CN109345571A - 一种基于扩展高斯图像的点云配准方法 - Google Patents
一种基于扩展高斯图像的点云配准方法 Download PDFInfo
- Publication number
- CN109345571A CN109345571A CN201811190655.4A CN201811190655A CN109345571A CN 109345571 A CN109345571 A CN 109345571A CN 201811190655 A CN201811190655 A CN 201811190655A CN 109345571 A CN109345571 A CN 109345571A
- Authority
- CN
- China
- Prior art keywords
- grid
- point cloud
- gaussian
- image
- normal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种基于扩展高斯图像的点云配准方法,本发明涉及图像的点云配准方法。本发明的目的是为了解决现有点云配准领域常用的粗配准算法SAC‑IA算法开销过大,基于EGI算法将高斯球等分为多面体或经纬度,花费时间较长,以及基于EGI算法计算旋转矩阵时直接在可行域内搜索最优解,难以平衡效率和精度的双重要求的问题。过程为:将法线在各自本体坐标系下的坐标集合记为NT和NS;对高斯扩展图像进行网格化分;将初步匹配后的网格按照网格内法线数量降序排序;得到修正后的网格;计算旋转矩阵;输出iter、Corr和M。本发明用于计算机图形学和机械加工技术的交叉领域。
Description
技术领域
本发明属于计算机图形学和机械加工技术的交叉领域,具体涉及图像的点云配准方法。
背景技术
工件加工过程中常常先使用铸造进行毛胚制造,之后利用车削、磨削等减材加工方式将零件加工成最终形状。这个过程中需要对铸件情况进行检测,确定余量的分布,之后进一步优化余量的分布,便于下一步切削加工。激光扫描仪因其便于表面点云数据迅速,时间成本低,精度较高的特性,较之人工更适于对铸件的检测。在扫描仪获取到组件的点云数据之后,使用点云配准算法,将该点云与CAD软件中设计的模型进行配准和对比,这种方法能够高效率的、可靠的分析之后机械加工的余量。
点云配准领域针对于各种不同情景及不同外形的点云配准做了很多相关研究。点云配准领域常用的粗配准算法SAC-IA,通过迭代的方式,最小化目标点云及模型点云之间的距离,完成配准。该算法开销过大。有文献提到使用Extended Gaussian Images(EGI)估计旋转矩阵联合使用ICP算法完成配准的一类算法,将高斯球等分为多面体或经纬度,每个面面积相同,然而得到多面体的每一个棱角的具体坐标较为困难,同时当法线数量较为庞大时,需要逐个面判断计算每一个法线是否指向该面,花费时间较长。计算旋转矩阵时直接在可行域内搜索最优解,难以平衡效率和精度的双重要求。
EGI为扩展高斯图像;
发明内容
本发明的目的是为了解决现有点云配准领域常用的粗配准算法SAC-IA算法开销过大,基于EGI算法将高斯球等分为多面体或经纬度,花费时间较长,以及基于EGI算法计算旋转矩阵时直接在可行域内搜索最优解,难以平衡效率和精度的双重要求的问题,而提出一种基于扩展高斯图像的点云配准方法。
一种基于扩展高斯图像的点云配准方法具体过程为:
步骤一、将模型点云和毛坯点云中的法线在各自本体坐标系下的坐标集合记为NT和NS(得到法线位置);
步骤二、分别对模型点云和毛坯点云生成的高斯扩展图像(EGI)进行网格化分;
步骤三、基于步骤二对网格Pi T、和网格Pi s、进行初步匹配,将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、
其中,Pi S为中法线数量最多的网格;Pi T为中法线数量最多的网格;
为中法线数量最多的网格;为中法线数量最多的网格;
为毛坯点云生成的高斯扩展图像的第i个基础网格,为模型点云生成的高斯扩展图像的第i个基础网格,
为毛坯点云生成的高斯扩展图像的第j个基础网格,为模型点云生成的高斯扩展图像的第j个基础网格;
i=1,2,...,12;j=i+1,i+2,...,12;i≠j;
步骤四、对P1 T″、和P1 s″、进行修正,得到修正后的P1 T′、和P1 s′、
步骤五、根据修正后的P1 T′、和P1 s′、计算能使模型点云生成的高斯扩展图像(EGI)和毛坯点云生成的高斯扩展图像(EGI)配准的旋转矩阵;
步骤六、基于步骤旋转矩阵,输出iter、Corr和M;
M为最终输出的旋转矩阵;
Corr为毛坯点云生成的高斯扩展图像和模型点云生成的高斯扩展图像的相关性;
iter为迭代次数。
本发明的有益效果为:
