一种基于曲面拟合系数特征的点云快速配准方法
【技术领域】
[0001] 本发明属于结构光三维测量、机器视觉领域，尤其涉及一种基于曲面拟合系数特 征的点云快速配准方法。
【背景技术】
[0002] 随着计算机产业的不断升级，各种计算设备越来越强大，低成本高质量的获取物 体点云成为可能，从而推动了点云配准技术在逆向工程、游戏娱乐、医疗图像及工业检测 等领域的发展。受点云获取设备视角及被测物体本身形状等因素的影响，单次测量难以得 到物体的完整点云，通常是通过分次测量再拼接的方法来实现这一过程，即运用点云配准 技术把多次测量的点云拼接到同一个坐标系下形成一个完整的物体点云。各领域的应用 需求推动了点云配准技术的快速发展，其中Besl等人提出的迭代最近点（ICP, Iterative Closest Point)算法和基于几何特征的拼接算法较热。迭代最近点算法以其简单易行，配 准精度高而被广泛研究，但该算法对初始位置和点云重合程度要求较高，计算较为耗时，尽 管诸多学者对此进行改进上述问题依然存在。
【发明内容】
[0003] 本发明的目的是提供配准快速、精度高和抗噪能力好的，一种基于曲面拟合系数 特征的点云快速配准方法。
[0004] 一种基于曲面拟合系数特征的点云快速配准方法，包括以下步骤，
[0005] 步骤一：输入目标点云P和源点云Q，通过曲率均值差值找出目标点云P的关键点 集Pkey和源点云Q的关键点集Q key;
[0006] 步骤二：计算关键点处的特征描述子，通过选取关键点附近三个不同大小的邻域 进行曲面拟合，以曲面系数作为该关键点的特征描述子，得到关键点集Plffiy的特征描述子集 MP，以及关键点集Qk J勺特征描述子集M q;
[0007] 步骤三：比较目标点云P和源点云Q关键点处特征描述子的距离，选取特征描述子 距尚最小的关键点对作为初步的对应关系；
[0008] 步骤四：去除初步对应关系中的错误对应关系；
[0009] 步骤五：对上步得到的对应关系用聚类的方法使其分布均匀；
[0010] 步骤六：对聚类处理后的对应关系求取最终的平移矩阵和旋转矩阵。
[0011] 本发明一种基于曲面拟合系数特征的点云快速配准方法，还可以包括：
[0012] 1、步骤一中通过曲率均值差值找出关键点的方法为：
[0013] (1)输入目标点云P = {p」i = 1···η}，其中Pi为点云P中的点，η为点云点的总 个数，P1坐标为（X i，Y1, Z1)，P1点邻域曲面的曲率为：
[0015] 凡。（Μ为以中心，r。为半径的邻域，$是邻域i' (/7,)的形心，Pj为该邻域中 的点，m为邻域中三维点的总数，在该邻域内的协方差矩阵E为：
[0018] 对协方差矩阵E奇异值分解可得特征根λ k，k = 1，2, 3且A1S λ 2彡λ 3，及与 之相对应的特征向量vk，k = 1，2, 3 ;
[0019] (2)初始化点云中点的标志位，把全部标志位置1，即fig;= 1，i = 1，2, "·η ;
[0020] (3)取点云中一点P1，依据？1点的标志位跳转，.你,.，等于1则继续到步骤⑷， 等于0则跳转到步骤（6);
[0021] (4)以？1点为中心取两个不同半径的邻域凡,(於；)和ri〈r 2，计算两个邻 域的曲率均值，比较P1点的曲率与较小邻域曲率均值的差异η，判断差异η的是 否大于阈值，如果大于阈值，该点是为噪声点跳转至步骤（6)，否则该点不是噪声点，继续到 步骤（5);
[0022] (5)计算点P1的邻域和\ (只）曲率均值差异值ξ，并根据差异值ξ筛选 出关键点并且修改该点较小邻域Nri (B)内所有点的标志位flg，
[0023] 如果ξ多C2则该点为不可信点，全部fig I ;c2> ξ多C1则该点为关键点，全 部ξ彡C。则该点为过渡点，flg_j部分取0;c。〉ξ则该点为非关键点，全 部flgj= 0 ;flg」，j = 1，2, 为ρ点较小邻域Nri (巧）点云中化点处的标志位，c。、(^、C2 为判断曲率变化大小的阈值；
[0024] (6)是否遍历完全部点云中的点，是则退出，得到目标点云P的关键点集Pkey，否则 跳转到步骤（3);
[0025] 输入源点云Q，采用上述步骤（1)到（6)相同方法得到源点云的关键点集Qkey。
[0026] 2、关键点P1处的特征描述子为：
[0028] 义，i =丨，2, 3,为关键点仏周围三个邻域分别进行拟合得到的三组曲面系数。
