CN111127667A - 基于区域曲率二进制描述符的点云初始配准方法 - Google Patents

基于区域曲率二进制描述符的点云初始配准方法 Download PDF

Info

Publication number
CN111127667A
CN111127667A CN201911133616.5A CN201911133616A CN111127667A CN 111127667 A CN111127667 A CN 111127667A CN 201911133616 A CN201911133616 A CN 201911133616A CN 111127667 A CN111127667 A CN 111127667A
Authority
CN
China
Prior art keywords
point
points
module
feature
point cloud
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
Application number
CN201911133616.5A
Other languages
English (en)
Other versions
CN111127667B (zh
Inventor
恒一陟
耿国华
张雨禾
陆正杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern University
Original Assignee
Northwestern University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern University filed Critical Northwestern University
Priority to CN201911133616.5A priority Critical patent/CN111127667B/zh
Publication of CN111127667A publication Critical patent/CN111127667A/zh
Application granted granted Critical
Publication of CN111127667B publication Critical patent/CN111127667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2008—Assembling, disassembling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于区域曲率二进制描述符的点云初始配准方法，首先获取被测物体的三维点云数据集，然后将点云数据中的特征点转化为二进制字符串，再寻找相同的特征点，得到所有匹配的特征点，最终获得初始配准后的点云数据集。本发明方法具有计算速度快、配准精度高和抗干扰能力强等优点，能够抵抗正常误差和变化的点云密度，再具体应用时，能够满足处理形状各异、外型受损严重、噪声较高的文物碎片的需要。

Description

基于区域曲率二进制描述符的点云初始配准方法
技术领域
本发明属于三维点云配准技术领域，具体涉及一种基于区域曲率二进制描述符的点云初始配准方法。
背景技术
三维点云配准是目前计算机图形学中的一个热门研究方向，对现代医学、文物保护、航空航天等诸多领域都产生了深远的影响。三维点云配准是指通过刚性变换将模型点云变换到与场景点云相同的坐标系下，得到完成的三维点云数据。两个点云之间点的对应关系是配准需要解决的核心问题。现有配准方法通常分为初始配准和精细配准两个步骤。初始配准从全局出发，找到两个点云的近似旋转平移矩阵，提高优化效率，避免精细配准陷入局部最优。精细配准是指在初始配准后，进一步计算得到更加精确的配准矩阵。
目前三维点云的初始配准可以分为三类：基于全局配准的方法、基于局部特征描述的算法和基于随机抽样一致算法(random sample consensus,RANSAC)框架的方法。基于全局特征描述的算法，将点云配准转化为不同视角下的点云特征搜索问题；基于局部特征描述的算法，通过建立、搜索和匹配点云的关键特征点对应关系进行配准；基于随机抽样一致算法利用点云数据间的重叠区域确定对应点，根据对应点求解待匹配点云间的刚体变换关系。Zhou等提出一种快速全局配准算法。该算法对点云表面的点进行匹配操作。为了使表面对准及去掉错误的匹配而优化单一目标，这种优化在没有初始化的条件下实现目标点云的紧密对齐。
Tombari等人提出SHOT描述符，将特征点的球形空间沿径向、方位、俯仰3个方向，划分32个子空间，统计各区域内邻域点法线及关键点法线的夹角生成SHOT描述符。SHOT方法的局部特征描述能力较优，但对于点云的密度变化、和高斯噪声较为敏感。
Shen等首次将FPFH进行粗配准与ICP精细配准相结合。FPFH运算速度较快，维度较低，节省运算空间，但是在计算时没有考虑邻域半径的选取标准，对点云精度的依赖度很高。当待配准点云数据集的精度不同时，配准低效。
综上可以看出，虽然国内外学者在三维视觉的初始配准领域做了广泛的研究，然而现有的初始配准方法存在配准精度低、鲁棒性差、迭代速度慢的缺点。
发明内容
为解决上述问题，本发明提供了一种基于区域曲率二进制描述符的点云初始配准方法，解决现有的初始配准方法存在配准精度低、鲁棒性差、迭代速度慢的缺点。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
基于区域曲率二进制描述符的点云初始配准方法，该方法具体包括以下步骤：
步骤1，获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；
步骤2，提取Si的特征点形成集合
Figure BDA0002278994460000021
Figure BDA0002278994460000022
表示点云Si中的第v个特征点；
将这些特征点转化为二进制字符串
Figure BDA0002278994460000031
Figure BDA0002278994460000032
Figure BDA0002278994460000033
表示
Figure BDA0002278994460000034
中的第v个描述符；
步骤3，提取Sj的特征点形成集合
Figure BDA0002278994460000035
Figure BDA0002278994460000036
表示点云Sj中的第u个特征点；
