一种多视角三维点云配准方法及装置制造方法及图纸

本发明专利技术公开了一种多视角三维点云配准方法，包括步骤1：获取多视角待配准点云并初始化算法；步骤2：利用K

【技术实现步骤摘要】
一种多视角三维点云配准方法及装置


[0001]本专利技术属于点云配准
，具体涉及一种多视角三维点云配准方法及装置。

技术介绍

[0002]点云配准旨在将多个点云正确配准到同一个坐标系下，形成更完整的点云，其主要被广泛应用于三维重建、参数评估、定位和姿态估计等领域，在自动驾驶、机器人和增强现实等新兴应用上也有点云配准技术的参与。
[0003]根据待配准点云的数量不同，点云配准问题可分为成对点云配准和多视角点云配准两大类。目前成对点云配准研究较为广泛，通常采用迭代最近点(Iterative Closest Point，ICP)算法或其优化变体算法进行点云配准。对于不存在外点的完全对应的两个点云数据，ICP算法具有较高的成对点云配准精确。多视角点云配准通常采用交替配准并合并两个点云，直到所有点云集合都配准合并到同一个模型中。该方法的缺陷在于配准过程易陷入局部极值，从而导致配准精度较低。Bergevin等人提出了利用某点云和其他点云间对应关系来估计该点云的刚性变换，但该方法需要建立每个点云和其他点云之间的对应关系，配准过程十分耗时，从而影响了其实用性。
[0004]此外，随着待配准点云数量的增加，现有的配准方法性能显著下降，难以适用于多视角三维点云配准问题；且由于采集角度的多变和采集环境复杂等原因，所采集的多视角点云会不可避免地包含外点，而现有的多视角点云配准方法多数未考虑外点对多视角配准精度的影响，从而导致其多视角点云配准精度较低。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种多视角三维点云配准方法及装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种多视角三维点云配准方法，包括：
[0007]步骤1：获取多视角待配准点云并初始化算法；
[0008]步骤2：利用K
‑
means聚类算法对所述多视角待配准点云进行聚类，并更新每个簇的质心，以获得形状点云；
[0009]步骤3：建立所述待配准点云和所述形状点云之间基于KMPE损失函数的多视角点云配准优化模型；
[0010]步骤4：基于LM算法对所述多视角点云配准优化模型进行求解，以获得各视角下待配准点云与形状点云的最优刚体变换；
[0011]步骤5：重复步骤2
‑
步骤4，直至达到最大迭代次数，并输出最优刚体变换作为配准结果。
[0012]在本专利技术的一个实施例中，步骤1包括：
[0013]设N个不同视角的含有外点的待配准点云为P＝{P1,P2,L,P
N
}，其中第i个视角点云为各视角点云的总点数为
[0014]给定各个点云的初始刚性变换最大迭代次数Q、以及K
‑
means聚类算法的簇数K，并令当前迭代次数q＝1；其中，和分别表示第i个视角点云的初始旋转矩阵和初始平移向量；
[0015]按照对所有待配准点云P＝{P1,P2,L,P
N
}进行配准，并在配准的点云中随机选择K个点作为聚类的初始质心，记为
[0016]在本专利技术的一个实施例中，步骤2包括：
[0017]将所有待配准点云P＝{P1,P2,L,P
N
}中的三维点分配到K个簇中，其表达式为：
[0018][0019]其中，表示点p
i,j
在第q次迭代过程中的簇号，和分别表示第i个视角点云在第q
‑
1次迭代过程中的旋转矩阵和平移向量，表示第q
‑
1次迭代过程中的第k个簇的质心；
[0020]按照下式更新K个簇的质心
[0021][0022]将更新后的K个簇的质心所组成的点云数据作为形状点云，记为
[0023]在本专利技术的一个实施例中，步骤3包括：
[0024]通过引入对外点鲁棒的KMPE损失函数，建立基于KMPE损失函数的多视角点云配准优化模型，以将多视角点云配准问题转化为非线性优化模型的最小优化问题；其中，所述多视角点云配准优化模型表示为：
[0025][0026]其中，表示第i个视角点云第q次迭代的最优刚体变换，表示在第q次迭代过程中簇号为的簇的质心，σ表示高斯核带宽，p表示幂参数。
