[发明专利]一种基于自动对应点匹配的三维点云配准方法

说明书

本发明公开了一种基于自动对应点匹配的三维点云配准方法，包括以下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；根据特征矩阵采用迭代处理方式选取匹配点；采用RANSAC算法对两个点云进行配准。该方法可以直接找到两个点云中的匹配点，并且根据匹配点进行配准，同时本方法不需要预配准，不受点云初始位置的影响；相比现有技术，本方法的鲁棒性和精确度都有大幅度提高。除了点云的整体配准，本方法还可以实现子集配准和公共部分配准，现有技术无法实现上述功能。

技术领域

本发明涉及点云配准技术领域，尤其涉及一种基于自动对应点匹配的三维点云配准方法。

背景技术

点云配准在三维物体检测、分类、立体视觉、多视图重建等领域有着广泛的应用。点云配准技术可以将捕获的点云与模板进行匹配，从而对三维物体进行自动分类；该技术也可以将多个散乱的点云进行自动拼接，从而将物体进行自动复原。点云配准分为粗配准和精配准两个阶段，其中粗配准方法有LORAX、4点法等，精配准方法有DO、结合法、ICP等。点云配准中应用的最广泛的算法是ICP算法，该算法在待配准点云比较接近时配准效果良好，在没有初始配准的情况下容易收敛于局部最小化，且其效率不高，计算的复杂度随着点云的规模增大而显著提高。现有技术大多依赖于预配准，受点集初始位置的影响十分严重。比如ICP算法要求两个点集之间的初始角度相差较小，Do算法需要提前对点云的初始位置进行训练等。除此之外，现有算法只能实现点云的整体配准，无法实现子集配准和公共部分配准。

发明内容

根据现有技术存在的问题，本发明公开了一种基于自动对应点匹配的三维点云配准方法，具体采用如下步骤：采用深度映射方法提取模型的局部几何特征、获得模型中点集的深度矩阵；

采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵；

根据特征矩阵采用迭代处理方式选取匹配点；

采用RANSAC算法对两个点云进行配准。

进一步的，采用深度映射方法提取模型的局部几何特征具体采用如下方式：获取模型中每个点的相邻点集合，采用PCA算法根据相邻点集合计算该点的法向量，垂直于法向量方向构建圆盘映射面，在圆盘映射面上均匀选取映射点，以映射点为起点沿法向量方向往模型表面发射映射线，将每个映射线的长度作为该映射点处的深度值，将深度值保存在该点对应的深度矩阵中。

进一步的，采用卷积自编码器对深度矩阵进行降维处理提取特征矩阵具体方式为：构建卷积自编码器的网络模型，将卷积自编码器分为编码器和解码器，在编码器中设置三个卷积层和三个池化层，在解码器中设置三个反卷积层和三个上采样层，在三维模型中采集多个深度矩阵作为训练样本，利用训练样本对自编码器进行训练获得自编码器模型；将深度矩阵输入到训练好的自编码器模型中、得到对应的特征矩阵，并对特征矩阵进行中心化处理；

进一步的，根据特征矩阵采用迭代处理方式选取匹配点采用如下方式：计算特征矩阵每一行的平均值，将三个平均值作为该点的一个三维特征坐标，在参考点的特征坐标周围收集临近点作为匹配的候选点，对所有的候选点进行迭代处理，每次迭代中将候选点的特征矩阵与参考点的特征矩阵对应位置做差值、并求平均差值，将平均差值最小的候选点作为该参考点的匹配点；

进一步的，采用RANSAC算法对两个点云进行配准采用如下方式：采用RANSAC算法将两个点云依次迭代、在其中一个点云中随机抽取一定数量的参考点，采用迭代处理方式在另一个点云中寻找这些参考点的匹配点，根据匹配点计算两个点云的配准矩阵，利用配准矩阵对点云进行配准、并计算配准后的两个点云之间的误差，对上述过程进行迭代，选取误差最小的一次迭代结果作为最终的配准结果。

进一步的，所述参考点的匹配点采用如下算法获取：