将这些特征点转化为二进制字符串
Figure BDA0002278994460000037
Figure BDA0002278994460000038
Figure BDA0002278994460000039
表示
Figure BDA00022789944600000310
中的第u个描述符；
步骤4，寻找
Figure BDA00022789944600000311
和
Figure BDA00022789944600000312
中相同的特征点：
步骤4.1，在
Figure BDA00022789944600000313
中查找与
Figure BDA00022789944600000314
距离最近的
Figure BDA00022789944600000315
和次近的
Figure BDA00022789944600000316
Figure BDA00022789944600000317
Figure BDA00022789944600000318
当两个的距离比值
Figure BDA00022789944600000319
低于阈值T1，0.6≤T1≤0.9，保存
Figure BDA00022789944600000320
进行步骤4.2；否则，重复4.1；
Figure BDA00022789944600000321
式中，
Figure BDA00022789944600000322
表示
Figure BDA00022789944600000323
与
Figure BDA00022789944600000324
之间距离，
Figure BDA00022789944600000325
表示
Figure BDA00022789944600000326
与
Figure BDA00022789944600000327
之间的距离；
步骤4.2，在
Figure BDA00022789944600000328
中查找与步骤4.1中得到
Figure BDA00022789944600000329
距离最近的
Figure BDA00022789944600000330
和次近的
Figure BDA00022789944600000331
当两个的距离比值
Figure BDA00022789944600000332
低于阈值T2，0.6≤T2≤0.9，，保存
Figure BDA00022789944600000333
进行步骤4.3；否则，返回步骤4.1；
Figure BDA00022789944600000334
式中，
Figure BDA00022789944600000335
表示
Figure BDA00022789944600000336
与
Figure BDA00022789944600000337
之间距离，
Figure BDA00022789944600000338
表示
Figure BDA00022789944600000339
与
Figure BDA00022789944600000340
之间距离；
步骤4.3，计算步骤4.1得到的
Figure BDA00022789944600000341
和步骤4.2得到的
Figure BDA00022789944600000342
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr，进行步骤4.4；否则，返回步骤4.1；
步骤4.4，判断描述符
Figure BDA0002278994460000041
与描述符
Figure BDA0002278994460000042
是否对应同一特征点，若描述符
Figure BDA0002278994460000043
与描述符
Figure BDA0002278994460000044
对应同一特征点，则得到一组匹配的特征点；否则，返回步骤4.1；
步骤4.7，重复步骤4.1至步骤4.4，直至找到
Figure BDA0002278994460000045
和
Figure BDA0002278994460000046
中所有匹配的特征点；
步骤5，重复步骤2至步骤4，遍历数据集S中的所有点云数据，得到所有匹配的特征点，即可得到初始配准后的点云数据集S′。
具体的，所述步骤2中，特征点转化为二进制字符串
Figure BDA0002278994460000047
的过程包括：
对每一个特征点
Figure BDA0002278994460000048
执行以下操作：
步骤2.1，获取以特征点
Figure BDA0002278994460000049
为中心半径为r以内的特征点集合
Figure BDA00022789944600000410
25mr≤r≤75mr，计算
Figure BDA00022789944600000411
的协方差矩阵D；
Figure BDA00022789944600000412
Figure BDA00022789944600000413
式中，di表示特征点
Figure BDA00022789944600000414
与域点
Figure BDA00022789944600000415
之间的距离，
Figure BDA00022789944600000416
表示半径r范围内与
Figure BDA00022789944600000417
相邻的任意点；
步骤2.2，根据协方差矩阵D建立特征点
Figure BDA00022789944600000418
的三维局部坐标系，然后将三维局部坐标系下的
Figure BDA00022789944600000419
及其相邻的所有点投影到二维平面上；
步骤2.3，将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量；
步骤2.4，计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图；
步骤2.5，将步骤2.4的曲率图转化成二进制串，即得到特征点
Figure BDA00022789944600000420
对应的描述符。
具体的，步骤3中特征点转化为二进制字符串的过程同步骤2。
具体的，所述的步骤2和步骤3中的均使用ISS特征点提取方法对特征点进行提取。
具体的，所述的步骤1中，还需要对得到的点云数据进行预处理，预处理过程包括滤波去噪和离群点去噪。
本发明还公开了基于区域曲率二进制描述符的点云初始配准***，该***包括以下模块：
数据采集模块，用于获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；
