[发明专利]基于二维图像引导的改进三维点云配准方法、系统及可读存储介质

说明书

本发明公开了一种基于二维图像引导的改进三维点云配准方法、系统及可读存储介质，该方法采用点到面的距离作为目标函数的度量，利用FLANN最近邻算法搜寻方法搜寻最近邻点，先后采用基于彩色图像引导的深度图像滤波方法和基于PCA方法进行降采样，提高了深度点准确度的同时减少了后面迭代过程的计算量，可实现快速的三维点云配准，具有鲁棒性高，计算量小等优点，有效满足了机器人自定位、地图创建等应用领域中对三维点云配准的迫切需求。

技术领域

本发明属于机器人视觉控制领域，特别涉及一种基于二维图像引导的改进三维点云配准方法、系统及可读存储介质。

背景技术

深度图像配准即根据不同视角下场景间的点云重叠约束，计算不同视角对应的旋转平移矩阵，是三维场景构建和机器人三维位姿估计的关键步骤。随着三维激光雷达、立体摄像机、三维相机等深度图像信息获取技术的日益成熟，深度图像配准在三维场景建模、场景识别、机器人导航定位等应用显示出了巨大优势。深度图像配准的准确度和效率直接决定着三维场景构建、三维运动估计、机器人导航定位等任务的性能。

迭代最近点算法(Iterative Closest Point，ICP)作为点云配准中的一种最直接的方法，被广泛应用^[1-2]。ICP深度图像匹配算法是基于点对点的配准，可在较小空间变换范围内或基于较好的初始估计下获得较为准确的三维运动估计。然而经典ICP算法主要缺点不足如下：

(1)由于算法没有包含局部形状信息，限制了配准精度，因而每次迭代都要搜索最近点，计算效率低。经典ICP算法通过逐一比较的方式求解最近邻关系，如对于具有M个点的场景数据集，需要在具有N个点的模型数据集中寻找最近邻，逐一比较的方式其时间复杂度为 O(MN)，该过程存在很大的计算量和搜索量^[3]。

(2)在寻找匹配对应点时，经典ICP算法是假设欧氏距离最近的点为对应点，这样很可能会产生错误的对应关系，造成后续计算出来的变换矩阵存在很大误差，甚至可能使算法陷入局部最小值^[4]。

(3)在连续的深度图像配准过程中，随着传感器获取深度图像数据的噪声数据增加、数据测量精度的下降、以及非重叠匹配区域比例的增长，算法容易陷入局部最优^[5]。

发明内容

本发明提出了一种基于二维图像引导的改进三维点云配准方法、系统及可读存储介质，其目的在于，克服现有技术中ICP配准计算效率低、精度不高的问题。

一种基于RGB-D相机的三维点云ICP配准改进方法，包括以下步骤：

步骤1：获取相邻帧场景的二维彩色图像I_t、I_t+1和对应的深度图像D_t、D_t+1；

利用RGB-D相机在t时刻和t+1时刻获取相邻帧场景的二维彩色图像I_t和I_t+1以及与二维彩色图像对应的深度图像D_t和D_t+1；

步骤2：对深度图像D_t和D_t+1进行以彩色图像为引导的深度图像滤波得到滤波后的深度图像和

以彩色图像对深度图像进行引导滤波，用于深度图像的噪点滤波和深度值平滑。相对于经典的中值滤波，模糊滤波，高斯滤波，双边滤波方法，本发明考虑了彩色图像像素值的连续性，剔除了噪点的同时保留了更多的边信息，获取了更平滑的深度图像。

步骤3：利用二维彩色图像和滤波后的深度图像生成三维点云；

将二维彩色图像I_t和滤波后的深度图像生成三维点云P_t，将二维彩色图像I_t和滤波后的深度图像生成三维点云P_t+1；