点云配准方法、骨头配准方法、装置、设备及存储介质与流程
本发明涉及三维点云建模技术领域，具体涉及一种点云配准方法、骨头配准方法、装置、设备及存储介质。
背景技术：
在三维点云建模过程中，三维激光点云配准是其需要解决的关键问题之一。针对三维激光点云配准，通常采用经典的迭代最近点算法(iterativeclosestpoint，icp)进行最优刚体变换，计算待配准点云数据与参考点云数据之间的旋转参数和平移参数，以使待配准点云数据与参考点云数据满足正确配准的收敛精度，实现待配准点云数据与参考点云数据的最优配准。然而，现有的迭代最近点算法基于平均距离与给定距离阈值进行迭代计算直至达到配准要求，如此上述配准方法容易陷入局部最优解，导致待配准点云数据与参考点云数据之间的配准效率低下。
技术实现要素：
有鉴于此，本发明实施例提供了一种点云配准方法、骨头配准方法、装置、设备及存储介质，以解决现有的代最近点算法容易陷入局部最优解而导致待配准点云数据与参考点云数据配准效率低下的问题。
根据第一方面，本发明实施例提供了一种点云配准方法，包括如下步骤：获取待配准点云集和参考点云集；基于主成分析法，计算所述待配准点云集对应的第一参考坐标系以及所述参考点云集对应的第二参考坐标系；基于所述第一参考坐标系以及所述第二参考坐标系，对所述待配准点云集和所述参考点云集进行初始配准；基于多维二叉搜索树算法，在初始配准后的所述参考点云集中寻找与所述待配准点云集中距离最近的点，得到多组对应点对；分别计算所述多组对应点对之间的方向向量夹角；基于预设夹角阈值和所述方向向量夹角，对所述待配准点云集和所述参考点云集进行精配准。
本发明实施例提供的点云配准方法，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合，由此避免了配准方法陷入局部最优解。基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，提高了对应点对的搜索速度。通过计算多组对应点对之间的方向向量夹角，基于方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，提高了待配准点云集和参考点云集的配准效率和配准精确度。
结合第一方面，在第一方面的第一实施方式中，所述基于主成分析法，计算所述待配准点云集对应的第一参考坐标系以及所述参考点云集对应的第二参考坐标系，包括：获取所述待配准点云集的第一点云重心以及所述参考点云集的第二点云重心；采用所述主成分析法，分别计算所述待配准点云集的第一主方向以及所述参考点云集的第二主方向；其中，所述第一主方向为所述待配准点云集对应的3个第一特征向量，所述第二主方向为所述参考点云集对应的3个第二特征向量；基于所述第一点云重心以及所述第一主方向，确定所述待配准点云集对应的第一参考坐标系；基于所述第二点云重心以及所述第二主方向，确定所述参考点云集对应的第二参考坐标系。
本发明实施例提供的点云配准方法，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合。在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，并计算多组对应点对之间的方向向量夹角，通过方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，由此避免了配准方法陷入局部最优解，提高了待配准点云集和参考点云集的精确配准。
结合第一方面，在第一方面的第二实施方式中，所述基于所述第一参考坐标系以及所述第二参考坐标系，对所述待配准点云集和所述参考点云集进行初始配准，包括：计算所述待配准点云集和所述参考点云集之间的相似度，确定出相似度最大的目标待配准点云集和目标参考点云集；将所述目标待配准点云集和所述目标参考点云集对应的所述第一参考坐标系和所述第二参考坐标系调整到同一个目标坐标系；在所述目标坐标系中建立所述目标待配准点云集对应的第一最小包围盒以及所述目标参考点云集对应的第二最小包围盒；计算所述第一最小包围盒以及所述第二最小包围盒的重合体积；判断所述重合体积是否满足重合阈值；当所述重合体积满足所述重合阈值时，判定所述目标待配准点云集和所述目标参考点云集已初始配准。
结合第一方面第二实施方式，在第一方面的第三实施方式中，所述基于所述第一参考坐标系以及所述第二参考坐标系，对所述待配准点云集和所述参考点云集进行初始配准，还包括：当所述重合体积不满足所述重合阈值时，将所述目标坐标系的坐标轴旋转预设角度，直至所述第一最小包围盒以及所述第二最小包围盒的重合体积满足所述重合阈值。
本发明实施例提供的点云配准方法，通过计算待配准点云集和参考点云集之间的相似度，确定出相似度最大的待配准点云集和参考点云集，并将其对应的第一参考坐标系和第二参考坐标系调整到同一个目标坐标系中，计算待配准点云集对应的第一最小包围盒以及参考点云集对应的第二最小包围盒之间的重合体积，根据重合体积与重合阈值之间的关系，旋转目标坐标的坐标轴直至重合体积满足重合阈值时判定待配准点云集和参考点云集已初始配准，保证了待配准点云集和参考点云集初始配准的准确度。