特征点提取模块，用于提取Si的特征点形成集合
Figure BDA0002278994460000051
Figure BDA0002278994460000052
表示点云Si中的第v个特征点；提取Sj的特征点形成集合
Figure BDA0002278994460000053
Figure BDA0002278994460000054
表示点云Sj中的第u个特征点；
特征点转化模块，用于将特征点提取模块中的特征点转化为二进制字符串
Figure BDA0002278994460000055
和
Figure BDA0002278994460000056
Figure BDA0002278994460000057
Figure BDA0002278994460000058
表示
Figure BDA0002278994460000059
中的第v个描述符；
Figure BDA00022789944600000510
表示
Figure BDA00022789944600000511
中的第u个描述符；
特征点匹配模块，用于寻找
Figure BDA00022789944600000512
和
Figure BDA00022789944600000513
中相同的特征点，具体包括：
正序查找模块，用于在
Figure BDA00022789944600000514
中查找与
Figure BDA00022789944600000515
距离最近的
Figure BDA00022789944600000516
和次近的
Figure BDA00022789944600000517
Figure BDA00022789944600000518
当两个的距离比值
Figure BDA00022789944600000519
低于阈值T1，0.6≤T1≤0.9，保存
Figure BDA00022789944600000520
进入逆序查找模块；否则，重复正序查找过程；
Figure BDA00022789944600000521
式中，
Figure BDA0002278994460000061
表示
Figure BDA0002278994460000062
与
Figure BDA0002278994460000063
之间距离，
Figure BDA0002278994460000064
表示
Figure BDA0002278994460000065
与
Figure BDA0002278994460000066
之间的距离；
逆序查找模块，用于在
Figure BDA0002278994460000067
中查找与正序查找模块中得到
Figure BDA0002278994460000068
距离最近的
Figure BDA0002278994460000069
和次近的
Figure BDA00022789944600000610
当两个的距离比值
Figure BDA00022789944600000611
低于阈值T2，0.6≤T2≤0.9，，保存
Figure BDA00022789944600000612
进入；否则，返回正序查找模块；
Figure BDA00022789944600000613
式中，
Figure BDA00022789944600000614
表示
Figure BDA00022789944600000615
与
Figure BDA00022789944600000616
之间距离，
Figure BDA00022789944600000617
表示
Figure BDA00022789944600000618
与
Figure BDA00022789944600000619
之间距离；
Lp距离计算模块，用于计算正序查找模块得到的
Figure BDA00022789944600000620
和逆序查找模块得到的
Figure BDA00022789944600000621
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr，进行特征点配对模块；否则，返回正序查找模块；
特征点配对模块，用于判断描述符
Figure BDA00022789944600000622
与描述符
Figure BDA00022789944600000623
是否对应同一特征点，若描述符
Figure BDA00022789944600000624
与描述符
Figure BDA00022789944600000625
对应同一特征点，则得到一组匹配的特征点；否则，返回正序查找模块；
重复计算模块，用于正序查找模块至特征点配对模块，直至找到
Figure BDA00022789944600000626
和
Figure BDA00022789944600000627
中所有相互匹配的特征点；
初始配准的点云数据集S′生成模块，用于重复特征点提取模块至特征点匹配模块，直至遍历数据集S中的所有点云数据，得到所有匹配的特征点，即可得到初始配准后的点云数据集S′。
具体的，所述的特征点转化模块具体包括：
对每一个特征点
Figure BDA00022789944600000628
执行以下操作：
获取以特征点
Figure BDA00022789944600000629
为中心半径为r以内的特征点集合
Figure BDA00022789944600000630
25mr≤r≤75mr，计算
Figure BDA00022789944600000631
的协方差矩阵D；
Figure BDA0002278994460000071
Figure BDA0002278994460000072
式中，di表示特征点
Figure BDA0002278994460000073
与域点
Figure BDA0002278994460000074
之间的距离，
Figure BDA0002278994460000075
表示半径r范围内与
Figure BDA0002278994460000076
相邻的任意点；
根据协方差矩阵D建立特征点
Figure BDA0002278994460000077
的三维局部坐标系，然后将三维局部坐标系下的
Figure BDA0002278994460000078
及其相邻的所有点投影到二维平面上；
将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量；
计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图；
将得到的曲率图转化成二进制串，即得到特征点