提出了针对机械加工场合余量分析中点云配准的算法,在网格化算法、对应点识别、旋转矩阵计算及迭代策略等部分,针对以往基于EGI的点云配准算法的缺点,进行了一定程度的改进。在计算复杂度上显著的低于以往的算法,降低了算法开销。使用激光扫描实现精密加工余量分析的背景下,通过采用HEALPix算法,改变球面的划分方式,构建KDtree确定各面包括的法线,提高划分效率,花费时间较短。进一步细分面片以提高精度,同时采用“动态平均值”的计算方式,防止过细的划分模糊峰值。使用迭代加变异,一方面提高精度,另一方面避免局部最优化,平衡效率和精度的双重要求。
基于EGI算法将高斯球等分为多面体或经纬度改为采用HEALPix算法,改变球面的划分方式;EGI算法计算旋转矩阵时直接在可行域内搜索最优解改为提出明确计算公式计算旋转矩阵和迭代策略。本发明算法开销大约较SAC-IA算法减少80-85%的计算时间。本发明精度以RMS(均方根)计量,约提高一个数量级。
附图说明
图1为本发明流程图;
图2为本发明通过2HEALPix方法对高斯扩展图像分割成12个网格示意图;
图3为本发明通过2HEALPix方法对高斯扩展图像分割成48个网格示意图;
图4为本发明通过2HEALPix方法对高斯扩展图像分割成192个网格示意图;
图5为本发明通过2HEALPix方法对高斯扩展图像分割成768个网格示意图;
图6为风电叶片示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于扩展高斯图像的点云配准方法具体过程为:
步骤一、将模型点云和毛坯点云中的法线在各自本体坐标系下的坐标集合记为NT和NS(得到法线位置);
所述模型点云为理想机械零件模型的点云;
毛坯点云为毛坯件的点云(工厂加工出的毛坯件,扫描仪扫描得到的);
步骤二、分别对模型点云和毛坯点云生成的高斯扩展图像(EGI)进行网格化分;
步骤三、基于步骤二对网格Pi T、和网格Pi s、进行初步匹配,将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、
其中,Pi S为中法线数量最多的网格;Pi T为中法线数量最多的网格;
为中法线数量最多的网格;为中法线数量最多的网格;
为毛坯点云生成的高斯扩展图像的第i个基础网格,为模型点云生成的高斯扩展图像的第i个基础网格,
为毛坯点云生成的高斯扩展图像的第j个基础网格,为模型点云生成的高斯扩展图像的第j个基础网格;
i=1,2,...,12;j=i+1,i+2,...,12;i≠j;
步骤四、对P1 T″、和P1 s″、进行修正,得到修正后的P1 T′、和P1 s′、
步骤五、根据修正后的P1 T′、P1 s′、计算能使模型点云生成的高斯扩展图像(EGI)和毛坯点云生成的高斯扩展图像(EGI)配准的旋转矩阵;
步骤六、基于步骤旋转矩阵,输出iter、Corr和M;
M为最终输出的旋转矩阵;
Corr为毛坯点云生成的高斯扩展图像和模型点云生成的高斯扩展图像的相关性;
iter为迭代次数。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤二中分别对模型点云和毛坯点云生成的高斯扩展图像(EGI)进行网格化分,具体过程为:
HEALPix(Hierarchical Equal Area isoLatitude Pixelization)最初是应用于宇宙微波背景方面的研究,以支持球面高分辨率的离散化。HEALPix按照分辨率可以分为数级,最低级为12个网格。HEALPix划分球面如图2、3、4、5所示。
HEALPix具有以下特征:
网格块分层建构,数据便于访问。
生成网格块方法简单,运算高效。
球面划分成等大小的曲面四边形,每个网格的面积相同。
分别将模型点云和毛坯点云生成的高斯扩展图像分成12个基础网格,HEALPix(HEALPix is an acronym for Hierarchical Equal Area isoLatitudePixelization ofa sphere.As suggested in the name,this pixelization produces a subdivision ofa spherical surface in which each pixel covers the same surface area.)通过递归的方式逐层的对上一级的每个网格划分为4个,直至达到m个网格,m=12×4n,n取值为整数;m=12×4n=3072;
采用kd-tree(k-d树)算法计算每一个网格中的法线数量(法线数量是模型中点的数量确定的,对每一个点计算一次它对应的法线),存储为向量(每一个元素代表该网格法线的数量)形式;同时记录法线在各自本体坐标系下的坐标;
采用“环状”和“嵌套”的方式对于各个网格建立索引,便于通过不同方式快速访问数据和对数据进行处理。
