采用累积变换矩阵Μ对待配准点云进行变换； 否则，基于所述临时变换矩阵Ml调用所述样本点更新单元，并更新所述累积变换矩阵Μ;其 中，通过M=M1*M更新所述累积变换矩阵M，且所述累积变换矩阵Μ的初始值为单位矩阵；
[0046] 所述样本更新单元用于根据所述匹配执行单元得出的所述临时变换矩阵Ml更新 所述点集S2,并对所述点集S2建立KD树，作为所述对应点搜索单元的输入。
[0047]上述点云配准方法和系统，通过SIFT算法从待配准点云中选取多个同名点，并利 用多个同名点按照预设模型对待配准点云进行全局配准;然后将多个同名点作为索引，采 用点云配准算法对经过全局配准的待配准点云进行局部配准，能够显著地提高点云配准的 精度和效率。
【附图说明】
[0048]图1为本发明点云配准方法一个实施例的流程示意图；
[0049]图2为图1中的步骤S100的流程示意图；
[0050]图3为图2中的步骤S140的流程示意图；
[0051 ]图4为图1中的步骤S200的流程示意图；
[0052]图5为本发明点云配准系统一个实施例的结构示意图；
[0053]图6为本发明点云配准系统一个实施例中的全局配准模块的结构示意图；
[0054]图7为本发明点云配准系统一个实施例中的局部配准模块的结构示意图；
[0055] 图8为配准前两期点云整体效果及局部放大效果；
[0056] 图9为由SIFT算法提取后采用交互式方式获取的匹配点 [0057]图10为经过全局配准后点云整体效果及局部放大效果；
[0058]图11为经过局部配准后最终效果的几处剖面图。
【具体实施方式】
[0059] 为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明点云 配准方法和系统的【具体实施方式】进行说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
[0060] 参见图1，一个实施例中，点云配准方法可以包括以下步骤：
[0061] S100,通过SIFT算法从待配准点云中选取多个同名点，并利用多个同名点按照预 设模型对待配准点云进行全局配准。
[0062] 其中，全局配准能够为下一步的局部配准提供良好的初值。针对传统全局配准中 稳定性差、配准精度不高等问题，引入了SIFT(Scale_invariant feature transform，尺度 不变特征转换)算法。SIFT算法是计算机视觉中经典的特征提取算法。
[0063] 参见图2,一个实施例中，步骤S100可以包括以下几个步骤：
[0064] S110，对待配准点云进行栅格化，转化为数字表面模型。
[0065]具体的，可以按照一定的格网间距，对待配准点云进行栅格化。栅格化后的待配准 点云转化为DSM(Digital Surface Model，数字表面模型）。其中，格网间距可以根据实际需 要进行设置。对精度要求较高的情况，格网间距可以设置的较小一些;对精度要求较低的情 况，格网间距可以设置的较大一些。
[0066] S120,利用SIFT算法对数字表面模型进行特征检测，生成特征描述子。
[0067]经过步骤S110将待配准点云转化为DSM以后，利用SIFT算法对数字表面模型进行 特征检测，并生成特征描述子。本步骤可以通过本领域常规技术手段实现，故在此不再赘 述。
[0068] S130,对两组特征描述子进行特征匹配，生成初始同名点对。
[0069] 根据预设条件对两组特征描述子进行特征匹配，并根据相匹配的特征描述子生成 初始同名点对。
[0070] S140，从初始同名点对中选取同名点。
[0071 ] 参见图3，一个实施例中，步骤S140可以通过以下步骤实现：
[0072] S141，利用同名点之间的实际三维距离约束条件对初始同名点对进行筛选。
[0073]可以理解的，通过步骤S130生成的初始同名点对的数量可能比较多，因此直接从 步骤S130生成的初始同名点对中选取同名点，需要花费的时间会较长。因此，可以先通过同 名点之间的实际三维距离约束条件，对初始同名点进行筛选。将满足同名点之间的实际三 维距离约束条件的初始同名点对执行步骤S142。
[0074] S142，从筛选出的初始同名点对中，采用交互式的方式选取同名点。
[0075]经过步骤S141对初始同名点对筛选后，筛选出的初始同名点对数量变少，能够显 著提高全局配准的效率和精度。然后可以通过人机交互式的方式，从筛选出的初始同名点 对中选取同名点。
[0076] S150,利用同名点，按照预设模型对待配准点云进行全局配准。
[0077]传统的点云配准模型中，首先求出旋转矩阵，然后求解平移向量。然而，当两个待 配准点云之间的实际偏差很大时，由于旋转中心与参考中心相距较远，旋转过程中容易导 致点云配准出现较大偏差。为此，本步骤中，在求出旋转矩阵之前，首先对待配准点云中的 样本点云进行初步平移，使得待配准点云的同名点的中心重合。然后再对经过初步平移后 的待配准点云，求解旋转矩阵和平移向量。
[0078]具体的，假设对于给定的两个点云P、Q(P、Q￡R3)，以点云P为模板，点云Q为样本。
[0079] 首先，对点云Q进行初步平移，初步平移的向量为：其中
^为同名点的数量。则经过初步平移后的点云Q中的各个点的向量变为q' i = qi+ t。计算点云P和点云Q的协方差矩阵：
[0080]
[0081]
[0082] 然后根据协方差矩阵计算旋转矩阵R。而进一步的平移向量为
则点 云P和点云Q之间的变换关系为:Q'=R(Q+t〇+t2 = R · Q+R · ti+t2。由此得出变换矩阵：
[0083]
[0084] 其中，T = R · ti+t2。
[0085] 上述预设模型可以用于待配准点云初始偏差较大的情况，也可以用于待配准点云 初始偏差较小的情况。
[0086] S200,将多个同名点作为索引点，采用点云配准算法对经过全局配准的待配准点 云进行局部配准。
[0087] 其中，步骤S100实现对待配准点云的初步配准，步骤S200在步骤S100的基础上实 现对待配准点云的精确配准。
[0088] 参见图4,一个实施例中，步骤S200可以包括以下步骤：
[0089] S210,根据索引点选取位于模板中的点，并记为点集S1。
[0090] 其中，待配准点云的个数为两个，分别为第一待配准点云和第二待配准点云。将第 一待配准点云作为模板，第二待配准点云作为样本。可以将初始同名点中位于第一待配准 点云中的点记为点集S1。
[0091] S220,根据索引点，选取样本中位于索引点位置预设半径范围内的点，记为点集 S2,并对点集S2建立KD树。
[0092]其中，可以搜索初始同名点中位于第二待配准点云中且在预设距离范围内的点， 将搜索到的点作为点集S2。然后对点集S2建立KD(k-dimenSi