一种非结构化点云特征点检测方法及其提取方法
【专利摘要】本发明提供了一种非结构化点云特征点检测方法及其提取方法，（1）计算采样点在不同尺度空间中的Harris响应值；（2）选取最优尺度空间下的Harris响应值作为采样点的Harris响应值，得到特征点集合Q；（3）将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点，最后选择优化策略提取最终的特征点。在极坐标系下对得到的特征点所在切平面进行网格化分割，然后将特征点的邻域点投影到该切平面上，将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵，然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换，变换后的矩阵的左上角元素即特征描述向量。
【专利说明】一种非结构化点云特征点检测方法及其提取方法【技术领域】
[0001]本发明属于三维空间目标识别领域，涉及一种非结构化点云特征点检测方法及其提取方法。具体涉及一个面向非结构化三维点云数据的多尺度特征点检测算法和一个基于形状信息统计和空间变换思想的特征点描述算法。
【背景技术】
[0002]随着三维建模技术的大量普及，三维点云数据被广泛应用于文物保护、空间目标识别等诸多领域。面对信息量庞大的三维点云，如何提取符合实际应用要求的、有意义的信息是处理三维点云数据必须要解决的问题。
[0003]点云数据特征点提取作为三维点云数据处理中的关键技术是目前点云处理中的研究热点。现有的三维模型特征提取算法主要针对网格数据，无法满足对非结构化点云特征提取的要求。与网格化点云数据相比，非结构化点云数据量大、无点云拓扑信息、特征点检测容易受噪声影响，因此特征点检测和描述难度大。
【发明内容】
[0004]本发明提供了一种非结构化点云特征点检测方法及其提取方法，满足对非结构化点云特征的检测及提取要求。
[0005]为解决以上技术问题，本发明采用以下技术方案:
[0006]一种非结构化点云特征点检测方法，包括以下步骤:(I)利用采样点不同尺度空间的邻域信息计算采样点在不同尺度空间中的Harris响应值；(2)通过迭代算法选取最优尺度空间下的Harris响应值作为采样点的Harris响应值，得到特征点集合Q ;(3)将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点，最后利用候选特征点选择优化策略提取最终的特征点。`作为本发明的优选实施例，所述步骤(1)中，采样点在不同尺度空间中的Harris响应值根据以下方法计算:(1.1 H^N1Xpi)是口1的邻域点集合，Pj e N1Xpi),分别在P」的[1，O, O]方向和[-1，O, O]方向确定两个点pj+和ρ」_，计算pj+的邻域点集合队(P」+)和ρ」_的邻域点集合队(P」+)之间的Hausdorff距离；其中，1、r、j均为正整数；(1.2)根据步骤(1.1)的Hausdorff距离计算Pj在X轴方向的偏导数fx ; (1.3)计算P」在Y方向的偏导数fy ; (1.4)根据P」在X轴方向和Y方向的偏导数fx和fy计算每个邻域点的高斯权重，即E矩阵；(1.5)根据E矩阵计算Pj的Harris响应值,计算公式为:Harris (x, y) =det (E) - k.(Trace (E))2, k 为经验系数。
[0007]所述步骤(1.1)的Hausdorff距离根据以下公式计算:
【权利要求】
1.一种非结构化点云特征点检测方法，其特征在于:包括以下步骤: (1)利用采样点不同尺度空间的邻域信息计算采样点在不同尺度空间中的Harris响应值； (2)通过迭代算法选取最优尺度空间下的Harris响应值作为采样点的Harris响应值，得到特征点集合Q ； (3)将Harris响应值在尺度空间邻域和几何邻域都具有极大性的点作为候选特征点，最后利用候选特征点选择优化策略提取最终的特征点。