按照HEALPix的嵌套索引方式,将毛坯点云生成的高斯扩展图像HS和模型点云生成的高斯扩展图像HT根据12个基础网格划分为12个部分(每个部分有4n(256)个网格的法线数量),分别为和i=1,2,...,12;
其中为毛坯点云生成的高斯扩展图像的第1个基础网格,为毛坯点云生成的高斯扩展图像的第i个基础网格,为毛坯点云生成的高斯扩展图像的第12个基础网格;为模型点云生成的高斯扩展图像的第1个基础网格,为模型点云生成的高斯扩展图像的第i个基础网格,为模型点云生成的高斯扩展图像的第12个基础网格。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤三中基于步骤二对网格Pi T、和网格Pi s、进行初步匹配,将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、具体过程为:
对应点识别
找到相应的网格可能是一项具有挑战性的工作,尤其是当物体的法线在某种程度上均匀分布时。由于法向量的分布特点,高密度的一个网格可能在反方向上具有相似密度的网格,从而在旋转矩阵计算中产生误差。此外,好的算法应该对网格的旋转和位置变化不敏感。在这里,我们使用一种简单而有效的方法,根据法线的数量和选定分格之间的长度关系,找到与源EGI中网格相关的目标EGI中的网格。对应点识别,按照以下的步骤进行:
步骤三一、遍历和分别找到和中法线数量最多的网格构成和i=1,2,...,12;
其中Pi S为中法线数量最多的网格;Pi T为中法线数量最多的网格;
步骤三二、对和分别按照法线数量进行降序排序;
找到以高斯扩展图像球心为起点指向Pi s、和Pi T、的向量记为Vi S、和Vi T、
其中为中法线数量最多的网格;为中法线数量最多的网格;
以每一个Pi s判断其他是否满足如果不满足,舍弃如果满足,保留j=i+1,i+2,...,12;i≠j;
以每一个Pi T判断其他是否满足如果不满足,舍弃如果满足,保留j=i+1,i+2,...,12;i≠j;
步骤三三、计算出剩余的网格中的任意两个网格之间的距离和
为毛坯点云生成的高斯扩展图像的第j个基础网格,为模型点云生成的高斯扩展图像的第j个基础网格;
为PS中剩余的网格中的任意两个网格之间的距离;
为PT中剩余的网格中的任意两个网格之间的距离;
DS为PS中剩余的网格中的任意两个网格之间的距离的集合;
DT为PT中剩余的网格中的任意两个网格之间的距离的集合;
判断DS和DT中是否有相近的值和若和差异在5%以内,则网格Pi T、与网格Pi s、初步匹配;
通过测试可以发现,这种方法可以有效的将距离过近的密集点排除出去,同时在两个EGI中将法向密度较高的两个密集点通过他们的几何距离识别出来,这种方法是对旋转和噪声不敏感的。
将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤四中对P1 T″、和P1 s″、进行修正,得到修正后的P1 T′、和P1 s′、具体过程为:
选定点的坐标优化
以HEALPix产生的3072个网格为例,即便分割的数量众多,每两个临近的网格中心对球形的角度约为4度,误差仍然较大。同时注意到一个密度高的网格可能与相邻的网格簇组成一个法线密集的区域。在找出两个EGI中成对的密集区域之后。我们可以通过以最大密度为标准计算整个区域的中心点来提高精度,而不是使用该区域中得分最高的网格的几何中心点,这两个中心点通常不相等。则表明我们有必要进一步提高精度,中提到单纯提高划分的网格密度可能会将法线密集区域每一个网格包含的法线数量减少,难以识别,不利于后期配准。这里采用动态平均的方法,即固定每一个“窗口”的大小,而变动窗口中心的位置,直观的看如同窗口在发现密集区域内以非常小的步长进行移动,窗口的大小固定,保证总是有足够多的法线落在窗口内,而变动窗口位置直到到达一个能使得落在窗口内的法线数量最大化为止。具体的算法步骤如下。
将按法线数量降序排序后的P1 T″、和P1 s″、四个网格中每一个均执行以下步骤:
步骤四一、找到离P0最近的n个网格,组成集合{P0,...,Pn},找到集合{P0,...,Pn}中每一个网格的法线位置(前面知道法线数量就知道法线位置),构成法线集NP;
P0为P1 T″、P1 s″、中的一个;
步骤四二、找到以高斯扩展图像球心为起点指向P0的向量V,构造垂直于V的平面A,且平面A通过高斯扩展图像球心,将法线集NP投影至垂直于V的平面A,得到法线集NP中每一个法线对应的二维坐标集合Ni;
步骤四三、在平面A中生成均匀分布的点的集合PA(很多个网格),点的集合PA覆盖平面A中的法线,使用KD-tree方法确定以集合PA中每个点为中心固定半径圆内的法线数量,组成数组HA;
步骤四四、找到数组HA中法线数量最多的点(x0,y0),将(x0,y0)沿向量V投影回高斯扩展图像球面,得到P0新的坐标值,完成对P0的修正;(x0,y0)∈Ni。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述固定半径为:
