【技术实现步骤摘要】
本专利技术涉及点云配准领域，特别涉及一种基于特征金字塔的三维声纳点云配准方法及系统。
技术介绍
1、海底地形地貌是最重要的海洋环境参数之一,对于海洋资源勘探和开采具有重要的参考价值。当前海底地形的构建主要通过三维声纳获取到的水下的3d点云图像信息来实现。然而由于三维声纳传感器只能在其有限的视野范围内捕获扫描，获取到的三维单帧点云数据也是局部性的，因此单帧图像视野只能呈现出部分海底地形。为了获得全局的海底地形视图，需要将单帧的点云数据进行高效率，高精度的实时拼接，而实现拼接的一个重要步骤是要对多个单帧3d点云进行配准。点云配准是一个估计两点云之间变换矩阵的问题。利用变换矩阵，可以将对同一3d场景或物体的部分扫描数据合并为一个完整的3d点云。
2、经典的配准方法，如迭代最近点(iterative closest point,icp)方法及其变体(广义icp、go-icp等)在点云配准中已经使用了很长一段时间。对于一个点云中的每个点，icp首先在另一个点云中找到它最近的点。然后，利用点对应关系估计变换矩阵，使匹配点的三维坐标间的均方误差最小。在得到变换矩阵后，导致了一些点转换后的位置发生变化，一些最邻近点对也相应的发生了变化。icp此时继续寻找最邻近点，然后再次估计变换矩阵，此过程不断迭代，直到最近邻点不再发生变化。
3、文献(qi,c.r.,su,h.,mo,k.and guibas,l.j.,2017.pointnet:deep learningon point sets for 3d classifica
4、icp等经典的配准方法，在搜索对应点的过程中查找每一个点，因此计算量非常大，耗时较长，而且由于icp本质上是局部的，它只有在最优变换接近初始对准时才能很好地工作。
5、基于深度学习的提取特征方法能够得到较好的配准效果，但是深度学习的工作原理并不透明。此外，它们需要大量的计算资源(例如，即使使用gpu，训练时间也很长)。同时使用深度学习的方法需要大量的标签，用于建立数据集进行训练，在实际中获取这些标签是却并不容易，因此用深度学习的方法实现三维声纳点云数据是很困难的。
技术实现思路
1、本专利技术的目的在于提供一种三维声纳点云数据的快速准确配准方法，实现完整海底地形图的构建。首先通过多级提取特征和获得每个单帧点云数据局部到全局的层次特征。然后，根据特征计算特征点的特征距离矩阵。根据特征距离矩阵选择出一个对应良好的关键对应点子集来估计多帧点云数据之间的3d变换。最后将得到的3d变换应用到待配准的三维声纳点云数据上，对得到配准后的三维声纳点云数据进行拼接即可得到完整的海底地形图。
2、具体地，为达到上述目的，本专利技术通过下述技术方案实现。
3、本专利技术提出了一种基于特征金字塔的三维声纳点云配准方法，所述方法包括：
4、步骤1.对三维声纳点云数据中的待配准点云和目标点云分别进行特征金字塔计算，获得待配准点云的特征点和目标点云的特征点；
5、步骤2.对待配准点云的特征点和目标点云的特征点进行处理，获得关键对应点；
6、步骤3.根据关键对应点估计待配准点云的变换矩阵，使用变换矩阵完成对待配准点云的配准。
7、作为上述技术方案的改进之一，所述步骤1中，对待配准点云和目标点云分别进行特征金字塔计算，均包括以下步骤：
8、步骤1-1.找到每一个点云的k个最近邻点，并用主成分分析算法对k个最近邻点的三维坐标进行数据预处理，得到三个相互正交的特征向量；
9、步骤1-2.将特征向量按照特征值大小的递减顺序排序，得到三个局部特征向量p、q、r；
10、步骤1-3.通过向量p、q、r将k个最近邻点的三维空间划分为8以目标点为中心的区域；对于每个区域，计算区域内所有点的三维坐标的均值；
11、步骤1-4.将所有8个均值连接起来，得到一个24的向量，得到目标点云和待配准点云的第一层局部特征；
12、步骤1-5.将第一层局部特征利用saab算法计算出每一个特征点的能量值，并将能量值大于等于阈值t的特征点保留，将能量值小于阈值t的特征点丢弃；
13、步骤1-6.对于保留的特征点，按照步骤1-1～1-4进行处理，得到第二层局部特征，并按照步骤1-5，获得下一层的特征点；
14、步骤1-7.重复步骤1-6，依次计算出第三、四、…、m层局部特征，m为设定的提取特征的次数；第m层特征为每一个特征点的全局特征。(第m层特征经过层层提取，具有全局视野，即可视为每一个特征点的全局特征。)
