[发明专利]基于描述子特征优化矿山点云临近迭代的配准方法、系统

权利要求书

1.基于描述子特征优化矿山点云临近迭代的配准方法，其特征在于，包括：

去除采集的巷道退化环境初始点云数据中的离群点，获得巷道退化环境有效点云数据；

提取所述巷道退化环境有效点云数据中的关键点，获取所述关键点的FPFH特征；

基于所述关键点的FPFH特征，采用采样一致性初始配准算法进行点云的粗配准，获得巷道退化环境点云粗配准变换矩阵；

采用GICP算法获得点云之间坐标变换参数，完成点云的精配准。

2.根据权利要求1所述的基于描述子特征优化矿山点云临近迭代的配准方法，其特征在于，所述离群点的确定方法为：

基于所述巷道退化环境初始点云数据中的任一点云，采用KD-tree近邻搜索算法获得对应点云的若干相邻点，将与点云的距离小于设定阈值的相邻点分类为一个聚类；

若同一聚类中相邻点的数量小于设定数量阈值时，则该点云为离群点；

所述离群点的去除采用的是欧式聚类算法。

3.根据权利要求1所述的基于描述子特征优化矿山点云临近迭代的配准方法，其特征在于，所述关键点的提取方法为：

基于所述巷道退化环境有效点云数据，获取每一个点p_i预设半径内的所有点，并计算这些点的权值w_ij；

w_ij＝1/||p_i-p_j||，||p_i-p_j||r_frame；r_frame为预设半径，其中，p_i为基准点，p_j为预设半径内的任一点；

根据所述权值获取对应点的协方差矩阵COV(p_i)；

基于所述协方差矩阵COV(p_i)，获得每个点p_i的协方差矩阵的特征值其中，

若且则该点为关键点；

ε₁≤1，ε₂≤1。

4.根据权利要求3所述的基于描述子特征优化矿山点云临近迭代的配准方法，其特征在于，所述关键点的FPFH特征的获取步骤为：

基于所述巷道退化环境有效点云数据，获取每个查询点D_q与其所有邻域点之间的相对关系S(D_q)；

重新确定每个点的k邻域，基于已知的SPFH特征，估计FPFH特征F(D_q)；

其中，w_i为第i个邻域点SPFH特征的加权值，为待求点与其第i个邻域点的距离值。

5.根据权利要求1所述的基于描述子特征优化矿山点云临近迭代的配准方法，其特征在于，所述粗配准的步骤包括：

从基准点云中选择s个样本点，且两两样本点之间的配对距离大于预设下限值；

从待配准点云中查找与基准点云中的样本点具有相似FPFH特征的一个或多个相似点，并随机选取一个作为样本点的对应点；

基于任一组样本点与其对应点，获得刚体变换矩阵：其中，R为旋转矩阵，t为平移矢量；

采用Huber函数进行所述刚性变换矩阵的性能评判：

m_l为设定值，l_i为第i组对应点变换之后的距离差；

当Huber函数的值最小时，所获得对应刚体变换矩阵即为所述巷道点云粗配准变换矩阵。