[发明专利]基于点面配准的平面检测方法

说明书

本发明提供了一种基于点面配准的平面检测方法，属于三维重建技术领域。本发明方法具体为：利用八叉树表示点云，基于分枝定界的点面配准算法求取种子点云，通过点面配准找到的种子点云，进行区域增长，获取属于同一平面的点云，利用同一平面的点云进行平面拟合，确定平面。本发明基于分枝定界的点面配准算法求取种子点云，寻找的种子点云更稳定、快速，避免最近迭代点陷入局部极值。

技术领域

本发明属于三维重建技术领域，具体涉及一种基于点面配准的平面检测方法。

背景技术

近年来随着点云采集技术的普及，点云已成为用于现实世界场景和物体三维表示的最重要的数据类型之一。平面检测是识别墙壁、地板、天花板等结构元素的重要方式，是基于点云的三维模型重建的基础。

目前平面检测方案有以下几种：①基于模型拟合的方法，将点云的子集拟合成一个预先定义的平面，主要使用的是霍夫变换(Hough Transform，HT)算法和随机检验一致性(Random Sample Consensus，RANSAC)算法，该方法必须提前已知平面参数，一般是在点云聚类完后使用；②基于区域增长(region growing)的方法，其基本思想是从种子点云开始，再通过其邻近点云的信息不断的扩张，因此，需要计算每个点的特征，而且需要一个稳定可靠的种子区域；③基于特征聚类(feature clustering)的方法，该方法将拥有同一特征的进行分类，其累积方式与区域增长方法类似，都是通过比较领域内相邻点的特征来完成，但是其计算量更大；④基于能量优化(energy optimization)的方法，该方法首先将点云构建成图(graph)，再通过连接函数(connectivity function)进行分割，该方法对噪声的鲁棒性很高，但是计算量很大。

在机器人领域，为了准确高效的完成某项任务，平面感知必须具有良好的实时性。目前使用的方法主要包括基于特征聚类的方法、基于区域增长的方法。两者在思想上很类似，都需要事先计算每个点的特征信息，在后续处理上特征聚类的方法使用特征信息进行聚类，而区域增长的方法需要先找到一个稳定的种子点云，再根据特征信息对种子点云不断进行扩充。由于基于区域增长的平面检测方法计算量更小，所以研究者们往往使用区域增长来进行平面检测。

勃兰登堡科技大学的研究者们使用最近迭代点(Iterative closest point，ICP)来获取稳定的种子点云，并取得了良好的三维重建效果，但是使用最近迭代点寻找种子点云时会陷入局部极值，从而导致得到种子区域并不可靠。

发明内容

针对现有技术中存在不足，本发明提供了一种基于点面配准的平面检测方法，使用基于分枝定界的点面配准来获取稳定的种子点云，不仅可以解决最近迭代点陷入局部极值的问题，还能加快点面配准的速度。

本发明是通过以下技术手段实现上述技术目的的。

基于点面配准的平面检测方法，利用八叉树表示点云，基于分枝定界的点面配准算法求取种子点云，通过点面配准找到的种子点云，进行区域增长，获取属于同一平面的点云，利用同一平面的点云进行平面拟合，确定平面；

三维空间内，位于配准平面内的点须满足：点到平面的垂直距离为0、点在平面的垂直投影到圆心距离小于等于r，其中r为配准平面的半径。

进一步地，所述点到平面的垂直距离为0，具体为：

八叉树中某叶子节点i到变换后平面的垂直距离d_i(R,t)满足：d_i(R,t)＝|n^TRp_i+n^Tt+d|≤ε₂，其中R为旋转矩阵，t为平移向量，n为配准平面的法向量，p_i为叶子节点的中心坐标，ε₂为设定的阈值，d为变换前平面表达式的系数。

进一步地，所述点在平面的垂直投影到圆心距离小于等于r，具体为：