基于几何特征由粗到细点云配准方法与流程

本发明涉及计算机视觉技术领域，具体涉及一种基于几何特征由粗到细点云配准方法。

背景技术：

点云配准是三维计算机视觉中的一个基本问题。通常采用激光扫描仪获取点云，但由于光在物体表面不能穿透，物体表面的信息往往需要多视角、多分辨率扫描获得。给定不同坐标系下的几组点云，配准的目的是找到将它们对齐到最佳公共坐标系的变换。通常需要对多个视角的点云进行配准才能获取完整的信息，其中最基本的是两个视角点云配准。

无序点云配准面临四大挑战：(1)不均匀的点密度；(2)大量数据；(3)重复、对称和不完整的结构；(4)点云之间的有限重叠。为了应对这些挑战，研究人员已经进行了广泛的研究，其中最经典的方法是由best等人提出的迭代最近点(iterativeclosestpoints，icp)算法。该算法通过在匹配对应点和更新刚性变换之间多次迭代对齐两点云。icp配准精度高且易实现，但对初始位置敏感，容易陷入局部最小值。

为了达到良好配准效果，点云配准通常分两步：粗配准和细配准。粗配准将距离较远、旋转角度较大的两点云尽可能多的重合在一起，细配准进一步得到精确的结果。基于点特征的粗配准通常利用关键点检测器(3dsift、narf、harris3d、iss3d)从点云中提取关键点，计算特征描述符(fpfh、3dshapecontext、vfh)，然后利用特征匹配策略来确定源点云和目标点云初始变换关系；基于点的粗配准利用点与点之间几何关系来计算变换矩阵，如4点全等(4pcs)及其变体超4点全等(super-4pcs)。虽然以上方法能得到令人满意的结果，但对于对称和大规模点云来说，计算效率仍有待提高。细配准主要是icp算法及其变体(pointtoplaneicp、nicp、gicp)。bae等人提出了几何原始icp与随机样本共识(gpicpr)算法，利用局部表面法向量和几何曲率用于匹配和邻域搜索。he等人使用几何特征来改进经典的icp算法。虽然icp及其变体配准效率高、精度好，但是它们需要良好的初始位置，避免陷入局部最小值。

技术实现要素：

本发明提出了一种基于特征点曲率匹配的粗配准和基于法向量夹角、启发式搜索的细配准，目的在于将点云几何特征融入点云配准，使得初始配准获得良好初始位置，细配准利用法向量特征快速收敛。

本发明通过以下技术方案来实现上述目的：

(1)粗配准阶段，首先寻找点云的最佳投影平面，将点云投影到平面上，然后在平面上提取4个轮廓点，再根据投影变换寻找轮廓点的三维对应点，计算三维点邻域内的各点的曲率，根据曲率变化率的最值寻找特征点。

(2)结合曲率特征和点对距离，在4对轮廓特征点中寻找最相似的匹配点，并利用变换矩阵计算得到初始变换参数。

(3)通过法向量及法向量夹角，使得搜索时利用法向量方向的相似性确定性向一个方向接近最近点，改善传统icp迭代次数过多的问题。

附图说明

图1为本发明基于几何特征由粗到细点云配准方法框架图。

图2为实验对比的结果图。

具体实施方法

由粗到细点云配准具体方法如下：

寻找4个轮廓特征点的方法如下：

假设点集为通过最小化点到平面的距离平方误差之和，获得最佳拟合平面p，将点集s投影到平面p上，记为

点集s′p在平面p上的中心点为

在平面上选取的4个点如下：

第一个点f1为距离中心点最远的点

第二个点f2为距离f1点和中心点距离最远的点，

点f1到中心点c的直线和点f2到中心点c的直线形成了以c为顶点的角∠f1cf2，第三个点f3在∠f1cf2的角平分线上，并距离中心最远的点。

第四个点f4在以f3为定点的射线f3c上，并距离中心点c最远的点。

找到这4个点之后，将这4点映射到三维空间中，然后在这4个点周围选取k个最近邻点，计算k个点的曲率形状变化率，寻找这四个点邻域内的特征凹点或者特征凸点作为特征点。

基于4点匹配的初始配准的方法如下：

对于源点集和目标点集其中n和m分别为源点集和目标点集点的数目，寻找源点集和目标点集4个轮廓特征点分别为和轮廓特征点之间的距离分别为{dpi,j}和{dqi,j}，i和j是不同特征点下标k值。

定义两个4点集匹配的相似度sp,q为：

sp,q＝α∑(||c(pfk)-c(qfl)||)+(1-α)∑(||dpi,j-dqi,j||)(3)

其中α是平衡系数，0＜α＜1，若和中对应特征点的曲率变化率比较接近，且和中的4个特征点曲率变化率差异明显，则增大α权重；若和中的4个特征点曲率变化率差异较小，难以区分，则减小α权重，此时利用轮廓特征点之间的距离进行匹配，通过比对{dpi,j}和{dqi,j}来匹配，寻找最近的匹配点。

初始变换矩阵tr可以通过公式(4)计算：

其中，p^(c)和p^(t)为源点集和目标点集的4个轮廓特征点的特征矩阵，定义p^(τ)，

当τ＝c时为源点云特征点矩阵；当τ＝t时为目标点云特征点矩阵，p^(c)和p^(t)的每一列中的(x,y,z)，都是一对匹配的轮廓特征点。

基于法向量夹角启发搜索的精细配准的方法如下：

输入：给定源点云与目标点云的一组粗匹配及收敛阈值ε。

输出：最优旋转和平移矩阵。

step1从源点云s中选择点pi，并计算邻域法向量nsi。

step2从目标点云t中选择pi的粗匹配点qj的k个最近点，并计算这些点的法向nqj。

step3将nsi与目标点邻域内k个最近点的法向量nqj进行匹配，计算pi与qj邻域各点法向量夹角，并把具有相同变化趋势的法向量的点对构成对应点集合m(pi,qj)。

step4从对应点集合中选取法向量夹角最小的一组对应点(pi,qx)，利用奇异值分解(singularvaluedecomposition，svd)的方法计算旋转矩阵rk+1和平移矩阵tk+1，则sk+1＝[rk+1,tk+1]^t，并更新目标点云的位置。

step5计算两点云的均方根误差rmse(rootmeansquareerror)，若rmsek+1＜rmsek，同时rmsek-rmsek+1＞ε，以目标点qx替代目标点qj继续step2的计算。

step6若出现rmsek+1＞rmsek，选取法向量夹角较大的一组点(pi,qx)，继续step4的计算。

step7若多次出现rmsek+1＞rmsek，则减小k，继续迭代直到收敛。

点云配准的执行精度和效率主要从迭代平均耗时和rmse误差中体现。为了验证本发明的提出的基于几何特征由粗到细点云配准方法的有效性，在相同实验环境的条件下，分别选取三组不同点云对传统icp算法和本文提出的由粗到细的点云配准算法进行了对比实验。实验结果如表1所示。

从表中可以看出本文算法在实验数据中取得了较好的效果，具有一定的实用价值。与传统算法相比，迭代次数明显减少，且耗时减少，rmse误差降低，在有噪声的情况下，本文方法无论在配准精度和速度上更有优势。

表1传统算法和本文方法实验结果