[发明专利]一种地面激光点云配准方法

说明书

本发明公开了一种地面激光点云配准方法，通过原始点云数据自动估计点云的平均间距和长度，获取建立点云金字塔的体素格网大小。在金字塔点云顶层，建立所有点的FPFH特征，然后通过双向一致性检测获得初始匹配，可以快速有效实现点云的初始配准。在此基础上，利用初始匹配结果邻域内的的三维点进行由粗到精的ICP优化，在大幅减少参与ICP点云数量的同时，同名点邻域内的点云信息更丰富，有利于ICP算法迭代快速收敛。

技术领域

本发明属于三维重建技术领域，涉及两站带有适当重叠区域的点云数据之间的配准。

背景技术

近年来，激光扫描技术发展迅速。激光扫描技术具有高精度，高效率的特点，能够快速并精确的获取目标相对于扫描仪的距离，从而能够获取被扫描目标表明的点相对于扫描仪的精确的三维点坐标。随着技术的发展，点云获取越来越容易，成本也越来越低。点云处理技术在逆向工程、人体扫描、文物保护、虚拟现实、增强现实、三维城市重建、自动驾驶以及机器人视觉等方面应用广泛。由于对象或者场景的复杂性、激光传感器扫描范围的局限性等原因，往往需要对对象多次扫描或将一个大的场景分为多个区域分别扫描。多次扫描的数据具有不同的坐标系统，点云处理技术中的基础和至关重要的技术就是点云配准，将不同的扫描结果统一到同一个坐标系统下面。主流的点云配准算法采用由粗到精的配准流程，首先完成初始配准，通过人机交互旋转三个以上的同名点从而计算转换参数，或者是计算点的特征(如persist analysis FPFH，ISS FPFH)或者是直接的随机采样(如Keypoint-based4 Points Congruent Sets,Super4points Congruent Sets等)完成初始配准，接着在初始配准结果的基础上采用ICP(Iterative Closest Point)等方法完成精确配准，最终实现点云的配准。无论是persist analysis FPFH还是ISS FPFH都需要对大量点和点的邻域计算和分析，计算量大，计算效率不高，Keypoint-based4 Points CongruentSets依赖于特征点提取，对特征点提取要求较高，需要能够提取适当数目的特征点,并且它还和Super4points Congruent Sets一样需要设置先验的点云重叠参数，否则会导致配准错误或者是配准花费大量的时间。这些方法在抗噪性能、配准的鲁棒性和配准效率方面都存在不足。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种地面激光点云配准方法，提高配准速度和配准精度。

为解决上述技术问题，本发明所采用的技术方案是：步骤1：读入由点云获取设备采集的具有不同视角的源点云S₀和目标点云T₀两视角点云；

步骤2：自动估计点云的平均点间距d_mean和平均长度L_mean；

步骤3：点云下采样，构建源点云与目标点云金字塔S₀、S₁、S₂和T₀、T₁、T₂；

步骤4：计算点云S₂与T₂中所有点的法向量和所有点的FPFH(Fast Point FeatureHistogram)描述子；

步骤5：双向匹配S₂与T₂中所有点的FPFH描述子，得到匹配对应关系C；

步骤6：利用SAC-IA(随机采样一致性)算法从C中将内点C₂筛选出来，同时得到初始配准转换参数Tr₂；

步骤7：在点云S₁与T₁上利用步骤6中得到的内点C₂和初始转换参数Tr₂，提取C₂邻域内的点云，用于第一次ICP优化，得到第一层优化的转换参数Tr₁；