[发明专利]基于高维表达的一致点漂移配准方法

摘要

本发明公开了一种基于高维表达的一致点漂移配准方法，首先对采集的点云进行规范化，然后利用局部特征描述子选取基点集，计算点与基点集的相对位置关系，将点的相对结构融合到点的原始坐标中，对点云进行升维；最后将高维点云配准建模为极大似然估计问题，点之间的模糊对应关系转化为后验概率的计算，非刚体变换转化为速度场权重系数的计算，并利用吉洪诺夫正则化对速度场进行平滑约束。实验结果表明，在旋转、形变和噪声等退化情况下，本发明可以实现高精度而快速的点云配准，其成果可以用于虚拟现实、人体姿态跟踪等相关领域的研究与应用。

主权项

一种基于高维表达的一致点漂移配准方法，其特征在于，包括以下步骤：1)对采集的两点云分别进行规范化处理；所述采集的两点云分别为：数据点云XN×D＝(x1,…,xN)以及模型点云YM×D＝(y1,…,yM)；规范化处理后的两点云分别是：数据点云X和模型点云Y；其中，D代表点云维数，N代表数据点云的个数；M代表模型点云个数；2)从两个点云中选取两基点集；所述两基点集为数据基点集BXD×D和模型基点集BYD×D；其中：每个基点集包含D个基点，每个基点为D维向量；3)将规范后的两个点云映射到高维空间，形成高维数据点云和高维模拟点云；3.1)数据点云的映射；对步骤1)规范化处理后数据点云中的任意一点xn＝(xn1,…,xnD)，n＝1,...,N，计算其到数据基点集BXD×D的距离d＝1,…,D，并将这些距离顺序看作点的前D个坐标，即点xn映射到高维空间后的坐标为：由此可得高维数据点云的表达式为：HXN×D′＝(Hx1,…,HxN)，其中D′＝2D；3.2)模型点云的映射；对步骤1)规范化处理后模型点云中的任意一点ym＝(ym1,…,ymD),m＝1,...,M，计算其到模型基点集BYD×D的距离d＝1,…,D，将这些距离顺序看作点的前D个坐标，即点ym映射到高维空间后的坐标为：由此可得高维模型点云的表达式为：HYM×D′＝(Hy1,…,HyM)，其中D′＝2D；4)计算模型点云以数据点云为基准的非刚体变换T，获取两点云之间的配准精度；4.1)设定相对误差阈值为1×10‑10，最大迭代次数为100；4.2)计算模型点云以数据点云为基准情况下的非刚体变换T；4.2.1)计算高维数据点云中的任意一点Hxn属于高维模型点云中任意一点Hym产生的概率分布的概率p(Hxn|m)，按照公式(1)计算：p(Hxn|m)=1(2πσ2)D′/2exp{-||Hxn-T(Hym)||22σ2}m=1,...,M1Nm=M+1---(1)]]>其中，σ2为T(Hym)生成的高斯分布的方差，其初始化值表达式为在迭代更新中的表达式为m＝M+1时，加入的均匀分布1/N是为了考虑两点云不完全重合情形下的外点分布；在首次迭代中，模型点云以数据点云为基准的非刚体变换T设为0；4.2.2)计算数据点云中任意一点Hxn属于模型点云产生的混合概率分布的概率，按照公式(2)计算：P(Hxn)=Σm=1M+1P(m)p(Hxn|m)---(2)]]>其中，P(m)为隶属概率，即点Hxn属于T(Hym)生成的概率分布的概率，P(M+1)为外点比例，初始化为0.01；4.2.3)根据数据点云中任意一点Hxn属于模型点云产生的混合概率分布的概率P(Hxn)，按照公式(3)计算数据点云Hxn与模型点云的对应概率Pmn＝p(m|Hxn)；Pmn=P(m)p(Hxn|m)p(Hxn)---(3)]]>4.2.4)根据数据点云与模型点云的对应概率Pmn，计算模型点云以数据点云为基准的情况下的非刚体变换T，按公式(4)计算：T(HY)＝HY+GW          (4)其中，G＝(gij)M×M是根据模型点云的分布创建高斯核函数矩阵，高斯核函数矩阵中每个元素由公式(5)计算:gij＝exp{‑||Hyi‑Hyj||2/2β2}      (5)其中β为高斯核函数的带宽，初始化为1；W为系数矩阵，系数矩阵由线性系统决定，具体计算公式是：(G+λσ2d(P·1)‑1)W＝d(P·1)‑1PHX‑HY      (6)其中，P＝(pmn)M×N；λ为平滑控制参数，λ初始化值为3.5；4.2.5)根据4.2.1)至4.2.4)反复迭代计算得到的非刚体变换T，计算变换后的模型点云与作为基准的数据点云的相对迭代误差，相对迭代误差按照公式(7)计算：er=|Qold-Qnew|Qnew---(7)]]>将计算得到的相对迭代误差与步骤4.1)中设定的相对误差阈值进行比较：当相对迭代误差比相对误差阈值大并且迭代次数没有达到最大值100，则继续迭代重复步骤4.2.1)至步骤4.2.4)；当相对迭代误差比相对误差阈值小或者迭代次数达到最大值100，则停止迭代计算并且输出非刚体变换T(HY)＝HY+GW。