一种基于改进FPFH-ICP的点云配准方法技术

本发明专利技术涉及一种基于改进FPFH

【技术实现步骤摘要】
一种基于改进FPFH
‑
ICP的点云配准方法


[0001]本专利技术属于三维配准领域，具体涉及一种基于改进FPFH
‑
ICP的点云配准方法。

技术介绍

[0002]近年来，随着三维激光扫描技术、视觉捕捉技术的迅速发展，显著降低了三维点云数据的获取难度。与二维数据相比，三维点云蕴含更加丰富的几何信息，可以更准确地描述目标物体的信息，被广泛应用在三维重建、逆向工程和工业制造等领域。
[0003]但在点云数据的实际获取过程中，由于受到采集角度、采集距离、物体遮挡等因素的影响，无法一次性得到需要的完整点云数据，通常来说，需要多角度、多批次采集才能获取物体完整的表面信息。因此需要确定一个恰当的旋转矩阵和平移矩阵，以便将多个视角采集到的数据统一转换到同一个坐标系中，即点云数据的配准。
[0004]点云配准的本质就是寻找一个最优的变换矩阵，使得两组不同坐标系的点云经过矩阵变换后能够尽可能的匹配。点云配准过程一般分可为粗配准和精配准两个步骤，其中粗配准是指在目标点云与参考点云的相对位姿完全未知的情况下，通过快速找到一个近似变换阵，使两个点云配准到大致正确的位置上。粗配准方法一般都是通过局部特征描述子相似来实现，其抗尺度变化和鲁棒性较强。但也存在一些问题，例如，对于一些邻近的点，会出现多个特征点与一个采样点特征相似的情况，此时会导致误匹配，对后续的求解变换矩阵造成很大的负面影响。
[0005]点云精配准是指在粗配准的基础上进行配准，得到一个更加精确的变换矩阵，使得两组点云尽可能的重合。目前，点云精配准使用最为广泛的是迭代最近点(Iterative ClosestPoint,ICP)算法，该算法简单、易于实现，求解精度较高。但ICP对原始点云和目标点云的初始位姿较为敏感，容易陷入局部最优解，且计算量大、计算速度较慢。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于改进FPFH
‑
ICP的点云配准方法，缩短了ICP阶段的耗时，提高了配准的精度和速度，取得了较好的配准结果。
[0007]为实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于改进FPFH
‑
ICP的点云配准方法，包括以下步骤：
[0009]步骤S1:通过体素滤波对待配准的两片点云进行下采样，得到模板点云P和目标点云Q；
[0010]步骤S2:通过ISS3D算法对下采样后的点云提取关键点，并引入点云重心对关键点加以约束，剔除错误点对，得到关键点集P
key
和关键点集Q
key
；
[0011]步骤S3:使用改进FPFH算法分别关键点集P
key
和关键点集Q
key
中的关键点构建特征描述子FPFH
Pi
和FPFH
Qi
；
[0012]步骤S4:通过SCA
‑
IA算法，初步估计出两帧点云的位姿关系，获得粗匹配姿态变换矩阵，并根据该矩阵获取粗配准点云；
[0013]步骤S5:通过使用改进的ICP算法，优化两帧点云数据的匹配效果，获取精确的姿态变换矩阵；
[0014]步骤S6:利用精确的姿态变换矩阵,将粗配准点云转换为目标点云的坐标系下，完成精配准。
[0015]进一步的，所述通过ISS3D算法对下采样后的点云提取关键点，具体为：
[0016]对点云P中每一个点P
a
建立局部坐标系，并对设定邻域半径r
p
；
[0017]根据式(1)计算关键点P
a
与邻域内各点的欧式距离，并设定权值w
ab
；
[0018][0019]根据式(2)计算每个关键点P
a
与邻域内所有点的协方差矩阵cov(p
a
)；
[0020][0021]根据式(2)得到cov(p
a
)的所有特征值{λ
a1
,λ
a2
,λ
a3
}，其中λ
a1
＞λ
a2
＞λ
a3
；
[0022]设定阈值ε
a
和ε
b
，若其满足式(3)即为ISS关键点
[0023][0024]进一步的，所述引入点云重心对关键点加以约束，剔除错误点对，具体为：
[0025]对选取的每个关键点P
i
、Q
i
，计算各关键点邻域空间重心，得到C
Pi
和C
Qi
，其计算公式如式(4)所示：
[0026][0027]其中，a表示关键点，k表示邻域点的数量；