其中,τ取值为正整数(用来控制圆的大小);(xi,yi)∈Ni;range为距离;xi为法线集NP中第i个法线对应的二维横坐标,yi为法线集NP中第i个法线对应的二维纵坐标。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤五中根据修正后的P1 T′、P1 s′、计算能使模型点云生成的高斯扩展图像(EGI)和毛坯点云生成的高斯扩展图像(EGI)配准的旋转矩阵;具体过程为:
首先对齐较高的分数网格,然后保持这两个网格对齐,沿着指向先前对齐的网格的轴。旋转两个EGI,直到得分较低的两个网格对齐。将两个旋转向量的表示为一个旋转矩阵,通过将此矩阵应用于目标点云中的每个点来完成两个点云的对齐。具体的公式如下:
将以高斯扩展图像球心为起点分别指向P1 T′、和P1 s′、的向量记为V1 T、和V1 s、定义旋转向量V1和V2,旋转角θ1和θ2;
计算旋转向量V1,旋转角θ1公式如下:
求解公式为:
其中为中间变量;
初始旋转矩阵R1由旋转向量V1和旋转角θ1得到,公式为:
其中I为单位矩阵,V1 H为旋转向量V1的转置,V1x为旋转向量V1在x方向上的分量,V1y为旋转向量V1在y方向上的分量,V1z为旋转向量V1在z方向上的分量;
计算旋转向量V2,旋转角θ2公式如下:
V2=V1 T
其中为中间变量;
初始旋转矩阵R2由旋转向量V2和旋转角θ2得到,公式为:
其中为旋转向量V2的转置,V2x为旋转向量V2在x方向上的分量,V2y为旋转向量V2在y方向上的分量,V2z为旋转向量V2在z方向上的分量;
根据R1和R2得到旋转矩阵R:
R=R1R2。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤六中基于步骤旋转矩阵,输出iter、Corr和M;具体过程为:
步骤六一、定义迭代次数iter=0,定义迟滞stall=0;定义M=I;
其中,I为单位矩阵;M为最终输出的旋转矩阵;
更新Hs=R×Hs
计算HT和更新后Hs的相关性,公式如下:
当相关度函数为1是两个EGI图像的相关程度最大。
步骤六二、更新M=R×M,如果M大于等于阈值0.98,输出iter、Corr和M;
如果M小于阈值0.98,执行步骤六三;
步骤六三、将模型点云和毛坯点云中的法线在各自本体坐标系下的坐标集合记为NT和Ns′(得到法线位置);执行步骤六四;
Ns′=R×Ns
步骤六四、重新执行步骤二至步骤六一,得到新的Hs和HT,计算新的Hs和HT的相关性,相关度函数如如下:
令Stall加1;
执行步骤六五;
步骤六五、比较Corr和Corr′:
如果Corr×1.05小于Corr′,执行Stall减1;执行步骤六六
如果Corr小于等于Corr′,让Corr等于Corr′,更新M=R×M;令Ns=Mrand×Ns;令Stall加1;执行步骤六六
(Corr大于Corr′不考虑);
所述Mrand为旋转角θ对应的旋转矩阵;
θ为随机生成的绕点云本体坐标系XYZ三轴的旋转角;
步骤六六、判断Stall是否大于3,且Corr′小于等于0.98,如果满足,M=Mrand×M;令Ns=Mrand×Ns;执行步骤六七;
如果不满足,执行步骤六七;
步骤六七、另stall=0,iter+1;
如果满足Corr′小于阈值0.98,且iter小于等于15,重复执行步骤六四至步骤六七,输出iter、Corr和M;
如果不满足,输出iter、Corr和M。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述旋转角θ对应的旋转矩阵Mrand求解过程为:
随机均匀生成θ=(θ1,θ2,θ3),θ1,θ2,θ3∈(-π,π)
式中,θ为随机生成的绕点云本体坐标系XYZ三轴的旋转角,θ1为绕点云本体坐标系X轴的旋转角,θ2为绕点云本体坐标系Y轴的旋转角,θ3为绕点云本体坐标系Z轴旋转角。
其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
仿真对象风力发电机叶片;如图6为风力发电机叶片;
仿真流程:
将风力发电机叶片点云作为模型点云NT;
随机产生的50个对XYZ轴的旋转角对应的旋转矩阵作用于风力发电机叶片点
云,生成目标点云NS。
按照算法,重复运行50次,将每次得到的输出结果输出iter、Corr和;M
分别计算每一次的RMS与运行时间。与其他算法比较,得到以下结果。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于扩展高斯图像的点云配准方法,其特征在于:所述方法具体过程为:
步骤一、将模型点云和毛坯点云中的法线在各自本体坐标系下的坐标集合记为NT和NS;
