[发明专利]基于几何特征由粗到细点云配准方法

说明书

本发明提供了一种基于几何特征由粗到细点云配准方法，主要涉及三维重建和计算机视觉领域中两个视角点云配准问题。该方法包括粗配准和细配准两个阶段。在粗配准阶段，通过投影法提取源点云和目标点云各4个特征点，然后利用曲率特征和匹配点之间的距离匹配稳健的特征点对，计算得到初始刚性变换参数；细配准阶段，计算点云法向量及法向量夹角，以法向量为特征进行特征匹配，然后使用法向量夹角来启发搜索，使两点云快速收敛。本发明所提出的由粗到细的配准方法在一定程度上解决了传统ICP配准方法迭代速度慢和配准精度低的问题。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于几何特征由粗到细点云配准方法。

背景技术

点云配准是三维计算机视觉中的一个基本问题。通常采用激光扫描仪获取点云，但由于光在物体表面不能穿透，物体表面的信息往往需要多视角、多分辨率扫描获得。给定不同坐标系下的几组点云，配准的目的是找到将它们对齐到最佳公共坐标系的变换。通常需要对多个视角的点云进行配准才能获取完整的信息，其中最基本的是两个视角点云配准。

无序点云配准面临四大挑战：(1)不均匀的点密度；(2)大量数据；(3)重复、对称和不完整的结构；(4)点云之间的有限重叠。为了应对这些挑战，研究人员已经进行了广泛的研究，其中最经典的方法是由Best等人提出的迭代最近点(Iterative Closest Points，ICP)算法。该算法通过在匹配对应点和更新刚性变换之间多次迭代对齐两点云。ICP配准精度高且易实现，但对初始位置敏感，容易陷入局部最小值。

为了达到良好配准效果，点云配准通常分两步：粗配准和细配准。粗配准将距离较远、旋转角度较大的两点云尽可能多的重合在一起，细配准进一步得到精确的结果。基于点特征的粗配准通常利用关键点检测器(3DSIFT、NARF、Harris3D、ISS3D)从点云中提取关键点，计算特征描述符(FPFH、3D Shape Context、VFH)，然后利用特征匹配策略来确定源点云和目标点云初始变换关系；基于点的粗配准利用点与点之间几何关系来计算变换矩阵，如4点全等(4PCS)及其变体超4点全等(Super-4PCS)。虽然以上方法能得到令人满意的结果，但对于对称和大规模点云来说，计算效率仍有待提高。细配准主要是ICP算法及其变体(pointto plane ICP、NICP、GICP)。Bae等人提出了几何原始ICP与随机样本共识(GPICPR)算法，利用局部表面法向量和几何曲率用于匹配和邻域搜索。He等人使用几何特征来改进经典的ICP算法。虽然ICP及其变体配准效率高、精度好，但是它们需要良好的初始位置，避免陷入局部最小值。

发明内容

本发明提出了一种基于特征点曲率匹配的粗配准和基于法向量夹角、启发式搜索的细配准，目的在于将点云几何特征融入点云配准，使得初始配准获得良好初始位置，细配准利用法向量特征快速收敛。

本发明通过以下技术方案来实现上述目的：

(1)粗配准阶段，首先寻找点云的最佳投影平面，将点云投影到平面上，然后在平面上提取4个轮廓点，再根据投影变换寻找轮廓点的三维对应点，计算三维点邻域内的各点的曲率，根据曲率变化率的最值寻找特征点。

(2)结合曲率特征和点对距离，在4对轮廓特征点中寻找最相似的匹配点，并利用变换矩阵计算得到初始变换参数。

(3)通过法向量及法向量夹角，使得搜索时利用法向量方向的相似性确定性向一个方向接近最近点，改善传统ICP迭代次数过多的问题。

附图说明

图1为本发明基于几何特征由粗到细点云配准方法框架图。

图2为实验对比的结果图。

具体实施方法

由粗到细点云配准具体方法如下：

寻找4个轮廓特征点的方法如下：