2.根据权利要求1所述的一种非结构化点云特征点检测方法，其特征在于:所述步骤(O中，采样点在不同尺度空间中的Harris响应值根据以下方法计算:(1.1)设队(Pi)是Pi的邻域点集合，Pj e队(Pi)，分别在Pj的[1，O, O]方向和[-1，O, O]方向确定两个点pj+和Pj_,计算Pj+的邻域点集合Nr (Pj+)和Pj_的邻域点集合Nr (Pj+)之间的Hausdorff距离；其中，1、r、j均为正整数； (1.2)根据步骤(1.1)的Hausdorff距离计算Pj在X轴方向的偏导数fx ； (1.3)计算Pj在Y方向的偏导数fy ； (1.4)根据P」在X轴方向和Y方向的偏导数fx和fy计算每个邻域点的高斯权重，即E矩阵； (1.5)根据E矩阵计算P」的Harris响应值，计算公式为:Harris(x，y) =det (E)-k.(Trace (E))2, k 为经验系数。
3.根据权利要求2所述的一种非结构化点云特征点检测方法，其特征在于:所述步骤(1.1)的Hausdorff距离根据以下公式计算:
4.根据权利要求2所述的一种非结构化点云特征点检测方法，其特征在于:所述(1.4)的高斯权重E矩阵根据以下公式计算:
5.根据权利要求1所述的一种非结构化点云特征点检测方法，其特征在于:所述步骤(2)的方法为:首先选取一个K邻域点集合作为初始尺度空间大小，计算初始尺度因子0(|;如果采样点Pi在当前尺度k下计算出的响应值hk(Pi)不足以判定点Pi是否是特征点，那么尺度因子将更新到下一个尺度，继续计算下一个尺度Pi的响应值；随着尺度因子的增加，响应值变化最大的那个尺度称为最优的尺度；当迭代算法停止，将上一尺度及其响应值作为最优尺度和最优的响应值；具体方法为: (2.1)令k=0，特征点集合为空，其中，k为尺度因子索引；(2.2)判断σ/Omax是否成立，其中，σ ^为初始尺度因子，为最大尺度因子，如果成立，则提取Pi的邻域点集合其中，
6.根据权利要求1所述的一种非结构化点云特征点检测方法，其特征在于:所述步骤(3)中，候选特征点的优化策略方法为: (3.1)初始化后，判断特征点集合Q是否为空，如果不为空，则进行步骤(3.2) ；(3.2)如果qf e Q 并且
7.一种基于权利要求1所述的非结构化点云特征点检测方法对非结构化点云进行提取的方法，其特征在于:在极坐标系下对权利要求1得到的特征点所在切平面进行网格化分割，然后将特征点的邻域点投影到该切平面上，将每个网格中的投影点对应的投影长度向网格的四个顶点投票生成特征信息统计矩阵，然后分别对特征统计的行向量和列向量进行DCT变换和DFT变换，将由变换后得到的矩阵的左上角元素构成的向量作为该特征点的特征描述向量，所述左上角为AXA，其中，1〈A〈10。
8.根据权利要求7所述的方法，其特征在于:利用双线性插值将投影长度向特征统计矩阵的对应位置进行投票的方法为:定义一个NXM的实数矩阵S，划分的网格在半径方向将半径划分为M等份,每等份长度用binR表示,则binR=r (k) /M,在每一个同心圆上,按逆时针顺序将圆周角划分为M等份，每等份的角度用bin0表示，则bin0 =2 Ji/N ;记第j个特征点f?在A切平面上的投影点为f广，g =(xf,yi)，投票方法为: (A)计算f广与坐标原点的连线从X方向按逆时针旋转到当前位置的旋转角度，
记为thetaR ；判断^ >()是否成立，若成立，令
9.根据权利要求8所述的方法，其特征在于:步骤(D)根据以下公式计算:
10.根据权利要求7所述的方法，其特征在于:所述DCT变换和DFT变换的方法为:首先对特征统计矩阵S的行向量进行DCT变换，用DCT变换后的行向量替换原始S矩阵中的行向量，得到新的S矩阵，然后对S矩阵的列向量进行DFT变换，DFT变换后的结果是复数，将变换后复数的模作为新的列向量元素。
【文档编号】G06K9/46GK103745459SQ201310737477
【公开日】2014年4月23日 申请日期:2013年12月26日 优先权日:2013年12月26日
【发明者】郭宇, 王飞, 王璇, 田贝 申请人:西安交通大学