步骤二、分别对模型点云和毛坯点云生成的高斯扩展图像进行网格化分;
步骤三、基于步骤二对网格Pi T、和网格Pi s、进行初步匹配,将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、
其中,Pi S为中法线数量最多的网格;Pi T为中法线数量最多的网格;
为中法线数量最多的网格;为中法线数量最多的网格;
为毛坯点云生成的高斯扩展图像的第i个基础网格,为模型点云生成的高斯扩展图像的第i个基础网格;
为毛坯点云生成的高斯扩展图像的第j个基础网格,为模型点云生成的高斯扩展图像的第j个基础网格;
i=1,2,...,12;j=i+1,i+2,...,12;i≠j;
步骤四、对P1 T″、和P1 s″、进行修正,得到修正后的P1 T′、和P1 s′、
步骤五、根据修正后的P1 T′、P1 s′、计算能使模型点云生成的高斯扩展图像和毛坯点云生成的高斯扩展图像配准的旋转矩阵;
步骤六、基于旋转矩阵,输出iter、Corr和M;
M为最终输出的旋转矩阵;
Corr为毛坯点云生成的高斯扩展图像和模型点云生成的高斯扩展图像的相关性;
iter为迭代次数。
2.根据权利要求1所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述步骤二中分别对模型点云和毛坯点云生成的高斯扩展图像进行网格化分,具体过程为:
分别将模型点云和毛坯点云生成的高斯扩展图像分成12个基础网格,HEALPix通过递归的方式逐层的对上一级的每个网格划分为4个,直至达到m个网格,m=12×4n,n取值为整数;
采用kd-tree算法计算每一个网格中的法线数量,存储为向量形式;同时记录法线在各自本体坐标系下的坐标;
按照HEALPix的嵌套索引方式,将毛坯点云生成的高斯扩展图像HS和模型点云生成的高斯扩展图像HT根据12个基础网格划分为12个部分,分别为和
其中为毛坯点云生成的高斯扩展图像的第1个基础网格,为毛坯点云生成的高斯扩展图像的第i个基础网格,为毛坯点云生成的高斯扩展图像的第12个基础网格;H1 T为模型点云生成的高斯扩展图像的第1个基础网格,为模型点云生成的高斯扩展图像的第i个基础网格,为模型点云生成的高斯扩展图像的第12个基础网格。
3.根据权利要求1或2所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述步骤三中基于步骤二对网格Pi T、和网格Pi s、进行初步匹配,将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、具体过程为:
步骤三一、遍历和分别找到和中法线数量最多的网格构成和
其中Pi S为中法线数量最多的网格;Pi T为中法线数量最多的网格;
步骤三二、对和分别按照法线数量进行降序排序;
找到以高斯扩展图像球心为起点指向Pi s、和Pi T、的向量记为Vi S、和Vi T、
其中为中法线数量最多的网格;为中法线数量最多的网格;
以每一个Pi s判断其他是否满足如果不满足,舍弃如果满足,保留
以每一个Pi T判断其他是否满足如果不满足,舍弃如果满足,保留
步骤三三、计算出剩余的网格中的任意两个网格之间的距离和
为毛坯点云生成的高斯扩展图像的第j个基础网格,为模型点云生成的高斯扩展图像的第j个基础网格;
为PS中剩余的网格中的任意两个网格之间的距离;
为PT中剩余的网格中的任意两个网格之间的距离;
DS为PS中剩余的网格中的任意两个网格之间的距离的集合;
DT为PT中剩余的网格中的任意两个网格之间的距离的集合;
判断DS和DT中是否有相近的值和若和差异在5%以内,则网格Pi T、与网格Pi s、初步匹配;
将初步匹配后的网格Pi T、和网格Pi s、按照网格内法线数量降序排序,记为P1 T″、和P1 s″、
4.根据权利要求3所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述步骤四中对P1 T″、和P1 s″、进行修正,得到修正后的P1 T′、和P1 s′、具体过程为:
将按法线数量降序排序后的P1 T″、和P1 s″、四个网格中每一个均执行以下步骤:
步骤四一、找到离P0最近的n个网格,组成集合{P0,...,Pn},找到集合{P0,...,Pn}中每一个网格的法线位置,构成法线集NP;
P0为P1 T″、P1 s″、中的一个;
步骤四二、找到以高斯扩展图像球心为起点指向P0的向量V,构造垂直于V的平面A,且平面A通过高斯扩展图像球心,将法线集NP投影至垂直于V的平面A,得到法线集NP中每一个法线对应的二维坐标集合Ni;
步骤四三、在平面A中生成均匀分布的点的集合PA,点的集合PA覆盖平面A中的法线,使用KD-tree方法确定以集合PA中每个点为中心固定半径圆内的法线数量,组成数组HA;
