基于多尺度特征提取的三维点云实时云匹配方法及装置制造方法及图纸

本发明专利技术实施例中提供了一种基于多尺度特征提取的三维点云实时云匹配方法、装置及电子设备，属于人工智能技术领域，该方法包括：对点云进行特征点提取，以获得电云数据对应的特征点集；使用多尺度Harris角对特征点集中的数据进行特征计算，获得图像中物体边界的特征点；当邻域中的点数为k＝1时，在搜索点和邻域点之间建立一对一的映射关系，以确保搜索到的邻域点是搜索点和邻域点集之间距离最小的点；在KDtree中添加拉格朗日松弛来加速点云匹配的操作。采用本方案，提高了点云匹配的计算速度。提高了点云匹配的计算速度。提高了点云匹配的计算速度。

【技术实现步骤摘要】
基于多尺度特征提取的三维点云实时云匹配方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于多尺度特征提取的三维点云实时云匹配方法、装置及电子设备。

技术介绍

[0002]三维物体形状匹配广泛应用于虚拟现实、逆向工程、机器人、医学图像匹配和工业建模等领域，是计算机图形学的一个重要研究课题。三维形状匹配的关键是表面匹配。由于单一模式的图像通常不能提供足够的信息，因此通常会融合不同模式的图像。为了融合不同模态图像中的信息，必须首先进行图像配准。目标表面的完整信息往往需要通过多角度和多次扫描来获得，这导致了在不同坐标下获得的点云数据，因此有必要对从不同角度和批次获得的点云中进行配准。点云配准的本质是解决从点云到目标点云的刚性变换关系。
[0003]随着计算机硬件和其他相关设备的发展，硬件加速在计算加速中得到了广泛的应用。最简单和常用的方法是GPU(图形处理单元)。与普通CPU相比，该方法增加了流水线的深度，提高了工作时钟频率。图像处理中存在许多数字信号处理问题，因此DSP(数字信号处理器)得到了广泛的应用。DSP中使用了大量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征提取的三维点云实时云匹配方法，其特征在于，包括：对点云进行特征点提取，以获得电云数据对应的特征点集；使用多尺度Harris角对特征点集中的数据进行特征计算，获得图像中物体边界的特征点；当邻域中的点数为k＝1时，在搜索点和邻域点之间建立一对一的映射关系，以确保搜索到的邻域点是搜索点和邻域点集之间距离最小的点；在KDtree中添加拉格朗日松弛来加速点云匹配的操作。2.根据权利要求1所述的方法，其特征在于，所述对点云进行特征点提取，以获得电云数据对应的特征点集，包括：点云中一个点的K
‑
邻域中的点P
i
之间的平均距离，即特征距离g
i
，被定义为判断该点P
i
是否为特征点的基础，计算公式为：其中，d
ij
表示从邻域中的点P
i
到切平面的距离P
i
，g
i
是从邻域中的点P
i
到切平面的平均距离P
i
。3.根据权利要求2所述的方法，其特征在于，所述使用多尺度Harris角对特征点集中的数据进行特征计算，包括：将2D高斯函数G(x,y,σ)与图像函数I(x,y)卷积以获得高斯尺度的图像：选择具有不同权重的高斯模板来代替高斯函数；对于响应值的计算，引入改进的Harris角响应函数，得到了改进的位置空间响应，如下所示：其中：4.根据权利要求3所述的方法，其特征在于，所述使用多尺度Harris角对特征点集中的数据进行特征计算，还包括：在获得每个点的多尺度特征权重后，选择一个特定的阈值，将特征权重与选择的阈值进行比较；丢弃特征权重低于特定阈值ω
min
的所有点，权重小于ω
min
的点将被丢弃，权重为的点ω
i
>ω
min
将放置在要素节点Q集中，Q中的点构成了样本曲面的特征点集，用于作为后续匹配过程的基点集。5.根据权利要求4所述的方法，其特征在于，所述在KDtree中添加拉格朗日松弛来加速点云匹配的操作，还包括：建立优化问题P：Z
P
＝minf(x)s.t g
j
≤0
ꢀꢀ
...

【专利技术属性】
技术研发人员：李珊珊，米贤武，向少华，
申请(专利权)人：怀化学院，
类型：发明
国别省市：