15、作为上述技术方案的改进之一，所述步骤2，具体包括：
16、步骤2-1.对于获取的第p层待配准点云的特征点和第p层目标点云的特征点，p＝1,2,...,m，计算目标点云的第i个特征点和待配准点云的第j个特征点的距离eij；i＝1,2,…,m；m表示目标点云的特征点个数；j＝1,2,…,n；n表示待配准点云的特征点个数；并基于eij建立特征距离矩阵；
17、步骤2-2.找出特征距离矩阵中每一行中的最小值，得到一组对应点集合s1；
18、步骤2-3.找出特征距离矩阵中每一行中第二小的值，得到第二组对应点集合s2；
19、步骤2-4.将集合s2中的每一个元素除以集合s1中相同行的元素，得到集合s3；
20、步骤2-5.设置距离阈值t1和比值阈值t2，选择同时满足在集合s1中小于t1和在集合s3中的比值小于t2的特征点，得到关键对应点集s4。
21、作为上述技术方案的改进之一，所述特征距离矩阵的表达式为：
22、
23、作为上述技术方案的改进之一，所述步骤3，具体包括：
24、步骤3-1.根据关键对应点计算出旋转矩阵和最佳平移向量；
25、步骤3-2.根据旋转矩阵和最佳平移向量计算配准后的待配准点云g′。
26、作为上述技术方案的改进之一，所述g′的计算式为：
27、g′＝r*t(g-t*)
28、其中，r*表示旋转矩阵，t*表示最佳平移向量，g是待配准点云，r*t是r*的转置。
29、本专利技术还提出了一种基于特征金字塔的三维声纳点云配准系统，所述系统包括：
30、特征金字塔计算模块，用于对三维声纳点云数据中的待配准点云和目标点云分别进行特征金字塔计算，获得待配准点云的特征点和目标点云的特征点；
31、关键对本文档来自技高网...
【技术保护点】
1.一种基于特征金字塔的三维声纳点云配准方法，所述方法包括：
2.根据权利要求1所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤1中，对待配准点云和目标点云分别进行特征金字塔计算，均包括以下步骤：
3.根据权利要求2所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤2，具体包括：
4.根据权利要求3所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述特征距离矩阵的表达式为：
5.根据权利要求3所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤3，具体包括：
6.根据权利要求5所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述G′的计算式为：
7.一种基于特征金字塔的三维声纳点云配准系统，其特征在于，所述系统包括：
8.根据权利要求7所述的基于特征金字塔的三维声纳点云配准系统，其特征在于，所述特征金字塔计算模块中，对待配准点云和目标点云分别进行特征金字塔计算，均包括以下步骤：
9.根据权利要求8所述的基于特征金字塔的三维声纳点
10.根据权利要求7所述的基于特征金字塔的三维声纳点云配准系统，其特征在于，所述变换矩阵计算模块的处理过程具体包括：
...【技术特征摘要】
1.一种基于特征金字塔的三维声纳点云配准方法，所述方法包括：
2.根据权利要求1所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤1中，对待配准点云和目标点云分别进行特征金字塔计算，均包括以下步骤：
3.根据权利要求2所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤2，具体包括：
4.根据权利要求3所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述特征距离矩阵的表达式为：
5.根据权利要求3所述的基于特征金字塔的三维声纳点云配准方法，其特征在于，所述步骤3，具体包括：
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：张东升，曹金亮，王晏宾，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。