一种基于曲率特征的三维点云数据快速加权配准方法技术

本发明专利技术公开基于曲率特征的三维点云数据快速加权配准方法，包括：分别对待匹配点云数据P和模型点云数据M按照曲率特征进行下采样，得到待匹配点云样本数据P’和模型点云样本数据M’；计算采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法在M’中搜索P’中各个待匹配点的匹配点，得到多个待匹配点对；对得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；对经过筛选后的待匹配点对利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；利用初步刚体变换矩阵对P和M进行粗匹配；以初步刚体变换矩阵作为初始刚体变换矩阵，利用按距离加权的Trimmed ICP算法，对粗匹配结果进行精匹配。

A fast weighted registration method for 3D point cloud data based on curvature features

The invention discloses a fast weighted registration method of 3D point cloud data based on the curvature characteristics, including: treating the matching point cloud data P and the model point cloud data M for lower sampling according to the curvature characteristics, obtaining the sample data of the matching point cloud P 'and the model point cloud sample data M', calculating the curvature characteristics of the sampling points and according to the calculation. By using the index acceleration method, the matching points of each matching point in P 'are searched by the index acceleration method, and multiple matching points are obtained. The selection of Euclidean distance based on the Euclidean distance is used to remove the matching points of the Euclidean distance which is larger than a preset threshold. The initial rigid body transformation matrix is obtained by using the iterative re weighted least square method. The initial rigid body transformation matrix is used for rough matching of P and M, and the initial rigid transformation matrix is used as the initial rigid body transformation matrix, and the rough matching results are well matched by the Trimmed ICP algorithm which is weighted by distance.