Figure BDA0002278994460000079
对应的描述符。
具体的，，每一个
Figure BDA00022789944600000710
转化为二进制串的过程同
Figure BDA00022789944600000711
的转化过程。
具体的，所述的特征点提取模块中使用ISS特征点提取方法对特征点进行提取。
进一步的，该***还包括数据预处理模块，用于对数据获取模块得到的点云数据进行预处理，预处理过程包括滤波去噪和离群点去噪。
与现有技术相比，本发明的有益效果是：
本发明首先通过将3D点云的描述转换为2D图像块，计算投影点分布的区域曲率，生成二进制字符串，提出高效且紧凑的二进制3D局部描述符；然后通过双向距离比的阈值匹配算法对进行特征匹配。作为点云数据初始配准方法，具有计算速度快、配准精度高和抗干扰能力强等优点，能够抵抗正常误差和变化的点云密度，再具体应用时，能够满足处理形状各异、外型受损严重、噪声较高的文物碎片的需要。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明方法的流程图。
图2为描述符的实现原理图，(a)特征点的2D分布投影；(b)投影点网格化；(c)曲率分布图；(d)描述符。
图3为兵马俑碎片数据，(a)胸部；(b)腰部；(c)肩部；(d)膝盖；(e)腿部。
图4为碎片组最优匹配集，(a)胸部；(b)腰部；(c)肩部；(d)膝盖；(e)腿部。
图5为各方法初始配准效果，(a)胸部；(b)腰部；(c)肩部；(d)膝盖；(e)腿部。
图6为用ICP算法对本文配准结果进行精细配准，(a)胸部；(b)腰部；(c)肩部；(d)膝盖；(e)腿部。
以下结合附图和具体实施方式对本发明的具体内容作进一步详细解释说明。
具体实施方式
本发明的方案主要是针对点云数据的初始配准阶段，对于后期的精细配准可使用目前广泛使用一些精配准方法，如最近点迭代ICP算法进行精细配准等，关于精细配准的过程将不再本文中详细阐述。
另外，本发明中所提及的特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。
以下对本发明的基于区域曲率二进制描述符的点云初始配准方法进行详细介绍，需要说明的是本发明并不局限于以下具体实施方式，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
该方法具体包括以下步骤：
步骤1，获取被测物体的点云数据，并对该数据进行预处理：
获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；在下述实施例中，m＝2。
本发明中可使用不同的设备如雷达、激光扫描、Kinect设备等，获取被测物体的表面信息，其中m为扫描的次数。
在扫描获取点云数据时，由于操作者的不熟练、设备精度等问题的影响，获取的点云数据会产生一些多余的噪声点。需要对获取的文物点云数据进行滤波去躁和离群点滤除。本发明主要使用体素化网格取样法过滤点云，首先，计算出点云数据在三维坐标系内的每个坐标轴方向上的最大长度，然后根据点云数据的体积大小，将该点云拆分为多个立方体网格。网格建立完成后，检测网格内是否包含点云数据点，若不含数据点，则直接删除；若网格包含数据点，则计算其中心点，设定阈值保留部分离中心点距离较近的数据点，删除其余数据点，得到与预处理后的点云数据集。
下来将数据集中每个点云数据中的特征值转化为二进制字符串，首先需要进行常规的特征点提取：
步骤2，提取Si的特征点形成集合
Figure BDA0002278994460000091
Figure BDA0002278994460000092
表示点云Si中的第v个特征点。
常用的特征点检测方法有基于法向量的特征点提取方法、基于曲率的特征点提取方法、LSP特征点检测方法、ISS特征点提取方法等方法。本发明优选ISS特征点提取方法对其进行处理。
将这些特征点转化为二进制字符串
Figure BDA0002278994460000101
Figure BDA0002278994460000102
Figure BDA0002278994460000103
表示
Figure BDA0002278994460000104
中的第v个描述符。转化方法可选LBP方法及其变种算法机械，如MB-LBP、CLBP、LTP等方法，优选的，本发明通过一种区域曲率二进制描述符来描述点云特征，其思路如图2所示，具体包括下步骤：
对每一个特征点
Figure BDA0002278994460000105
执行以下操作：
步骤2.1，获取特征点
Figure BDA0002278994460000106
为中心半径为r以内的特征点集合
Figure BDA0002278994460000107
计算
Figure BDA0002278994460000108
的协方差矩阵D；r的取值范围根据原始点云数据的大小决定，一般25mr≤r≤75mr，在下述实施例中，r＝65mr；
Figure BDA0002278994460000109
Figure BDA00022789944600001010
式中，di表示特征点
Figure BDA00022789944600001011
与域点
Figure BDA00022789944600001012
之间的距离，
Figure BDA00022789944600001013
表示半径r范围内与
Figure BDA00022789944600001014
相邻的任意点。优选的，为
Figure BDA00022789944600001015
分配权重，距离越近权重越大，以此增加描述符的稳健性，减少噪声、离群杂波对特征描述的干扰。
步骤2.2，根据协方差矩阵D建立特征点
Figure BDA00022789944600001016
的三维局部坐标系，然后将三维局部坐标系下的
Figure BDA00022789944600001017
及其相邻的所有点投影到二维平面上，具体为：
对D矩阵进行特征分解：DV＝EV。E为特征值对角阵l{l1,l2,l3}，V{v1,v2,v3}是由正交特征向量构成的矩阵。
定义
Figure BDA0002278994460000111
为LRF(三维局部坐标系)的原点，将特征值按照降序排列，v1为X轴方向，v2为Y轴方向，根据右手坐标系原则Z＝X×Y确定Z轴，以此构造三维形状贴片的局部坐标系Op-XpYpZp。
步骤2.3，将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量，具体包括：
根据映射M将
Figure BDA0002278994460000112