结合第一方面，在第一方面的第四实施方式中，所述分别计算所述多组对应点对之间的方向向量夹角，包括：计算所述待配准点云集中的点与其临近点拟合而成的第一切平面，以及所述参考点云集中的点与其临近点拟合而成的第二切平面；基于所述第一切平面，计算所述待配准点云集中的点对应的第一法向量；基于所述第二切平面，计算所述参考点云集中的点对应的第二法向量；计算所述第一法向量和所述第二法向量之间的方向向量夹角。
结合第一方面第四实施方式，在第一方面的第五实施方式中，所述基于预设夹角阈值和所述方向向量夹角，对所述待配准点云集和所述参考点云集进行精配准，包括：判断所述方向向量夹角是否小于预设夹角阈值；当所述方向向量夹角小于所述预设夹角阈值时，判定所述待配准点云集和所述参考点云集已精配准。
结合第一方面第五实施方式，在第一方面的第六实施方式中，所述基于所述方向向量夹角，对所述待配准点云集和所述参考点云集进行精配准，还包括：当所述方向向量夹角等于或大于所述预设夹角阈值时，判定所述对应点对为错误点对；剔除所述错误点对。
本发明实施例提供的点云配准方法，通过对待配准点云集中的点以及参考点云集中的点进行向量化，得到待配准点云集中的点对应的第一法向量以及参考点云集中的点对应的第二法向量，从而确定第一法向量和第二法向量之间的方向向量夹角。当方向向量夹角等于或大于预设夹角阈值时，判定对应点对为错误点对，并剔除该错误点对，直至所有的对应点对的方向向量夹角均小于预设夹角阈值时，判定待配准点云集和参考点云集已完成精配准，由此提高了待配准点云集和参考点云集的配准效率。
结合第一方面，在第一方面的第七实施方式中，还包括：基于深度学习对经过精配准的所述待配准点云集和所述参考点云集进行调节。
结合第一方面第七实施方式，在第一方面的第八实施方式中，所述基于深度学习对经过精配准的所述待配准点云集和所述参考点云集进行调节，包括：基于点云特征提取网络对经过精配准的所述待配准点云集和所述参考点云集进行特征提取，得到所述待配准点云集对应的第一点云特征以及所述参考点云集对应的第二点云特征；预测所述第一点云特征和所述第二点云特征之间的匹配关系；基于匹配关系，采用奇异值分解法对精配准的待配准点云集和参考点云集进行配准调节。
本发明实施例提供的点云配准方法，通过深度学习对经过精配准的待配准点云集和参考点云集进行进一步的调节，具体地，基于点云配准网络对经过精配准的待配准点云集和参考点云集进行特征提取，得到待配准点云集对应的第一点云特征以及参考点云集对应的第二点云特征，对第一点云特征和第二点云特征之间的匹配关系进行，并基于匹配关系，采用奇异值分解法对精配准的待配准点云集和参考点云集进行配准调节，以保证待配准点云集和参考点云集之间的配准精度达到最优，进一步提升了待配准点云集和参考点云集的配准精度。
根据第二方面，本发明实施例提供了一种基于点云配准的骨头配准方法，包括：获取目标配准骨头对应的第一点云集以及参考配准骨头对应的第二点云集；采用第一方面或第一方面任一实施方式所述的点云配准方法对所述第一点云集以及所述第二点云集进行配准。
本发明实施例提供的基于点云配准的骨头配准方法，基于点云配准方法对第一点云集以及第二点云集进行初始配准，快速实现第一点云集和参考点云集的大致重合，完成目标配准骨头与参考配准骨头之间的精确配准。在大致重合的第二点云集中寻找与第一点云集中距离最近的点，得到多组第一点云集与第二点云集之间的对应点对，并通过计算多组对应点对之间的方向向量夹角，对第一点云集和第二点云集进行精配准，从而提高了目标配准骨头与参考配准骨头之间的配准效率和配准精确度。
根据第三方面，本发明实施例提供了一种点云配准装置，包括：第一获取模块，用于获取待配准点云集和参考点云集；第一计算模块，用于基于主成分析法，计算所述待配准点云集对应的第一参考坐标系以及所述参考点云集对应的第二参考坐标系；初配准模块，用于基于所述第一参考坐标系以及所述第二参考坐标系，对所述待配准点云集和所述参考点云集进行初始配准；对应模块，用于在初始配准后的所述参考点云集中寻找与所述待配准点云集中距离最近的点，得到多组对应点对；第二计算模块，用于分别计算所述多组对应点对之间的方向向量夹角；精配准模块，用于基于所述方向向量夹角，对所述待配准点云集和所述参考点云集进行精配准。
本发明实施例提供的点云配准装置，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合，由此避免了配准方法陷入局部最优解。基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，提高了对应点对的搜索速度。通过计算多组对应点对之间的方向向量夹角，基于方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，提高了待配准点云集和参考点云集的精确配准。
根据第四方面，本发明实施例提供了一种基于点云配准的骨头配准装置，所述装置包括：第二获取模块，用于获取目标配准骨头对应的第一点云集以及参考配准骨头对应的第二点云集；配准模块，用于采用第一方面或第一方面任一实施方式所述的点云配准方法对所述第一点云集以及所述第二点云集进行配准。
本发明实施例提供的基于点云配准的骨头配准装置，基于点云配准方法对第一点云集以及第二点云集进行初始配准，快速实现第一点云集和参考点云集的大致重合，完成目标配准骨头与参考配准骨头之间的精确配准。在大致重合的第二点云集中寻找与第一点云集中距离最近的点，得到多组第一点云集与第二点云集之间的对应点对，并通过计算多组对应点对之间的方向向量夹角，对第一点云集和第二点云集进行精配准，从而提高了目标配准骨头与参考配准骨头之间的配准效率和配准精确度。