步骤四四、找到数组HA中法线数量最多的点(x0,y0),将(x0,y0)沿向量V投影回高斯扩展图像球面,得到P0新的坐标值,完成对P0的修正;(x0,y0)∈Ni。
5.根据权利要求4所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述固定半径为:
其中,τ取值为正整数;(xi,yi)∈Ni;range为距离;xi为法线集NP中第i个法线对应的二维横坐标,yi为法线集NP中第i个法线对应的二维纵坐标。
6.根据权利要求5所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述步骤五中根据修正后的P1 T′、P1 s′、计算能使模型点云生成的高斯扩展图像和毛坯点云生成的高斯扩展图像配准的旋转矩阵;具体过程为:
将以高斯扩展图像球心为起点分别指向P1 T′、和P1 s′、的向量记为V1 T、和V1 s、定义旋转向量V1和V2,旋转角θ1和θ2;
计算旋转向量V1,旋转角θ1公式如下:
求解公式为:
其中为中间变量;
初始旋转矩阵R1由旋转向量V1和旋转角θ1得到,公式为:
其中,I为单位矩阵,V1 H为旋转向量V1的转置,V1x为旋转向量V1在x方向上的分量,V1y为旋转向量V1在y方向上的分量,V1z为旋转向量V1在z方向上的分量;
计算旋转向量V2,旋转角θ2公式如下:
V2=V1 T
其中为中间变量;
初始旋转矩阵R2由旋转向量V2和旋转角θ2得到,公式为:
其中为旋转向量V2的转置,V2x为旋转向量V2在x方向上的分量,V2y为旋转向量V2在y方向上的分量,V2z为旋转向量V2在z方向上的分量;
根据R1和R2得到旋转矩阵R:
R=R1R2。
7.根据权利要求6所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述步骤六中基于步骤旋转矩阵,输出iter、Corr和M;具体过程为:
步骤六一、定义迭代次数iter=0,定义迟滞stall=0;定义M=I;
其中,I为单位矩阵;M为最终输出的旋转矩阵;
更新Hs=R×Hs
计算HT和更新后Hs的相关性,公式如下:
步骤六二、更新M=R×M,如果M大于等于阈值0.98,输出iter、Corr和M;
如果M小于阈值0.98,执行步骤六三;
步骤六三、将模型点云和毛坯点云中的法线在各自本体坐标系下的坐标集合记为NT和Ns′;执行步骤六四;
Ns′=R×Ns
步骤六四、重新执行步骤二至步骤六一,得到新的Hs和HT,计算新的Hs和HT的相关性,相关度函数如如下:
令Stall加1;
执行步骤六五;
步骤六五、比较Corr和Corr′:
如果Corr×1.05小于Corr′,执行Stall减1;执行步骤六六
如果Corr小于等于Corr′,让Corr等于Corr′,更新M=R×M;令Ns=Mrand×Ns;令Stall加1;执行步骤六六;
所述Mrand为旋转角θ对应的旋转矩阵;
θ为随机生成的绕点云本体坐标系XYZ三轴的旋转角;
步骤六六、判断Stall是否大于3,且Corr′小于等于0.98,如果满足,M=Mrand×M;令Ns=Mrand×Ns;执行步骤六七;
如果不满足,执行步骤六七;
步骤六七、另stall=0,iter+1;
如果满足Corr′小于阈值0.98,且iter小于等于15,重复执行步骤六四至步骤六七,输出iter、Corr和M;
如果不满足,输出iter、Corr和M。
8.根据权利要求7所述一种基于扩展高斯图像的点云配准方法,其特征在于:所述旋转角θ对应的旋转矩阵Mrand求解过程为:
随机均匀生成θ=(θ1,θ2,θ3),θ1,θ2,θ3∈(-π,π)
式中,θ为随机生成的绕点云本体坐标系XYZ三轴的旋转角,θ1为绕点云本体坐标系X轴的旋转角,θ2为绕点云本体坐标系Y轴的旋转角,θ3为绕点云本体坐标系Z轴旋转角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811190655.4A CN109345571B (zh) | 2018-10-12 | 2018-10-12 | 一种基于扩展高斯图像的点云配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811190655.4A CN109345571B (zh) | 2018-10-12 | 2018-10-12 | 一种基于扩展高斯图像的点云配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109345571A true CN109345571A (zh) | 2019-02-15 |
CN109345571B CN109345571B (zh) | 2020-10-02 |
Family
ID=65309481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811190655.4A Active CN109345571B (zh) | 2018-10-12 | 2018-10-12 | 一种基于扩展高斯图像的点云配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345571B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136182A (zh) * | 2019-05-28 | 2019-08-16 | 北京百度网讯科技有限公司 | 激光点云与2d影像的配准方法、装置、设备和介质 |
CN113177974A (zh) * | 2021-05-19 | 2021-07-27 | 上海商汤临港智能科技有限公司 | 一种点云配准方法、装置、电子设备及存储介质 |
CN113408688A (zh) * | 2021-06-29 | 2021-09-17 | 哈尔滨工业大学 | 一种面向未知环境的多放射源在线探寻方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140334685A1 (en) * | 2013-05-08 | 2014-11-13 | Caterpillar Inc. | Motion estimation system utilizing point cloud registration |
CN106204557A (zh) * | 2016-06-30 | 2016-12-07 | 扬州大学 | 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法 |
CN108319567A (zh) * | 2018-02-05 | 2018-07-24 | 北京航空航天大学 | 一种基于高斯过程的空间目标姿态估计不确定度计算方法 |
-
2018
- 2018-10-12 CN CN201811190655.4A patent/CN109345571B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140334685A1 (en) * | 2013-05-08 | 2014-11-13 | Caterpillar Inc. | Motion estimation system utilizing point cloud registration |
CN106204557A (zh) * | 2016-06-30 | 2016-12-07 | 扬州大学 | 一种基于扩展高斯球与m估计的非完备数据对称特征的提取方法 |
CN108319567A (zh) * | 2018-02-05 | 2018-07-24 | 北京航空航天大学 | 一种基于高斯过程的空间目标姿态估计不确定度计算方法 |
Non-Patent Citations (3)
Title |
---|
CALABRETTA M R,AND ETC: "Mapping on the HEALPix grid", 《MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY》 * |
GORSKI K M,AND ETC: "HEALPix: A FRAMEWORK FOR HIGH-RESOLUTION DISCRETIZATION AND FAST ANALYSIS OF DATA DISTRIBUTED ON THE SPHERE", 《 ASTROPHYSICAL JOURNAL》 * |
张学昌等: "基于扩展高斯球的点云数据与CAD模型配准", 《机械工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136182A (zh) * | 2019-05-28 | 2019-08-16 | 北京百度网讯科技有限公司 | 激光点云与2d影像的配准方法、装置、设备和介质 |
CN110136182B (zh) * | 2019-05-28 | 2021-06-04 | 北京百度网讯科技有限公司 | 激光点云与2d影像的配准方法、装置、设备和介质 |
CN113177974A (zh) * | 2021-05-19 | 2021-07-27 | 上海商汤临港智能科技有限公司 | 一种点云配准方法、装置、电子设备及存储介质 |
CN113177974B (zh) * | 2021-05-19 | 2024-07-12 | 上海商汤临港智能科技有限公司 | 一种点云配准方法、装置、电子设备及存储介质 |
CN113408688A (zh) * | 2021-06-29 | 2021-09-17 | 哈尔滨工业大学 | 一种面向未知环境的多放射源在线探寻方法 |
