[发明专利]一种基于曲率特征的三维点云数据快速加权配准方法

说明书

本发明公开基于曲率特征的三维点云数据快速加权配准方法，包括：分别对待匹配点云数据P和模型点云数据M按照曲率特征进行下采样，得到待匹配点云样本数据P’和模型点云样本数据M’；计算采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法在M’中搜索P’中各个待匹配点的匹配点，得到多个待匹配点对；对得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；对经过筛选后的待匹配点对利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；利用初步刚体变换矩阵对P和M进行粗匹配；以初步刚体变换矩阵作为初始刚体变换矩阵，利用按距离加权的Trimmed ICP算法，对粗匹配结果进行精匹配。

技术领域

本发明涉及三维点云数据的配准领域，尤其涉及一种基于曲率特征的三维点云数据快速加权配准方法。

背景技术

近年来，三维点云数据广泛应用于三维建模、目标识别、物体表面检测等领域，三维点云数据的多角度快速、精确配准技术是当前研究的热点之一。

三维点云数据配准的目的是寻找一个三维刚体变换，将物体不同角度的离散的三维点云数据快速、精准地匹配和融合。理论上，如果能找到两组点云上确定的不共面的三个对应的点对，点云数据的配准就可以精确快速完成，但是，由于数据获取设备分辨率和精度的有限，实际上很难找到确定的三个对应的点对，因此，点云配准问题实为数据的优化问题。

传统的配准ICP(Iterative Closest Points，迭代最近点)算法被广泛应用，然而这种方法是逐点求最小的欧氏距离，运算量巨大，耗时长，并且算法的运行速度以及收敛性在很大程度上依赖于给定的初始变换估计，初始变换估计不准确会直接导致配准结果陷入局部最优值；另外，如果点云数据只有少部分重叠也会导致配准失败；再一方面，随着技术飞速发展，获取的三维点云点数据量巨大，如何达到快速而且高精度的配准成为了研究的难点。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日前已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明的主要目的在于克服传统ICP算法的不足，提高算法的实用性，提出一种基于曲率特征的三维点云数据快速加权配准方法，利用曲率特征的旋转不变性，基于点云数据曲率变化率的KD-Tree快速最近邻搜索方法，在去除边缘点和错误匹配点后，利用一种迭代再加权的IRLS-ICP算法对待匹配点进行粗匹配，然后利用按距离加权的一种TrimmedICP算法进行精匹配，获得精确度较高的刚体变换，可进行快速、精确的配准。

本发明为达上述目的所提出的技术方案如下：

一种基于曲率特征的三维点云数据快速加权配准方法，用于进行两组三维点云数据的配准，所述配准方法包括以下步骤：

S1、分别对待匹配点云数据和模型点云数据按照曲率特征进行下采样，得到待匹配点云样本数据和模型点云样本数据；

S2、计算所述待匹配点云样本数据和所述模型点云样本数据中采样点的曲率特征，并根据计算得到的曲率特征，利用索引加速方法，在所述模型点云样本数据中搜索所述待匹配点云样本数据中各个待匹配点的匹配点，得到多个待匹配点对；

S3、对步骤S2得到的多个待匹配点对，进行基于欧氏距离的筛选以去除欧氏距离大于一预设阈值的待匹配点对；

S4、对经过步骤S3筛选后的待匹配点对，利用迭代再加权最小二乘法进行粗匹配，得到初步刚体变换矩阵；

S5、利用所述初步刚体变换矩阵对所述待匹配点云数据和所述模型点云数据进行粗匹配，得到粗匹配结果；