一种基于匹配区域的点云配准方法
【技术领域】
[0001] 本发明设及一种点云配准方法，尤其设及一种基于匹配区域的点云配准方法，属 于=维重建技术领域。
【背景技术】
[0002] 随着传感器技术的发展，对于场景的深度信息的获取更加方便，精确。大部分深度 相机，尤其是较为廉价的Kinect深度传感器，因其能较为准确并快速的获取场景深度信息， 被广泛用于场景分析，肢体信息捕捉，W及=维扫描等研究领域。因此彩色相机和深度相机 (简称为RGB-D相机)联合采集S维点云，对其进行重建逐渐成为S维扫描研究领域的研究 热点和重点。基于RGB-D相机的S维点云重建系统主要包括S部分：点云的获取与配准，闭 合环路检测，全局信息配准。其中点云间的自动配准研究是点云重建系统中的一个研究热 点和难点。
[0003] 点云配准技术是指:通过一定算法，利用计算机计算两点云之间的错位关系，从而 将两块点云关联在一起。其问题关键是求得两块点云间的坐标变换参数，包括旋转矩阵R和 平移向量T，使得两视角下测得的=维数据间坐标变换后的距离最小，也就是说将真实场景 中不同视角下的重叠区域，在点云数据中通过配准，使该区域在统一坐标系中也尽可能重 叠在一起。
[0004] Bes 1 , P . J . &McKay , N . D . (1992) . A method for registration of 3-D shapes. IEEE Transactions on Pattern Analysis and MachineIntelligence,14(2), 239-256.公开了一种基于帖间配准的点云配准算法的Iterative Closest Point(ICP)算 法。Rusinkiewicz,S.,&Levoy,M.Efficient variants of the ICPal邑orithm.In Proc.of the third intern曰tion曰I conference on S-Ddigitel im曰ging 3ndmodeling，pp.l45-152,2001。公开了一种改进的ICP算法。运两种算法通过迭代求使点云间重叠部分的 化USdod^g离最小时的刚体变换。此时，点云间应该重叠部分实现基本重叠，从而完成点 云间的配准。然而ICP算法及其改进算法仍然属于一种局部最优算法，不能保证收敛得到全 局最优解，因此ICP相关算法只有在两点云初始位置较为逼近时，才能得到较为准确的配准 结果。
[0005] 为了使点云间能够在任意初始位置都能够进行较为准确的配准，许多全局最优配 准算法被提出。全局最优配准算法是通过解决全局最优问题来求解点云间最为准确的刚体 变换。一种较为常用的全局最优算法是在两点云中，基于RANSAC随机寻找最优的3组匹配 点，求得最优的刚体变换矩阵，但运种算法的复杂度在最坏情况下达到0 (n3);另一种常用 的全局最优配准算法是通过特征描述子提取特征向量，作为点云的配准点集，通过配准运 些特征点集来选择最优的刚体变换矩阵对两点云进行配准。然而，运种基于特征描述子提 取的全局最优配准算法只有在两点云中存在较为离散的特征匹配时，才能够进行较为准确 的全局最优配准，而且当点云中存在噪声和错误信息较多时，点云配准的鲁棒性较差。
[0006] 目前，Aiger D,Mitra N J,Cohen-Or D.4-points congruent sets forrobust pairwise surface registration[J].ACM Transactions onGraphics,2008,27(3): Adicle No.85公开的4PCS算法点云配准精度较高，鲁棒性很强。然而，该算法在配准后的 点云中，局部区域的配准结果并不准确。
【发明内容】
[0007]本发明的目的在于克服现有技术的不足，本发明提出了一种点云配准精度更高、 鲁棒性更好的基于匹配区域的点云配准方法。
[000引为实现上述目的，本发明提供一种基于匹配区域的点云配准的方法。
[0009] -种基于匹配区域的点云配准的方法，包括W下步骤：
[0010] 步骤1:数据采集:利用RGB-D相机从N个方位采集场景的深度图像序列和彩色图像 序列，N〉l，生成第一至第N点云;所述各点云的空间点数目由其深度图像有效像素数目决 定;所述各点云的的空间点生成方法相同；所述第一点云中第一空间点（X，y，Z)的生成方法 为：
0)
[0014]其中（x，y，z)为所述第一点云中第一空间点的空间坐标，DI_x、DI_y、DI_depth、 DI_wid化、DIJiei曲t分别表示第一点云中第一空间点对应的深度图像像素的横坐标、纵坐 标、深度值、深度图像的宽度和深度图像的高度;width和height分别为第一点云的宽度高 度，其计算方法为：
(2)
[0017]其中h_va是表示水平视角的期望值，v_va是表示垂直视角的期望值，PI为常量；
[001引步骤2:源点云和目标点云的区域分割：选择第P方位的点云作为源点云，选择第Q 方位的点云作为目标点云，分别对源点云的彩色图像CP和目标点云的彩色图像CQ进行区域 分割，P辛Q，1<P，Q<N;所述彩色图像CP分割为Sp块，所述彩色图像CQ分割为Sq块，1 < Sp， Sq;所述源点云中各空间点的状态初始化为未配准状态；
[0019] 步骤3:特征点提取与匹配:提取彩色图像CP和彩色图像CQ的特征点，进行特征点 匹配，得到K组特征点匹配对；
[0020] 步骤4:区域匹配:逐一判断彩色图像CP中各分割区域是否存在已建立特征点匹配 对的特征点，如果是，选择彩色图像CQ中与其特征点匹配对组数最多的区域作为对应匹配 区域，建立匹配区域对；
[0021] 步骤5:匹配区域对排序:按照匹配区域对中彩色图像CP的分割区域中像素点数目 从多到少排序所述匹配区域对，得到编号m为1至MS的匹配区域对，所述编号MS小于或等于 Sp与Sq中的最小值；
[0022] 步骤6:点云初始配准:运用点云配准算法对源点云P和目标点云Q进行初始配准， 获得全局变换矩阵，所述的全局变换矩阵由全局旋转矩阵R和全局平移向量T组成，依据全 局变换矩阵将源点云P变换为全局配准点云P'；所述彩色图像CP中的各分割区域变换为全 局配准点云P'中彩色图像CP'中的对应分割区域;所述各匹配区域对变换为相应的全局匹 配区域对;所述各特征点匹配对中源点云P中的空间点的状态更新为配准状态；
[0023] 步骤7:设定当前匹配区域对的编号m为0,设置配准误差阔值的初始值；
[0024] 步骤8:点云局部配准：当前匹配区域对的编号加1，对当前匹配区域对进行局部配 准，得到当前匹配区域对的局部变换矩阵TAm;
[0025] 步骤9:点云配准调整：利用局部变换矩阵TAm,调整全局配准点云P'编号为m至MS 全局匹配区域对中处于未配准状态的空间点的空间位置;得到调整配准点云P"m;
[00%]步骤10:判断调整配准点云P"m与目标点云Q之间的配准误差是否小于配准误差阔 值，如果小于转向步骤11，否则转向步骤12 ;
[0027] 步骤11 :用所述整配准点云P"m更新全局配准点云P'，用调整配准点云P"m与目标点 云Q之间的配准误差更新配准误差阔值；
[0028] 步骤12:达到配准结束条件:判断当前匹配区域对的编号是否等于MS，如果是，结 束;否则，转向步骤8。
[0029] 所述步骤6所述的点云初始配准方法，包括W下步骤：
[0030] 步骤6-1:在源点云P中任意提取一个点四元组B，所述点四元组B由四个共面的空 间点组成，所述点四元组B中任意两个空间点之间距离大于预设距离阔值；
[0031 ]步骤6-2:确定所述点四元组B的对角线交点e，计算对角线交点e分割两条对角线 形成的第一和第二分割比ri、r2;在目标点云Q中捜索相应的全等点四元组集合U，所述全等 点四元组集合U由与所述点四元组B全等的点四元组组成;所述全等点四元组满足:利用第 一和第二分割比ri，n得到第一和第二分割点ei、62之间距离小于预设的距离容忍度阔值；
[0032] 步骤6-3:全局旋转矩阵R和平移向量