【技术实现步骤摘要】
一种低重叠率的三维点云配准方法
本专利技术属于机器视觉
，具体涉及一种低重叠率的三维点云配准方法。
技术介绍
近些年来，三维点云数据被广泛地应用于三维模型重建、文化遗产管理、机器人导航定位等领域。快速、准确的三维点云配准技术是关键技术和研究重点。三维点云配准的目的是找到能使两个输入点云对准一个共同坐标系的最佳刚体变换。在实际应用中，数据可能会受到严重的遮挡，两个点云之间重叠区域很小，这使得寻找最佳刚体变换的过程充满挑战。因此，针对重叠范围更小的点云，寻找快速、准确、鲁棒的配准算法是当今的一个活跃的研究主题。目前，研究最热的三维点云配准算法可以分为两大类：基于特征的配准方法和基于无特征的配准方法。前者是进行关键点提取并利用能够在刚体变换下保持不变的特征描述子，找到两片点云的对应关系，进而进行配准。但是当重叠率较低时，此类方法提取特征的质量和速度会受到限制。后者是在原始点云的基础上直接进行配准。此类方法依靠底层采样策略识别无异常子集，从而建立两个子集的对应关系。随机采样一致性算法(RANSAC)在存在噪声和离群值的...
【技术保护点】
1.一种低重叠率的三维点云配准方法，其特征在于：包括以下步骤：/n步骤1，基于曲率特征和法向量构建多尺度描述符；/n步骤2，基于多尺度描述符建立角度差异衡量区域之间的相似程度，进行对应关系聚类分块；/n步骤3，在对应关系聚类分块中基于SDRSAC算法，判断匹配潜力，去除离群值，再优化对应关系完成配准。/n
【技术特征摘要】
1.一种低重叠率的三维点云配准方法，其特征在于：包括以下步骤：
步骤1，基于曲率特征和法向量构建多尺度描述符；
步骤2，基于多尺度描述符建立角度差异衡量区域之间的相似程度，进行对应关系聚类分块；
步骤3，在对应关系聚类分块中基于SDRSAC算法，判断匹配潜力，去除离群值，再优化对应关系完成配准。
2.根据权利要求1所述的一种低重叠率的三维点云配准方法，其特征在于：所述步骤1还包括以下步骤：
步骤1.1，对于每个查询点P在每个邻域半径rl构建协方差矩阵，
其中，尺度l＝1,...,L；与尺度对应的邻域半径表示为r1＜r2＜…＜rL，Sl表示距离查询点P在邻域半径rl范围内点的集合Sl＝{Pi|||Pi-P||≤rl}；
步骤1.2，利用奇异值分解算法SVD分解公式(1)，获得三个特征值λl1≥λl2≥λl3及其对应的特征向量nl1，nl2，nl3，最小的特征值所对应的特征向量nl3即为平面的法向量，记为nl；将区域法向量的方向设置为一致，将不指向视点方向的法向量进行取反处理，避免后续法向量的方向影响区域分块；
步骤1.3，将特征值进行归一化，得到向量dl，
利用特征值的差异Δdl＝dl+1-dl表现点云块的变化，将要考虑的L个不同邻域半径的Δdl连接起来构建基于特征值的描述符D；
合并L个不同邻域半径的法向量nl得到基于法线的描述符N；
N＝(n1,…,nL)(4)
将基于特征值的描述符D和基于法线的描述符N结合，得到基于特征值和法线的多尺度描述符(N,D)。
3.根据权利要求2所述的一种低重叠率的三维点云配准方法，其特征在于：所述步骤2还包括以下步骤：
步骤2.1，依据多尺度描述符对下采样之后的源点云W与目标点云V执行最近邻搜索，形成种子匹配，并对其进行排序，记为(pi,q1),…(pj,qn)，其中pi、pj代表源点云中的种子点，qn代表目标点云中的种子点；
步骤2.2，对于每一个种子匹配(pi,q1),…(pj,qn)，确定最近邻搜索范围ε1，计算最小角度差异ε2对应点，判断两点的距离差异ε3，形成n个对应关系点云分块M1,M2,…,Mn。
4.根据权利要求3所述的一种低重叠率的三维点云配准方法，其特征在于：所述步骤2中确定最近邻搜索范围ε1包括确定源点云中点p的最近邻搜索范围为α＝||p-pi||，并确定目标点云中点q的最近邻搜索范围为(β＝||q-q1||)∩(|β-α|＜ε1)。
5.根据权利要求4所述的一种低重叠率的三维点云配准方法，其特征在于：所述步骤2中计算最小角度差异ε2对应点的具体方法是：对于源点云W中近邻搜索范围的任意点p，用向量θ表示其描述符与点pi的描述符之间的角度：
<...
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。