的相邻点
Figure BDA0002278994460000113
投影到Op'-Xp'Yp'这个二维平面上，得到分布在二维平面上的投影点
Figure BDA0002278994460000114
映射M定义为：
M(x,y,z)＝(Rcosθ,Rsinθ) (3)
式中，
Figure BDA0002278994460000115
是相邻点
Figure BDA0002278994460000116
和局部坐标系Op-XpYpZp原点Op之间的距离。θ＝arctan(y,x)是
Figure BDA0002278994460000117
的方位角。
将二维平面上的投影点进一步离散化，即沿着X'轴和Y'轴将二维投影平面分成2Ls×2Ls个网格，量化投影点进入相应的网格，将各网格表示为Bin(x,y)，中心表示为ps：
Figure BDA0002278994460000118
其中，ds是每个网格的边长，落入
Figure BDA0002278994460000119
区域的
Figure BDA00022789944600001110
将被计算入该网格中；二维平面的边长为2Ls，以这个正方形的中心作为原点，建立坐标系，则二维平面的边界与坐标轴(Ls,0)(-Ls,0)(0,Ls)(0,-Ls)四点相交。每个小网格边长为ds,x、y轴上各有2Ls+1个坐标点，2Ls条线段。每个小网格Bin(x,y)的中心ps位置由x、y坐标确定。例如，有一个小网格，先看他在x、y轴上是第h个和第g个,h、g分别乘以网格边长，得到该网格中心点坐标。
步骤2.4，计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图。
其中，加权曲率的计算中，本发明根据周伟光等人提出的曲面曲率求解方法，本文根据邻近点构成的相邻表面计算Hessian矩阵，该矩阵的最大特征值是特征点
Figure BDA0002278994460000121
的最大主曲率ki，可以表示为：
Figure BDA0002278994460000122
落入Bin(x,y)中点的曲率最终编码为曲率分布图(公式6)：
Figure BDA0002278994460000123
其中，wi表示分配给投影点
Figure BDA0002278994460000124
的权重，强调更靠近中心的点。
Figure BDA0002278994460000125
是一个标准化程序，
Figure BDA0002278994460000126
表示二维平面的加权曲率分布图。二维平面上没有投影点的区域表示为∞。
步骤2.5，将步骤2.4的曲率图转化成二进制串，即得到特征点
Figure BDA0002278994460000127
对应的描述符。
在具体的转化过程中，为了使该过程具有尺度不变性，本发明通过除以描述符每行的最大绝对值，将区域曲率归一化到[0,1]范围。再使用Schmid等人提出的CS-LBP方法来描述图像块中心。然后将二进制字符串联，得到特征点
Figure BDA0002278994460000128
的描述符。
以下开始特征匹配过程，特征匹配是要建立特征描述子间的对应关系，是实现初始配准的重要环节，本发明通过下述方法进行特征匹配：
步骤3，提取Sj的特征点形成集合
Figure BDA0002278994460000129
Figure BDA00022789944600001210
表示点云Sj中的第u个特征点；
将这些特征点转化为二进制字符串
Figure BDA0002278994460000131
Figure BDA0002278994460000132
Figure BDA0002278994460000133
表示
Figure BDA0002278994460000134
中的第u个描述符；具体的转化过程同步骤2，此处不再赘述。
步骤4，寻找
Figure BDA0002278994460000135
和
Figure BDA0002278994460000136
中相同的特征点：
步骤4.1，在
Figure BDA0002278994460000137
中查找与
Figure BDA0002278994460000138
距离最近的
Figure BDA0002278994460000139
和次近的
Figure BDA00022789944600001310
Figure BDA00022789944600001311
Figure BDA00022789944600001312
当两个的距离比值
Figure BDA00022789944600001313
低于阈值T1，0.6≤T1≤0.9(在下述实施例中设置为0.75)，保存
Figure BDA00022789944600001314
进行步骤4.2；否则，说明没有在
Figure BDA00022789944600001315
中找到与
Figure BDA00022789944600001316
匹配的描述符，即没有在Pj中找到与Pi中的某一特征点匹配的点，重复4.1；
Figure BDA00022789944600001317
式中，
Figure BDA00022789944600001318
表示
Figure BDA00022789944600001319
与
Figure BDA00022789944600001320
之间距离，
Figure BDA00022789944600001321
表示
Figure BDA00022789944600001322
与
Figure BDA00022789944600001323
之间的距离；
步骤4.2，在
Figure BDA00022789944600001324
中查找与步骤4.1中得到
Figure BDA00022789944600001325
距离最近的
Figure BDA00022789944600001326
和次近的
Figure BDA00022789944600001327
当两个的距离比值
Figure BDA00022789944600001328
低于阈值T2，0.6≤T2≤0.9，(在下述实施例中设置为0.85)，保存
Figure BDA00022789944600001329
进行步骤4.3；否则，返回步骤4.1；
Figure BDA00022789944600001330
式中，
Figure BDA00022789944600001331
表示
Figure BDA00022789944600001332
与
Figure BDA00022789944600001333
