一种基于区域配准的深度点云三维重建方法与流程

技术特征：

1.一种基于区域配准的深度点云三维重建方法，其特征在于，该方法包括以下具体步骤：步骤1：对彩色图像进行区域分割

将彩色图像每个像素初始化为图G的顶点，像素之间的颜色差异初始化为顶点之间的边权值；计算所有像素之间的颜色差异，计为图G的边权值h，按照公式(1)计算：

$h_{ij}=\sqrt{{(r_i-r_j)}^2+{(g_i-g_j)}^2+{(b_i-b_j)}^2}---\left(1\right)$

其中，h_ij是像素点p_i与p_j之间的边权值，(r_i,g_i,b_i)与(r_j,g_j,b_j)分别是两个像素点的红绿蓝三个颜色值；为了进一步进行区域分割，先将图G中每一个顶点当作一个区域，然后根据公式(2)对每两个区域进行聚类分析，如果两个区域满足公式(2)，那么将他们合并为一块新区域；

Dif(C_i，C_j)≤min(Int(C_i)+f/|C_i|,Int(C_j)+f/|C_j|) (2)

其中，C_i和C_j是待分割的两个区域，Dif(C_i，C_j)是连接两个区域C_i和C_j之间的最小的边权值，Int(C_i)和Int(C_j)分别为区域C_i和C_j包含的图所对应的最小生成树中最大的边权值；|C_i|和|C_j|分别是区域C_i和C_j中的像素点个数,f是分割的阈值参数，设为50；对所有像素点进行处理后，彩色图像被过分割成多个区域；

步骤2：对相似的过分割区域进行合并

首先，根据公式(3)计算每个区域的协方差矩阵A(u(S))：

$A\left(u\right(S\left)\right)=\frac{1}{\left|u\left(S\right)\right|}{\underset{x\∈u(S}{\Σ}}_{)}(x-c(S\left)\right){(x-c(S\left)\right)}^T---\left(3\right)$

其中，c(S)是区域S的中心点的三维坐标，u(S)是区域S对应的三维点云；|u(S)|为u(S)的顶点数量；x是点云上u(S)任意一个点的三维坐标；对A(u(S))进行矩阵的特征分解，得到的三个特征值从大到小分别为w₁(S)、w₂(S)、w_n(S)，对应的三个特征向量分别为T₁(S)、T₂(S)、N(S)；

然后，对于图像中任意两个相邻区域S_i,S_j,按照公式(4)计算它们之间的相似度c_smooth：

$c_{smooth}=\frac{\max \left\{\right||N\left(S_i\right)\·\left(c\right(S_i)-c(S_j\left)\right)||,||N\left(S_j\right)\·\left(c\right(S_i)-c(S_j))\left|\right|\}}{\left|\right|N\left(S_i\right)\·N\left(S_j\right)\left|\right|}---\left(4\right)$

其中||·||表示数量积计算，N(S_i)与N(S_j)是两个区域计算得到的最小的特征向量；如果两个区域的相似度c_smooth小于阈值常数c_thod，相邻区域S_i、S_j将合并成为新区域；其中c_thod设为0.02m；对相邻时刻所有区域都进行相似度计算和合并后，得到相邻时刻两组合并后的区域集合；

步骤3：匹配相邻时刻的两组区域，对所有匹配的区域所对应的点云进行三维配准

从时刻t_k的区域集合中取一块区域S_m，再从下一时刻t_k+1的区域集合中取一块区域S_n，组成区域对(S_m,S_n)；然后按照公式(5)，计算S_m与S_n之间的空间位置关系r_mn；

$r_{mn}=w_{mn}{d}_{mn}\frac{\left|\right|N\left(S_m\right)\left|\right|\·\left|\right|N\left(S_n\right)\left|\right|}{\left|\right|N\left(S_m\right)\·N\left(S_n\right)\left|\right|}---\left(5\right)$

其中，d_mn为两个点云区域之间所有最临近点对的平均欧氏距离，按照公式(6)计算；

$d_{mn}=\frac{1}{\min \left\{\right|u\left(S_m\right)|,|u\left(S_n\right)\left|\right\}}\underset{(x_n,y_n,z_n)\∈u\left(S_n\right)}{\underset{(x_m,y_m,z_m)\∈u\left(S_m\right)}{\Σ}}\sqrt{{(x_m-x_n)}^2+{(y_m-y_n)}^2+{(z_m-z_n)}^2}---\left(6\right)$

其中，(x_m,y_m,z_m)是u(S_m)上的任意点的三维坐标，(x_n,y_n,z_n)是在u(S_n)上距离(x_m,y_m,z_m)欧式距离最小的点的三维坐标；

w_mn表示两个点云的重叠率，按照公式(7)进行计算；

$w_{mn}=\frac{N_w}{\min \left\{\right|u\left(S_m\right)|,|u\left(S_n\right)\left|\right\}}---\left(7\right)$