CN113408688B (zh) * | 2021-06-29 | 2022-06-07 | 哈尔滨工业大学 | 一种面向未知环境的多放射源在线探寻方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109345571B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361632B (zh) | 一种基于Hermite径向基函数的三角网格补洞方法 | |
CN104616349B (zh) | 基于局部曲面变化因子的散乱点云数据精简处理方法 | |
CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
CN110516388A (zh) | 基于调和映射的曲面离散点云模型环切刀轨生成方法 | |
CN100485662C (zh) | 基于数据动态存取模型的产品点云型面特征分析方法 | |
CN109345571A (zh) | 一种基于扩展高斯图像的点云配准方法 | |
CN101751695A (zh) | 点云数据的主曲率和主方向估计方法 | |
CN111415379B (zh) | 一种基于布谷鸟优化的三维点云数据配准方法 | |
CN113034554B (zh) | 基于混沌反向学习的鲸鱼优化的破损俑体碎片配准方法 | |
CN109299301A (zh) | 一种基于形状分布和曲度的三维模型检索方法 | |
Zhang et al. | Efficient and accurate Hausdorff distance computation based on diffusion search | |
CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
Cheng et al. | A novel point cloud simplification method using local conditional information | |
CN108230452A (zh) | 一种基于纹理合成的模型补洞方法 | |
Zhao | Point cloud denoising algorithm with geometric feature preserving | |
He et al. | IPC-Net: Incomplete point cloud classification network based on data augmentation and similarity measurement | |
CN110414379A (zh) | 结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法 | |
Deng et al. | General multidimensional cloud model and its application on spatial clustering in Zhanjiang, Guangdong | |
CN112991402B (zh) | 一种基于改进差分进化算法的文物点云配准方法及*** | |
Wang et al. | Simulating land use structure optimization based on an improved multi-objective differential evolution algorithm | |
CN110207618A (zh) | 三维扫描测量数据的表面线数据提取方法 | |
Malinverni et al. | Automatic land use/land cover classification system with rules based both on objects attributes and landscape indicators | |
Yang et al. | Adaptive hybrid harmony search optimization algorithm for point cloud fine registration | |
Zhang et al. | Detection and filling of pseudo-hole in complex curved surface objects | |
Cheng et al. | Segment-tree stereo matching algorithm based on improved matching costs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |