[发明专利]一种基于多尺度描述子筛除误匹配的三维图像配准方法

说明书

本发明公开了一种基于多尺度描述子筛除误匹配的三维图像配准方法，该方法通过构造一种新型的多尺度描述子，更好的描述对应关键点的特征，并初步获得对应匹配点；并以此为特征遍历待配准点云中与之有相似多尺度描述子的点云集，极大的提高了点云粗配准的运行效率，减小了计算机的计算量，为点云配准带来了极大的便利；该方法能够在更短的时间里获得更加准确的配准效果，且鲁棒性更好，适用于存在噪声、结构复杂、对配准要求高的精密测量领域。

技术领域

本发明属于图像配准领域，特别涉及一种基于多尺度描述子筛除误匹配的三维图像配准方法。

背景技术

随着电子、计算机技术的飞速发展，以及人们对高质量产品的需求，国外机器视觉在20世纪90年代进入高速发展期，并广泛运用于工业控制领域。机器视觉是实现工业自动化和智能化的必要手段，相当于人类视觉在机器上的延伸。机器视觉具有高度自动化、高效率、高精度等优点，其也必将在我国自动化领域发挥重大的作用。相比于传统的二维机器视觉，三维机器视觉的精度更高、检测效果更好，能满足更加苛刻的生产工艺。但是三维机器视觉获取的点云数据量大、且点与点之间没有明显的拓扑关系，因此我们在配准的过程中容易出现误配准对，这将会使我们的配准精度降低，影响对目标物的测量以及检测效果。

在航空航天，汽车交通、桥梁船舶等智能制造工艺中，都会遇到复杂异形曲面的加工及检测，其曲面复合弯曲并在空间任意积叠，边缘曲率复杂，二维机器视觉难以满足其高精度、高效率的生产加工要求。但是现有的点云配准算法准确率并不高，大量误配准对的存在影响了配准的精度和效率，对目标物的检测和重建也造成了严重影响。

目前针对这一问题，应用最广泛的解决方案是RANSAC算法，尽管RANSAC算法在大多数情况下效果良好，但是它的运行时间会随着异常点对的比率η而呈指数增长，因此该算法对点云配准中样本点的选择非常敏感，鲁棒性较差。在配准的过程中，点云密度的分布是不规则的并且其结构也缺乏规律性，使得三维图像配准的准确率比二维图像低很多。

发明内容

本发明提供了一种基于多尺度描述子筛除误匹配的三维图像配准方法，该方法利用配准点对之间的空间几何关系进行筛选，进而可以直接剔除误配点，提高配准效率和配准精度。

一种基于多尺度描述子筛除误匹配的三维图像配准方法，包括以下步骤：

步骤1：获取视角相邻场景的三维点云X和Y，并为三维点云X和Y中的每个点构造多尺度描述子(Q_i，N_i)；

其中，l表示三维点云X或Y中点的邻域搜索半径标记，取值依次为1，2，…，L，L表示邻域搜索半径总数，L≥2；T_l表示归一化向量，λ_l1，λ_l2，λ_l3为矩阵C_l进行SVD分解后的特征值，λ_l1≥λ_l2≥λ_l3，n_l1，n_l2，n_l3分别为λ_l1，λ_l2，λ_l3对应的特征向量，S_l＝{p_i|||p_i-p₀||≤r_l}，|S_l|表示S_l的最大值，p_i表示三维点云X或Y中某一点p₀的邻域点，r_l表示点p₀的第l个邻域搜索半径，r_L为设定的最大邻域搜索半径，n_l分别表示三维点云中的点与点的搜索邻域半径l对应的法向量，取值为n_l3；

|S_l|即为以p₀为球心，r_l为球心的球内的所有点到球心的距离中的最大值；