The invention discloses a profile of four coplanar point set 2D 3D based image registration methods, which belongs to the technical field of computer vision. The invention uses four point coplanar sets as registration primitives; the point cloud along multiple perspective projection to form a plurality of image search and image capture point cloud images from the perspective of similar; secondly, looking at the image of the object contour points corresponding to four point coplanar points on the contour point cloud image, to find them three a similar triangle triangle, and then find the fourth points of the approximate position according to the affine transform plane; finally, using the homography of computing image and point cloud registration according to the transformation matrix, each transformation matrix corresponding to the registration accuracy to select the optimal transform matrix, thus completing the initial registration of 2D 3D. Compared with the existing technology, the method proposed in this paper is more reliable and simple to find matching points on the contour, and the overall degree of automation of the algorithm is better.
【技术实现步骤摘要】
基于轮廓共面四点集的2D-3D图像配准方法
本专利技术属于计算机视觉
,主要涉及图像与点云数据的配准,具体地说是一种基于轮廓共面四点集的2D-3D图像配准方法,可用于点云与图像的粗配准。
技术介绍
点云与图像的配准主要解决激光点云的着色问题,通过点云与图像的配准,可以将图像中的颜色等信息添加在点云上,使物体的点云模型更加真实、生动;点云和图像配准后还可以辅助不同视角的点云配准。点云与图像配准比较简单方法有将扫描仪与拍摄图像的相机位置固定,扫描物体形成点云的时候同时拍摄图像,通过它们之间的空间关系和相机参数计算得到点云与图像的大致对应关系。对于相机方位未知和要求点云和图像高精度配准的情况下,需要找到图像与点云中的同名点计算图像与点云的对应关系。同名点的获得可以通过手动或者自动的方法获得。自动寻找同名点,一般通过特征匹配的方式。点云数据只具有深度信息,其体现的特征为结构特征,图像中包含各种丰富的纹理信息,如何在图像中区别并找到体现其结构特征的点集成为寻找两者匹配点对的关键。寻找匹配点集时常用的特征有:点、线、面特征。不同类型的点云和图像根据其数据的特点选择合适的特征基元进行配准,很难找到一种比较通用的匹配基元;大多数传统方法还需要知道点云与图像大致的配准关系,将点云按初始关系投影后再寻找点云特征点对应的附近位置图像上的同名点,无法满足完全的自动化;而且大多数的图像中的特征点不一定与点云的同名特征点特征是一致的,容易寻找到错误的匹配点对。
技术实现思路
本专利技术的目的在于针对以上问题,提供一种基于轮廓共面四点集的2D-3D图像配准方法,通过寻找图像中物体外轮 ...
【技术保护点】
一种基于轮廓共面四点集的2D‑3D图像配准方法,其特征在于,包括有如下步骤:步骤1,输入待配准图像I0和点云P;步骤2,虚拟相机的针孔成像过程将点云P从n个不同的视角透视投影到二维平面,生成多张不同视角的点云影像,组成集合I={Ii},i=1,2,…,n,其中Ii代表第i个视角生成的点云影像,并记下对应的透射投影矩阵,影像中像素的灰度值为其三维点对应的深度值;步骤3,提取待配准图像I0中物体的外轮廓C0,对集合I中的点云影像提取物体外轮廓组成集合C={Ci},i=1,2,…,n;利用轮廓的相似性在集合C中寻找与外轮廓C0最为匹配的外轮廓Cs,s代表最为匹配的视角标号,s∈[1,n];根据匹配的外轮廓Cs对应的点云影像Is的透射投影矩阵及灰度值计算匹配的外轮廓Cs上各点对应的三维空间的坐标,点云影像Is作为与图像I0拍摄视角相近的图像;步骤4,寻找匹配的外轮廓Cs与外轮廓C0上的匹配共面四点对集合U;步骤5,寻找集合U中满足配准精度的四点对U
【技术特征摘要】
1.一种基于轮廓共面四点集的2D-3D图像配准方法,其特征在于,包括有如下步骤:步骤1,输入待配准图像I0和点云P;步骤2,虚拟相机的针孔成像过程将点云P从n个不同的视角透视投影到二维平面,生成多张不同视角的点云影像,组成集合I={Ii},i=1,2,…,n,其中Ii代表第i个视角生成的点云影像,并记下对应的透射投影矩阵,影像中像素的灰度值为其三维点对应的深度值;步骤3,提取待配准图像I0中物体的外轮廓C0,对集合I中的点云影像提取物体外轮廓组成集合C={Ci},i=1,2,…,n;利用轮廓的相似性在集合C中寻找与外轮廓C0最为匹配的外轮廓Cs,s代表最为匹配的视角标号,s∈[1,n];根据匹配的外轮廓Cs对应的点云影像Is的透射投影矩阵及灰度值计算匹配的外轮廓Cs上各点对应的三维空间的坐标,点云影像Is作为与图像I0拍摄视角相近的图像;步骤4,寻找匹配的外轮廓Cs与外轮廓C0上的匹配共面四点对集合U;步骤5,寻找集合U中满足配准精度的四点对U*,输出对应的3D-2D变换矩阵M*。2.如权利要求1所述的基于轮廓共面四点集的2D-3D图像配准方法,其特征在于,所述步骤4寻找匹配的外轮廓Cs与外轮廓C0上的匹配共面四点对集合U,包括如下步骤:(4.1)提取外轮廓C0上的关键点,组成关键点集合为C0的第i0个关键点,i0=1,2,…,m0,m0为外轮廓C0上关键点个数,每个关键点记录下其像素坐标及该点特征,的特征表示为提取匹配的外轮廓Cs上的关键点,得到集合为Cs的第i1个关键点,i1=1,2,…,ms,ms为Cs上关键点个数,集合中的关键点还包含对应的三维空间坐标;向量运算时及均表示其二维坐标点;(4.2)迭代次数N初始化,N=0;(4.3)提取匹配的外轮廓Cs上的共面四点基B={p1,p2,p3,p4},p1、p2、p3、p4为Cs上的不相同四个轮廓点;(4.4)寻找外轮廓C0上所有可能匹配基B的四点集合Qi为一组匹配基B的四点集,m3为匹配的组数;(4.5)集合Q中的每个与基B构成共面四点对形成集合U。3.如权利要求2所述的基于轮廓共面四点集的2D-3D图像配准方法,其特征在于,所述步骤(4.3)提取匹配的外轮廓Cs上的共面四点基B={p1,p2,p3,p4},包括如下步骤:(4.3.1)随机选取集合的两个关键点,记为p1、p2;遍历集合中的其它关键点与p1、p2组成三角形寻找使面积达到最大的第三个关键点令Δp1p2p3对应的三维空间三角形记为(4.3.2)遍历集合中的其他关键点若的三维空间坐标点到三角形所在的平面的距离d=0,且满足任意三点的三维空间坐标不在一条直线上,则基B的第四个共面点(4.3.3)若在集合中没有寻找到第四个点,则遍历Cs上的所有非关键点寻找满足要求的共面点p4,与Δp1p2p3组成基B;若在Cs上未找到第四个点,则回到(4.3.1)重新选择三角形。4.如权利要求2所述的基于轮廓共面四点集的2...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。