之间距离，
Figure BDA00022789944600001334
表示
Figure BDA00022789944600001335
与
Figure BDA00022789944600001336
之间距离；
步骤4.3，计算步骤4.1得到的
Figure BDA00022789944600001337
和步骤4.2得到的
Figure BDA00022789944600001338
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr(在下述实施例中设为0.8mr)，进行步骤4.4；否则，返回步骤4.1；
步骤4.4，判断描述符
Figure BDA00022789944600001339
与描述符
Figure BDA00022789944600001340
是否对应同一特征点，若描述符
Figure BDA00022789944600001341
与描述符
Figure BDA00022789944600001342
对应同一特征点，则得到一组匹配的特征点；否则，返回步骤4.1；
步骤4.7，重复步骤4.1至步骤4.4，直至找到
Figure BDA0002278994460000141
和
Figure BDA0002278994460000142
中所有相互匹配的特征点；
步骤5，重复步骤2至步骤4，遍历数据集S中的所有点云数据，得到全部匹配的特征点，即完整的集合C，通过配准集合C中的点对，得到新的点云数据集S′。
本发明还公开了基于区域曲率二进制描述符的点云初始配准***，该***主要包括以下模块：
数据采集模块，用于获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；m为扫描的次数，采集设备可采用雷达、激光扫描、Kinect设备等。
特征点提取模块，用于提取Si的特征点形成集合
Figure BDA0002278994460000143
Figure BDA0002278994460000144
表示点云Si中的第v个特征点；提取Sj的特征点形成集合
Figure BDA0002278994460000145
Figure BDA0002278994460000146
表示点云Sj中的第u个特征点。本模块中常用的特征点检测方法有基于法向量的特征点提取方法、基于曲率的特征点提取方法、LSP特征点检测方法、ISS特征点提取方法等方法。本发明优选ISS特征点提取方法对其进行处理。
特征点转化模块，用于将特征点提取模块中的特征点转化为二进制字符串
Figure BDA0002278994460000147
和
Figure BDA0002278994460000148
Figure BDA0002278994460000149
Figure BDA00022789944600001410
表示
Figure BDA00022789944600001411
中的第v个描述符；
Figure BDA00022789944600001412
表示
Figure BDA00022789944600001413
中的第u个描述符。转化方法可选LBP方法及其变种算法机械，如MB-LBP、CLBP、LTP等方法，优选的，本发明通过一种区域曲率二进制描述符来描述点云特征，具体为：
对每一个特征点
Figure BDA00022789944600001414
执行以下操作：
获取特征点
Figure BDA0002278994460000151
为中心半径为r以内的特征点集合
Figure BDA0002278994460000152
计算
Figure BDA0002278994460000153
的协方差矩阵D；r的取值范围根据原始点云数据的大小决定，一般25mr≤r≤75mr，在下述实施例中，r＝65mr；
Figure BDA0002278994460000154
Figure BDA0002278994460000155
式中，di表示特征点
Figure BDA0002278994460000156
与域点
Figure BDA0002278994460000157
之间的距离，
Figure BDA0002278994460000158
表示半径r范围内与
Figure BDA0002278994460000159
相邻的任意点。优选的，为
Figure BDA00022789944600001510
分配权重，距离越近权重越大，以此增加描述符的稳健性，减少噪声、离群杂波对特征描述的干扰。
根据协方差矩阵D建立特征点
Figure BDA00022789944600001511
的三维局部坐标系，然后将三维局部坐标系下的
Figure BDA00022789944600001512
及其相邻的所有点投影到二维平面上，具体为：
对D矩阵进行特征分解：DV＝EV。E为特征值对角阵l{l1,l2,l3}，V{v1,v2,v3}是由正交特征向量构成的矩阵。
定义
Figure BDA00022789944600001513
为LRF(三维局部坐标系)的原点，将特征值按照降序排列，v1为X轴方向，v2为Y轴方向，根据右手坐标系原则Z＝X×Y确定Z轴，以此构造三维形状贴片的局部坐标系Op-XpYpZp。
将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量，具体包括：
根据映射M将
Figure BDA00022789944600001514
的相邻点
Figure BDA00022789944600001515
投影到Op'-Xp'Yp'这个二维平面上，得到分布在二维平面上的投影点
Figure BDA00022789944600001516
映射M定义为：
M(x,y,z)＝(Rcosθ,Rsinθ) (3)
式中，
Figure BDA00022789944600001517
是相邻点
Figure BDA00022789944600001518
和局部坐标系Op-XpYpZp原点Op之间的距离。θ＝arctan(y,x)是
Figure BDA00022789944600001519
的方位角。
将二维平面上的投影点进一步离散化，即沿着X'轴和Y'轴将二维投影平面分成2Ls×2Ls个网格，量化投影点进入相应的网格，将各网格表示为Bin(x,y)，中心表示为ps：
Figure BDA0002278994460000161
其中，ds是每个网格的边长，落入
Figure BDA0002278994460000162
区域的
Figure BDA0002278994460000163
