基于几何与纹理映射的异源点云粗匹配方法

1.本发明涉及三维点云处理技术领域，尤其涉及基于几何与纹理映射的异源点云粗匹配方法。


背景技术：

2.三维点云作为地理信息的重要数据源，被广泛应用于精细建模与空间分析中，在地籍勘查、环境保护、城市规划、应急救灾等领域发挥着十分重要的作用。由于每种类型的点云都有各自的优缺点，且单一点云的采集角度有限，易产生由地物遮挡导致的点云缺失，所以融合异源点云可以更好地服务于后续的精细建模与分析。点云融合的基础是点云匹配，匹配的质量直接关系着融合点云的应用效果，异源点云的匹配一直是相关领域的研究难点，也是影响异源点云融合的瓶颈问题。
3.三维点云的匹配一般基于三维点云的局部或整体特征进行匹配，但直接基于三维点的匹配计算开销大、内存占用高、计算效率较低，因此很多学者使用成熟的图像匹配算法完成点云所对应影像的配准，并基于图像与点云的映射关系最终完成点云之间的匹配，此种方法所用影像可以为点云强度、深度与rgb纹理等属性的映射图像，或在摄影测量前方交会中空间点对应的像点所在图像。基于映射影像的点云匹配算法，匹配效率高，并且可以处理具有相似变换关系的点云匹配。但是该方法要求点云之间的纹理相似较高，而由于异源点云获取的方式、获取的角度、获取的时间不同，必然会带来点云映射影像的分辨率、角度/尺度，以及纹理的差异性，降低了映射影像间的相似性，从而降低了此类算法在异源点云中的匹配效果。


技术实现要素：

4.针对上述存在的问题，本发明旨在提供一种基于几何与纹理映射的异源点云粗匹配方法，通过融合几何与纹理的特征描述子，以克服现有的基于映射影像的点云匹配方法在异源点云映射影像纹理相似性较低时无法完成点云匹配的问题。
5.为了实现上述目的，本发明所采用的技术方案如下：
6.基于几何与纹理映射的异源点云粗匹配方法，其特征在于，包括以下步骤，
7.s1：根据源点云和模型点云生成点云映射影像；
8.s2：使用rgb通道映射影像提取特征点；
9.s3：基于点云rgb、法向量dip分量、粗糙度与曲率属性映射的多通道影像，生成融合点云几何与rgb属性的特征描述子；
10.s4：点云映射影像特征点匹配；
11.s5：根据3d-2d的映射关系获取对应的三维匹配点，完成点云的粗匹配。
12.进一步的，步骤s1的具体操作包括以下步骤，
13.s101：建立点云的有向包围盒；
14.s102：对有向包围盒进行正方体体素分割；
15.s103：基于体素进行点云映射获取点云的多通道影像。
16.进一步的，步骤s2的具体操作包括以下步骤，
17.s201：基于gps辅助获取影像的粗略重叠区域；
18.s202：提取兴趣纹理区域的影像；
19.s203：生成兴趣纹理区域的梯度增强影像；
20.s204：基于尺度空间建立harris与sift的特征点集。
21.进一步的，步骤s202中使用grab cut算法与图像掩膜mask进行兴趣纹理区域提取。
22.进一步的，步骤s203的具体操作包括以下步骤，
23.s2031：使用canny算子获取兴趣纹理区域的梯度影像；
24.s2032：将梯度影像图像与原始图像进行叠加，得到梯度增强影像；
25.假设梯度影像图像的像素值为{hi}，原始图像的像素值为{ji}，梯度增强影像的像素值为{pi}，则}，则式中，h
max
与h
min
分别为像素{hi}中的最大值和最小值；max{pixi}和min{pixi}分别为{pixi}中的最大值和最小值。
26.进一步的，步骤s204的具体操作包括以下步骤，
27.s2041：使用高斯卷积核g(x，y，σi)建立高斯尺度空间，计算不同尺度下的m矩阵，其中，a(σi)＝g(x，y，σi)*(i
x
)2，b(σi)＝g(x，y，σi)*(iy)2，c(σi)＝g(x，y，σi(i
x
·iy
)2，式中，i
x
与iy分别表示图像在x和y轴方向上的一阶偏导数，*代表卷积操作；在此基础上，计算梯度增强影像的角点相应的r(σi)，r(σi)＝det(m(σi))-τ
·
tr2(m(σi))，式中，τ∈[0.04-0.06]为权重系数；
[0028]
s2042：在每一个尺度里，使用非最大值抑制获取相应r(σi)，当r(σi)大于阈值，且在给定邻域范围内是最大值时，将对应的此点作为备选harris角点；
[0029]
s2043：在尺度空间沿从小到大的尺度方向过滤备选harris角点，若一个备选harris角点在尺度空间中连续存在，则此角点为harris特征点，累积所有尺度空间的harris特征点作为最终的harris特征点集；
[0030]
s2044：在相同的尺度空间内，对梯度增强影像图像提取sift特征点。
[0031]
进一步的，步骤s3的具体操作包括以下步骤，
[0032]
s301：使用与步骤s2中特征点提取时相同的高斯卷积核函数建立点云映射多通道影像的尺度空间，所述多通道影像包括rgb通道、dip通道、曲率通道、粗糙度通道；
[0033]
s302：统计兴趣纹理区域梯度增强影像的rgb通道特征点邻域的梯度分布，建立特征点的基准方向，确定每个通道影像图像的区域；
[0034]
s303：将步骤s302中确定的各通道影像图像区域，根据特征点基准方向进行坐标轴旋转，旋转后邻域内采样点的新坐标为
[0035]
s304：特征点邻域旋转后，邻域的子区域内各个像素的梯度分配到8个统计方向
上，计算权值进行柱状图统计；
[0036]
s305：计算128维融合点云几何与rgb属性的特征描述子。
[0037]
进一步的，步骤s302的具体操作包括以下步骤，
[0038]
s3021：在特征点对应的尺度图像中搜索3σ邻域范围内的像素的梯度幅值与方向，3σ＝3
×
1.5
×
σ
oct
，式中，σ
oct
为每一个尺度空间内生成相邻尺度图像所用的高斯参数；
[0039][0040]
式中，l为特征点所在尺度空间；m(x，y)和θ(x，y)分别为梯度的幅值和梯度的方向；
[0041]
s3022：使用直方图统计邻域内像素梯度分布，使用像素的梯度方向确定所在的柱状图区间，幅值乘以权重叠加到对应柱状区间完成最终的统计；
[0042]
s3023：在特征点对应的尺度空间上，确定描述子所需的各通道影像区域；将特征点附近邻域划分成2
×
2个子区域，每个子区域作为一个种子点，统计8方向的梯度特征，每个子区域中含有12
×
σ
oct
个子像素，即子区域边长为最终每个通道图像对应的区域半径radius为
[0043]
进一步的，步骤s304的具体操作包括以下步骤，
[0044]
s3041：确定旋转后像素点所在子区域的下标
[0045]
s3042：区域内像素的梯度按照σ＝1、半径为3σ的高斯核g’进行加权，加权所得梯度为ω＝m(a+x，b+y)*g’，式中，(x，y)∈3σ，(a，b)为特征点所在尺度图像中的位置。
[0046]
进一步的，步骤s305的具体操作包括以下步骤，
[0047]
s3051：根据每个像素点的区域下标(x”，y”)，插值计算种子点的8方向梯度，每个通道影像会产生2
×2×
8即32个梯度信息作为该通道所对应的特征向量；
[0048]
s3052：对每一个通道所得的32维梯度信息进行归一化处理和门限值截断，将4通道的32维描述子串联，最终获得2
×2×8×
4即128维描述子，算法中四通道之间的特征权重都为1。
[0049]
本发明的有益效果是：
[0050]
本发明中的异源点云粗匹配方法针对现有基于映射影像的点云匹配算法在映射影像间的纹理相关性较低时无法完成点云匹配的问题，提出了基于几何与纹理映射影像的点云匹配算法(geometry and texture image-based point cloud registration，gtir)。算法首先使用gps辅助信息与图割(grab cut)提取点云映射影像的兴趣纹理区域，去除了非重叠区造成的误匹配和单调纹理区域的特征计算。此后，针对仅使用点云rgb属性映射所得影像间的纹理相关性低，现有算法无法匹配的问题，基于点云rgb纹理属性、法向量坡度分量(dip)、粗糙度与曲率属性映射的多通道影像，设计了一种融合点云几何与rgb属性的特征描述子，以提高同名特征点之间的相关性。为了降低尺度空间内多通道影像特征点提
取的计算开销，gtir仅使用rgb通道影像进行特征点提取，以保证算法的整体效率。为了降低rgb纹理间的低相关性对特征点提取的影响，算法在对兴趣纹理区域rgb影像进行梯度增强的基础上将多尺度的harris与sift(scale-invariant feature transform)作为特征点集，从而保证了特征点的提取数量与质量，提高了后续匹配算法的稳定性。在映射影像特征点提取与匹配后，依据保留的3d-2d的映射关系，获取点云对应的三维匹配点，完成异源点云之间的匹配。本发明中的方法可以有效处理异源点云的粗匹配，算法不仅具有基于映射影像的点云匹配算法的通用优势，而且计算量小、算法效率高、异源点云匹配精度高，还能够克服分辨率、光照环境、采集角度等差异导致的误匹配。
附图说明
[0051]
图1为本发明中异源点云粗匹配方法流程图。
[0052]
图2为本发明中点云的aabb包围盒与obb包围盒。
[0053]
图3为本发明中点云的体素化分割图。
[0054]
图4为本发明中近景摄影测量点云的6通道映射影像。
[0055]
图5为本发明中无人机摄影测量点云的6通道映射影像。
[0056]
图6为本发明中点云之间的粗略重叠区域示意图。
[0057]
图7为本发明中兴趣纹理区域提取流程图。
[0058]
图8为本发明中兴趣纹理区域的梯度增强影响。
[0059]
图9为本发明中尺度空间的harris特征点检测。
[0060]
图10为本发明中多尺度harris与sift特征点集。
[0061]
图11为本发明中除rgb通道外点云几何属性映射所得的三通道影像。
[0062]
图12为本发明中图像的梯度直方图统计图。
[0063]
图13为本发明中特征点邻域的坐标轴旋转。
[0064]
图14为本发明中融合几何与rgb纹理属性的特征描述子。
[0065]
图15为本发明中最终特征点的对应关系和匹配效果。
[0066]
图16为本发明中点云映射所得影像的最终匹配效果。
[0067]
图17为本发明中同名特征点在近景摄影测量点云中的分布图。
[0068]
图18为本发明中同名特征点在无人机摄影测量点云中的分布图。
[0069]
图19为本发明中粗匹配方法对异源点云的最终匹配效果图。
具体实施方式
[0070]
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
[0071]
如附图1所示，基于几何与纹理映射的异源点云粗匹配方法，包括以下步骤，
[0072]
s1：根据源点云和模型点云生成点云映射影像(在点云匹配领域，以a点云为坐标基准，用匹配算法完成b到a的匹配(移动b坐标到a)，a叫做源点云，b叫做模型点云)；
[0073]
具体的，s101：建立点云的有向包围盒；
[0074]
由于点云不一定沿坐标轴分布，为降低点云映射时的计算量与存储空间，需要建立点云的有向包围盒obb(oriented bounding box)。通过对点云的协方差矩阵进行pca
(principal component analysis)分解获得特征向量，以此为obb主轴，并给予obb主轴建立点云的外包体，计算过程如下：
[0075]
1)建立点云的协方差矩阵a，
[0076][0077]
cov()对应的主对角线元素表示左边的方差，其他元素表示坐标之间的协方差。
[0078]
2)对协方差矩阵进行雅克比迭代与施密特正交化，求解其特征值与对应的特征向量，其中较大者对应的obb包围盒的坐标轴
[0079]
3)在新坐标系下，统计点云的分布即可获得obb的长宽高以及中心点。
[0080]
使用近景摄影测量点云与无人机摄影测量点云数据计算obb包围盒，附图2为基于点云坐标分布的aabb包围盒转化为obb包围盒，附图2中，(a)和(c)分别为近景摄影测量点云与无人机摄影测量点云的aabb包围盒，(b)和(d)分别为近景摄影测量点云与无人机摄影测量点云的obb包围盒。
[0081]
s102：对有向包围盒进行正方体体素分割；
[0082]
体素的大小直接与后续影像质量相关，体素过大会降低映射图像的分辨率，影响后续特征点提取与匹配；体素过小会导致映射影像数据量大，特别是体素的边长小于点间距时图像会存在一定的空值像素，且会大大增加计算量。经实验比较，最终将体素边长设定为点云平均间距的3倍，且对没有数据的区域不进行分割，最终体素化分割效果如附图3所示。在附图3中，(a)和(c)分别为近景摄影测量点云与无人机摄影测量点云的obb包围盒，(b)和(d)分别为近景摄影测量点云与无人机摄影测量点云基于obb包围盒的点云体素化分割图。
[0083]
s103：基于体素进行点云映射获取点云的多通道影像。
[0084]
体素对应着映射图像的像素，将体素中所包含点的属性均值作为对应像元的灰度值，将距离体素中心最近的点作为像元的对应点，以此保留3d-2d的映射关系。分别映射点云的rgb、相对高程、法向量坡度(dip)与坡向(dip direction)分量、高斯曲率和粗糙度属性，如附图4与附图5分别是近景摄影测量点云与无人机摄影测量点云映射之后的多通道影像。其中，附图4为近景摄影测量点云的6通道映射影像，附图5为无人机摄影测量点云的6通道映射影像，在附图4和附图5中，(a)-(f)分别为点云体素化映射的rgb纹理通道；0-255显示的相对高程通道；0-255显示的法向量dip分量与dip direction分量通道；0-255显示的高斯曲率通道；0-255显示的粗糙度通道。
[0085]
最终，通过算法的以上处理，获得了异源点云映射的多通道影像，所使用的通道影像包含点云的多种几何与纹理特征。
[0086]
进一步的，步骤s2：使用rgb通道映射影像提取特征点；
[0087]
由于无人摄影测量点云所映射的影像实际覆盖面积要远大于近景摄影测量点云映射影像的覆盖面积，非重叠区域的影像会带来大量的无匹配，因此要提取异源点云映射的近似重叠区域，也即兴趣纹理区域。
[0088]
具体的，s201：基于gps辅助获取影像的粗略重叠区域；
[0089]
无人机摄影测量点云具有地理空间信息，水平定位精度为12cm；而近景影像的gps
精度低，水平定位精度约为2m，不能作为近景摄影测量的控制数据，因此近景摄影测量点云没有地理空间尺度。但近景影像的gps信息可用来概略选定两个映射影像的重叠区域。如附图6所示，其中，方框区域为基于gps粗略选定的影像重叠区；虽然仅是粗略的重叠区域，但此粗略重叠区域可以有效去除道路两旁植被所造成的误匹配以及大部分平整路面等纹理单调区域的匹配计算。
[0090]
s202：提取兴趣纹理区域的影像；
[0091]
粗略重叠区域中平整路面的纹理单一无法有效提取特征，而坑洞部分纹理较为丰富，是特征提取的兴趣纹理区域。为了进一步精化粗略重叠区域，使用grab cut与图像掩膜mask进行兴趣纹理区域提取，基于rgb影像作为数据输入，先使用grab cut获取兴趣纹理区域轮廓，基于轮廓构建二值掩膜mask对兴趣纹理区域进行提取，提取过程如附图7所示。在附图7中，(a)与(d)为粗略重叠区域的影像；(b)与(e)为grab cut提取的前景轮廓；(c)与(f)为使用mask掩膜提取的兴趣纹理区域影像；需要说明的是，grab cut为计算机视觉领域的经典算法，具体算法内容本技术中不做赘述。
[0092]
s203：生成兴趣纹理区域的梯度增强影像；
[0093]
更具体的，s2031：使用canny算子获取兴趣纹理区域的梯度影像；
[0094]
经过兴趣纹理区域提取，可以排除非重叠区域以及弱特征区域对匹配的影响，但由于采集设备与光照环境等差异，图像之间的纹理相似性依然较差。尤其是图像间分辨率所引起的纹理差异直接导致了后续匹配的失败。为了提高兴趣纹理区域影像间纹理的相似性，本发明对兴趣纹理区域影像进行预处理，使用边缘检测算法获取对应的梯度影像，并对梯度影像进行增强。虽然兴趣纹理区域影像的纹理差异较大，但内部的纹理变化趋势是相似的。边缘检测所对应的梯度图像可以反应原始图像内纹理的变化趋势，像素信息的质量更高，可在一定程度上减弱噪声与分辨率差异对纹理相似性的影响。由于canny算子具有较好的抗噪性、能检测到弱边缘、定位精度高和有效抑制虚假边缘的特性，是较为优秀的边缘提取算子，因此使用canny算子完成兴趣纹理区域影像的梯度计算(canny为计算机视觉领域的经典算法，本技术中不展开叙述算法原理)。
[0095]
s2032：将梯度影像图像与原始图像进行叠加，得到梯度增强影像；
[0096]
梯度图像中的像素是由原图相邻像素差分得到的，所以部分算法所得梯度图像的亮度偏低，影响了后续的特征提取。本发明中将梯度图像与原始图像进行叠加以增强图像的特征。
[0097]
假设梯度影像图像的像素值为{hi}，原始图像的像素值为{ji}，梯度增强影像的像素值为{pi}，则}，则式中，h
max
与h
min
分别为像素{hi}中的最大值和最小值；max{pixi}和min{pixi}分别为{pixi}中的最大值和最小值。
[0098]
附图8为增强后的图像。在附图8中，(a)与(d)为异源点云映射影像的兴趣纹理区域影像；(b)与(e)为兴趣纹理区域的梯度影像；(c)与(f)为兴趣纹理区域的梯度增强影像。
[0099]
s204：基于尺度空间建立harris与sift的特征点集。
[0100]
图像特征一般分为边缘特征、角点特征和斑点特征。角点一般位于边缘的相交处，代表算法如harris等；斑点区别于角点和边缘，主要描述像素灰度变化的极值，代表算法如
sift等。对同一图像进行特征提取时，斑点与角点会存在部分交集，但不全等。针对梯度增强图像中单一特征点提取算法无法保证特征点数量的问题，本发明结合尺度空间的harris与sift组成特征点集以增加后续匹配的稳定性。
[0101]
由于sift算法提取的特征点具有尺度不变形，而harris算法提取的特征点不具有尺度不变性，因此引入本节引入高斯尺度空间，提取了具有尺度信息的harris角点。最终，harris与sift特征点的合集作为图像的特征点集进行后续图像匹配。具体操作包括以下步骤，
[0102]
s2041：使用高斯卷积核g(x，y，σi)建立高斯尺度空间，计算不同尺度下的m矩阵，其中，a(σi)＝g(x，y，σi)*(i
x
)2，b(σi)＝g(x，y，σi)*(iy)2，c(σi)＝g(x，y，σi)*(i
x
·iy
)2，式中，i
x
与iy分别表示图像在x和y轴方向上的一阶偏导数，*代表卷积操作；在此基础上，计算梯度增强影像的角点相应的r(σi)，r(σi)＝det(m(σi))-τ
·
tr2(m(σi))，式中，τ∈[0.04-0.06]为权重系数；
[0103]
s2042：在每一个尺度里，使用非最大值抑制获取相应r(σi)，当r(σi)大于阈值，且在给定邻域范围内是最大值时，将对应的此点作为备选harris角点；
[0104]
s2043：在尺度空间沿从小到大的尺度方向过滤备选harris角点，如附图9所示；若一个备选harris角点在尺度空间中连续存在，则此角点为harris特征点，由此可以去除噪声或者孤立像素等影响；累积所有尺度空间的harris特征点作为最终的harris特征点集；
[0105]
s2044：在相同的尺度空间内，对梯度增强影像图像提取sift特征点。
[0106]
sift为计算机视觉领域的经典算法，本发明中不展开叙述算法原理，如附图10所示为sift和harris特征点集合，其中，黄色为harris特征点，红色为sift特征点。
[0107]
进一步的，步骤s3：基于点云rgb、法向量dip分量、粗糙度与曲率属性映射的多通道影像，生成融合点云几何与rgb属性的特征描述子；
[0108]
针对现有单一测度的特征描述子无法有效完成梯度图像匹配的问题，本发明基于点云映射的多通道影像，设计了一种融合点云的几何与rgb纹理信息的sift改进描述子，以提高同名特征点的相似性。算法操作包括以下步骤，
[0109]
s301：使用与步骤s2中特征点提取时相同的高斯卷积核函数建立点云映射多通道影像的尺度空间，所述多通道影像包括rgb通道、dip通道、曲率通道、粗糙度通道；
[0110]
在步骤s103中提取了点云多种几何属性的映射图像，通过分析，在排除法向量属性的dip direction分量与归一化高程后，获得了四个通道的映射影像，其中，rgb通道影像已经用于之前的兴趣纹理区域和特征点集提取。如附图11为除rgb通道外点云几何属性映射所得的三通道影像，在附图11中，(a)-(c)为近景摄影测量点云映射的法向量dip通道、曲率通道与粗糙度通道影像，(d)-(f)为无人机摄影测量点云映射的法向量dip通道、曲率通道与粗糙度通道影像；需要注意的是，附图11为了便于显示将三通道的灰度值归一化为[0-255]区间，但实际计算中由于dip分量、曲率与粗糙度值都有对应的物理属性，且点云覆盖范围不一致，因此使用非归一化像素值构建描述子。
[0111]
s302：统计兴趣纹理区域梯度增强影像的rgb通道特征点邻域的梯度分布，建立特征点的基准方向，确定每个通道影像图像的区域；具体的，
[0112]
s3021：在特征点对应的尺度图像中搜索3σ邻域范围内的像素的梯度幅值与方向，
3σ＝3
×
1.5
×
σ
oct
，式中，σ
oct
为每一个尺度空间内生成相邻尺度图像所用的高斯参数；
[0113][0114]
式中，l为特征点所在尺度空间(尺度空间是一幅图像经过不同程度的高斯模糊后形成的一组图像的集合，类似于影像金字塔，也就是说尺度空间是由不同尺度下的同一张图像组成的)；m(x，y)和θ(x，y)分别为梯度的幅值和梯度的方向；
[0115]
s3022：使用直方图统计邻域内像素梯度分布，使用像素的梯度方向确定所在的柱状图区间，幅值乘以权重叠加到对应柱状区间完成最终的统计；与sift算法类似，梯度直方图将梯度方向[0-2不]平均分为36个柱(bins)，如附图12所示，直方图的峰值代表了特征点的主方向(为了简化表达，仅画八个方向)，为了增强匹配的鲁棒性，保留大于主方向峰值的70％的方向作为该特征点的辅助方向，因此在相同的位置与尺度下将会有多个特征点被创建。由于步骤s2中所得特征点数量较小，所以增加辅助方向不会明显提高计算开销，反而会增加后续匹配算法的稳定性。此后，对离散的梯度直方图进行平滑去除噪声的干扰，并进行插值拟合最终确定精确的角度方向。
[0116]
s3023：在特征点对应的尺度空间上，确定描述子所需的各通道影像区域；将特征点附近邻域划分成2
×
2个子区域，每个子区域作为一个种子点，统计8方向的梯度特征，每个子区域中含有12
×
σ
oct
个子像素，即子区域边长为与sift类似，考虑到线性插值与旋转因素，最终每个通道图像对应的区域半径radius为radius的计算结果四舍五入。
[0117]
s303：将步骤s302中确定的各通道影像图像区域，根据特征点基准方向进行坐标轴旋转，使描述子具有旋转不变性，如附图13所示，坐标轴旋转为特征点方向，旋转后邻域内采样点的新坐标为在图13中，圆形区域为特征点的邻域范围，红色箭头为邻域像素梯度统计的主方向。
[0118]
s304：特征点邻域旋转后，邻域的子区域内各个像素的梯度分配到8个统计方向上，计算权值进行柱状图统计；
[0119]
首先，确定旋转后像素点所在子区域的下标
[0120]
然后，区域内像素的梯度按照σ＝1、半径为3σ的高斯核g’进行加权，加权所得梯度为ω＝m(a+x，b+y)*g’，式中，(x，y)∈3σ，(a，b)为特征点所在尺度图像中的位置。
[0121]
s305：计算128维融合点云几何与rgb属性的特征描述子。
[0122]
如附图14所示，根据每个像素点的区域下标(x”，y”)，插值计算种子点的8方向梯度，因为使用2
×
2子区域，所以每个通道影像会产生2
×2×
8即32个梯度信息作为该通道随
对应的特征向量。
[0123]
s3052：为增强描述子对环境光变化以及设备饱和度影响的鲁棒性，对每一个通道所得的32维梯度信息进行归一化处理和门限值截断，如附图14所示，由于每个特征点对应着特定尺度下的4通道影像(rgb梯度增强通道影像、法向量dip通道影像、曲率通道影像与粗糙度通道影像)，将4通道的32维描述子串联，最终获得2
×2×8×
4即128维描述子，算法中四通道之间的特征权重都为1。
[0124]
此种描述子不但融合点云的几何与rgb纹理信息，增加了同名特征的相似性，而且没有增加描述子的计算维度，在一定程度上保证了算法的效率。每个通道影像会产生2
×2×
8即32个梯度信息作为该通道所对应的特征向量；
[0125]
进一步的，步骤s4：点云映射影像特征点匹配；
[0126]
与sift类似，特征点匹配是通过计算两组特征点间128维特征向量的欧式距离实现的，使用最近点与次近点的距离比值最终确定特征之间的对应关系，并使用ransac去除误匹配。图15为最终特征点的对应关系和匹配效果，其中(a)为本发明中方法在兴趣纹理区域增强影像中找到的同名特征，(b)为兴趣纹理区域增强影像的匹配效果，从附图15中可见匹配的正确率大大增加；图16为点云映射所得影像的最终匹配效果，可见本发明中提出的特征点提取与描述方法可以有效解决相关匹配问题。
[0127]
进一步的，步骤s5：根据3d-2d的映射关系获取对应的三维匹配点，完成点云的粗匹配。
[0128]
在基于体素的点云映射影像中，生成影像时保留了三维点与像点的映射关系，基于图像的匹配点获取源点云与目标点云之间的对应点，可以完成异源点云间变换矩阵求解方式最终完成点云之间的粗匹配。附图17与附图18分别为近景射影和无人机摄像依据3d-2d映射关系查找到的三维同名点在异源点云中的位置分布，在附图17和18中，左图均为点云映射影像提取的同名特征点，右图为基于3d-2d映射关系得到的三维点云中的同名特征点。附图19为利用本发明中方法进行点云粗匹配的最终效果。
[0129]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。