[发明专利]一种四元数空间优化的三维图像配准方法

说明书

本发明提供了一种四元数空间优化的三维图像配准方法。所述一种四元数空间优化的三维图像配准方法利用点云的法向量特征解耦旋转及平移的关联，再利用循环直方图搜索的机制迭代的搜索最优变换，将不同视角的三维图像进行配准。本发明提出了一种全新的点云配准方法体系，能够将旋转与平移解耦，极大地提升了算法效率，并且能够应用于更加全面的三维图像配准中，能够取得更加精确的配准效果，具有极高的算法适应性。

技术领域

本发明涉及图像配准领域，特别涉及一种四元数空间优化的三维图像配准方法。

背景技术

随着人工智随着科技的飞速发展，图像获取设备已经能够得到越来越精确且数据量越来越庞大的点云图像。点云配准是三维重建技术中关键的一部分，它将不同视角的三维图像的相对坐标融合到一个绝对坐标系下，实现精确的三维模型重建。在航空航天、汽车工业、大型船舶等智能制造体系中，基于三维机器视觉算法的模型重建一直是一个高效的研究方法。复杂异型曲面的加工与检测都需要一个高精度的图像配准算法。

当前，迭代最近点(Iterative Closest Point)算法是应用最广泛的点云配准算法之一，它通过迭代的交替优化确认对应点集与计算最优变换步骤直到算法收敛。该算法简单并且算法复杂度不高。但是它对于点集的对应关系非常严格并且需要一个良好的点云姿态初始位置，因此基于迭代最近点的粗配准-精配准体系被开发出来，用额外的手动设计的描述子算法来获得一个良好的初始化并用迭代最近点算法进行最终的优化。

目前这一类算法不论是迭代最近点算法，还是以此为基石的粗配准-精配准体系，都在实际应用中具有局限性，往往只能应用于具有特定特征的一类三维点云数据。传统的描述子类型的特征提取算法往往对于点的对应关系要求严格，对于参数的选择非常敏感，鲁棒性差。在配准的过程中，不同算法在运用于特定对象的同时只能保证一个相对的最优解求解。

传统的迭代最近点(Iterative Closest Point)算法需要苛刻的点云隐式的对应关系存在，同时对于一定的小的点云的空间初始位姿范围内才能实现配准，但是在实际的工业曲面重建时，噪声、大的变换等往往都使得该算法难以有效。而基于迭代最近点等算法的粗配准-精配准体系，需求一个良好的手动设计的局部描述子提取特征，传统的描述子类型的特征提取算法往往对于点的对应关系要求严格，对于参数的选择非常敏感，鲁棒性差。在配准的过程中，对于点云特征类型也有一定的要求，并不能实现良好的匹配以及一个广泛的工业落地化的适应性。不同算法在运用于特定对象的同时只能保证一个相对的最优解求解。

发明内容

本发明提供了一种四元数空间优化的三维图像配准方法，其目的是为了解决背景技术中现有图像点云配准算法的适应性与配准精度不高，鲁棒性差的技术问题。

为了达到上述目的，本发明提供的一种四元数空间优化的三维图像配准方法，利用点云的法向量特征，解耦待配准点云之间旋转及平移关系，再利用循环直方图搜索的机制迭代的搜索最优变换，将不同视角的三维图像进行配准，具体包括如下步骤：

步骤S1、获取相邻视角场景的三维点云坐标，获得源点云X的坐标与目标点云Y的坐标；

步骤S2、求解获得从源点云X的坐标转换到目标点云Y的坐标的候选旋转向量群，得到对应关系点的候选旋转方式及平移方式；

步骤S3、根据步骤S1中的候选旋转方式及平移方式，对源点云X施加旋转及平移获得变换后的点集，求解得到的点集与目标点云Y的子集中点对关系在一定误差范围内的点对集；

步骤S4、利用奇异值分解求解点对关系误差小的点对集之间的旋转方式及平移方式；

步骤S5、利用步骤S4中的旋转方式及平移方式对源点云X进行旋转平均，实现源点云X与目标点云Y之间的配准。