基于点特征直方图的点云自动配准方法技术

本发明专利技术公开了基于点特征直方图的点云自动配准方法，包括：对被测物体多站采集获取点云数据，确定基准站和待配准站；从两站点云数据中均随机选取m个采样点，使任意三个点都不共线，每两个采样点均满足距离约束原则；对两站进行同名点对匹配，使基准站采样点集和待配准站采样点集形成的同名点对三角网近似全等；获取待配准站点云数据的变换矩阵，计算点特征直方图差异值获取配准误差；筛选出配准误差值最小时对应的变换矩阵；计算两站点云数据的重叠区域点云数据，通过迭代最近点算法获得精细配准矩阵。本发明专利技术能够解决对相邻两站点云重叠度较小或重叠区域特征不明显情况下的点云数据配准时容易陷入局部最小解问题，该方法准确性高，整体效率高。

【技术实现步骤摘要】

本专利技术属于点云数据配准领域，特别涉及一种基于点特征直方图的点云自动配准方法。
技术介绍
三维激光扫描技术早期兴起于工业领域的逆向工程中，主要用于工艺品设计、汽车、飞机以及船舶等工业制造业领域，后来逐渐被应用到测绘行业领域。通常情况下，三维激光扫描工作由于受到被测物体范围较广、扫描设备的测量范围有限、物体遮挡等等因素的影响，需架设多站进行不同角度的扫描，从而获取到被测对象表面的整体点云数据。而根据扫描仪的扫描原理，采集到的三维点云坐标数据并不是出于统一坐标系下，因此需要将不同站、不同时间段或者不同传感器设备采集到的点云数据匹配到统一三维空间直角坐标系底下，这个过程即称之为点云数据配准。点云数据配准主要分为初始配准和精细配准两大模块。点云初始配准算法主要有以下几大类：基于测量设备的初始配准、基于辅助标识的初始配准、基于纹理特征的初始配准、基于表面几何特征的初始配准、基于RANSAC的初始配准。其中基于测量设备的初始配准指的是依靠测量设备的一些定位信息来获取不同站点云之间的相对移动位置关系，进而利用这些相对关系进行初始配准。这类初始配准对测量设备过于依赖，无法满足大部分实际工程需求。在很多工程应用中，扫描现场摆设适当数量的控制标靶，进而在内业中进行标靶点云的识别。研究者们据此提出了一些基于辅助标识的自动配准方法，但这类方法增加了外业的工作量，并且有时会出现标靶遮挡物体表面的情况出现。此外随着扫描仪的发展，扫描仪逐渐开始搭载相机，因而研究者们提出了一些基于纹理特征的初始配准算法,但由于该类算法需要影像信息，如果影像有变形或者双张影像重叠度不够则无法进行匹配，不具备广泛应用性。除了依靠点云的属性信息进行点云配准工作外，还可以依据点云中潜在的一些几何特征进行点云配准工作，研究人员已经在此方面做出了大量的研究。但这类算法多数只适用于噪声点较少的情况下，很易因噪声点的参与而干扰特征描述子的计算准确度，从而影响配准效果。且点云对象特征不明显的情况下，上述的几种算法很难获取到正确结果。通常情况下，为避免一些错误点或者局外点对某个算法造成影响，应当首先借助某种方法将这些局外点剔除，因而很多研究者提出了一些基于RANSAC的初始配准方法，其中R.B.Rusu等提出了一种基于点特征快速直方图的SAC-IA算法，但该算法针对重叠度较小情况下的点云配准容易造成局部最小解问题，且针对大数据量点云配准该算法无法达到高效实时配准，因此需要进一步改进。点云精细配准算法大多都是基于ICP(Iterative closest point,迭代最近点)算法或者其变种改进算法进行的。ICP算法由Besl和Mckay以及Chen和Medioni早期提出，该算法为后续基于迭代的配准算法发展奠定了理论和框架基础。基于前人研究这些不同种类的变种ICP算法基础，由于不同种变种算法针对不同传感器和不同环境因素有着各自的优缺点，并没有合适的框架通过比较这些算法针对不同情况提出合适的算法，因此Pomerleau等提出了一种变种ICP算法评价协议标准，此外Pomerleau也提出了一种ICP算法开源库，该库涵盖了一种ICP可重构算法框架，该框架可以融入不同种改进ICP算法，框架内部可以快速比较不同变种算法的性能与准确性。但即便是上述各种ICP算法改进及优化，但针对重叠度较小的点云而言，初始配准后直接进行ICP算法匹配也容易陷入局部最小解问题。
