[发明专利]一种基于局部参考点的快速点云配准方法

权利要求书

1.一种基于局部参考点的快速点云配准方法，其特征在于，所述基于局部参考点的快速点云配准方法对输入的原始点云进行降采样得到其对应的稀疏点云；以稀疏点云中每一个点作为参考点分别建立局部夹角特征和多尺度局部法向量描述，得到局部夹角特征后，以一个视角的局部夹角特征建立kd-tree；在kd-tree中搜索另一视角每一个局部夹角特征的最近邻特征，最近邻特征中欧氏距离误差最小的k1对作为种子匹配对，接着分别以该种子匹配对作为参考匹配，从其邻域搜索该参考下的其它匹配对，待匹配对数目达到指定阈值时停止搜索，使用刚体变换求解出相邻视角变换矩阵从而完成点云的粗配准，使用部分重叠的ICP配准算法对粗配准结果进行优化；

所述基于局部参考点的快速点云配准方法包括以下步骤：

步骤一，对原始输入点云P、Q进行降采样得到对应的稀疏点云Pd和Qd；

步骤二，以稀疏点云中每个点作为参考点，在其对应的原始点云中的r1邻域内找到其最近和最远的k个点，然后分别以最近点、参考点、最远点构成的夹角作为特征；

步骤三，以稀疏点云中每个点作为参考点，在其对应的原始点云的L个邻域中，根据参考点与邻域内点的数据相关性得到近似的局部法向量描述；

步骤四，以Pd中每个点的夹角特征建立kd-tree，然后在该kd-tree中搜索Qd中每个夹角特征的最近邻，最后仅选取欧氏误差最小的k1对作为种子匹配对；

步骤五，得到Pd中其他点与种子点的法向量之间的夹角，然后在种子点的邻域中，以夹角约束找到其他匹配点，并根据匹配点完成粗配准；

步骤六，对步骤五得到的粗配准结果使用部分重叠ICP算法进行优化。

2.如权利要求1所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤一中对原始输入点云进行降采样具体包括：使用网格将点云空间划分为若干小立方体，点云中的点将以点簇的形式分别落入各自对应的立方体网格中，整个点云被划分为若干点簇集，以每个点簇集中所有点的坐标均值表示该点簇集，经过以上处理得到的点云为原始点云降采样后的稀疏点云。

3.如权利要求1所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤二中局部夹角特征的计算方法包括：以稀疏点云中的每个点作为参考点在其对应的原始点云中r1邻域中找到最近和最远的k个点，且这最近和最远的k个点也按照距参考点的远近进行排序的，按照距离从小到大进行排列；当前参考点为x，且其对应的k个最近点和最远点表示为X＝{x₁,…,x_2k}，那么其与参考点之间构成的向量表示为：

其中x₁为最近k个点中的最近点，而x_2k为最远k个点中的最远点；

那么夹角特征计算表达式为：

计算夹角公式中各项的上标表示在向量中处于第几项。

4.如权利要求1所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤三中多尺度局部法向量计算方法包括：分别计算对于每一个邻域半径内的点与稀疏点云中当前参考点之间的差表示为：

其中l＝1,…,L，同时S_l＝{x_i|||x_i-x||≤r_l}，对于每个尺度下的相关矩阵C_i，使用奇异值分解，得到三个特征值λ_l1≥λ_l2≥λ_l3及与之对应的特征向量n_l1,n_l2,n_l3，选择最小特征值λ_l3对应的n_l3作为每个尺度小的布局描述向量；多个尺度下联合表示为如下矩阵形式：

N＝(n₁,…,n_L)；

其中n₁及n_L分别对应各个尺度的局部描述向量。