[发明专利]基于形状约束的点云配准方法

说明书

本发明公开了一种基于形状约束的点云配准的方法，包括：载入源点云和模板点云，从源点云中选择待匹配点云，获取每一点的特征描述子；从待匹配点云中随机选取多个初始点，重复多次，确定图形面积最大一组初始点作为待测点集；从待测点集中选择待匹配点，计算待测点集中其它点到待匹配点的距离、夹角；遍历模板点云中各点，寻找参考点，计算模板点云中其它点到参考点的距离，夹角；筛选预选点集；从预选点集中各求取一个目标点；计算待测点集与目标点集之间的变换矩阵，进行坐标转换，计算匹配点之间的距离偏差，通过迭代，是距离偏差不断减小，最后得到的参考转换矩阵利用最终转换矩阵继续进行精配准，本方法增加了对选点的约束，鲁棒性强。

技术领域

本发明涉及三维重建技术领域，具体涉及一种基于形状约束的点云配准方法。

背景技术

三维点云配准技术是三维重建过程中的一个重要组成部分，在各个领域都有十分广泛的应用前景，比如在工业领域中，可以用来检测零部件是否存在缺陷或者实现机器人抓取工作；在医疗行业中，可以用来模拟人体器官并找出病人的病灶所在等；在文物修复领域，可以用来修复文物的全貌点云。

在实际的数据采集过程中，使用三维扫描设备对被测物体进行单次扫描时往往不能得到物体完整的几何信息，这通常是由于被测物体尺寸过大、物体表面被遮挡或三维扫描设备的扫描角度和光照范围等因素的影响造成的，为了获得被测物体完整的点云几何信息，就需要将不同视角下的两组或多组点云统一到相同坐标系下，即需要进行点云数据的配准。

点云配准一般分为点云粗配准和点云精确配准，在点云配准中，若点云粗配准比较准确，那点云精确配准的鲁棒性会大大提高，从而不容易使算法陷入局部最优以及提高配准算法收敛的速度，目前在点云粗配准中主要有基于特征的RANSAC点云配准算法和基于Super4PCS的点云配准算法，这两种方法采用随机选点的方式，缺乏对选点的约束，容易造成无匹配，计算时间长等缺点，如基于特征的RANSAC点云配准算法容易在点云匹配阶段造成对应点匹配不准确、特征易受干扰；基于Super4PCS的点云配准算法在寻找两点云对应点的过程中，计算时间长，随着点云数量的增加，其计算的时间成倍增加，效率低下。

发明内容

为了提高点云配准的鲁棒性和计算效率，提出了一种基于形状约束的点云配准的方法。

一种基于形状约束的点云配准的方法，包括如下步骤：

1)、载入源点云和模板点云，从源点云中选择需要进行配准的点云，记为待匹配点云，分别获取待匹配点云、模板点云中每一点的特征描述子；所述特征描述子包含各点的三维坐标及法向量数据；

2)从所述待匹配点云中随机选取多个初始点，计算其组成图形的面积；每次选取相同个数初始点，重复多次，确定图形面积最大一组初始点作为待测点集；

从所述待测点集中选择一个点作为待匹配点，计算所述待测点集中其它点到待匹配点的距离、以及待匹配点的法向量与其它各点的法向量间的夹角；

遍历所述模板点云中各点，寻找与所述待匹配点的特征描述子最接近的点作为参考点，计算所述模板点云中其它点到参考点的距离，以及参考点的法向量与其它模板点云中点的法向量的夹角；

3)记待测点集中待匹配点与某一点的距离为L_j，对应的两者法向量夹角为θ_j；j取值的最大值为待测点集中点的总数减1；

对步骤2)中求得的参考点与模板点云其它点的距离、法向量夹角进行筛选，选取距离满足[k_min×L_j，k_max×L_j]，且法向量夹角满足[k_min×θ_j，k_max×θ_j]的点组成的集合作为预选点集；其中：k_min、k_max为预先设定的比例系数；