根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任一实施方式所述的点云配准方法，或者，执行第二方面或第二方面任一实施方式所述的基于点云配准的骨头配准方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的点云配准方法，或者，执行第二方面或第二方面任一实施方式所述的基于点云配准的骨头配准方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的点云配准方法的流程图；
图2是根据本发明实施例的点云配准方法的另一流程图；
图3是根据本发明实施例的点云配准方法的另一流程图；
图4是根据本发明实施例的点云配准方法的另一流程图；
图5是根据本发明实施例的多维二叉搜索树的搜索示意图；
图6是根据本发明实施例的不同点云配准方法的对比图；
图7是根据本发明实施例的基于点云配准的骨头配准方法的流程图；
图8是根据本发明实施例的髋臼与股骨头之间的配准示意图；
图9是根据本发明实施例的点云配准装置的结构框图；
图10是根据本发明实施例基于点云配准的骨头配准装置的结构框图；
图11是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对三维激光点云配准，通常采用经典的迭代最近点算法(iterativeclosestpoint，icp)进行最优刚体变换，计算待配准点云集数据与参考点云集数据之间的旋转参数和平移参数，以使待配准点云集数据与参考点云集数据满足正确配准的收敛精度，实现待配准点云集数据与参考点云集数据的最优配准。然而，现有的迭代最近点算法基于平均距离与给定距离阈值进行迭代计算直至达到配准要求，如此上述配准方法容易陷入局部最优解，导致待配准点云集数据与参考点云集数据之间的配准效率低下。
基于此，本申请技术方案针对迭代最近点算法容易陷入局部最优解的问题，在初始配准过程中引入主成分分析法，以快速实现待配准点云集和参考点云集的大致重合；并基于多维二叉搜索树和方向向量夹角进行待配准点云集和参考点云集的精配准，通过多维二叉搜索树进行快速搜索，提高了参考点云集与待配准点云集之间的对应点对的搜索速度，并利用方向向量夹角去除错误点对，提高了待配准点云集和参考点云集的配准效率。
根据本发明实施例，提供了一种点云配准方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种点云配准方法，可用于电子设备，如扫描设备、医疗检测设备等，图1是根据本发明实施例的点云配准方法的流程图，如图1所示，该流程包括如下步骤：
s11，获取待配准点云集和参考点云集。
待配准点云集为电子设备采集到的三维激光点云数据集，参考点云集为位置不变的点云数据集。待配准点云集为电子设备从不同位置或角度扫描待检测物体获取到的。参考点云集是模拟对应于待检测物体对应的虚拟物体获取到的。
s12，基于主成分析法，计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系。
采用主成分析法(principalcomponentanalysis，pca)对待配准点云集进行简化，即对待配准点云集进行降维操作，以保留待配准点云集中的重要数据。采用主成分析法从待配准点云集提取出与待配准点云集对应的主分量，从参考点云集中提取出与参考点云集对应的主分量。电子设备可以基于待配准点云集的重心以及待配准点云集对应的主分量生成第一参考坐标系，并基于参考点云集的重心以及参考点云集对应的主分量生成第二参考坐标系。
s13，基于第一参考坐标系以及第二参考坐标系，对待配准点云集和参考点云集进行初始配准。
初始配准用于表征待配准点云集和参考点云集的大致重合。电子设备可以对位于第一参考坐标系中的待配准点云集中的点以及位于第二参考坐标系中的参考点云集中的点进行坐标转换，以便将待配准点云集和参考点云集调整到同一坐标系，确定待配准点云集和参考点云集的重合体积。基于待配准点云集和参考点云集的重合体积调整待配准点云集和参考点云集所处的同一坐标系，以保证待配准点云集和参考点云集能够大致重合，由此实现待配准点云集和参考点云集的初始配准。
s14，基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组对应点对。
多维二叉搜索树算法即为k-dtree算法，经过待配准点云集和参考点云集的初始配准后，待配准点云集和参考点云集已实现大致重合，但待配准点云集和参考点云集的配准精度仍然较低，并未达到点云配准需求。此时采用k-dtree算法可以快速的在参考点云集中寻找与待配准点云集中距离最近的点，得到多组待配准点云集和参考点云集之间的对应点对。利用k-dtree算法查找最近点的时间效率为o(nlogn)级，可以大大提高点云最近点的搜索速度。
具体地，首先沿坐标轴x轴方向逐一查找分割线，求出查找到的所有点的x坐标值的平均值，并从查找到的点中挑选出最接近这个平均值的点，在该点处将空间沿坐标轴y轴方向划分为两个部分。然后，在前面划分成的子空间中再沿坐标轴y轴方向逐一查找分割线，将子空间再划分为两个部分。接着将上一环节划分的子空间再沿坐标轴x轴方向分割，如此循环下去，知道被划分的子空间内只剩下一个点时分割停止。如图5所示，图5中的点表示输入点，圈表示查询范围，数字表示查询时的遍历顺序。