[0028]对目标点云中的任意关键点Q
i
，在模板点云中关键点其寻找对应点，若P
i
为对应点，满足如下条件：
[0029][0030]其中，ε为设定阈值；
[0031]若对应点对{P
i
,Q
i
}不满足上述条件，则剔除该关键点对；
[0032]通过上述步骤，得到关键点集P
key
和关键点集Q
key
。
[0033]进一步的，所述步骤S3具体为：
[0034]步骤S3.1：对关键点集P
key
和关键点集Q
key
中的每个关键点P
i
、Q
i
，计算各关键点与其k个邻域的特征关系，得到简化点特征直方图SPFH
Pi
和SPFH
Qi
；
[0035]步骤S3.2：将关键点的SPFH与加权的邻域点的SPFH进行统计，得到最终的FPFH
Pi
和FPFH
Qi
，其计算公式见式(6)：
[0036][0037]其中，P
i
表示关键点，P
j
为邻域点，k表示邻域点的数量，SPFH为简化的点特征直方
图，w
j
为权重系数，表示关键点与第j个邻域点的距离。
[0038]进一步的，所述步骤S4具体为：
[0039]步骤S4.1：从模板点云关键点集P
key
中选取n个采样点，选择的采样点两两之间距离大于设定的阈值，然后得到所选择的采样点的FPFH特征；
[0040]步骤S4.2：从目标点云关键点集Q
key
中查找与采样点有近似FPFH特征的关键点，将具有相似特征的关键点保存在一个集合中，并通过随机抽取的方式与采样点构造对应点对；
[0041]步骤S4.3：通过所构造的对应点对，计算模板点云P到目标点云Q之间的刚体变换矩阵，然后用该变换矩阵进行点云粗配准，通过Huber惩罚函数计算配准误差，记作其中H(e
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进FPFH
‑
ICP的点云配准方法，其特征在于，包括以下步骤：步骤S1:通过体素滤波对待配准的两片点云进行下采样，得到模板点云P和目标点云Q；步骤S2:通过ISS3D算法对下采样后的点云提取关键点，并引入点云重心对关键点加以约束，剔除错误点对，得到关键点集P
key
和关键点集Q
key
；步骤S3:使用改进FPFH算法分别关键点集P
key
和关键点集Q
key
中的关键点构建特征描述子FPFH
Pi
和FPFH
Qi
；步骤S4:通过SCA
‑
IA算法，初步估计出两片点云的位姿关系，获得粗匹配姿态变换矩阵，并根据该矩阵获取粗配准点云；步骤S5:通过使用改进的ICP算法，优化两帧点云数据的匹配效果，获取精确的姿态变换矩阵；步骤S6:利用精确的姿态变换矩阵,将粗配准点云转换为目标点云的坐标系下，完成精配准。2.根据权利要求1所述的一种基于改进FPFH
‑
ICP的点云配准方法，其特征在于，所述通过ISS3D算法对下采样后的点云提取关键点，具体为：对点云P中每一个点P
a
建立局部坐标系，并对设定邻域半径r
p
；根据式(1)计算关键点P
a
与邻域内各点的欧式距离，并设定权值w
ab
；根据式(2)计算每个关键点P
a
与邻域内所有点的协方差矩阵cov(p
a
)；根据式(2)得到cov(p
a
)的所有特征值{λ
a1
,λ
a2
,λ
a3
}，其中λ
a1
＞λ
a2
＞λ
a3
；设定阈值ε
a
和ε
b
，若其满足式(3)即为ISS关键点3.根据权利要求1所述的一种基于改进FPFH
‑
ICP的点云配准方法，其特征在于，所述引入点云重心对关键点加以约束，剔除错误点对，具体为：对选取的每个关键点P
i
、Q
i
，计算各关键点邻域空间重心，得到C
Pi
和C
Qi
，其计算公式如式(4)所示：其中，a表示关键点，k表示邻域点的数量；对目标点云中的任意关键点Q
i
，在模板点云中关键点其寻找对应点，若P
i
为对应点，满足如下条件：其中，ε为设定阈值；
若对应点对{P
i
,Q
i
}不满足上述条件，则剔除该关键点对；通过上述步骤，得到关键点集P
key
和关键点集Q
key
。4.根据权利要求1所述的一种基于改进FPFH
‑
ICP的点云配准方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：东辉，解振宁，孙浩，赖长兴，
申请(专利权)人：福州大学，
类型：发明
国别省市：