一种基于点云姿态标准化的点云线特征提取方法，它有六大步骤，适用于无序三维点云中线特征的提取，方便实现目标相对姿态的测量，属于三维测量和机器视觉技术领域。该方法首先构建点云的KD-TREE结构，以提高点云临近点集的搜索速度。然后根据整体点云密度构建每个点的临近点集，求出此点集的主方向并构建Householder变换矩阵调整点云姿态。接着对临近点集进行曲面拟合，进而基于曲面方程求出该点的两个主曲率，选择主曲率绝对值较大者作为该点曲率估计。最后，求出全部点云的曲率估计值，大于给定阈值的点作为线特征点，实现线特征提取。
【技术实现步骤摘要】
本专利技术涉及，它是基于目标点云进行目标姿态测量或多视角匹配中提取点云线特征的一种方法，应用于点云目标的相对姿态测量。属于三维测量及机器视觉
技术介绍
三维点云数据的获取技术已经比较成熟，常见的方法有基于双目立体视觉获取高精度点云信息、通过激光扫描方式快速获得对象的点云信息，以及其他的三维点云获取技术。基于三维点云数据，可以实现加工尺寸测量、逆向工程、目标位姿测量等，在这些技术中，底层的关键技术是特征提取。线特征又具有数据量小、表达结构特征重要、易于存储分析处理等优点和应用价值。 关于三维点云线特征提取有几种代表性的方法，主要有以下几类把三维空间点云向特定的平面进行投影，在平面内利用寻找极点或峰值的方法进行特征点提取。但平面投影的结果同平面选择及原始点云结构紧密相关，提取的结果易受点云结构姿态及选取平面多重影响而不够稳定。利用点云向量同临近点云向量夹角作为特征点判别指标，对于结构变化较大的特征点云，该夹角会较大，而对于平面或平滑曲面来说该夹角会比较小。用点云向量夹角作为特征选择依据具有对空间变换的稳定性，但对所有点云计算向量的计算量较大，且噪声点对计算结果的影响比较明显。此外应用较广的是基于曲率的特征提取方法，用曲率来描述点云表面的平坦程度。一般的基于曲率的线特征提取算法会根据点云构造曲面，基于曲面方程计算点云曲率估计值。但一般算法在点集搜索、点云主方向调整、曲率估计方式选择上仍可有改善空间。
技术实现思路
技术问题本专利技术提供了，它通过添加点云集主方向对准选择主曲率等功能，比已有的基于曲率方法提取效果在特征质量及算法稳定性方面有较大提高，可为后续的相对姿态测量、视场拼接提供较好的特征点云。技术方案基于点云数据的目标姿态测量或视场拼接，在实践中有广泛的应用，直接用扫描所得点云进行分析处理，一方面点云数量较多，影响处理的速度及复杂程度，另一方面由于大量视场差造成的干扰点影响，使最终的测量精度难以保障。因此提出了对点云数据进行线特征提取的思想，使用较少的点云数据更方便目标的测量或识别。根据点云表面数据机构特征与曲率的对应关系，本专利技术提出，适用于无序三维点云中线特征的提取，该方法首先构建点云的KD-TRE E结构，以提高点云临近点集的搜索速度。然后根据整体点云密度构建每个点的临近点集，求出此点集的主方向并构建Householder变换矩阵调整点云姿态。接着对临近点集进行曲面拟合，进而基于曲面方程求出该点的两个主曲率，选择主曲率绝对值较大者作为该点曲率估计。最后，求出全部点云的曲率估计值，大于给定阈值的点作为线特征点，实现线特征提取。本专利技术，该方法具体步骤为步骤一构建某点的临近点集对点云经过滤波及去噪操作后，使用KD-TREE算法构建原始点云的树结构，根据点云的坐标分布将原始点云细分到不同区域，由于细分过程是基于坐标信息的，可直接根据区域地址信息实现最近点的搜索，以大幅提高搜索速度。快速构建出指定点的临近点集。步骤二 计算临近点集主方向使用PCA主成分分析法，根据点集坐标构建协方差矩阵，其最小特征值对应的特征向量即为主方向。设点Pi的临近点集为尽(r为点集内点云个数)。即根据斤点的坐标，计算点集的主方向弋设权利要求1. ，其特征在于该方法具体步骤如下 步骤ー构建某点的临近点集对点云经过滤波及去噪操作后，使用KD-TREE算法构建原始点云的树结构，根据点云的坐标分布将原始点云细分到不同区域，由于细分过程是基于坐标信息的，直接根据区域地址信息实现最近点的捜索，以大幅提高搜索速度，快速构建出指定点的临近点集； 步骤ニ 计算临近点集主方向使用PCA主成分分析法，根据点集坐标构建协方差矩阵，其最小特征值对应的特征向量即为主方向；设点Pi的临近点集为<，r为点集内点云个数，即根据if点的坐标，计算点集的主方向を全文摘要，它有六大步骤，适用于无序三维点云中线特征的提取，方便实现目标相对姿态的测量，属于三维测量和机器视觉
该方法首先构建点云的KD-TREE结构，以提高点云临近点集的搜索速度。然后根据整体点云密度构建每个点的临近点集，求出此点集的主方向并构建Householder变换矩阵调整点云姿态。接着对临近点集进行曲面拟合，进而基于曲面方程求出该点的两个主曲率，选择主曲率绝对值较大者作为该点曲率估计。最后，求出全部点云的曲率估计值，大于给定阈值的点作为线特征点，实现线特征提取。文档编号G06F19/00GK102799763SQ20121020964公开日2012年11月28日 申请日期2012年6月20日 优先权日2012年6月20日专利技术者李旭东, 赵慧洁, 李伟, 姜宏志 申请人:北京航空航天大学本文档来自技高网...