s15，分别计算多组对应点对之间的方向向量夹角。
利用k-dtree算法搜索得到多组待配准点云集和参考点云集之间的对应点对依然会包含一定的错误点，影响待配准点云集和参考点云集的配准精度。分别将待配准点云集和参考点云集中的各点进行向量化，确定各组对应点对所对应的法向量，并根据对应点对的法向量计算与其对应的方向向量夹角。
具体地，可以基于对应点对所对应的两个法向量的夹角余弦公式计算出两个法向量的夹角余弦，根据该夹角余弦值即可确定出两个法向量对应的方向向量夹角。当然也可以采用其他计算方式确定出方向向量夹角，本申请对此不作具体限定。
s16，基于预设夹角阈值和方向向量夹角，对待配准点云集和参考点云集进行精配准。
经过初始配准后，待配准点云集和参考点云集已经大致重合，若为正确的对应点对，应该满足方向向量夹角小于给定的预设夹角阈值，若方向向量夹角大于给定的预设夹角阈值，则可以判定该对应点对为错误点对，需要将其剔除，直至所有的对应点对均为正确的对应点对时，判定待配准点云集和参考点云集完成精配准。
本实施例提供的点云配准方法，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合，由此避免了配准方法陷入局部最优解。基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，提高了对应点对的搜索速度。通过计算多组对应点对之间的方向向量夹角，基于方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，提高了待配准点云集和参考点云集的配准效率。
在本实施例中提供了一种点云配准方法，可用于电子设备，如扫描设备、医疗检测设备等，图2是根据本发明实施例的点云配准方法的流程图，如图2所示，该流程包括如下步骤：
s21，获取待配准点云集和参考点云集。详细说明参见上述方法实施例对应步骤s11的相关描述，此处不再赘述。
s22，基于主成分析法，计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系。
具体地，上述步骤s22可以包括如下步骤：
s221，获取待配准点云集的第一点云重心以及参考点云集的第二点云重心。
第一点云重心为待配准点云集的重心点坐标，该坐标是通过计算待配准点云集中所有点的值的平均值得到，即分别计算出待配准点云集的xyz三个轴的重心坐标值。
同理，第二点云重心为参考点云集的重心点坐标，可以通过计算参考点云集中所有点的值的平均值得到，即分别计算出参考点云集的xyz三个轴的重心坐标值。
s222，采用主成分析法，分别计算待配准点云集的第一主方向以及参考点云集的第二主方向，其中，第一主方向为待配准点云集对应的3个第一特征向量，第二主方向为参考点云集对应的3个第二特征向量。
对待配准点云集进行去均值处理，计算待配准点云集对应的协方差矩阵以及该协方差矩阵对应的特征值和特征向量；计算协方差矩阵的特征值大于特征值阈值的个数，对得到的特征值进行降序排列；去除排序靠后的特征值，即选取最大的3个特征值；对3个特征值进行合并，并选择与3个特征值相应的特征向量组成的白化矩阵，从白化矩阵中提取出三个主分量，即3个第一特征向量，并以这3个第一特征向量作为待配准点云集的第一主方向。
同理，可以计算出参考点云集对应的3个第二特征向量，并以这3个第二特征向量作为参考点云集的第二主方向。
s223，基于第一点云重心以及第一主方向，确定待配准点云集对应的第一参考坐标系；基于第二点云重心以及第二主方向，确定参考点云集对应的第二参考坐标系。
以第一点云重心为原点，与第一主方向对应的3个第一特征向量分别作为坐标系的三个坐标轴，由此可以建立待配准点云集对应的第一参考坐标系。同理，以第二点云重心为原点，与第二主方向对应的3个第二特征向量分别作为坐标系的三个坐标轴，由此可以建立待配准点云集对应的第一参考坐标系。
s23，基于第一参考坐标系以及第二参考坐标系，对待配准点云集和参考点云集进行初始配准。
具体地，上述步骤s23可以包括如下步骤：
s231，计算待配准点云集和参考点云集之间的相似度，确定出相似度最大的目标待配准点云集和目标参考点云集。
由于主成分分析法反映了待配准点云集对方差贡献最大的特征向量以及参考点云集对方差贡献最大的特征向量，由此可以基于特征向量计算出待配准点云集和参考点云集之间的相似度，进而可以从待配准点云集和参考点云集确定出相似度最大的目标待配准点云集和目标参考点云集。
s232，将目标待配准点云集和目标参考点云集对应的第一参考坐标系和第二参考坐标系调整到同一个目标坐标系。
目标坐标系为第一参考坐标系和第二参考坐标系进行坐标转换后所对应的坐标系。对位于第一参考坐标系的目标待配准点云集中的所有点进行坐标转换，将其调整至目标坐标系；对位于第二参考坐标系的目标参考点云集中的所有点进行坐标转换，将其调整至目标坐标系。由此实现将第一参考坐标系和第二参考坐标系调整到同一个目标坐标系中。
s233，在目标坐标系中建立目标待配准点云集对应的第一最小包围盒以及目标参考点云集对应的第二最小包围盒。