【技术实现步骤摘要】
一种基于曲率特征的三维点云数据快速加权配准方法
本专利技术涉及三维点云数据的配准领域，尤其涉及一种基于曲率特征的三维点云数据快速加权配准方法。
技术介绍
近年来，三维点云数据广泛应用于三维建模、目标识别、物体表面检测等领域，三维点云数据的多角度快速、精确配准技术是当前研究的热点之一。三维点云数据配准的目的是寻找一个三维刚体变换，将物体不同角度的离散的三维点云数据快速、精准地匹配和融合。理论上，如果能找到两组点云上确定的不共面的三个对应的点对，点云数据的配准就可以精确快速完成，但是，由于数据获取设备分辨率和精度的有限，实际上很难找到确定的三个对应的点对，因此，点云配准问题实为数据的优化问题。传统的配准ICP(IterativeClosestPoints，迭代最近点)算法被广泛应用，然而这种方法是逐点求最小的欧氏距离，运算量巨大，耗时长，并且算法的运行速度以及收敛性在很大程度上依赖于给定的初始变换估计，初始变换估计不准确会直接导致配准结果陷入局部最优值；另外，如果点云数据只有少部分重叠也会导致配准失败；再一方面，随着技术飞速发展，获取的三维点云点数据量巨大，如何达到快速而且高精度的配准成为了研究的难点。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
本专利技术的主要目的在于克服传统ICP算法的不足，提高算法的实用性，提出一种基于曲率特征的三维点云数据快速加权配准方法，利用曲率特征的旋转不变性，基于点云数据曲率变化率的KD-Tree快速最近邻搜索方法，在去除边缘点和错误匹配点后，利用一种迭代再加权的IRLS-ICP算法对待匹配点进行粗匹配，然后利用按距离加权的一种TrimmedICP算法进行精匹配，获得精确度较高的刚体变换，可进行快速、精确的配准。本专利技术为达上述目的所提出的技术方案如下：一种基于曲率特征的三维点云数据快速加权配准方法，用于进行两组三维点云数据的配准，所述配准方法包括以下步骤：S1、分别对待匹配点云数据和模型点云数据按照曲率特征进行下采样，得到待匹配点云样本数据和模型点云样本数据；S2、计算所述待匹配点云样本数据和所述模型点云样本数据中采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法，在所述模型点云样本数据中搜索所述待匹配点云样本数据中各个待匹配点的匹配点，得到多个待匹配点对；S3、对步骤S2得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；S4、对经过步骤S3筛选后的待匹配点对，利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；S5、利用所述初步刚体变换矩阵对所述待匹配点云数据和所述模型点云数据进行粗匹配，得到粗匹配结果；S6、以步骤S4得到的所述初步刚体变换矩阵作为初始刚体变换矩阵，利用按距离加权的TrimmedICP算法，对步骤S5得到的所述粗匹配结果进行精匹配。本专利技术提供的上述技术方案，与现有技术相比，具有以下有益效果：1)由于采用特征值表示的曲率特征具有旋转不变性，因此采用按照曲率特征采样的方法对海量的原始点云数据进行下采样，在简化数据、去除冗余的基础上，还能够尽可能地保证点云数据几何特征的完整性；2)在匹配点的寻找策略中，利用了点云数据的几何特征之一即曲率特征，并采用索引加速方法来加快寻找匹配点；3)按照最近邻匹配点欧氏距离排序，去除一定比例的错误点，可进一步减弱错误数据对匹配精度的影响；4)应用迭代再加权的匹配算法IRLS-ICP进行粗匹配，能提高粗匹配的鲁棒性；5)把按照距离加权的方法加入到TrimmedICP算法中进行精匹配，不仅能得到一个比较精确的匹配点对数目，还能够进一步加强正确匹配点对的作用，减弱错误匹配点对的影响，大大提高了结果的精度和鲁棒性。附图说明图1是本专利技术一种实施例提供的基于曲率特征的三维点云数据快速加权配准方法的流程图；图2-1和图2-2是两例待匹配点云数据和模型点云数据的示意图；图3-1和图3-2是采用传统ICP算法分别对图2-1和图2-2的点云数据进行配准得到的配准结果示意图；图4-1和图4-2是采用本专利技术的方法对图2-1和图2-2的点云数据进行配准得到的配准结果示意图；图5是传统ICP算法与本专利技术的方法的MSE的变化差值对比示意图。具体实施方式下面结合附图和具体的实施方式对本专利技术作进一步说明。本专利技术的具体实施方式提供一种基于曲率特征的三维点云数据快速加权配准方法(后述简称“配准方法”)，可用于对任意两组海量点云数据进行配准。参考图1，所述配准方法包括以下步骤S1至S6：步骤S1、分别对待匹配点云数据P和模型点云数据M按照曲率特征进行下采样，得到待匹配点云样本数据P’和模型点云样本数据M’。其中，可以利用matlab中的按曲率特征采样函数来进行所述下采样。在海量的点云数据中，对其中任意一个点x，描述点的几何特征一般有两类，即特征值和对应的特征向量。曲率特征对特征识别是一个很重要的基础，点的曲率特征反映了该点在点云表面的凹凸程度，其特征值可以有效地对两组散乱点云寻找匹配点。例如，参考图2，待匹配点云数据P来源于物体的实际模型100，P＝{p1,p2…,pm}；模型点云数据M来源于物体的理想模型200，M＝{y1,y2…,yn}。步骤S2、计算所述待匹配点云样本数据P’和所述模型点云样本数据M’中采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法，在所述模型点云样本数据M’中搜索所述待匹配点云样本数据中各个待匹配点的匹配点，得到多个待匹配点对。其中，点的曲率特征可以通过分析其k个最近邻点的协方差矩阵而获得，k的值会影响匹配的结果，k代表该点的搜索半径内点的数量，因此，为了增强鲁棒性，采用逐渐扩大搜索半径来搜索最近邻点，再取不同搜索半径下计算出的曲率特征的差值作为匹配信息对两组散乱的点云数据寻找匹配点。在一种优选的实施例中，利用KD-Tree加速方法在M’中搜索P’中各待匹配点pi的匹配点yi，该过程具体包括：对每一待匹配点pi，取不同搜索半径下计算得到的曲率特征并进行相邻搜索半径之间的曲率特征差值计算，将计算得到的曲率特征差值组成一个矩阵，作为所述待匹配点的匹配计算矩阵；基于所述匹配计算矩阵，利用KD-Tree加速方法在所述模型点云数据中搜索所述待匹配点的最邻近点，以得到所述待匹配点的匹配点。例如，对于任意待匹配点p，假设有D个不同的搜索半径，则对于任意搜索半径rd，其协方差矩阵Cd为：其中，d＝1,…,D，Kd＝{xi|||xi-p||≤rd}为搜索半径rd内点的个数，xi为搜索到的半径rd内p的最近邻点集，p为待匹配点云样本数据P’中的任一点。应用奇异值分解法处理得到的3×3的协方差矩阵Cd，从而可得到三个特征值及其特征向量，选取从大到小的三个特征值λd1、λd2、λd3来描述点的曲率特征，并将三个特征值组成的向量规范化，得到p在搜索半径rd下的曲率特征sd，记为：由于利用特征值代表的曲率特征有着旋转不变性，伴随着搜索半径逐渐变大，sd缓慢变化，因此，选取相邻搜索半径下曲率特征的差值Δsd作为搜索的匹配点本文档来自技高网...

