[发明专利]一种基于主成分分析的平面点云匹配方法及装置

说明书

本申请公开了一种基于主成分分析的平面点云匹配方法及装置，所述方法包括：对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。所述装置包括：主成分分析模块、初始配准模块和卷积神经网络模块。本申请对大数据量的点云数据的配准处理能力较强，算法时间和空间复杂度可控。利用利用了PCA的特征提取以及CNN的模式匹配，实现了高效、高分辨率的点云学习。

技术领域

本申请涉及计算机数据处理技术领域，特别是涉及基于主成分分析的平面点云匹配方法及装置。

背景技术

在计算机视觉和SLAM(Simultaneous Localization and Mapping，同步定位与地图构建)等领域中，由于深度相机采集的点云数据存在不完整、旋转平移错位等情况，要得到完整的三维点云，就需要对局部点云进行配准，将各个视角得到的点集合并到统一的坐标系下形成完整的三维点云数据的配准就一直是研究的热点，已经成为包括物体位姿估计、场景三维重建和视觉SLAM在内的许多应用的首要任务。

现有的点云几何特征配准的方法有:1)基于构建几何特性的直方图，如基于快速点特征直方图(FPFH)的计算方法通过多维直方图来描述查询点与邻域点之间的空间差异；2)基于距离度量的ICP(Iterative Closest Point,迭代最近点算法)，通过最小二乘的方法重复选择对应关系点对，计算最优刚体变换，直到满足正确配准的收敛精度要求。该方法对角度和尺度变化较大的待匹配点云容易产生错误的对应点，或陷入局部最优而导致配准失败。此外，还有基于几何形状的配准算法，如4PCS(4-Points Congruent Sets，点云粗配准方法)通过查找两个点集上全等且共面的四边形建立对应关系，但对于重叠区域较小的点集，通常难以找到对应关系。基于4PCS方法的Super4PCS算法改善了这一问题，但其时间复杂度远高于同类算法。以上算法对场景简单的点云数据的配准能得到较好的效果；但在实际应用场景中，如SLAM应对帧间配准解决环闭合问题时，从深度相机获取的点云数据往往存在只有部分局部点云重合、旋转平移变换角度大等情况，这些算法往往难以取得较为理想的效果。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于主成分分析的平面点云匹配方法，包括：

对两个特征点云的主要成分进行提取，得到所述两个特征点云的主方向；

使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准；

截取所述两个特征点云周围单位长度的像素输入到CNN神经网络进行对比，确定所述两个特征点云的匹配结果。

优选地，所述的方法，还包括：

当所述两个特征点云被正确匹配时，继续进行所述两个特征点云的相似度计算；

当所述两个特征点云未被正确匹配时，输出匹配结果：所述两个特征点云不相似。

优选地，使用PCA主成分分析法对所述两个特征点云的主方向进行初始配准包括：

对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵；

对所述特征向量矩阵进行矩阵变换将所述两个特征点云的主方向进行配准。

优选地，对所述两个特征点云的协方差信息进行特征值分解，得到所述两个特征点云对应的特征向量矩阵包括：

分别计算源点云X和目标点云Y的质心坐标，表示为xmean和ymean；

分别计算源点云X和目标点云Y的协方差矩阵，表示为Xcovar和Ycovar；