[发明专利]基于点云配准ICP算法构建K-D树的方法

说明书

本发明提供的基于点云配准ICP算法构建K‑D树的方法，该方法将点云空间划分为多个子空间，定义存在数据点的子空间为有效子空间，针对有效子空间建立K‑D树，以此来降低点云K‑D树的复杂度，加快硬件构建K‑D树的速度，同时减轻硬件的存储负担。该方法用直接存储方式来存储点云数据，根据子空间坐标直接获取该子空间内所有数据的地址，以此利用硬件并行处理的优势加快最近邻查询，该方法为加速迭代最近点算法的硬件系统提供了解决方案。

技术领域

本发明涉及集成电路设计领域，具体为一种基于点云配准ICP算法构建K-D树的方法。

背景技术

点云是三维空间中一系列点的集合，利用特定设备扫描某物体表面可得到表示该物体表面特征的点云数据。点云中任意一点通常以三维直角坐标系的坐标来表示。基于对点云数据的识别、过滤、配准等操作以完成还原物体三维模型的过程称为三维重建。点云配准是影响三维重建性能的关键步骤。

点云配准是实现将两片点云拼接到同一坐标系的技术，分为粗配准和精配准两步。点云精配准是点云配准中最耗时的环节，也是导致点云配准无法满足实时性场景速度需求的主要因素。由Besl和Mckay于1992年提出的ICP(Iterative Closest Point)算法，是目前实现点云精配准使用最广泛的算法。在ICP算法中，定义一片点云为目标点云T，另一片点云为模型点云M，算法实现将模型点云转换到目标点云所在的坐标系。

ICP算法中查找最近点对的过程是整个ICP算法的速度瓶颈。目前最主流的ICP算法是将目标点云T用K-D树的形式组织，利用K-D树的空间分割特性来加速查找。该方法在软件上已被证明性能极佳，但软件实现受串行处理限制仍无法满足实时场景的速度要求。采用硬件加速ICP算法成为必然，但在硬件上构建K-D树还存在两个问题：

1.现有技术中构建的K-D树，是将目标点云中所有点作为K-D树的节点。其中每输出一个节点都要进行一次排序，且所有节点串行输出。对于数量庞大的点云来说，该过程耗时非常长，且无法利用硬件并行优势来加速；

2.现有技术中采用链表形式来存储K-D树节点，每个节点除了存储该节点的数据以外，还要存储该节点的父子节点的地址，这种间接存储的方式不仅加重了硬件存储的负担，还大大限制了硬件读取数据的速度。

发明内容

针对现有技术中存在的问题，本发明提供一种基于点云配准ICP算法构建K-D树的硬件设计方法，该方法降低了点云K-D树的复杂度，减少了构建K-D树的数据量，提高了硬件构建K-D树的速度，同时减轻了硬件的存储负担，为硬件实现加速迭代最近点算法提供了解决方案。

本发明是通过以下技术方案来实现：

基于点云配准ICP算法构建K-D树的方法，包括以下步骤：

步骤1、根据点云数据的存储位宽，将点云空间划分为多个子空间并定义子空间坐标；

步骤2、为每个子空间分配地址连续的存储空间，以及1bit的有效标志位；

步骤3、读取点云数据，确定每个数据所属的子空间坐标，将该数据存储在该子空间对应的存储空间，同时将该子空间的有效标志位置为1，该子空间为有效子空间；

步骤4、根据有效子空间建立K-D树，K-D树上的叶子节点均为有效子空间的坐标，非叶子节点均为分割面方向划分有效子空间的分割值；

步骤5、存储K-D树信息，每个非叶子节点存储该节点的分割值，并对分割值增加两个比特标志位，分别表示该节点的左右子节点是否为叶节点；每个叶子节点存储该节点值，即子空间的坐标值。

优选的，步骤1中划分多个子空间的方法如下：