基于几何与纹理映射的异源点云粗匹配方法组成比例

本发明专利技术公开了基于几何与纹理映射的异源点云粗匹配方法，包括以下步骤，S1：根据源点云和模型点云生成点云映射影像；S2：使用RGB通道映射影像提取特征点；S3：基于点云RGB、法向量Dip分量、粗糙度与曲率属性映射的多通道影像，生成融合点云几何与RGB属性的特征描述子；S4：点云映射影像特征点匹配；S5：根据3D

【技术实现步骤摘要】
基于几何与纹理映射的异源点云粗匹配方法


[0001]本专利技术涉及三维点云处理
，尤其涉及基于几何与纹理映射的异源点云粗匹配方法。

技术介绍

[0002]三维点云作为地理信息的重要数据源，被广泛应用于精细建模与空间分析中，在地籍勘查、环境保护、城市规划、应急救灾等领域发挥着十分重要的作用。由于每种类型的点云都有各自的优缺点，且单一点云的采集角度有限，易产生由地物遮挡导致的点云缺失，所以融合异源点云可以更好地服务于后续的精细建模与分析。点云融合的基础是点云匹配，匹配的质量直接关系着融合点云的应用效果，异源点云的匹配一直是相关领域的研究难点，也是影响异源点云融合的瓶颈问题。
[0003]三维点云的匹配一般基于三维点云的局部或整体特征进行匹配，但直接基于三维点的匹配计算开销大、内存占用高、计算效率较低，因此很多学者使用成熟的图像匹配算法完成点云所对应影像的配准，并基于图像与点云的映射关系最终完成点云之间的匹配，此种方法所用影像可以为点云强度、深度与RGB纹理等属性的映射图像，或在摄影测量前方交会中空间点对应的像点所在图像。基于映射影像的点云匹配算法，匹配效率高，并且可以处理具有相似变换关系的点云匹配。但是该方法要求点云之间的纹理相似较高，而由于异源点云获取的方式、获取的角度、获取的时间不同，必然会带来点云映射影像的分辨率、角度/尺度，以及纹理的差异性，降低了映射影像间的相似性，从而降低了此类算法在异源点云中的匹配效果。

