh) * | 2023-12-05 | 2024-01-05 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
| CN117349990B (zh) * | 2023-12-05 | 2024-02-13 | 武汉科技大学 | 一种机器人快速标定的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452648B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116452648B (zh) | 一种基于法向量约束纠正的点云配准方法及系统 | |
| WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
| Wang et al. | A survey of iterative closest point algorithm | |
| CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
| CN106780459A (zh) | 一种三维点云数据自动配准方法 | |
| CN113205547A (zh) | 点云配准方法、骨头配准方法、装置、设备及存储介质 | |
| CN108597016B (zh) | 基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法 | |
| CN112329726B (zh) | 人脸识别方法及装置 | |
| CN112381862A (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
| CN112200915A (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 | |
| CN112801945A (zh) | 基于双重注意力机制特征提取的深度高斯混合模型颅骨配准方法 | |
| CN114782503A (zh) | 一种基于多尺度特征相似度约束的点云配准方法及系统 | |
| CN109785372B (zh) | 基于软决策优化的基础矩阵鲁棒估计方法 | |
| CN108062766B (zh) | 一种融合颜色矩信息的三维点云配准方法 | |
| JP2008224641A (ja) | カメラ姿勢推定システム | |
| CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
| CN109887012B (zh) | 一种结合自适应搜索点集的点云配准方法 | |
| CN115661218B (zh) | 一种基于虚拟超点的激光点云配准方法和系统 | |
| WO2021244203A1 (zh) | 参数优化的方法、电子设备和存储介质 | |
| CN114972695A (zh) | 一种点云生成方法、装置、电子设备及存储介质 | |
| CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 | |
| CN114492165A (zh) | 基于亲缘选育方法的参数优化方法及系统 | |
| CN114186168A (zh) | 面向智能城市网络资源的相关性分析方法及装置 | |
| CN111104922A (zh) | 一种基于有序抽样的特征匹配算法 | |
| CN112581513A (zh) | 锥束计算机断层扫描图像特征提取与对应方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |