【技术实现步骤摘要】
一种点云全局运动优化方法及设备
本专利技术涉及三维重建与计算机视觉领域,尤其涉及一种点云全局运动优化方法及设备。
技术介绍
随着无人驾驶、虚拟现实、目标识别等技术的发展,三维重建成为计算机视觉领域的热点问题。三维重建的核心是将各视角点云通过平移旋转全部移动到一个模型中。各种基于最近邻点迭代(iterativeclosestpoint,ICP)的配准方法都可以获得各视角点云之间的相对运动,但由于噪声和离群点的影响,这些相对运动恢复到全局坐标系中存在一定的误差,而且配准中解算相对运动的过程也存在误差,导致恢复的全局运动精度不高,重建目标的三维结构有困难。近年来,众多国内外学者针对全局运动优化问题开展研究,提出了许多解决方法,大致分为以下几类:基于单位四元数的最小化方法、基于SE(3)李群结构的迭代求解法、基于矩阵分解的方法以及其他方法。根据Martinec等人的分析,涉及矩阵的方法通常比四元数最小化的效果更好。近年来,Arrigoni等人将多视角点云配准的优化问题引入到低秩稀疏(LowRankandSparse, ...
【技术保护点】
1.一种点云全局运动优化方法,其特征在于,包括:/n通过配准算法获取任意两个点云之间的相对运动初始值;其中,所述相对运动初始值包括N个视角中任意两视角i,j之间刚性变换的旋转矩阵R
【技术特征摘要】
1.一种点云全局运动优化方法,其特征在于,包括:
通过配准算法获取任意两个点云之间的相对运动初始值;其中,所述相对运动初始值包括N个视角中任意两视角i,j之间刚性变换的旋转矩阵Rij和平移向量Tij;
根据所述相对运动初始值建立相对运动的低秩稀疏矩阵;
获取的不同视角点云,根据由第i个视角变换到第j个视角的旋转角θ和旋转轴生成视角约束条件表达方程;
根据不同视角点云之间的关系,建立邻接矩阵和权重矩阵并在每次迭代中通过柯西权函数更新权重矩阵;
根据所述视角约束条件表达方程、相对运动的低秩稀疏矩阵和更新后的权重矩阵,建立全局运动最优化问题的数学模型;
对所述全局运动最优化问题的数学模型进行凸松弛处理,得到最优化问题表达式;
通过拉格朗日乘子法对所述最优化问题表达式进行求解,直到满足所有迭代停止条件后输出求解结果;
判断当前是否满足视角约束条件,若不满足则更新相对运动初始值,对权重矩阵进行更新迭代;若满足则根据输出的求解结果计算各视角全局运动矩阵。
2.如权利要求1所述的点云全局运动优化方法,其特征在于,所述相对运动初始值的表达形式为:
3.如权利要求2所述的点云全局运动优化方法,其特征在于,所述相对运动的低秩稀疏矩阵表达式为:
其中,I4为4×4的单位矩阵。
4.如权利要求3所述的点云全局运动优化方法,其特征在于,所述获取的不同视角点云,根据由第i个视角变换到第j个视角的旋转角θ和旋转轴生成视角约束条件表达方程的步骤中,具体为:
获取的不同视角点云1,2,…,N是按照一定顺序扫描旋转物体得到的,已知相机由第i个视角变换到第j个视角的旋转角θ和旋转轴以第i个视角建立坐标系(X,Y,Z),刚性物体旋转矩阵的表达式如下:
则通用的第i组到第j组点云的视角约束条件表达式如下:
其中,Ri为第i个视角以第一个视角为参考系的全局运动的旋转矩阵。
5.如权利要求4所述的点云全局运动优化方法,其特征在于,所述根据不同视角点云之间的关系,建立邻接矩阵和权重矩阵并在每次迭代中通过柯西权函数更新权重矩阵的步骤中,具体为:
根据加权无向图表示的所有点云组间的关系,建立对称邻接矩阵A,其表达式为A=[wij],其中,wij为视角点云i,j的非负权值;
根据旋转分量定义残差rij来更新权重wij,柯西权函数表达式如下:
其中,残差rij=||Rij-Ri-1Rj||F;参数c=1.482med(|r-med(r)|)·θ,其中,med()是中值算子,r是残差r的向量化,θ=2是调节常数;
根据邻接矩阵A建立权重矩阵W表达式如下:
其中,为克罗内克积,表示一个各元素为1的4×4矩阵。
6.如权利要求5所述的点云全局运动优化方法,其特征在于,所述根据所述视角约束条件表达方程、相对运动...
【专利技术属性】
技术研发人员:张艳,张鑫,曲承志,苏东,
申请(专利权)人:中山大学,
类型:发明
国别省市:广东;44
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。