[0029] 3、求得初步的对应关系的方法为：
[0030] 建立目标点云P和源点云Q关键点处特征描述子的距离：
[0032] 其中表示关键点PJP 1对应特征描述子距离，Μι4表示P1A特征描述子中 第k项的值，Mq),表示属于源点云关键点集(^的q，点特征描述子中第k项的值；
[0033] 取特征描述子集Mp中p 的特征描述子M pp，遍历M(j得到使得两描述子距离最 小的项1_，得到对应描述子％%，从而可以找到对应点q];
[0034] 如果Vj、于阈值C3，则把pi与q 作为目标点云P和源点云Q中的一对匹配点， 遍历目标点云的关键点的特征描述子集Mp中所有特征向量，找到两片点云的初始对应点集 和Q 两点集一一对应，分别属于目标点云P和源点云Q，得到初步的对应关系。
[0035] 4、对初步对应关系进行初配准的方法为：
[0036] (1)通过初步对应关系，确定初步平移矩阵Traa_= C和初步旋转矩阵 UV τ，其中(；和C n为初步对应关系的质心，
[0040] 其中，k为对应关系的对数，奇异值分解该协方差阵以可以求得P =UAVt;
[0041] (2)对初步对应关系进行位姿调整，
[0042] P ' coarse= Rcoarse · Pcoarse+Tcoarse
[0043] 确定距离阈值d
[0045] (3)求取调整位姿之后的对应关系的距离
[0047] 根据距离阈值去除对应关系中的错误对应关系，如果对应关系的距离大于距离阈 值，则去除该对对应关系，否则保留该对对应关系。
[0048] 5、用聚类的方法使对应关系分布均匀的方法为：
[0049] (1)取点^_ e ，该点为中心，r4为半径在点集P 中寻找属于该邻域 的点及其对应关系，根据描述子间距离S，选择对应关系的距离在该邻域最小的作为该区 域点云的对应关系；
[0050] (2)遍历集合中的点，重复步骤⑴操作。
[0051] 有益效果：
[0052] 通过自适应曲率均值差异关键点算法提取关键点，既利用邻域信息来提高抗干扰 能力，又自适应的选取关键点候选点减少关键点提取时间。优异的关键点为后续步骤提供 了基石。以多邻域曲面拟合系数为特征能够以较小的计算量最大程度的提取出关键点周围 的点的空间分布信息，同时又有较好的抗噪性能。用RANSAC算法去除误点后的对应点的质 心连线向量作参考对对应关系做进一步筛选，很好的保证了对应关系的质量。最后聚类分 选方法的引入使得对应关系分布均匀。该配准方法抗噪能力强、精度较高，并且计算量较 小，适合于实时测量应用。
【附图说明】
[0053] 图1为本发明方法流程图。
[0054] 图2点云初始位置图，图2 (a)为Bunny点云两个不同视角的初始位置，图2 (b)为 Dragon点云两个不同视角的初始位置，图2(c)为Happy_backdrop点云两个不同视角的初 始位置。
[0055] 图3关键点分布图，图3 (a)为Bunny关键点提取效果图，图3 (b)为Dragon关键 点提取效果图，图3(c)为Happy_backdrop的关键点提取效果图。
[0056] 图4对应关系的演变过程图，图4(a)为Bunny点云初始对应关系图，图4(b)为 Bunny点云错误对应关系去除后的对应关系图，图4(c)为Bunny点云最终对应关系图。
[0057] 图5三组点云配准结果。图5(a)为Bunny点云模型的最终匹配效果图及局部 放大图，图5 (b)为Dragon点云模型的最终匹配效果图及局部放大图，图5 (c)为Happy_ backdrop点云模型的最终匹配效果图及局部放大图。
[0058] 图6(a)添加10%噪声配准结果图，图6(b)添加25%噪声配准结果图，图6(c)添 加40 %噪声配准结果图。
[0059] 图7配准参数及结果数据表。
[0060] 图8为Dragon模型在10%、25%、40%的噪声情况下结果数据表。
【具体实施方式】
[0061] 下面将结合附图对本发明做进一步详细说明。
[0062] 本发明的目的是公开一种以曲面拟合系数为特征的点云快速配准方法。首先设计 了自适应多邻域曲率均值差关键点提取算法，找出点云表面变化明显而非噪声的点作为关 键点，通过计算不同半径大小的两个邻域曲率均值，依据两均值差异大小决定该点是否为 关键点及自适应的选择余下作为关键点的候选点。再以关键点三个不同半径邻域的曲面拟 合系数为关键点处的特征描述子。通过比较两片