[0027]在本专利技术的一个实施例中，步骤4包括：
[0028]将第q
‑
1次迭代的最优刚体变换作为LM算法的初值，利用LM算法对所述多视角点云配准优化模型进行优化求解，以获得第q次迭代后的最优刚体变换
[0029]第二方面，本专利技术提供了一种多视角三维点云配准装置，包括：
[0030]初始化模块，用于获取多视角待配准点云并初始化算法；
[0031]聚类模块，用于利用K
‑
means聚类算法对所述多视角待配准点云进行聚类，并更新每个簇的质心，以获得形状点云；
[0032]模型构建模块，用于建立所述待配准点云和所述形状点云之间基于KMPE损失函数
的多视角点云配准优化模型；
[0033]计算模块，用于基于LM算法对所述多视角点云配准优化模型进行求解，以获得各视角下待配准点云与形状点云的最优刚体变换；
[0034]输出模块，用于输出最优刚体变换作为配准结果。
[0035]本专利技术的有益效果：
[0036]本专利技术提供的多视角三维点云配准方法将聚类算法和刚体变换估计交替迭代应用于多视角点云配准，建立了一种鲁棒的多视角点云配准优化模型，从而将多视角点云配准问题转化为优化模型的最小优化问题；针对含有外点的多视角三维点云，该方法能够有效抑制外点对配准结果的影响，提升多视角点云配准的精度，且配准过程迅速，实用性较高。
[0037]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0038]图1是本专利技术实施例提供的多视角三维点云配准方法的流程示意图；
[0039]图2是本专利技术实施例提供的多视角三维点云配准方法的另一种流程示意图；
[0040]图3是本专利技术实施例提供的多视角三维点云配准装置的结构示意图。
具体实施方式
[0041]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0042]实施例一
[0043]本专利技术针对含有外点的多视角点云配准问题，提出了一种基于KMPE(Kernel mean p
‑
power error，核均值p次幂)的鲁棒多视角点云配准方法。多视角点云配准的目的是获得不同视角下点云之间的最优刚体变换，通常可将其划分为多个成对点云配准问题。本专利技术利用K
‑
means算法对三维点云进行聚类，将聚类的质心作为多视角点云配准的模型点云；再将每个点云依次与该模型点云进行刚体配准，即引入对外点鲁棒的KMPE损失函数构建鲁棒刚体变换优化模型，采用Levenberg
‑
Marquardt(LM)算法对该优化模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多视角三维点云配准方法，其特征在于，包括：步骤1：获取多视角待配准点云并初始化算法；步骤2：利用K
‑
means聚类算法对所述多视角待配准点云进行聚类，并更新每个簇的质心，以获得形状点云；步骤3：建立所述待配准点云和所述形状点云之间基于KMPE损失函数的多视角点云配准优化模型；步骤4：基于LM算法对所述多视角点云配准优化模型进行求解，以获得各视角下待配准点云与形状点云的最优刚体变换；步骤5：重复步骤2
‑
步骤4，直至达到最大迭代次数，并输出最优刚体变换作为配准结果。2.根据权利要求1所述的多视角三维点云配准方法，其特征在于，步骤1包括：设N个不同视角的含有外点的待配准点云为P＝{P1,P2,L,P
N
}，其中第i个视角点云为各视角点云的总点数为给定各个点云的初始刚性变换最大迭代次数Q、以及K
‑
means聚类算法的簇数K，并令当前迭代次数q＝1；其中，和分别表示第i个视角点云的初始旋转矩阵和初始平移向量；按照对所有待配准点云P＝{P1,P2,L,P
N
}进行配准，并在配准的点云中随机选择K个点作为聚类的初始质心，记为3.根据权利要求2所述的多视角三维点云配准方法，其特征在于，步骤2包括：将所有待配准点云P＝{P1,P2,L,P
N
}中的三维点分配到K个簇中，其表达式为：其中，表示点p
i,j
在第q次迭代过程中的簇号，和分别表示第i个视角点云在第q
‑
...

【专利技术属性】
技术研发人员：张万绪，任璐，张哲，邓号，辛雨菲，茹嘉伟，汪霖，刘成，
申请(专利权)人：西北大学，
类型：发明
国别省市：