由于通过pca算法计算得到的第一主方向和第二主方向均可能会出现相差180°的情况，因此需要建立目标待配准点云集对应的第一最小包围盒以及目标参考点云集对应的第二最小包围盒。本领域技术人员可以根据经验确定最小包围盒的建立方法，只要保证第一最小包围盒能够包围目标待配准点云集，第二最小包围盒能够包围目标参考点云集即可，此处不作具体限定。
s234，计算第一最小包围盒以及第二最小包围盒的重合体积。
计算坐标变换后的目标待配准点云集对应的第一最小包围盒以及目标参考点云集对应的第二最小包围盒的重合体积，以测试目标待配准点云集和目标参考点云集是否大致重合。第一最小包围盒和第二最小包围盒均处于同一目标坐标系中，因此可以确定第一最小包围盒和第二最小包围盒所包围的重合位置。根据重合位置所对应的坐标值即可计算得到第一最小包围盒以及第二最小包围盒的重合体积。
s235，判断重合体积是否满足重合阈值。
将重合体积与重合阈值进行对比，确定重合体积是否满足重合阈值。当重合体积满足重合阈值时，执行步骤s236，否则执行步骤s237。
s236，判定目标待配准点云集和目标参考点云集已初始配准。
当重合体积满足重合阈值时，表示目标待配准点云集和目标参考点云集以大致重合，可以判定目标待配准点云集和目标参考点云集已完成初始配准。
s237，将目标坐标系的坐标轴旋转预设角度，直至第一最小包围盒以及第二最小包围盒的重合体积满足重合阈值。
旋转的预设角度可以是180°，也可以是其他角度，本领域技术人员可以根据实际需要旋转，此处不作具体限定。当重合体积不满足重合阈值时，电子设备可以对目标坐标系的坐标轴进行旋转，直到目标待配准点云集和目标参考点云集大致重合。具体地，可以是顺时针旋转180°，也可以是逆时针旋转180°，本申请对此不作具体限定。
s24，基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组对应点对。详细说明参见上述方法实施例对应步骤s14的相关描述，此处不再赘述。
s25，分别计算多组对应点对之间的方向向量夹角。详细说明参见上述方法实施例对应步骤s15的相关描述，此处不再赘述。
s26，基于预设夹角阈值和方向向量夹角，对待配准点云集和参考点云集进行精配准。详细说明参见上述方法实施例对应步骤s16的相关描述，此处不再赘述。
本实施例提供的点云配准方法，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合。在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，并计算多组对应点对之间的方向向量夹角，通过方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，由此避免了配准方法陷入局部最优解，提高了待配准点云集和参考点云集的精确配准。
通过计算待配准点云集和参考点云集之间的相似度，确定出相似度最大的待配准点云集和参考点云集，并将其对应的第一参考坐标系和第二参考坐标系调整到同一个目标坐标系中，计算待配准点云集对应的第一最小包围盒以及参考点云集对应的第二最小包围盒之间的重合体积，根据重合体积与重合阈值之间的关系，旋转目标坐标的坐标轴直至重合体积满足重合阈值时判定待配准点云集和参考点云集已初始配准，保证了待配准点云集和参考点云集初始配准的准确度。
在本实施例中提供了一种点云配准方法，可用于电子设备，如扫描设备、医疗检测设备等，图3是根据本发明实施例的点云配准方法的流程图，如图3所示，该流程包括如下步骤：
s31，获取待配准点云集和参考点云集。详细说明参见上述实施例对应步骤s21的相关描述，此处不再赘述。
s32，基于主成分析法，计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系。详细说明参见上述实施例对应步骤s22的相关描述，此处不再赘述。
s33，基于第一参考坐标系以及第二参考坐标系，对待配准点云集和参考点云集进行初始配准。详细说明参见上述实施例对应步骤s23的相关描述，此处不再赘述。
s34，基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组对应点对。详细说明参见上述实施例对应步骤s24的相关描述，此处不再赘述。
s35，分别计算多组对应点对之间的方向向量夹角。
具体地，上述步骤s35可以包括如下步骤：
s351，计算待配准点云集中的点与其临近点拟合而成的第一切平面，以及参考点云集中的点与其临近点拟合而成的第二切平面。
对于待配准点云集中的任一点p均有与其对应的若干个临近点，由该点p与其对应的若干个临近点可以拟合成对应于点p的第一切平面。同理，对于参考点云集中的任一点q均有与其对应的若干个临近点，由该点q与其对应的若干个临近点可以拟合成对应于点q的第二切平面。其中，待配准点云集中的点与参考点云集中的点可以组成对应点对。
s352，基于第一切平面，计算待配准点云集中的点对应的第一法向量。
在第一切平面上，采用邻域协方差分析法求取待配准点云集中的点的法向量。具体地，对于待配准点云集中的任一点p与其临近的n个点可以得到协方差矩阵：
s353，基于第二切平面，计算参考点云集中的点对应的第二法向量。
在第二切平面上，采用邻域协方差分析法求取参考点云集中的点的法向量。具体地，对于参考点云集中的任一点q与其临近的m个点可以得到协方差矩阵：