【技术保护点】
一种基于点云姿态标准化的点云线特征提取方法，其特征在于：该方法具体步骤如下：步骤一：构建某点的临近点集：对点云经过滤波及去噪操作后，使用KD？TREE算法构建原始点云的树结构，根据点云的坐标分布将原始点云细分到不同区域，由于细分过程是基于坐标信息的，直接根据区域地址信息实现最近点的搜索，以大幅提高搜索速度，快速构建出指定点的临近点集；步骤二：计算临近点集主方向：使用PCA主成分分析法，根据点集坐标构建协方差矩阵，其最小特征值对应的特征向量即为主方向；设点pi的临近点集为r为点集内点云个数，即根据点的坐标，计算点集的主方向设Pir=x1iy1iz1ix2iy2iz2i.........xriyrizri,由PCA算法得点集的协方差矩阵为：(Pir)T·Pir=x1i-1rΣn=1rxniy1i-1rΣn=1ryniz1i-1rΣn=1rznix2i-1rΣn=1rxniy2i-1rΣn=1ryniz2i-1rΣn=1rzni.........xri-1rΣn=1rxniyri-1rΣn=1rynizri-1rΣn=1rznrTx1i-1rΣn=1rxniy1i-1rΣn=1ryniz1i-1rΣn=1rznix2i-1rΣn=1rxniy2i-1rΣn=1ryniz2i-1rΣn=1rzni.........xri-1rΣn=1rxniyri-1rΣn=1rynizri-1rΣn=1rzni结果为3×3的矩阵，对其特征分解得特征值λ1,λ2,λ3与对应的特征向量α1,α2，α3，若λ1=min(λ1,λ2,λ3)，则主方向为α1；步骤三：点集姿态标准化：根据点集的主方向，构建Householder矩阵，对点集进行调整，使点集的主方向变成(0，0，1)；首先将向量归一化得由 Householder构建方法矩阵，令z=(0,0,1)T，则变换矩阵R=I？2bbT，调整后的点云为步骤四：点集曲面拟合：采用最小二乘方法，用曲面方程z=ax2+by2+cxy+dx+ey+f拟合点集，得到点集的曲面方程；假设目标曲面方程为z=ax2+by2+cxy+dx+ey+f，则有：z1=ax12+by12+cx1y1+dx1+ey1+fz2=ax22+by22+cx2y2+dx2+ey2+f...zr=axr2+byr2+cxryr+dxr+eyr+f令A=x1y1x1y1x1y11x2y2x2y2x2y21..................xryrxryrxryr1,目标方程系数的确定最终转化为解线性方程(ATA)X=ATL；其中X=[a,b,c,d,e,f]T，L=[z1,z2…,zr]T，直接解线性方程得到所要拟合二次曲面的系数；步骤五：点曲率计算：将给定点沿着Z轴方向向二次曲面投影，根据曲面方程计算投影点处两个主曲率，选择绝对值较大者作为曲率估计值；对于特定点pi(xi,yi,zi)，一般不会在拟合平面之上，此时需要用平面上该点的投影来代替，将pi沿着Z轴方向向曲面投影，则投影点为(xi,yi,axi2+byi2+cxiyi+dxi+eyi+f)；对于满足z＝z(x,y)的特殊参数曲面，令p=∂z∂x,q=∂z∂y,r=∂2z∂x2,s=∂2z∂x∂y,t=∂2z∂y2若有：E=1+p2,F=pq,G=1+q2L=r1+p2+q2,M=s1+p2+q2,N=t1+p2+q2则主曲率值满足方程：(EG？F2)k2？(LG？2MF+NE)k+(LN？M2)=0解k1,k2是曲面上该点的两个主曲率；乘积k1k2叫做高斯曲率，一般以K表示，均值叫做平均曲率，以H表示；分别用平均曲率、高斯曲率、最大主曲率、最小主曲率、主曲率绝对值较大值作为曲率估计指标；按照上述方法遍历求出每个点云的曲率估计值，均提取5％的最大曲率点作为特征点，对比观察提取效果，则用主曲率绝对值较大值效果最好；因为对于某一点来说，当它有一个方向变化很剧烈时从理解上是有条件成为特征点的，而对于另一个不同方向均比较大的点来说，在数值上可能其平均曲率高斯曲率会更...
【技术特征摘要】
【专利技术属性】
技术研发人员：李旭东，赵慧洁，李伟，姜宏志，
申请(专利权)人：北京航空航天大学，
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。