[发明专利]一种基于曲率特征的三维正态分布变换点云配准方法

说明书

技术领域

本发明属于三维重建技术领域，特别是涉及两片带重叠区域的点云数据集之间实现配准的方法。

背景技术

由于待重建场景的复杂性、激光传感器扫描范围的局限性等原因，往往需要将一个大的场景分为多个区域分别扫描。而每次扫描的相对坐标系都是以激光扫描仪的发射点(视点)为原点的新建坐标系。为了使多次扫描的点云数据集统一到同一个坐标系下，需要求出每两次扫描的点云数据集之间的变换矩阵，求变换矩阵的过程就是点云配准的过程。三维重建系统中常用的配准算法主要分为三类：基于特征的配准算法^[1–4]，迭代最近点算法(ICP)^[5–7]和正态分布变换算法(NDT)^[8–11]。

基于特征的配准算法就是利用两片点云对应的特征点对或者对应的特征向量估计变换矩阵，使得一个点云数据集准确地配准到另一个点云数据集。由于此类算法只存在一次变换过程，对应特征估计的准确性要求非常高，因此在实际应用中，基于特征的配准算法均作为一种粗配准或者初始配准，如文献[3]中提取SIFT特征完成初始配准以及文献[4]中根据k近邻搜索点设计的一种不变特征。完成初始配准得到比较理想的初始位置之后，采用精确配准算法提高配准精度。常用的精确配准算法是Besl等人在1992年提出的迭代最近点算法(ICP)^[6]。ICP算法的明显特征是在计算过程中的迭代思想，本质上是一种计算两个点集间的距离并将其最小化的方法。ICP算法对初始位置要求严格、易于陷入局部最优，而且算法时间复杂度高^[8]。

正态分布变换配准算法于2003年由Biber和Strasser提出[9]，正态分布变换配准的主要思想是改变模型的表示形式，由原来离散点的表示形式转换为一种正态分布的组合形式，新的模型描述了某一个点分别属于各个表面的概率。

发明内容

本发明目的是解决配准过程耗时长的问题，提供一种基于曲率特征的三维正态分布变换点云配准方法。

本发明采用三维正态分布变换算法在很大程度上降低了配准算法的运行时间，而且降低了实验误差，提高了实验精度。但应用到一个场景范围大、点云密集程度高的场景中，配准过程耗时长的问题依然不容忽视。通过提取曲率特征，排除了大量冗余点的干扰，降低了参与配准过程的点的数量，有效地缩短了配准算法的运行时间。

本发明提供的一种基于曲率特征的三维正态分布变换点云配准方法，包括如下步骤：

第1、曲率特征提取，提取曲率特征的原则是：曲率种子点邻域半径范围内的点为曲率特征点，邻域半径计算过程为在提取曲率特征点之前，首先设定曲率阈值ε，曲率值大于阈值的点为曲率种子点，并确定邻域半径的计算公式：

R＝kH(1)其中H为该点曲率值，k为比例参数。k的取值根据实际情况进行调节，场景特征丰富时，同比例减小比例值；反之，增大比例值；

曲率特征提取过程为：

第1.1、分别计算模型点云中点的曲率值，计算公式如下：

K=|y′′|(1+y′2)3/2---(2)]]>

其中，曲面函数为y＝f(x)，y′,y″分别为函数y关于x的一阶和二阶导数。

第1.2、遍历模型点云中所有点，若曲率值大于阈值ε，计算该点的邻域半径R，提取邻域半径R内的点为曲率特征点。

第1.3、参照第1.1步和第1.2步方法，提取目标点云的曲率特征点。

第2、坐标变换矩阵估计