技术实现思路
本专利技术的一个目的是提供了一种基于点特征直方图的点云自动配准方法，能够解决现有技术中对相邻两站点云重叠度较小或重叠区域特征不明显情况下的点云数据配准时容易陷入局部最小解的问题，且该方法准确性高，整体效率高。本专利技术提供的技术方案为：一种基于点特征直方图的点云自动配准方法，包括：对被测物体进行多站采集获取该被测物体表面的整体点云数据，确定基准站和待配准站，其中，基准站和待配准站为相邻的两站；从所述基准站点云数据和所述待配准站点云数据中均随机选取m个采样点，均使所选取的m个采样点中的任意三个点都不共线，且每两个采样点之间的距离均满足距离约束原则，其中，m>＝3；对所述待配准站采样点集和所述基准站采样点集进行同名点对的对应匹配，使所述基准站采样点集和所述待配准站采样点集形成的同名点对三角网近似全等；获取所述待配准站点云数据的变换矩阵T，通过计算点特征直方图差异值获取所述待配准站点云数据经过变换矩阵T变换后与所述基准站点云数据的配准误差；对所述基准站点云数据和所述待配准站点云数据均进行多次采样，从多次采样获取的配准误差中筛选出配准误差值最小时对应的变换矩阵Tmin，进行点云数据的初始配准；计算所述基准站点云数据和所述待配准站点云数据的重叠区域点云数据，并通过迭代最近点算法获得精细配准矩阵，进行点云数据的精细配准。优选的是，所述的基于点特征直方图的点云自动配准方法，从所述基准站点云数据中和所述待配准站点云数据中均随机选取m个采样点之前还包括：对所述基准站点云数据和所述待配准站点云数据进行预处理；计算所述基准站点云表面和所述待配准站点云表面的法线；计算所述基准站点云数据和所述待配准站点云数据的点特征快速直方图。优选的是，所述的基于点特征直方图的点云自动配准方法，从所述基准站点云数据中和所述待配准站点云数据中均随机选取m个采样点具体包括:对所述基准站点云数据和所述待配准站点云数据进行采样时，当采集一个新样点时，判断所选取的新样点与已有的采样点是否满足距离约束原则；若不满足，则新样点无效，继续进行采集，若满足，则继续判断所选取的新样点与已有采样点构建的直线的垂直距离是否小于预设阈值∈dist；若小于，则所采集的新样点与已有的采样点共线，该新样点无效，重新进行采样；若不小于，则所采集的新样点有效，继续采集下一个样点。优选的是，所述的基于点特征直方图的点云自动配准方法，所述通过计算点特征直方图差异值获取所述待配准站点云数据经过变换矩阵T变换后与所述基准站点云数据的配准误差包括：所述待配准站点云数据P经过变换矩阵T变换后为P'，在所述基准站点云数据Q中查找所述待配准站点云数据P'中每个点对应的最近邻域点；根据获取的点Pi对应的最近邻域点，提取出邻域索引和邻域间距离；判断邻域间距离是否小于预定的邻域点对距离阈值∈；若不小于，则继续遍历点云数据P'中下一个点进行邻域间距离判断；若小于，则计算点Pi与其对应的最近邻域点形成的点对之间的快速直方图差异平方值总和error，并统计至总误差值SumError上，同时累计满足预定的邻域点对距离阈值∈的点对个数nr；判断nr是否大于零，若大于零，返回配准的点特征中误差若不大于零，则返回配准的分值为无穷大。优选的是，所述的基于点特征直方图的点云自动配准方法，所述计算所述基准站点云数据和所述待配准站点云数据的重叠区域点云数据包括：分别计算所述待配准站点云数据P和所述基准站点云数据Q的点云包围盒；对所述基准站点云数据Q进行空间网格线性划分；遍历所述待配准站点云数据P中的每个点Pi，并计算每个点Pi对应的网格线性编码值；在所述基准站点云数据Q的空间网格中查找是否存在与该待配准站点云数据中点Pi的网格线性编码值对应的空间网格；若不存在，则继续遍历待配准站点云数据P中的点；若存在，则对所述待配准站本文档来自技高网...