将被计算入该网格中；二维平面的边长为2Ls，以这个正方形的中心作为原点，建立坐标系，则二维平面的边界与坐标轴(Ls,0)(-Ls,0)(0,Ls)(0,-Ls)四点相交。每个小网格边长为ds,x、y轴上各有2Ls+1个坐标点，2Ls条线段。每个小网格Bin(x,y)的中心ps位置由x、y坐标确定。例如，有一个小网格，先看他在x、y轴上是第h个和第g个,h、g分别乘以网格边长，得到该网格中心点坐标。
计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图。
其中，加权曲率的计算中，本发明根据周伟光等人提出的曲面曲率求解方法，本文根据邻近点构成的相邻表面计算Hessian矩阵，该矩阵的最大特征值是特征点
Figure BDA0002278994460000164
的最大主曲率ki，可以表示为：
Figure BDA0002278994460000165
落入Bin(x,y)中点的曲率最终编码为曲率分布图(公式6)：
Figure BDA0002278994460000166
其中，wi表示分配给投影点
Figure BDA0002278994460000171
的权重，强调更靠近中心的点。
Figure BDA0002278994460000172
是一个标准化程序，
Figure BDA0002278994460000173
表示二维平面的加权曲率分布图。二维平面上没有投影点的区域表示为∞。
将获得的曲率图转化成二进制串，即得到特征点
Figure BDA0002278994460000174
对应的描述符。
Figure BDA0002278994460000175
转化为二进制字符串的过程同
Figure BDA0002278994460000176
的上述过程，此处不再赘述。
特征点匹配模块，用于寻找
Figure BDA0002278994460000177
和
Figure BDA0002278994460000178
中相同的特征点，具体包括：
正序查找模块，用于在
Figure BDA0002278994460000179
中查找与
Figure BDA00022789944600001710
距离最近的
Figure BDA00022789944600001711
和次近的
Figure BDA00022789944600001712
Figure BDA00022789944600001713
当两个的距离比值
Figure BDA00022789944600001714
低于阈值T1，0.6≤T1≤0.9，保存
Figure BDA00022789944600001715
进入逆序查找模块；否则，重复正序查找过程；
Figure BDA00022789944600001716
式中，
Figure BDA00022789944600001717
表示
Figure BDA00022789944600001718
与
Figure BDA00022789944600001719
之间距离，
Figure BDA00022789944600001720
表示
Figure BDA00022789944600001721
与
Figure BDA00022789944600001722
之间的距离；
逆序查找模块，用于在
Figure BDA00022789944600001723
中查找与正序查找模块中得到
Figure BDA00022789944600001724
距离最近的
Figure BDA00022789944600001725
和次近的
Figure BDA00022789944600001726
当两个的距离比值
Figure BDA00022789944600001727
低于阈值T2，0.6≤T2≤0.9，，保存
Figure BDA00022789944600001728
进入；否则，返回正序查找模块；
Figure BDA00022789944600001729
式中，
Figure BDA00022789944600001730
表示
Figure BDA00022789944600001731
与
Figure BDA00022789944600001732
之间距离，
Figure BDA00022789944600001733
表示
Figure BDA00022789944600001734
与
Figure BDA00022789944600001735
之间距离；
Lp距离计算模块，用于计算正序查找模块得到的
Figure BDA00022789944600001736
和逆序查找模块得到的
Figure BDA00022789944600001737
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr，进行特征点配对模块；否则，返回正序查找模块；
特征点配对模块，用于判断描述符
Figure BDA0002278994460000181
与描述符
Figure BDA0002278994460000182
是否对应同一特征点，若对应同一特征点，则得到一组匹配的特征点；否则，返回正序查找模块；
重复计算模块，用于正序查找模块至特征点配对模块，直至找到
Figure BDA0002278994460000183
和
Figure BDA0002278994460000184
中所有相互匹配的特征点；
初始配准的点云数据集S′生成模块，用于重复特征点提取模块至特征点匹配模块，直至遍历数据集S中的所有点云数据，得到所有匹配的特征点，即可得到初始配准后的点云数据集S′。
优选的，本发明的***还包括数据预处理模块，用于对数据获取模块得到的点云数据进行预处理，预处理过程包括滤波去噪和离群点去噪。本发明主要使用体素化网格取样法过滤点云，首先，计算出点云数据在三维坐标系内的每个坐标轴方向上的最大长度，然后根据点云数据的体积大小，将该点云拆分为多个立方体网格。网格建立完成后，检测网格内是否包含点云数据点，若不含数据点，则直接删除；若网格包含数据点，则计算其中心点，设定阈值保留部分离中心点距离较近的数据点，删除其余数据点，得到与预处理后的点云数据集。
实施例：
本实施例将K9901兵马俑坑采集的兵马俑碎片点云数据集作为实验数据，如图3所示，根据上述实施方案，在相同点云及点云数据重叠率的情况下，将本发明的点云初始配准方法(简称为RCBD)，与改进的RANSAC算法和F-4PCS算法进行比较。在本实施例中，精配准采用最近点迭代ICP算法。如图4所示为得到的碎片组的最优匹配集，图5所示为三种方法的初始配准结果，图6所示为ICP算法本实施例的初始配准进行精细配准后的结果实验。结果表明，本文方法配准准确率高达98.77％，均方根误差比传统方法降低37％，平均配准耗时降低50％。