需要说明的是，上述方法计算得到的第一法向量和第二法向量均可能具有两个方向，因此需要对待配准点云集中所有点对应的第一法向量进行调整使其指向待配准点云曲面的同一侧，以及对参考点云集中所有点对应的第二法向量进行调整使其指向参考点云曲面的同一侧。由于点云集具有稠密的采样点，因此可以先确定一个初始点的正确朝向，然后调整其临近点的法向量朝向，继而通过不断的邻域扩散，完成对整个待配准点云集的第一法向量的朝向调整以及对参考点云集的第二法向量的朝向调整。具体地，由于点云足够稠密且采样平面处处光滑，那么相邻两点的法向量会接近于平行。例如，ni和nj为相邻两点的法向量，如果法向量的方向是一致的，那么ni·nj≈1，若此内积为负，则说明其中某个点的法向量需要被翻转。因此，首先需要为点云中某个点设定一个法向量朝向，然后遍历其他的所有点，若当前点法向量设定为ni，则nj为下一个要遍历的点，则如果ni·nj＜0则将nj翻转，否则保持不变。
s354，计算第一法向量和第二法向量之间的方向向量夹角。
基于待配准点云集中的点对应的第一法向量和参考点云集中的点对应的第二法向量，可以计算第一法向量和第二法向量之间的夹角余弦值，基于该夹角余弦值即可确定出第一法向量和第二法向量之间的方向向量夹角。例如，待配准点云集中的点对应的第一法向量为
s36，基于预设夹角阈值和方向向量夹角，对待配准点云集和参考点云集进行精配准。
具体地，上述步骤s36可以包括如下步骤：
s361，判断方向向量夹角是否小于预设夹角阈值。
预设夹角阈值是表征待配准点云集中的点和参考点云集中的点为正确对应点对的夹角值。将计算得到待配准点云集中的点和参考点云集中的点之间的方向向量夹角与预设夹角阈值进行比较，确定方向向量夹角是否小于预设夹角阈值。当方向向量夹角小于预设夹角阈值时，执行步骤s362，否则执行步骤s363。
s362，判定待配准点云集和参考点云集已精配准。
当方向向量夹角小于预设夹角阈值时，表示待配准点云集中的点和参考点云集中的点组成的对应点对为正确的对应点对，可以判定待配准点云集和参考点云集已完成精配准。
s363，判定对应点对为错误点对，并剔除错误点对。
当方向向量夹角等于或大于预设夹角阈值时，表示待配准点云集中的点和参考点云集中的点组成的对应点对为错误点对，此时可以对该错误点对进行剔除，以保证待配准点云集和参考点云集的精确配准。
本实施例提供的点云配准方法，通过对待配准点云集中的点以及参考点云集中的点进行向量化，得到待配准点云集中的点对应的第一法向量以及参考点云集中的点对应的第二法向量，从而确定第一法向量和第二法向量之间的方向向量夹角。当方向向量夹角等于或大于预设夹角阈值时，判定对应点对为错误点对，并剔除该错误点对，直至所有的对应点对的方向向量夹角均小于预设夹角阈值时，判定待配准点云集和参考点云集已完成精配准，由此提高了待配准点云集和参考点云集的配准效率。
在本实施例中提供了一种点云配准方法，可用于电子设备，如扫描设备、医疗检测设备等，图4是根据本发明实施例的点云配准方法的流程图，如图4所示，该流程包括如下步骤：
s41，获取待配准点云集和参考点云集。详细说明参见上述方法实施例对应步骤s31的相关描述，此处不再赘述。
s42，基于主成分析法，计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系。详细说明参见上述方法实施例对应步骤s32的相关描述，此处不再赘述。
s43，基于第一参考坐标系以及第二参考坐标系，对待配准点云集和参考点云集进行初始配准。详细说明参见上述方法实施例对应步骤s33的相关描述，此处不再赘述。
s44，基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组对应点对。详细说明参见上述方法实施例对应步骤s34的相关描述，此处不再赘述。
s45，分别计算多组对应点对之间的方向向量夹角。详细说明参见上述方法实施例对应步骤s35的相关描述，此处不再赘述。
s46，基于预设夹角阈值和方向向量夹角，对待配准点云集和参考点云集进行精配准。详细说明参见上述方法实施例对应步骤s36的相关描述，此处不再赘述。
s47，基于深度学习对经过精配准的待配准点云集和参考点云集进行调节。
深度学习可以为点云配准网络(deepclosestpoint，dcp)，也可以为其他配准算法，对经过精配准的待配准点云集和参考点云集使用深度学习dcp进行精调，以使待配准点云集和参考点云集的配准精度得到进一步提升。如图6所示，分别为采用不同的点云配准方法的效果对比图，相较于单纯的采用icp算法和dcp算法进行配准，本实施例的点云配准方法明显提高了目标配准骨头与参考配准骨头之间的配准精度。
点云配准网络可以分为：initialfeatures、attention、pointergeneration以及svdmodule。具体地，上述步骤s47可以包括如下步骤：
s471，基于点云特征提取网络对经过精配准的待配准点云集和参考点云集进行特征提取，得到待配准点云集对应的第一点云特征以及参考点云集对应的第二点云特征。
点云特征提取网络可以为膨胀门卷积神经网络dgcnn和特征提取器pointnet。假设待配准点云集中包含n个点，参考点云集中包含m个点，待配准点云集为x＝{x1,x2,…,xi,…,xn}，参考点云集为y＝{y1,y2,…,yi,…,ym}，且m＝n。定义在点云特征提取网络最后一层之前(第l层)提取的局部特征分别为
