三维点云兴趣点检测方法和系统的制作方法
【技术领域】
[0001] 本发明涉及计算机视觉领域和智能机器人学领域，更具体地讲，本发明涉及一种 H维（3D)点云兴趣点检测方法和系统。
【背景技术】
[0002] 近年来随着深度相机或H维扫描仪的普及，H维点云数据的获取及处理技术受到 广泛关注。在计算机视觉和智能机器人学领域，H维点云兴趣点检测算法是很多高级应用 技术的起点算法，如表面配准（Surface registration)或物体识别（Object reco即ition) 技术等。
[0003] 兴趣点检测算法具有H个重要特性；（1)稀疏性（Sparseness)，即兴趣点数量应 该尽可能少W便后续描述匹配算法的高效可行；（2)可区别性值istinctiveness)，即每个 兴趣点都能独特代表该点所在的表面结构信息；（3)可重复性巧epeat油ility)，即兴趣点 应该在不同的数据变换条件下能够被多次重复检测到。
[0004] 现有的H维点云兴趣点检测算法大致分为两类；一类是基于二维图像兴趣点 检测的扩展算法，如SIFT3D和Harris3D算法等；另一类是专口针对H维点云数据提出 的兴趣点检测算法，如LSP、ISS、KPQ、NARF等。SIFT3D算法是将经典的SIFT2D算法 (IJCV2004:Distinctive image features from scale-invariant keypoints)应用至Ij 点云数据深度值或反映法向变化的特征值上，在构造尺度空间时对空间体数据进行重采 样W及高斯滤波操作，邻域点集的确定是通过计算各点到中也点的欧氏距离，然后找出所 有满足某个预定义半径距离的点集，为加速计算引入了八叉树搜索结构。Harris3D算法 (TVC2011:Harris3D:a robust extension of the Harris operator for interest point detection on3D meshes)主要检测H维点云中的角点，类似于Harris2D算法，首先利用 邻域点法向信息构造一个高斯平滑的自相关矩阵，然后通过求解矩阵特征值判断该点是否 为兴趣角点。LSP 算法（PR2007:3D free-form object reco即ition in range images using local surface patches)基于最大和最小主曲率信息为每个点计算出一个显著性 值即形状指数（SI:化ape Index)，兴趣点被识别的条件是该点的SI与该点邻域平均SI存 在明显区别。ISS 算法（ICCV2009:Intrinsic shape si即atures:a shape descriptor 化r3D object recognition)基于协方差矩阵特征值分解的方法识别兴趣点，兴趣点的邻 域点在H个主方向上的分布存在明显差异，并且与主方向对应的最小变化率大于某一阔 值。KPQ 算法（IJCV2010:On the repeatability and quality of keypoints for local fea1:ure-based3D object retrieval from cluttered scenes)类似于 ISS,兴趣点的计算 过程也是依赖于协方差矩阵的特征值分解，不同的是该算法只选择前两个特征值比例大于 某一阔值的点作为初始兴趣点，然后利用曲率信息为初始兴趣点估算兴趣值，最后通过非 极大值抑制操作筛选出兴趣点。NARF算法（ICRA2011:point fea1:ure extraction on3D range scans taking into account object boundaries)是主要针对深度图像提出的一种 兴趣点检测算法，该算法在计算兴趣值时考虑了边界信息对表面稳定造成的影响，确保所 检测兴趣点位于局部稳定同时附近又出现较大变化的区域。
[0005] 从W上描述内容可W看出，现有的兴趣点检测技术都采用类似的算法框架：首先 利用局部或全局几何结构信息估算候选点的显著性或兴趣值，然后进行非极大值抑制或其 他操作从而筛选出兴趣点。SIFT是一种尺度不变兴趣点检测算法，作用于存在尺度变换的 图像数据上具有非常优秀的性能表现，然而H维点云数据记录的是物体表面位置信息，其 尺度特性并不突出，因而扩展的SIFT3D算法在重复率性能方面并没有明显优势。Harris3D 算法所检测的兴趣点通常位于物体边界或表面结构突变的区域，尽管该些位置是所期待的 特征区域，但该些区域也极不稳定，给后续描述子的计算与匹配过程带来负面影响。LSP所 检测的兴趣点整体分布较为均匀，对突出特征的识别能力较差，另外由于其是基于二阶导 数（曲率）的算法，因而对噪声较为敏感，测试重复率不高。ISS的兴趣点通常位于形状独特 的区域，综合测试重复率较高，但由于其对整个邻域进行矩阵特征值分解操作，随着邻域半 径的增大，矩阵操作无法准确反应表面特征，因而该算法对存在相互遮挡和聚集的场景数 据不鲁棒。KPQ是一种自适应邻域半径的兴趣点检测算法，能够避免较大平坦区域无兴趣 点的现象，是专口为物体识别（Object Retrieval)应用而设计。与ISS类似，KPQ对遮挡 和聚集不鲁棒，另外，由于KPQ算法在估算初始兴趣点的兴趣值时需要进行平面拟合、重采 样、求解曲率等操作，因此该算法运行效率较慢。NARF检测的兴趣点位于局部表面稳定附近 有突变的区域，由于考虑到边界的影响，兴趣点位于边界附近的可能性较大。另外由于该算 法涉及法向及曲率的求解，对噪声较敏感，因此该算法运行效率也受到限制。综上，现有技 术存在的问题在于，要么对噪声、遮挡、聚集等不鲁棒，要么算法运行效率较低。因此需要一 种能够提高算法的鲁棒性同时又降低算法的运行时间的技术方案。
【发明内容】
[0006] 本发明的目的在于提供一种快速鲁棒的H维点云兴趣点检测方法和系统。
[0007] 根据本发明的一方面，提供了一种3D点云兴趣点检测系统，包括；3D点云数据获 取模块，用于获取3D点云数据；形状描述模块，用于使用输入的3D点云中的像素点的邻域 点至该像素点处切平面的有向距离分布信息，来生成该像素点与邻域点所在表面的形状描 述向量；兴趣点提取模块，基于生成的形状描述向量来提取兴趣点。
[0008] 优选地，形状描述模块可包括；局部参考架构造模块，用于构造3D点云中的像素 点的局部参考架，所述局部参考架为W像素点为中也的坐标系的X轴、Y轴和Z轴；有向距 离分布图计算模块，用于计算W像素点为中也的外围邻域点至像素点所在切平面的有向距 离分布图，所述有向距离分布图被表示为包括外围邻域点在切平面上的投影方向与X轴的 方向夹角和到切平面的有向距离；形状描述生成模块，用于对计算的有向距离分布图采用 有限维度的向量进行表示W生成形状描述向量。
[00