[发明专利]基于近似直立扫描点云快速配准的三维重建方法及系统

说明书

本发明属于三维数据采集与处理领域，具体涉及了一种基于近似直立扫描点云快速配准的三维重建方法及系统，旨在解决现有技术未考虑实际点云采集中的点云近似直立性，点云配准效率低，从而导致三维重建效率、准确率和精度低的问题。本发明包括：获取近似直立扫描的目标点云和原始点云；通过自适应网格大小进行点云体素化；采用先验可靠区域引导点云初始配准；kd树结合ICP算法进行点云精确配准；结合初始配准和精确配准进行点云最终配准；基于配准后的点云进行三维重建。本发明充分考虑点云的近似直立性，快速精确实现点云配准，三维重建效率高、准确率和精度高。

背景技术

三维激光扫描技术以其精度高，速度快的特点，在数字城市、文物数字化、非接触测量和三维建模等方面得到了越来越广泛的应用。而点云配准是三维建模重建技术中非常重要的一步。由于物体形状、环境等遮挡或者自遮挡原因，一次测量只能获取被测物体或场景的一部分点云数据，为了完整获取物体的信息往往需要从不同角度多次采集。扫描仪在不同的放置位置、不同扫描角度采集的点云数据的坐标系统不一样，点云配准的目标是找到两个不同坐标系统之间的坐标变换公式。

现有技术中点云配准主要包括三种类型：第一种是基于点云几何特征的配准，一些文献提出重构的多边形表面可以作为坐标变换中不变的特征描述子[1]，一些文献利用法向量与其k近邻之间的夹角对尺度和旋转变换是不变量来构造基于角度的点云配准[2]，一些文献提出一种基于轮廓进行配准的算法[3]，还有一些文献提出了一种具有识别性和鲁棒性的三维形状描述子区域曲率图，用于三维点云自动配准[4]，此外，一些配准算法通过定义最大限度稳定形状指数区域、结合局部几何特性和统计特性、将几何结构集成到深度神经网络、使用法线点等来完成点云的配准。然而，虽然这些方法充分利用了几何信息，但对特征提取和特征匹配的误差更为敏感，因而最终配准结果往往有较大误差，甚至有些配准结果是错误的。第二种是传统ICP算法及其改进，迭代最近点算法(ICP)是在点云具有良好的先验姿态信息的前提下，通过迭代估计坐标变换公式中的参数，对两个有重叠的点云数据进行精确配准。大量的文献针对该过程的每个步骤提出了许多改进，一些文献通过构造点云局部特征量来优化配准算法[5]，一些文献结合曲面的法向特征和曲率特征，提出了法向ICP方法[6]，还有一些文献通过引入删除掩码的概念，对经典的ICP算法进行了改进[7]。这些方法是利用形状或者同级特征来加速ICP算法的配准，然而，由于形状和统计特征的估计往往误差较大，配准算法的速度效率提高并不显著。第三种是混合方法，包括几何方法、统计方法、优化方法和深度学习等方法及其混合方法。一些文献认为配准问题可以表示为混合整数线性规划的分枝定界问题[8]，一些文献基于牛顿迭代算法提出了改进的三维正态分布变换算法[9]。多阶段配准方法包括两阶段准则，即初始对齐和全局一致优化，一些文献提出的算法由提取平面特征、计算每个平面斑块的面积、利用几何一致性将启发式搜索与剪枝相结合进行配准这三个步骤组成[10]，在找到解后利用加权最小二乘法对变换进行细化。另外，一些配准方法采用了同时定位与映射(SLAM)技术、双向最大相关准则、基于学习的方法包括深度神经网络、通用图论框架等。然而，这些方法都没有利用原始点云和目标点云等大小体素化策略来简化点云，配准精度和速度上仍有待进一步提高。

总的来说，现有技术中点云配准的三种类型的方法，还存在上述的各种问题，并且，在现实数据采集中，无论是地面扫描还是车载扫描，扫描仪都是水平放置的，这就意味着不同坐标下的点云数据方向大致都是Z轴向上的，点云配准在实际工程应用中不需要在整个旋转空间中寻找最优解，因此，本领域还急需一种基于近似直立扫描点云快速配准的三维重建方法，在近似直立扫描的点云数据快速配准的前提下，实现高效、高质量的三维重建。

以下文献是与本发明相关的技术背景资料：

[1]Li P.,Cheng P.,Sutton M.A.:Three-dimensional pointcloudregistration by matching surface features with relaxationlabelingmethod.Experimental Mechanics 45,71–82(2005).