s472，预测第一点云特征和第二点云特征之间的匹配关系。
基于求解第一点云特征和第二点云特征之间的对应关系与自然语言处理(naturallanguageprocessing，nlp)中的序列到序列(sequence-to-sequence)问题很相近，此时可以采用transformer作为注意力函数φ，将注意力输出作为残差项修正原来的特征fx和fy，得到最终的特征：
s473，基于匹配关系，采用奇异值分解法对精配准的待配准点云集和参考点云集进行配准调节。
在得到第一点云特征和第二点云特征之间的匹配关系后，即确定了待配准点云集中的点和参考点云集中的点的对应关系。对于点xi，使用上述匹配关系可以计算出其与参考点云集y中每个点的之间匹配概率，将各个匹配概率进行加权求和，可以计算出来一个平均点：
整个点云配准网络相当于输入待配准点云集x和参考点云集y，输出旋转矩阵rxy以及平移矩阵txy。用rxy、txy与groundtruth值来构建损失函数loss：
本实施例提供的点云配准方法，通过深度学习对经过精配准的待配准点云集和参考点云集进行进一步的调节，具体地，基于点云配准网络对经过精配准的待配准点云集和参考点云集进行特征提取，得到待配准点云集对应的第一点云特征以及参考点云集对应的第二点云特征，基于第一点云特征和第二点云特征的对应关系，对待配准点云集和参考点云集进行进一步的匹配预测，并采用奇异值分解法计算经过匹配预测的待配准点云集和参考点云集之间的配准矩阵，通过该配准矩阵对精配准的待配准点云集和参考点云集进行配准调节，以保证待配准点云集和参考点云集之间的配准精度达到最优，进一步提升了待配准点云集和参考点云集的配准精度。
根据本发明实施例，提供了一种基于点云配准的骨头配准方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于点云配准的骨头配准方法，可用于医疗器械领域的医疗设备等，图7是根据本发明实施例的基于点云配准的骨头配准方法的流程图，如图7所示，该流程包括如下步骤：
s51，获取目标配准骨头对应的第一点云集以及参考配准骨头对应的第二点云集。
参考配准骨头为位置固定的骨头，对应于参考配准骨头的第二点云集是通过医疗设备从不同角度扫描获取到的。目标配准骨头是与参考配准骨头相对应连接的骨头，对应于目标配准骨头的第二点云集可以通过医疗设备从不同位置或不同角度扫描获取到的。具体地，参考配准骨头和目标配准骨头的配准可以是髋臼与股骨头之间的配准，也可以是股骨与胫骨之间的配准，还可以是股骨与骨盆之间配准等，如图8所示的髋臼与股骨头之间的配准。
s52，采用上述实施例中的点云配准方法对第一点云集以及第二点云集进行配准。
对于点云配准方法的详细说明参加上述方法实施例对应的相关描述，此处不再赘述。根据该点云配准方法对第一点云集以及第二点云集进行初始配准和精配准，以完成目标配准骨头与参考配准骨头之间精确配准，并通过深度学习(点云特征提取网络等)方法对精配准的目标配准骨头与参考配准骨头进一步微调，由此提高了目标配准骨头与参考配准骨头的配准精度。
本实施例提供的基于点云配准的骨头配准方法，基于点云配准方法对第一点云集以及第二点云集进行初始配准，快速实现第一点云集和参考点云集的大致重合，完成目标配准骨头与参考配准骨头之间的精确配准。在大致重合的第二点云集中寻找与第一点云集中距离最近的点，得到多组第一点云集与第二点云集之间的对应点对，并通过计算多组对应点对之间的方向向量夹角，对第一点云集和第二点云集进行精配准，从而提高了目标配准骨头与参考配准骨头之间的配准效率和配准精确度。
在本实施例中还提供了一种点云配准装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种点云配准装置，如图9所示，包括：
第一获取模块61，用于获取待配准点云集和参考点云集。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
第一计算模块62，用于基于主成分析法，计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
初配准模块63，用于基于第一参考坐标系以及第二参考坐标系，对待配准点云集和参考点云集进行初始配准。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
对应模块64，用于在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组对应点对。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
第二计算模块65，用于分别计算多组对应点对之间的方向向量夹角。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
精配准模块66，用于基于方向向量夹角，对待配准点云集和参考点云集进行精配准。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
本实施例提供的点云配准装置，基于主成分析法计算待配准点云集对应的第一参考坐标系以及参考点云集对应的第二参考坐标系，通过第一参考坐标系和第二参考坐标系实现待配准点云集和参考点云集的初始配准，以便快速实现待配准点云集和参考点云集的大致重合，由此避免了配准方法陷入局部最优解。基于多维二叉搜索树算法，在初始配准后的参考点云集中寻找与待配准点云集中距离最近的点，得到多组参考点云集与待配准点云集之间的对应点对，提高了对应点对的搜索速度。通过计算多组对应点对之间的方向向量夹角，基于方向向量夹角和预设夹角阈值之间的关系，对待配准点云集和参考点云集进行精配准，提高了待配准点云集和参考点云集的精确配准。
本实施例中的点云配准装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
在本实施例中还提供了一种基于点云配准的骨头配准装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于点云配准的骨头配准装置，如图10所示，包括：
第二获取模块71，用于获取目标配准骨头对应的第一点云集以及参考配准骨头对应的第二点云集。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
配准模块72，用于配准模块，用于采用上述实施例所述的点云配准方法对第一点云集以及第二点云集进行配准。详细说明参见上述方法实施例对应的相关描述，此处不再赘述。
本实施例提供的基于点云配准的骨头配准装置，基于点云配准方法对第一点云集以及第二点云集进行初始配准，快速实现第一点云集和参考点云集的大致重合，完成目标配准骨头与参考配准骨头之间的精确配准。在大致重合的第二点云集中寻找与第一点云集中距离最近的点，得到多组第一点云集与第二点云集之间的对应点对，并通过计算多组对应点对之间的方向向量夹角，对第一点云集和第二点云集进行精配准，从而提高了目标配准骨头与参考配准骨头之间的配准效率和配准精确度。
本发明实施例还提供一种电子设备，具有上述图9所示的点云配准装置，和图10所示的基于点云配准的骨头配准装置。
请参阅图11，图11是本发明可选实施例提供的一种电子设备的结构示意图，如图11所示，该电子设备可以包括：至少一个处理器601，例如cpu(centralprocessingunit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(display)、键盘(keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速ram存储器(randomaccessmemory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图9和图10所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线602可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器604可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-accessmemory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatilememory)，例如快闪存储器(英文：flashmemory)，硬盘(英文：harddiskdrive，缩写：hdd)或固态硬盘(英文：solid-statedrive，缩写：ssd)；存储器604还可以包括上述种类的存储器的组合。
其中，处理器601可以是中央处理器(英文：centralprocessingunit，缩写：cpu)，网络处理器(英文：networkprocessor，缩写：np)或者cpu和np的组合。
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specificintegratedcircuit，缩写：asic)，可编程逻辑器件(英文：programmablelogicdevice，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complexprogrammablelogicdevice，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmablegatearray，缩写：fpga)，通用阵列逻辑(英文：genericarraylogic,缩写：gal)或其任意组合。
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本申请图1至图6实施例中所示的点云配准方法，以及如本申请图7和图8实施例中所示的基于点云配准的骨头配准方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的点云配准方法及基于点云配准的骨头配准方法的处理方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(randomaccessmemory，ram)、快闪存储器(flashmemory)、硬盘(harddiskdrive，缩写：hdd)或固态硬盘(solid-statedrive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！