【技术保护点】
一种基于点特征直方图的点云自动配准方法，其特征在于，包括：对被测物体进行多站采集获取该被测物体表面的整体点云数据，确定基准站和待配准站，其中，基准站和待配准站为相邻的两站；从所述基准站点云数据和所述待配准站点云数据中均随机选取m个采样点，均使所选取的m个采样点中的任意三个点都不共线，且每两个采样点之间的距离均满足距离约束原则，其中，m>＝3；对所述待配准站采样点集和所述基准站采样点集进行同名点对的对应匹配，使所述基准站采样点集和所述待配准站采样点集形成的同名点对三角网近似全等；获取所述待配准站点云数据的变换矩阵T，通过计算点特征直方图差异值获取所述待配准站点云数据经过变换矩阵T变换后与所述基准站点云数据的配准误差；对所述基准站点云数据和所述待配准站点云数据均进行多次采样，从多次采样获取的配准误差中筛选出配准误差值最小时对应的变换矩阵Tmin，进行点云数据的初始配准；计算所述基准站点云数据和所述待配准站点云数据的重叠区域点云数据，并通过迭代最近点算法获得精细配准矩阵，进行点云数据的精细配准。

【技术特征摘要】
1.一种基于点特征直方图的点云自动配准方法，其特征在于，包括：对被测物体进行多站采集获取该被测物体表面的整体点云数据，确定基准站和待配准站，其中，基准站和待配准站为相邻的两站；从所述基准站点云数据和所述待配准站点云数据中均随机选取m个采样点，均使所选取的m个采样点中的任意三个点都不共线，且每两个采样点之间的距离均满足距离约束原则，其中，m>＝3；对所述待配准站采样点集和所述基准站采样点集进行同名点对的对应匹配，使所述基准站采样点集和所述待配准站采样点集形成的同名点对三角网近似全等；获取所述待配准站点云数据的变换矩阵T，通过计算点特征直方图差异值获取所述待配准站点云数据经过变换矩阵T变换后与所述基准站点云数据的配准误差；对所述基准站点云数据和所述待配准站点云数据均进行多次采样，从多次采样获取的配准误差中筛选出配准误差值最小时对应的变换矩阵Tmin，进行点云数据的初始配准；计算所述基准站点云数据和所述待配准站点云数据的重叠区域点云数据，并通过迭代最近点算法获得精细配准矩阵，进行点云数据的精细配准。2.如权利要求1所述的基于点特征直方图的点云自动配准方法，其特征在于，从所述基准站点云数据中和所述待配准站点云数据中均随机选取m个采样点之前还包括：对所述基准站点云数据和所述待配准站点云数据进行预处理；计算所述基准站点云表面和所述待配准站点云表面的法线；计算所述基准站点云数据和所述待配准站点云数据的点特征快速直方图。3.如权利要求1所述的基于点特征直方图的点云自动配准方法，其特征在于，从所述基准站点云数据中和所述待配准站点云数据中均随机选取m个采样点具体包括:对所述基准站点云数据和所述待配准站点云数据进行采样时，当采集一个新样点时，判断所选取的新样点与已有的采样点是否满足距离约束原则；若不满足，则新样点无效，继续进行采集，若满足，则继续判断所选取的新样点与已有采样点构建的直线的垂直距离是否小于预设阈值∈dist；若小于，则所采集的新样点与已有的采样点共线，该新样点无效，重新进行采样；若不小于，则所采集的新样点有效，继续采集下一个样点。4.如权利要求2所述的基于点特征直方图的点云自动配准方法，其特征在于，所述通过计算点特征直方图差异值获取所述待配准站点云数据经过变换矩阵T变换后与所述基准站点云数据的配准误差包括：所述待配准站点云数据P经过变换矩阵T变换后为P'，在所述基准站点云数据Q中查找所述待配准站点云数据P'中每个点对应的最近邻域点；根据获取的点Pi对应的最近邻域点，提取出邻域索引和邻域间距离；判断邻域间距离是否小于预定的邻域点对距离阈值∈；若不小于，则继续遍历点云数据P'中下一个点进行邻域间距离判断；若小于，则计算点Pi与其对应的最近邻域点形成的点对之间的快速直方图差异平方值总和error，并统计至总误差值SumError上，同时累计满足预定的邻域点对距离阈值∈的点对个数nr；判断nr是否大于零，若大于零，返回配准的点特征中误差若不大于零，则返回配准的分值为无穷大。5.如权利要求1所述的基于点特征直方图的点云自动配准方法，其特征在于，所述计算所述基准站点云数据和所述待配准站点云数据的重叠区域点云数据包括：分别计算所述待配准站点云数据P和所述基准站点云数据Q的点云包围盒；对所述基准站点云数据Q进行空间网格线性划分；遍历所述待配准站点云数据P中的每个点Pi，并计算每个点Pi对应的网格线性编码值；在所述基准站点云...

【专利技术属性】
技术研发人员：黄明，丁鹤松，贾军辉，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：北京;11