[发明专利]一种最小化约束的多视角点云配准方法

权利要求书

1.一种最小化约束的多视角点云配准方法，其特征在于，该方法包括下列步骤：

S1采集多个视角的点云数据，并将采集的所有点云数据转化至同一坐标系中，计算点云的三维包围盒，根据三维包围盒之间的位置关系判断点云数据之间的重合关系；

S2根据点云的重合关系确定重合点云中对应的点对，构建点对的距离和方差加权最小化目标函数，并求解该目标函数，以此获得位姿变换矩阵；

S3利用该位姿变换矩阵对点云数据进行校正，以此获得配准后的点云数据。

2.如权利要求1所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S1中，计算点云的三位包围盒之前，还需对所有点云数据进行滤波。

3.如权利要求2所述的一种最小化约束的多视角点云配准方法，其特征在于，所述滤波的方法按照下列进行：

设定当前点的查找半径r，查找半径r范围内的邻域点，如果邻域点的个数小于预设阈值K，则当前点是离群点，剔除该当前点。

4.如权利要求1或2所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S1中，所述三维包围盒按照下列方式构建：

点云的包围盒中心为O(o_x,o_y,o_z)：

其中，p＝[p_x,p_y,p_z]为一片点云中任意一点，X_min为所有点x坐标中最小值，X_max为所有点x坐标中最大值，Y_min为所有点y坐标中最小值，Y_max为所有点y坐标中最大值，Z_min为所有点z坐标中最小值，Z_max为所有点z坐标中最大值，o_x,o_y,o_z为包围盒中心的三坐标，L，W和H分别为包围盒的长宽高。

5.如权利要求1所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S1中，所述判断点云数据之间的重合关系按照下列方式进行：如果两片点云数据的包围盒在空间有交集，则两片点云数据有重合，反之不存在重合。

6.如权利要求5所述的一种最小化约束的多视角点云配准方法，其特征在于，所述在空间上有交集按照下列进行：

其中，O_i和O_j分别代表第i个和第j个包围盒，是O_i的中心点x，y，z轴坐标，是O_j的中心点x，y，z轴坐标，L_i，W_i，H_i为O_i的长、宽、高，L_j，W_j，H_j为O_j的长、宽、高。

7.如权利要求1所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S2中，所述点对按照下列进行：查找一片点云中的一点到另一片点云中所有点的最近点，如果两点的点间距小于一定阈值，则认为两点构成了一个对应点对。

8.如权利要求7所述的一种最小化约束的多视角点云配准方法，其特征在于，所述查找采用KD-Tree进行查找。

9.如权利要求1所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S2中，所述目标函数按照下列进行：

其中，n为点云的总个数，d_ijk为第i个点云与第j个点云之间的第k个对应点的点间距，为第i个点云与第j个点云之间的所有对应点的点间距平均值，μ为一个权重，m为从第i个点云与第j个点云之间对应点对采样的数目。

10.如权利要求1所述的一种最小化约束的多视角点云配准方法，其特征在于，在步骤S2中，所述求解目标函数采用高斯牛顿法。