一种复杂3D点云的优化匹配方法组成比例

本发明专利技术提供了复杂3D点云的优化匹配方法，该方法先通过计算不同尺度值下的各关键点的描述向量值，比较描述向量值的相似度来确定合适的尺度值，再利用稀疏主成分分析方法对图像进行去噪处理，对去噪后的图像建立3D模型，再使用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型，最后使用对偶分解的方式，将独立的3D点云模型两两组合形成一个整体再进行匹配；本发明专利技术采用稀疏主成分分析方法，能有效的去除图像中的噪音和杂波，减小3D模型建立时的误差，再利用轮廓提取的方法来提取特征状态，增强了后续匹配中的鲁棒性，使用对偶分解的方式，解决了图像中存在多个相似物体时的匹配困难的问题。多个相似物体时的匹配困难的问题。多个相似物体时的匹配困难的问题。

【技术实现步骤摘要】
一种复杂3D点云的优化匹配方法


[0001]本专利技术涉及3D视觉领域，尤其涉及一种复杂3D点云的优化匹配方法。

技术介绍

[0002]3D点云匹配是指给出两组3D点云，计算出一组点云的转移矩阵以达到移动后的点云间有最小欧式距离值，基于点云匹配的关键性，在通信领域及很多其他领域已经涉及到该技术的使用，如目标检测，目标跟踪，数据融合，图像处理，医学，机器人学及生物结构学等，国际计算机视觉与图像处理领域的顶级会议如ICCV、CVPR、ECCV、ICIP、ICPR等几乎每一届都有关于3D视觉的研究成果发表，充分说明该研究领域在国际范围内的热度及重要性。
[0003]现在已经开发出了很多3D点云匹配方法，经过我们大量的检索与参考，发现现有的匹配方法有如公开号为US20170046845A1，JP2016161569A和KR1020130037996A所公开的方法，包括如下步骤：计算相机的内参矩阵及畸变参数以及该图像的旋转矩阵；根据预设的相邻图像的重叠宽度及每一幅图像的宽度计算相机采集图像时每次的移动间隔，并据此采集图像序列；对图像序列中的每一幅图像进行校正和旋转；计算图像序列中各相邻图像间的平移矩阵，并据此对各图像进行平移，平移后保存平移参数，形成配置文件；根据配置文件及预设重叠宽度对图像序列中的各图像进行拼接及融合，形成整幅图像。但该方法在复杂的视觉场景中受图像中噪音、杂波的影响较大，不能建立完美的3D点云模型。

技术实现思路

[0004]本专利技术的目的在于，针对在所存在的不足，提出了一种能在复杂视觉场景中建立良好3D点云并进行匹配的方法，
[0005]为了克服现有技术的不足，本专利技术采用如下技术方案：
[0006]一种复杂3D点云的优化匹配方法，包括以下步骤：
[0007]步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；
[0008]步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；
[0009]步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；
[0010]步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；
[0011]进一步的，所述步骤一中计算描述向量至的方法为：
[0012]以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；
[0013]进一步的，计算x点在所述圆柱坐标系中的坐标公式为：
[0014][0015]其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，
[0016]x点的描述向量计算公式为：
[0017][0018]其中，R为尺度值；
[0019]进一步的，所述步骤二中样本训练集通过如下方式获取：
[0020]以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；
[0021]进一步的，所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；
[0022]进一步的，所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；
[0023]进一步的，所述稀疏主成分分析的公式为：
[0024]α＝arg min(||y-Bα||2+λ||α||0)；
[0025]进一步的，所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点。
[0026]本专利技术所取得的有益效果是：
[0027]本专利技术采用稀疏主成分分析方法，能有效的去除图像中的噪音和杂波，减小3D模型建立时的误差；
[0028]本专利技术利用轮廓提取的方法来提取特征状态，增强了后续匹配中的鲁棒性；
[0029]本专利技术使用对偶分解的方式，解决了图像中存在多个相似物体时的匹配困难的问题。
附图说明
[0030]从以下结合附图的描述可以进一步理解本专利技术。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
[0031]图1为本专利技术的3D点云匹配流程示意图。
[0032]图2为本专利技术的兔子点云及随机选取关键点示意图。
[0033]图3为本专利技术的关键点的空间几何相关结构示意图。
[0034]图4为本专利技术的不同尺度值计算的关键点描述向量汇总示意图。
[0035]图5为本专利技术的一个防浪块匹配示意图。
[0036]图6为本专利技术的一对防浪块匹配示意图。
[0037]图7为本专利技术的匹配示例示意图。
具体实施方式
[0038]为了使得本专利技术的目的.技术方案及优点更加清楚明白，以下结合其实施例，对本专利技术进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统.方法.特征和优点都包括在本说明书内.包括在本专利技术的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
[0039]本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位，以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0040]实施例一。
[0041]一种复杂3D点云的优化匹配方法，包括以下步骤：
[0042]步骤一：通过计算不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂3D点云的优化匹配方法，其特征在于包括以下步骤：步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果。2.如权利要求1所述的一种复杂3D点云的优化匹配方法，所述步骤一中计算描述向量值的方法为：以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量。3.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，在关键点附近取一顶点x，计算点x在所述圆柱坐标系中的坐标公式为：，其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，x点的描述向量计算公式为：，其中，R为尺度值。4.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，所述步骤二中样本训练集通过如下方式获取：以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列...

【专利技术属性】
技术研发人员：李珊珊，苏振华，张乐冰，向成，李翔，
申请(专利权)人：怀化学院，
类型：发明
国别省市：