[发明专利]一种基于有向包围盒的尺度点云配准方法及装置

说明书

本发明公开了一种基于有向包围盒的尺度点云配准方法及装置，该方法在点云数据之间存在尺度放缩的情况下，通过有向包围逼近复杂形状的源点云和目标点云，生成三维点云的有向包围盒，并利用生成的源点云有向包围盒和目标点云有向包围盒之间顶点和边的对应关系求解尺度因子和旋转矩阵，由于有向包围盒在重叠时，顶点的对应关系不唯一，因此，通过引入点云单位向量和，以单位向量和的余弦相似度最大为准则，选择最优旋转矩阵，以实现高效且准确的源点云和目标点云配准。

技术领域

本发明涉及点云数据处理技术领域，具体涉及一种基于有向包围盒的尺度点云配准方法及装置。

背景技术

近年来，点云配准作为点云数据处理的关键技术，在计算机视觉、模式识别、目标重建、机器人、医学图像分析等相关领域有着广泛的应用。为了获得完整的源点云和目标点云模型，需要对不同视角下的三维样本数据进行拼接，其中最基本的是两个视角下的点云配准。然而，在扫描测量的过程中，由于扫描顺序、噪声和角度等差异，点云之间的空间变换和对应关系未可知，因此进行精确且快速的点云配准是一个十分困难的问题。

目前，点云配准方法的研究多针对待配准的源点云和目标点云之间存在旋转和平移的情况，国内外学者利用基于最近点迭代（Iterative Closest Point，ICP）的方法进行配准，但基于ICP的方法在迭代过程中容易陷入局部极小值，因此需要提供好的初始值。另一方面，由于扫描设备和物体之间的距离和角度差异，源点云和目标点云之间往往存在一定的尺度放缩，因此实际的配准需要考虑尺度因子，杜少毅等人将尺度因子引入ICP中，但需要估计尺度因子的范围，否则很容易导致配准失败。基于概率的方法也被应用到点云配准中，此类算法的配准精度高但配准速度慢，也容易陷入局部极小值。综上所述，目前缺乏一种能够在尺度放缩情况下，进行高效且精确的源点云和目标点云配准方法。

发明内容

本发明要解决的技术问题为目前缺乏一种能够在尺度放缩情况下，进行高效且精确的源点云和目标点云配准方法，因此，本发明提供一种基于有向包围盒的尺度点云配准方法及装置，在点云数据之间存在尺度放缩的情况下，通过有向包围逼近复杂形状的源点云和目标点云，利用生成包围盒之间顶点和 边的对应关系求解尺度因子和旋转矩阵，同时根据点云数据的矢量特性，引入单位向量和，以单位向量和的余弦相似度最大为准则，选择最优旋转矩阵，以实现高效且准确的源点云和目标点云配准。通过仿真验证本发明提供的一种基于有向包围盒的尺度点云配准方法及装置，配准结果较为准确快速，误差较小，具有良好的实用性。

本发明通过下述技术方案实现：

一种基于有向包围盒的尺度点云配准方法，包括：

构建尺度点云配准模型，并对所述尺度点云配准模型进行去中心化，获取去中心化的源点云和目标点云；

根据去中心化的源点云和目标点云表面顶点的空间分布确定点云的有向包围盒方向，分别生成源点云有向包围盒和目标点云有向包围盒；

基于所述源点云有向包围盒和所述目标点云有向包围盒的顶点和边的对应关系计算尺度因子和旋转矩阵；

基于余弦相似度最大原则从所述旋转矩阵中选择一个作为最优旋转矩阵，并基于所述最优旋转矩阵和所述尺度因子计算平移向量，完成点云配准。

具体地，去中心化后的源点云和目标点云之间满足：

所以平移向量满足：

其中，为空间平移向量，分别表示源点云和目标点云的中心，为旋转矩阵，为尺度因子。

因此，本发明可先由去中心化后的源点云和目标点云计算旋转矩阵和尺度因子，再求解平移向量。

进一步地，所述构建尺度点云配准模型，包括：