个良好的配准初值。
[0039] 针对以上问题的分析，本发明提出一种基于Pra和惯性导航的移动场景实时三维 重构方法，包括如下步骤：
[0040] 步骤1、启动系统，将传感器信息清零，建立一个固定坐标系；
[0041] 步骤2、获取初始位姿（即运载体位于坐标原点）下的点云，进行压缩处理后用于 建立场景局部点云模型；
[0042] 步骤3、由惯性元件（加速度计、陀螺仪）实时获取位姿信息（位姿指运载体的位 置和角度信息），当位姿信息变化较大，超出阈值时，获取新视角下的点云，同时进行压缩处 理；
[0043] 步骤4、由位置变化计算当前点云与固定坐标系下的场景局部点云间初始变换矩 阵；
[0044] 步骤5、基于改进的ICP算法（初始变换矩阵作为ICP初值）进行点云配准；
[0045] 步骤6、将配准后的两片点云融合，重复步骤3到6,直至判断重构完成，停止实验。
[0046] 如图3所示，为三维重构算法流程中的步骤2,基于Ρ??的移动场景点云压缩算法 流程图。具体操作步骤如下：
[0047] (1)从一个点云获取装置中接收点云Mk。
[0048] (2)计算每个点的PHl特征算子。
[0049] (3)计算Pra特征直方图的标准差，通过观察、分析可知，标准差小的是角点，标准 差大的是平面点，因而利用标准差作为分类特征设计精简准则。
[0050] (4)确定压缩所需的标准差阈值，选取点云中任意一个点，判断其PFH标准差与阈 值的大小关系；如果小于或等于阈值则保留该点，否则剔除该点；重复上述步骤，直至点云 中所有点都计算完毕，将压缩后的点保存在集合P k中，记为压缩后的点云。
[0051] 基于上述压缩算法，点云压缩率可达95%以上，为后续点云配准、融合过程节约大 量计算时间，提高了实时重构的可行性。同时，利用PFH特征算子在不同位置的显著差异， 保留了能够完成场景重构的特征点，为后续的点云配准提供方便。上述压缩算法的实现过 程和理论依据可以参考作者之前提出过的《基于点特征直方图的移动场景点云精简算法》 发明专利。
[0052] 下面为三维重构算法流程中的步骤4,利用惯性传感信息获取初始变换矩阵的步 骤及原理说明：
[0053] (1)利用惯性元件（加速度计、陀螺仪）获取不同位姿间相对位移、旋转角度信 息：
[0054] 本实验通过在场景中安放了一辆小车，小车上安装获取信息的传感器，本文所使 用的是kinect深度摄像头、加速度计和陀螺仪。
[0055] 首先，将传感信息清零，设定一固定坐标系，设运动起始位置为坐标原点，摄像头 初始方向与X轴正方向重合，利用惯性元件（加速度计、陀螺仪）测量运载体本身在X、Y、 Z轴上的加速度，如公式（1)、（2)所示，一次积分得到速度，二次积分得到位置，经过两次积 分运算得到运载体本身的速度和位置，从而达到对运载体定位的目的，同时，通过陀螺仪可 以获取运载体的旋转角度信息。
[0058] 式中，踩?、琢》、分别为加速度、速度及位置。
[0059] 虽然经过长时间积分后获得的信息会积累一定的误差，但在任意两个间隔较小的 位姿下获取小车相对位移、旋转角度信息可以实现很小的误差，且组成定位系统的设备都 安装在运载体内，工作时不依赖外界信息，也不向外界辐射能量，因而不易受到干扰。
[0060] (2)将小车在不同位姿间的相对位移、旋转角度信息，转化为两片点云间的初始变 换矩阵爽与
[0061] 如图4所示，为三维重构算法流程中的步骤5,基于惯性导航的点云配准算法流程 图：
[0062] (1)将两个不同视角下的压缩点云匕与P k i作为ICP算法的输入集合，将初始变 换矩阵Jf与If作为ICP算法的初始变换矩阵；
[0063] (2)利用初始变换矩阵<与'Jf对压缩后的参考点云匕进行旋转、平移处理，得到 V ;
