[发明专利]一种基于张量投票方法的点云配准方法

说明书

本发明提供一种基于张量投票方法的点云配准方法，属于机器视觉目标姿态识别领域，包括以下步骤：获取目标物体的两组点云数据；对两组点云数据滤除噪声；将预处理之后的两组点云数据进行张量编码；将编码后的两组点云数据进行张量投票；投票完成后对张量矩阵进行SVD分解；将两组点云处理得到的特征值做比对，创建相似度函数∆，取∆值最小的一组点作为张量配准的结果；计算两组点云特征矩阵的数学关系，得到旋转矩阵和平移向量。本发明解决现有研究方法中的效率低、耗时长、误差大的问题。

技术领域

本发明涉及机器视觉目标姿态识别领域，尤其是一种基于张量投票方法的点云配准方法。

背景技术

随着机器视觉技术和三维立体操作技术的不断发展，现在科研人员正在探索一种更加先进的技术来使计算机能更符合人脑的工作方式。在机器视觉的研究中，配准是其中一项重要的研究课题。配准技术的应用范围十分广泛，各个行业中都需要一种高效准确的配准技术来代替人，达到解放劳动力的目的。

在机器视觉领域，点集的配准采取自动配准方式，这是通过一定的算法或者统计学规律利用计算机计算两个点集之间错位，从而达到两个点集自动配准的效果，其实质就是把不同的坐标系中测得到的数据点集进行坐标系的变换，以得到整体的数据模型。

最早在1981年，有基于随机抽样一致算法框架的方法，这是一种全局配准算法，该方法利用点云数据间的重叠区域确定对应点，根据对应点求解待匹配点云间的刚体变换关系，通过对候选基重复投票，最后将概率最高的候选基确定为最优解，但该算法稳定性不高，容易匹配错误的对应点。2009年，RUSU等人提出通过三维形状描述符计算特征点的几何特征，将来自不同点云的具有最相似特征的点对识别为对应点，求解变换参数，这种算法容易受到噪声点的干扰。2008年，AIGER等人提出了四点全等集算法4PCS，此算法的理论基础在于共面4点对的仿射不变性，通过使用广域基，将搜索复杂度降低，对噪声和离群点有较好的鲁棒性。2016年，SUN等人提出了一种判别性强的局部形状描述符—区域曲率图，采用基于RCM子区域的搜索匹配策略寻找三维对应点，利用几何一致性实现粗配准，具有较高的配准效率。2019年，赵明富等人提出融合采样一致性和ICP算法对初始位置相差较大的点云进行配准。

上述工作都在不同程度上取得了一些成就，但仍有一些不足：

1、算法本身的计算效率较低；

2、利用几何特征来实现配准的方法容易受到噪声的影响，影响配准的准确度；

3、ICP算法无法解决部分重叠的点云配准问题，同时容易陷入局部优化；4、全局配准方法容易匹配错误的对应点，稳定性不高。

发明内容

本发明需要解决的技术问题是提供一种基于张量投票方法的点云配准方法，解决现有研究方法中的效率低、耗时长、误差大的问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于张量投票方法的点云配准方法，包括以下步骤：

S1、获取目标物体的两组点云数据，一组作为原始点云，一组作为目标点云；

S2、对两组点云数据进行预处理，采用半径滤波的方法滤除噪声；

S3、将预处理之后的两组点云数据进行张量编码，根据两组点云数据中己知的位置信息，将输入数据的两组点云数据分别表示为一系列稀疏张量，由正定对称矩阵表示；

S4、将编码后的两组点云数据进行张量投票；

S5、投票完成后对张量矩阵进行SVD分解,得到的两组点云的特征数学化表示；

S6、将两组点云处理得到的特征值做比对，创建相似度函数Δ，取Δ值最小的一组点作为张量配准的结果；