其中，N_w是两个点云中欧式距离最小的点对距离小于d_thod的点对数，其中d_thod设为0.01m；

然后，对相邻两个时刻所有区域的点云进行权值初始化，具体地，区域S_m和S_n的权值e(S_m)，e(S_n)分别初始化为S_m和S_n对应点云u(S_m)和u(S_n)的顶点个数占该时刻所有点云的顶点个数合的比例；如果r_mn小于阈值r_thod，那么将该组点云区域对(S_m,S_n)加入预处理集合M中，并分别按照公式(8)更新权值e(S_m)，e(S_n),其中r_thod设为0.02；

$\begin{array}{c}e\left(S_m\right)\←e\left(S_m\right)-\min \{e\left(S_m\right),e\left(S_n\right)\}\\ e\left(S_n\right)\←e\left(S_n\right)-\min \{e\left(S_m\right),e\left(S_n\right)\}\end{array}---\left(8\right)$

对所有区域对的点云进行权值计算，迭代更新所有点云的权值，最终得到包含所有区域对的预处理集合M；

进一步对预处理的区域对进行对应点云的几何三维配准；首先从M中取出一对区域，对这两块区域对应的三维点云分别进行几何特征提取；具体地，对点云u(S_m)和u(S_n)中的每个点分别计算FPFH特；对点云每个点周围距离小于R的点进行特征统计形成点特征直方图，其中特征统计包括对距离、角度的统计，R取值为0.5m；然后利用采样一致性初始配准算法计算物体的四阶变换矩阵，具体地，先在u(S_m)中寻找采样点，然后在另一个点云u(S_n)中查找与采样点FPFH特征相似的所有点，计算每个点对的四阶变换矩阵，选择其中误差最小的刚体变换矩阵T_kp作为最终变换矩阵；k表示第k时刻，p表示在预处理集合M中的第p对匹配区域；其中，采样一致性初始配准算法中的采样点之间的距离不应小于阈值d_min，设为0.1m；

步骤4：融合通过三维配准得到的所有区域的变换矩阵

对于同一个时刻k，将该时刻所有区域的变换矩阵T_kp融合成该时刻的完整变换矩阵T_k，假设时刻k总共有p_k组区域对，按照公式(9)计算融合后的变换矩阵T_k；

$T_k=X\·\left(\begin{array}{c}\frac{1}{\underset{p=1}{\overset{p_k}{\Σ}}{w}_{kp}}\underset{p=1}{\overset{p_k}{\Σ}}{w}_{kp}{T}_{kp}\\ \frac{1}{\underset{p=1}{\overset{p_k}{\Σ}}{d}_{kp}}\underset{p=1}{\overset{p_k}{\Σ}}{d}_{kp}{T}_{kp}\end{array}\right)---\left(9\right)$

其中X为权值矩阵，设为(0.70.3)，T_kp是时刻k时的第p对区域点云配准得到的变换矩阵，w_kp是时刻k时的第p对区域点云的重叠率，按照公式(7)进行计算，d_kp是时刻k时的第p对区域点云的平均欧式距离，按照公式(8)进行计算；

步骤5：将不同时刻的深度点云进行点云融合与三维表面重建

将空间划分成128³个栅格立方体，将点云分布在栅格立方体中，然后计算每帧融合后每个栅格立方体的TSDF值；

为了计算每个栅格立方体中的截断符号距离函数，首先要计算每个栅格立方体中的符号距离函数sdf_kg(x)，k表示第k时刻，g表示第g个栅格立方体，sdf_kg(x)代表着点云上任意一点x的符号距离函数，按照公式(10)进行计算：

sdf_kg(x)＝dis(v_g,t_k)-D_k (10)

其中，t_k是相机光心在三维坐标系下的坐标，相机光心坐标设为(320,240)，v_g是栅格g在三维坐标系下的坐标，dis(v_g,t_k)表示栅格到光心的距离，D_k是图像中x对应的像素点所对应的深度值，由Kinect设备相机采集得到；如果sdf_kg(x)大于0，tsdf_kg(x)按照公式(11)计算，否则按照公式(12)计算：

tsdf_kg(x)＝min(1,sdf_kg(x)/m_truncation) (11)

tsdf_kg(x)＝min(-1,sdf_kg(x)/m_truncation) (12)

其中m_truncation为常量，取值为10；然后计算权重wt_kg(x)，初始值为1；W_kg(x)为迭代后的权重，计算公式如(13)所示；

W_kg(x)＝W_k-1,g(x)+wt_kg(x) (13)

最后记录迭代后的加权TSDF值，标记为TSDF_kg(x)，按照公式(14)计算；

${\mathrm{TSDF}}_{kg}\left(x\right)=\frac{{\mathrm{TSDF}}_{k-1,g}\left(x\right)W_{k-1,g}\left(x\right)+{\mathrm{tsdf}}_{kg}\left(x\right)w_{kg}\left(x\right)}{W_{k-1,g}\left(x\right)+w_{kg}\left(x\right)}---\left(14\right)$

将W_kg(x)和TSDF_kg(x)存储在对应的栅格g中，进行下个栅格g+1的计算；当对所有时刻的栅格都计算了截断符号距离函数后，所有点云已被存储在栅格立方体中；然后使用移动立方体算法抽取等值面，绘制三维表面，得到立体模型。