【技术保护点】
1.一种基于曲率特征的三维点云数据快速加权配准方法，用于进行两组三维点云数据的配准，其特征在于，所述配准方法包括以下步骤：S1、分别对待匹配点云数据和模型点云数据按照曲率特征进行下采样，得到待匹配点云样本数据和模型点云样本数据；S2、计算所述待匹配点云样本数据和所述模型点云样本数据中采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法，在所述模型点云样本数据中搜索所述待匹配点云样本数据中各个待匹配点的匹配点，得到多个待匹配点对；S3、对步骤S2得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；S4、对经过步骤S3筛选后的待匹配点对，利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；S5、利用所述初步刚体变换矩阵对所述待匹配点云数据和所述模型点云数据进行粗匹配，得到粗匹配结果；S6、以步骤S4得到的所述初步刚体变换矩阵作为初始刚体变换矩阵，利用按距离加权的Trimmed ICP算法，对步骤S5得到的所述粗匹配结果进行精匹配。

【技术特征摘要】
1.一种基于曲率特征的三维点云数据快速加权配准方法，用于进行两组三维点云数据的配准，其特征在于，所述配准方法包括以下步骤：S1、分别对待匹配点云数据和模型点云数据按照曲率特征进行下采样，得到待匹配点云样本数据和模型点云样本数据；S2、计算所述待匹配点云样本数据和所述模型点云样本数据中采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法，在所述模型点云样本数据中搜索所述待匹配点云样本数据中各个待匹配点的匹配点，得到多个待匹配点对；S3、对步骤S2得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；S4、对经过步骤S3筛选后的待匹配点对，利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；S5、利用所述初步刚体变换矩阵对所述待匹配点云数据和所述模型点云数据进行粗匹配，得到粗匹配结果；S6、以步骤S4得到的所述初步刚体变换矩阵作为初始刚体变换矩阵，利用按距离加权的TrimmedICP算法，对步骤S5得到的所述粗匹配结果进行精匹配。2.如权利要求1所述的配准方法，其特征在于，步骤S1中采用matlab中的按曲率特征采样函数来进行所述下采样。3.如权利要求1所述的配准方法，其特征在于，步骤S2中所述采样点的曲率特征是通过分析所述采样点的k个最近邻点的协方差矩阵而获得；其中，k为所述采样点的搜索半径内的点的数量。4.如权利要求3所述的配准方法，其特征在于，步骤S2中利用KD-...

【专利技术属性】
技术研发人员：高学海，刘兵，刘厚德，梁斌，王学谦，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44