[0064] (3)筛选匹配点对：采用最邻近点法在压缩后的目标点云Pk i中寻找与P k'中的 特征点欧式距离最小的匹配特征点，组成特征点对集合；
[0065] (4)计算误差：计算变换后两组特征点对的距离平方和，记为dk;
[0066] (5)基于四元数法利用匹配点对求解空间坐标变换的旋转、平移矩阵笔与^再 用于参考点云，得到P k"，重新筛选匹配点对，同时更新dk。
[0067] (6)迭代步骤（5)中的运算，直到收敛，dk小于阈值或达到既定的迭代次数。
【主权项】
1. 一种基于点云压缩和惯性导航的移动场景实时三维重构方法，其特征在于，包括如 下步骤： 第一步、对于场景S，利用Kinect体感控制器的摄像头分别从视角Vi，…，Vk，…1依 次获取点云集合吣，…，Mk，…Mn，MkSk时刻从视觉Vk获取的点云； 第二步、将点云集合R，…，Mk，…Mn}压缩为仍，…，Pk，…Pn}，其中，P^Mk的一 个子集，且满足，式中，P为预设比，^( □)为特征点数量度量函数， S为设定的特征点保留率； 第三步、利用惯性导航技术获取场景S内运载体在视角I，…，Vk，…1下的位置、角 度偏移量，转化为ICP算法所需的初始变换矩阵把与 第四步、利用初始变换矩阵疋与0对压缩后的点云{Pi，…，Pk，"·Ρη}进行粗配准，再 基于ICP算法确定变换矩阵&与Tk，完成精确配准； 第五步、随着Kinect体感控制器的传感器在场景S中的漫游，不断将新获取的每一片 点云与局部模型拼接、融合，直到重构出整个三维场景模型。2. 如权利要求1所述的一种基于点云压缩和惯性导航的移动场景实时三维重构方法， 其特征在于，所述第三步包括： 步骤3. 1、在场景S内运载体上放置Kinect体感控制器的深度摄像头、加速度计和陀螺 仪； 步骤3. 2、设定一固定坐标系，设运动起始位置为坐标原点，深度摄像头初始方向与X轴正方向重合，利用加速度计和陀螺仪测量运载体在X、Y、Z轴上的加速度，将加速度一次 积分得到运载体的速度，将加速度二次积分得到运载体的位置，从而达到对运载体定位的 目的，同时，通过陀螺仪获取运载体的旋转角度； 步骤3. 3、将运载体在不同位姿间的相对位移、旋转角度信息，转化为两片点云间的初 始变换矩阵把与K。3. 如权利要求1所述的一种基于点云压缩和惯性导航的移动场景实时三维重构方法， 其特征在于，所述第四步包括： 步骤4. 1、将两个不同视角下的压缩点云匕与Pki作为ICP算法的输入集合，将初始变 换矩阵礞与:Tf作为ICP算法的初始变换矩阵； 步骤4. 2、利用初始变换矩阵g与纪对压缩后的参考点云匕进行旋转、平移处理，得到 步骤4. 3、筛选匹配点对：采用最邻近点法在压缩后的目标点云Pki中寻找与Pk'中的 特征点欧式距离最小的匹配特征点，组成特征点对集合； 步骤4. 4、计算误差：计算变换后两组特征点对的距离平方和，记为dk; 步骤4. 5、基于四元数法利用匹配点对求解空间坐标变换的旋转、平移矩阵:1?与7;)，再 用于参考点云，得到Pk"，重新筛选匹配点对，同时更新dk; 步骤4. 6、迭代步骤4. 5中的运算，直到收敛，dk小于阈值或达到既定的迭代次数。
【专利摘要】本发明涉及一种基于PFH和惯性导航的移动场景实时三维重构方法，分为以下三个阶段：第1阶段，设计一种基于PFH的点云压缩算法；第2阶段，设计了一种基于惯性导航的点云配准算法；第3阶段，完成点云融合。本发明可实现较高压缩比，有效减少ICP算法输入点集的数量，从而节约点云配准、点云融合计算时间；减少ICP算法的迭代次数，提高收敛速度，从而提高整个重构算法的实时性。
【IPC分类】G06T17/00
【公开号】CN105261060
【申请号】CN201510437252
【发明人】王艺楠, 郝矿荣, 丁永生
【申请人】东华大学
【公开日】2016年1月20日
【申请日】2015年7月23日