[发明专利]一种基于结构光的全景点云配准方法

说明书

本发明涉及一种基于结构光的全景点云配准方法，属于机器人视觉领域。该方法首先采用结构光的方法获取待测目标的N个目标点云和N个待配准点云；对N个待配准点云以及N个目标点云进行降采样，把每个点云空间中分割成M个体素，并将每个点云空间中位于同一个体素中的点取均值输出；获取每个待配准点云对应的二维坐标变换矩阵并扩展为对应的三维坐标变换矩阵；利用迭代最邻近点ICP算法将三维坐标变换矩阵作为初值，进行点云进行精配准，并对精配准后的全景点云进行点云融合，得到完整的全景点云，配准完毕。本发明利用基于深度的变权重粗配准方法，可快速完成目标点云与待测点云的粗配准，随后使用ICP算法实现高精度的点云精配准。

技术领域

本发明涉及一种基于结构光的全景点云配准方法，属于机器人视觉领域。

背景技术

视觉测量时，为了得到完整的场景点云地图，需要从不同位置或视角进行多次测量，而每次测量结果都是在不同坐标系中的，因此应将每次测量的点云进行坐标系转换，并保证不同位置测量的点云中相同点变换到同一位置，这一过程即为点云配准。对于静态场景的点云地图重建，可以认为点云之间的坐标变换是刚体变换。点云配准，一般可分为粗配准和精配准两个过程。粗配准用于给定精配准优化的初始值。对于使用了IMU(InertialMeasurement Unit，惯性测量单元)或旋转工作台等运动估计功能的点云重建设备，相当于已知了点云之间运动，所以容易进行点云的粗配准；否则，需要找到点云之间的匹配关系才能计算两个点云之间的转换矩阵。

粗配准可以利用二维图像特征点，如Lin等人用图像SURF(Speeded Up RobustFeatures，加速稳健特征算法)特征进行配准，也可以从点云中提取三维特征点用于配准，如FPFH(Fast Point Feature Histograms，快速的点特征直方图)特征、局部三维特征点等；Yang等人于2016年提出一种基于语义特征的配准方法，该方法首先对点云按水平间隔分层并对层内点云分割成块，然后提取各块各点云中的柱状物、交点等并连接成竖直线，最后求这些竖直线和地面的交点并构造成三角形并利用这些三角形进行匹配，从而达到配准的目的；这种方法主要利用了传感器的位姿受限(只能在水平面上移动和沿重力方向旋转)的特性，适用于利用TLS(Terrestrial Laser Scanning，地面激光扫描)这种大尺度室外场景，并且在点云分割时需要建立点云网格这会增大计算量，比较耗时。

最经典和最常用的点云精配准方法是1992年Besl等人提出的ICP(IterativeClosest Point，迭代最邻近点)算法，其基本思想是迭代地计算待配准点集(折线、曲线、曲面等的采样点)中每个点距离固定参考点集中的最近点，并将其作为匹配点从而计算，ICP算法可用于折线点、曲线点、曲面点、稠密点云和三角面片等之间的配准，具有无须点集之间的匹配关系、各点集中点数量可以不同和计算速度较快等优点，因此被广泛应用于点云配准中。但正如文中作者所提出的，ICP算法也有如下缺点；要求待配准的点云之间应有较大的重叠区域；容易得到局部最优值，对初始值要求高等。为此，很多基于测量场景和传感器类型的变体ICP算法被提出：如使用点云法向量的ICP方法(点到平面的配准)、通用ICP方法(平面到平面的配准)等。

点云配准方法是构建完整三维点云地图的基础，也是许多后续工作(如点云网格化、点云识别等)的基础，其计算精度也决定了最终形成的点云地图的精度。基于ICP等方法的配准过程已基本成熟，而为ICP提供初值的粗配准方法仍是三维测量领域的一个研究热点。但现有的基于二维图像特征或者三维点云特征的粗配准方法，难于适用于平面多、特征点少的环境进行地图重建。因此有必要提出一种针对性的三维全景点云配准方法。