一种基于主成分分析的平面点云匹配方法及装置制造方法及图纸

本申请公开了一种基于主成分分析的平面点云匹配方法及装置，所述方法包括：对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。所述装置包括：主成分分析模块、初始配准模块和卷积神经网络模块。本申请对大数据量的点云数据的配准处理能力较强，算法时间和空间复杂度可控。利用利用了PCA的特征提取以及CNN的模式匹配，实现了高效、高分辨率的点云学习。

【技术实现步骤摘要】
一种基于主成分分析的平面点云匹配方法及装置
本申请涉及计算机数据处理
，特别是涉及基于主成分分析的平面点云匹配方法及装置。
技术介绍
在计算机视觉和SLAM(SimultaneousLocalizationandMapping，同步定位与地图构建)等领域中，由于深度相机采集的点云数据存在不完整、旋转平移错位等情况，要得到完整的三维点云，就需要对局部点云进行配准，将各个视角得到的点集合并到统一的坐标系下形成完整的三维点云数据的配准就一直是研究的热点，已经成为包括物体位姿估计、场景三维重建和视觉SLAM在内的许多应用的首要任务。现有的点云几何特征配准的方法有:1)基于构建几何特性的直方图，如基于快速点特征直方图(FPFH)的计算方法通过多维直方图来描述查询点与邻域点之间的空间差异；2)基于距离度量的ICP(IterativeClosestPoint,迭代最近点算法)，通过最小二乘的方法重复选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。该方法对角度和尺度变化较大的待匹配点云容易产生错误的对应点，或陷入局部最优而导致配准失败。此外，还有基于几何形状的配准算法，如4PCS(4-PointsCongruentSets，点云粗配准方法)通过查找两个点集上全等且共面的四边形建立对应关系，但对于重叠区域较小的点集，通常难以找到对应关系。基于4PCS方法的Super4PCS算法改善了这一问题，但其时间复杂度远高于同类算法。以上算法对场景简单的点云数据的配准能得到较好的效果；但在实际应用场景中，如SLAM应对帧间配准解决环闭合问题时，从深度相机获取的点云数据往往存在只有部分局部点云重合、旋转平移变换角度大等情况，这些算法往往难以取得较为理想的效果。
技术实现思路
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。根据本申请的一个方面，提供了一种基于主成分分析的平面点云匹配方法，包括：对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。优选地，所述的方法，还包括：当所述两个特征点云被正确匹配时，继续进行所述两个特征点云的相似度计算；当所述两个特征点云未被正确匹配时，输出匹配结果：所述两个特征点云不相似。优选地，使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准包括：对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵；对所述特征向量矩阵进行矩阵变换将所述两个特征点云的主方向进行配准。优选地，对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵包括：分别计算源点云X和目标点云Y的质心坐标，表示为xmean和ymean；分别计算源点云X和目标点云Y的协方差矩阵，表示为Xcovar和Ycovar；分别对获得的两个协方差矩阵进行特征值分解，得到对应的两个特征向量矩阵，表示为Xeigen和Yeigen，其中，X＝{xi∈R3|i＝1，2…，M}，Y＝{yj∈R3|j＝1，2，…，N}。优选地，对所述特征向量矩阵进行矩阵变换包括：根据获得的特征向量矩阵按照计算旋转矩阵R；根据获得的旋转矩阵R按照T＝ymean-R*xmean计算平移矩阵T；根据所述旋转矩阵R和平移矩阵T按照Xinit＝R*X+T对源点云执行计算。优选地，截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果包括：将经过计算的点云Xinit与目标点云Y作为CNN神经网络的输入；利用CNN神经网络分别得到源点云X和目标点云Y的特征图；用余弦相似度算法计算源点云X和目标点云Y的特征图之间的相似度。优选地，用余弦相似度算法计算源点云X和目标点云Y的特征图之间的相似度包括：当计算得到的余弦相似度小于预设的阀值则认为相似，否则不相似。另一方面，本专利技术还提供一种基于主成分分析的平面点云匹配装置，包括：主成分分析模块，设置为对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；初始配准模块，设置为使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；卷积神经网络模块，设置为截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。优选地，所述的装置，还包括：判断模块，设置为当所述两个特征点云被正确匹配时，继续进行所述两个特征点云的相似度计算；当所述两个特征点云未被正确匹配时，输出不相似匹配结果。优选地，所述初始配准模块使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准包括：对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵；对所述特征向量矩阵进行矩阵变换将所述两个特征点云的主方向进行配准。本申请的基于主成分分析的平面点云匹配方法及装置可以解决过于依赖数据采集的质量精度的问题。本申请对大数据量的点云数据的配准处理能力较强，算法时间和空间复杂度可控。利用利用了PCA的特征提取以及CNN的模式匹配，实现了高效、高分辨率的点云学习。根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。附图说明后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1是根据本申请一个实施例的基于主成分分析的平面点云匹配方法的示意性流程图；图2是根据本申请一个实施例的基于主成分分析的平面点云匹配装置的结构示意图；图3是根据本申请一个实施例的基于主成分分析的平面点云匹配装置的另一结构示意图；图4是根据本申请实施例的第一种计算机可读存储介质的示意性结构框图；图5是根据本申请实施例的第二种计算机可读存储介质的示意性结构框图。具体实施方式图1是根据本申请一个实施例的基于主成分分析的平面点云匹配方法，一般性的可以包括步骤S101至步骤S103：S101、对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；S102、使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；S103、截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。本专利技术实施例中，所述的方法，还包括：当所述两个特征点云被正确匹配时，继续进行所述两个特征点云的相似度计算；当所述两本文档来自技高网...

【技术保护点】
1.一种基于主成分分析的平面点云匹配方法，包括：/n对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；/n使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；/n截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。/n

【技术特征摘要】
1.一种基于主成分分析的平面点云匹配方法，包括：
对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；
使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；
截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。


2.根据权利要求1所述的方法，其特征在于，还包括：
当所述两个特征点云被正确匹配时，继续进行所述两个特征点云的相似度计算；
当所述两个特征点云未被正确匹配时，输出匹配结果：所述两个特征点云不相似。


3.根据权利要求1或2所述的方法，其特征在于，使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准包括：
对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵；
对所述特征向量矩阵进行矩阵变换将所述两个特征点云的主方向进行配准。


4.根据权利要求3所述的方法，其特征在于，对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵包括：
分别计算源点云X和目标点云Y的质心坐标，表示为xmean和ymean；
分别计算源点云X和目标点云Y的协方差矩阵，表示为Xcovar和Ycovar；
分别对获得的两个协方差矩阵进行特征值分解，得到对应的两个特征向量矩阵，表示为Xeigen和Yeigen，
其中，X＝{xi∈R3|i＝1，2，…，M}，Y＝{yj∈R3|j＝1，2，…，N}。


5.根据权利要求4所述的方法，其特征在于，对所述特征向量矩阵进行矩阵变换包括：
根据获得的特征向量矩阵按照计算旋转矩阵R；
根据获得的旋转矩阵R按照T＝ymean-R*xmean计算平移矩阵T；

【专利技术属性】
技术研发人员：吉长江，
申请(专利权)人：北京影谱科技股份有限公司，
类型：发明
国别省市：北京;11