[发明专利]一种基于多尺度描述子筛除误匹配的三维图像配准方法

摘要

本发明公开了一种基于多尺度描述子筛除误匹配的三维图像配准方法，该方法通过构造一种新型的多尺度描述子，更好的描述对应关键点的特征，并初步获得对应匹配点；并以此为特征遍历待配准点云中与之有相似多尺度描述子的点云集，极大的提高了点云粗配准的运行效率，减小了计算机的计算量，为点云配准带来了极大的便利；该方法能够在更短的时间里获得更加准确的配准效果，且鲁棒性更好，适用于存在噪声、结构复杂、对配准要求高的精密测量领域。

主权项

1.一种基于多尺度描述子筛除误匹配的三维图像配准方法，其特征在于，包括以下步骤：步骤1：获取视角相邻场景的三维点云X和Y，并为三维点云X和Y中的每个点构造多尺度描述子(Qi，Ni)；N_i＝{n_l}；其中，1表示三维点云X或Y中点的邻域搜索半径标记，取值依次为1，2，…，L，L表示邻域搜索半径总数，L≥2；T_l表示归一化向量，λ_l1，λ_l2，λ_l3为矩阵C_l进行SVD分解后的特征值，λ_l1≥λ_l2≥λ_l3，n_l1，n_l2，n_l3分别为λ_l1，λ_l2，λ_l3对应的特征向量，S_l＝{p_i|||p_i‑p₀||≤r_l}，|S_l|表示S_l的最大值，p_i表示三维点云X或Y中某一点p₀的邻域点，r_l表示点p₀的第1个邻域搜索半径，r_L为设定的最大邻域搜索半径，n_l分别表示三维点云中的点与点的搜索邻域半径1对应的法向量，取值为n_l3；步骤2：遍历三维点云X和Y中每个点的多尺度描述子，将X和Y中具有相同多尺度描述子的点分别记录为关键点集Ai0和Bi0；步骤3：根据主曲率特征搜索关键点集Ai0和Bi0中的初始匹配点集Ai1和Bi1；从关键点集Ai0选取任意点ai，遍历Bi0中点，选出与点ai相匹配的点bj，以满足以下条件的点构建初始匹配点集Ai1和Bi1：其中，k1(ai)和k2(ai)分别表示在点ai处，利用点ai的邻域点获得的主曲率极小值和主曲率极大值，k1(bj)和k2(bj)分别表示在点bj处，利用点bj的邻域点获得的主曲率极小值和主曲率极大值，δ1为设定的第一误差阈值；步骤4：利用相似三角形阈值对初始匹配点集Ai1和Bi1中的匹配点对进行筛选，获得配准点对集Ai2和Ｂi2；步骤5：基于SVD计算出Ai2和Ｂi2之间的第一旋转矩阵R1和第一平移矩阵T1，利用第一旋转矩阵R1和第一平移矩阵T1，依次计算Ai2中每个点ai2的变换点a3i的坐标，同时计算Ai2中每个点在Ｂi2中的匹配点b2i与对应变换点之间的欧式距离d3i；Ai3＝R1*Ai2+T1其中，(a3ix，a3iy，a3iz)和(bi2x，bi2y，bi2z)分别为a3i和bi2在x、y、z轴上的坐标；步骤6：计算k的初始值为1，N为当前配准点对集A_i2和Ｂ_i2中配准点对数，并判断d_k+1‑d_k＜ξ₃是否成立，ξ₃表示大于零的误差阈值，若成立，则以当前配准点对集A_i2和Ｂ_i2作为三维点云X和Y的配准数据，否则，令k＝k+1，返回步骤3，重新选取各点的邻域点，计算主曲率。