技术实现思路

[0004]针对上述存在的问题，本专利技术旨在提供一种基于几何与纹理映射的异源点云粗匹配方法，通过融合几何与纹理的特征描述子，以克服现有的基于映射影像的点云匹配方法在异源点云映射影像纹理相似性较低时无法完成点云匹配的问题。
[0005]为了实现上述目的，本专利技术所采用的技术方案如下：
[0006]基于几何与纹理映射的异源点云粗匹配方法，其特征在于，包括以下步骤，
[0007]S1：根据源点云和模型点云生成点云映射影像；
[0008]S2：使用RGB通道映射影像提取特征点；
[0009]S3：基于点云RGB、法向量Dip分量、粗糙度与曲率属性映射的多通道影像，生成融合点云几何与RGB属性的特征描述子；
[0010]S4：点云映射影像特征点匹配；
[0011]S5：根据3D
‑
2D的映射关系获取对应的三维匹配点，完成点云的粗匹配。
[0012]进一步的，步骤S1的具体操作包括以下步骤，
[0013]S101：建立点云的有向包围盒；
[0014]S102：对有向包围盒进行正方体体素分割；
[0015]S103：基于体素进行点云映射获取点云的多通道影像。
[0016]进一步的，步骤S2的具体操作包括以下步骤，
[0017]S201：基于GPS辅助获取影像的粗略重叠区域；
[0018]S202：提取兴趣纹理区域的影像；
[0019]S203：生成兴趣纹理区域的梯度增强影像；
[0020]S204：基于尺度空间建立Harris与SIFT的特征点集。
[0021]进一步的，步骤S202中使用Grab Cut算法与图像掩膜Mask进行兴趣纹理区域提取。
[0022]进一步的，步骤S203的具体操作包括以下步骤，
[0023]S2031：使用canny算子获取兴趣纹理区域的梯度影像；
[0024]S2032：将梯度影像图像与原始图像进行叠加，得到梯度增强影像；
[0025]假设梯度影像图像的像素值为{H
i
}，原始图像的像素值为{J
i
}，梯度增强影像的像素值为{P
i
}，则}，则式中，H
max
与H
min
分别为像素{H
i
}中的最大值和最小值；max{Pix
i
}和min{Pix
i
}分别为{Pix
i
}中的最大值和最小值。
[0026]进一步的，步骤S204的具体操作包括以下步骤，
[0027]S2041：使用高斯卷积核G(x，y，σ
i
)建立高斯尺度空间，计算不同尺度下的M矩阵，其中，A(σ
i
)＝G(x，y，σ
i
)*(I
x
)2，B(σ
i
)＝G(x，y，σ
i
)*(I
y
)2，C(σ
i
)＝G(x，y，σ
i
(I
x
·
I
y
)2，式中，I
x
与I
y
分别表示图像在x和y轴方向上的一阶偏导数，*代表卷积操作；在此基础上，计算梯度增强影像的角点相应的R(σ
i
)，R(σ
i
)＝det(M(σ
i
))
‑
τ
·
tr2(M(σ
i
))，式中，τ∈[0.04
‑
0.06]为权重系数；
[0028]S2042：在每一个尺度里，使用非最大值抑制获取相应R(σ
i
)，当R(σ
i
)大于阈值，且在给定邻域范围内是最大值时，将对应的此点作为备选Harris角点；
[0029]S2043：在尺度空间沿从小到大的尺度方向过滤备选Harris角点，若一个备选Harris角点在尺度空间中连续存在，则此角点为Harris特征点，累积所有尺度空间的Harris特征点作为最终的Harris特征点集；
[0030]S2044：在相同的尺度空间内，对梯度增强影像图像提取SIFT特征点。
[0031]进一步的，步骤S3的具体操作包括以下步骤，
[0032]S301：使用与步骤S2中特征点提取时相同的高斯卷积核函数建立点云映射多通道影像的尺度空间，所述多通道影像包括RGB通道、Dip通道、曲率通道、粗糙度通道；
[0033]S302：统计兴趣纹理区域梯度增强影像的RGB通道特征点邻域的梯度分布，建立特征点的基准方向，确定每个通道影像图像的区域；
[0034]S303：将步骤S302中确定的各通道影像图像区域，根据特征点基准方向进行坐标轴旋转，旋转后邻域内采样点的新坐标为
[0035]S304：特征点邻域旋转后，邻域的子区域内各个像素的梯度分配到8个统计方向
上，计算权值进行柱状图统计；
[0036]S305：计算128维融合点云几何与RGB属性的特征描述子。
[0037]进一步的，步骤S302的具体操作包括以下步骤，
[0038]S3021：在特征点对应的尺度图像中搜索3σ邻域范围内的像素的梯度幅值与方向，3σ＝3
×
1.5
×
σ
oct
，式中，σ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于几何与纹理映射的异源点云粗匹配方法，其特征在于，包括以下步骤，S1：根据源点云和模型点云生成点云映射影像；S2：使用RGB通道映射影像提取特征点；S3：基于点云RGB、法向量Dip分量、粗糙度与曲率属性映射的多通道影像，生成融合点云几何与RGB属性的特征描述子；S4：点云映射影像特征点匹配；S5：根据3D
‑
2D的映射关系获取对应的三维匹配点，完成点云的粗匹配。2.根据权利要求1所述的基于几何与纹理映射的异源点云粗匹配方法，其特征在于，步骤S1的具体操作包括以下步骤，S101：建立点云的有向包围盒；S102：对有向包围盒进行正方体体素分割；S103：基于体素进行点云映射获取点云的多通道影像。3.根据权利要求2所述的基于几何与纹理映射的异源点云粗匹配方法，其特征在于，步骤S2的具体操作包括以下步骤，S201：基于GPS辅助获取影像的粗略重叠区域；S202：提取兴趣纹理区域的影像；S203：生成兴趣纹理区域的梯度增强影像；S204：基于尺度空间建立Harris与SIFT的特征点集。4.根据权利要求3所述的基于几何与纹理映射的异源点云粗匹配方法，其特征在于，步骤S202中使用Grab Cut算法与图像掩膜Mask进行兴趣纹理区域提取。5.根据权利要求4所述的基于几何与纹理映射的异源点云粗匹配方法，其特征在于，步骤S203的具体操作包括以下步骤，S2031：使用canny算子获取兴趣纹理区域的梯度影像；S2032：将梯度影像图像与原始图像进行叠加，得到梯度增强影像；假设梯度影像图像的像素值为{H
i
}，原始图像的像素值为{J
i
}，梯度增强影像的像素值为{P
i
}，则}，则式中，H
max
与H
min
分别为像素{H
i
}中的最大值和最小值；max{Pix
i
}和min{Pix
i
}分别为{Pix
i
}中的最大值和最小值。6.根据权利要求5所述的基于几何与纹理映射的异源点云粗匹配方法，其特征在于，步骤S204的具体操作包括以下步骤，S2041：使用高斯卷积核G(x，y，σ
i
)建立高斯尺度空间，计算不同尺度下的M矩阵，其中，A(σ
i
)＝G(x，y，σ
i
)*(I
x
)2，B(σ
i
)＝G(x，y，σ
i
)*(I
y
)2，C(σ
i
)＝G(x，y，σ
i
)*(I
x
·
I
y
)2，式中，I
x
与I
y
分别表示图像在x和y轴方向上的一阶偏导数，*代表卷积操作；在此基础上，计算梯度增强影像的角点相应的R(σ
i
)，R(σ
i
)＝det(M(σ
i
))
‑
τ
·
tr2(M(σ
i
))，式中，τ∈[0.04
‑
0.06]为权重系数；S2042：在每一个尺度里，使用非最大值抑制获取相应R(σ
...

【专利技术属性】
技术研发人员：刘磊，孙光德，王珏，王帅，彭思卿，贾雨童，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：