在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，只要其不违背本发明的思想，同样应当视其为本发明所公开的内容。

Claims (10)

1.基于区域曲率二进制描述符的点云初始配准方法，其特征在于，该方法具体包括以下步骤：
步骤1，获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；
步骤2，提取Si的特征点形成集合
Figure FDA0002278994450000011
Figure FDA0002278994450000012
表示点云Si中的第v个特征点；
将这些特征点转化为二进制字符串
Figure FDA0002278994450000013
Figure FDA0002278994450000014
表示
Figure FDA0002278994450000015
中的第v个描述符；
步骤3，提取Sj的特征点形成集合
Figure FDA0002278994450000016
Figure FDA0002278994450000017
表示点云Sj中的第u个特征点；
将这些特征点转化为二进制字符串
Figure FDA0002278994450000018
Figure FDA0002278994450000019
表示
Figure FDA00022789944500000110
中的第u个描述符；
步骤4，寻找
Figure FDA00022789944500000111
和
Figure FDA00022789944500000112
中相同的特征点：
步骤4.1，在
Figure FDA00022789944500000113
中查找与
Figure FDA00022789944500000114
距离最近的
Figure FDA00022789944500000115
和次近的
Figure FDA00022789944500000116
Figure FDA00022789944500000117
当两个的距离比值
Figure FDA00022789944500000118
低于阈值T1，0.6≤T1≤0.9，保存
Figure FDA00022789944500000119
进行步骤4.2；否则，重复4.1；
Figure FDA00022789944500000120
式中，
Figure FDA00022789944500000121
表示
Figure FDA00022789944500000122
与
Figure FDA00022789944500000123
之间距离，
Figure FDA00022789944500000124
表示
Figure FDA00022789944500000125
与
Figure FDA00022789944500000126
之间的距离；
步骤4.2，在
Figure FDA00022789944500000127
中查找与步骤4.1中得到
Figure FDA00022789944500000128
距离最近的
Figure FDA00022789944500000129
和次近的
Figure FDA00022789944500000130
当两个的距离比值
Figure FDA00022789944500000131
低于阈值T2，0.6≤T2≤0.9，，保存
Figure FDA00022789944500000132
进行步骤4.3；否则，返回步骤4.1；
Figure FDA0002278994450000021
式中，
Figure FDA0002278994450000022
表示
Figure FDA0002278994450000023
与
Figure FDA0002278994450000024
之间距离，
Figure FDA0002278994450000025
表示
Figure FDA0002278994450000026
与
Figure FDA0002278994450000027
之间距离；
步骤4.3，计算步骤4.1得到的
Figure FDA0002278994450000028
和步骤4.2得到的
Figure FDA0002278994450000029
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr，进行步骤4.4；否则，返回步骤4.1；
步骤4.4，判断描述符
Figure FDA00022789944500000210
与描述符
Figure FDA00022789944500000211
是否对应同一特征点，若描述符
Figure FDA00022789944500000212
与描述符
Figure FDA00022789944500000213
对应同一特征点，得到一组匹配的特征点；否则，返回步骤4.1；
步骤4.7，重复步骤4.1至步骤4.4，直至找到
Figure FDA00022789944500000214
和
Figure FDA00022789944500000215
中所有匹配的特征点；
步骤5，重复步骤2至步骤4，遍历数据集S中的所有点云数据，得到所有匹配的特征点，即可得到初始配准后的点云数据集S′。
2.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法，其特征在于，所述步骤2中，特征点转化为二进制字符串
Figure FDA00022789944500000216
的过程包括：
对每一个特征点
Figure FDA00022789944500000217
执行以下操作：
步骤2.1，获取以特征点
Figure FDA00022789944500000218
为中心半径为r以内的特征点集合
Figure FDA00022789944500000219
25mr≤r≤75mr，计算
Figure FDA00022789944500000220
的协方差矩阵D；
Figure FDA00022789944500000221
Figure FDA00022789944500000222
式中，di表示特征点
Figure FDA00022789944500000223
与域点
Figure FDA00022789944500000224
之间的距离，
Figure FDA00022789944500000225
表示半径r范围内与
Figure FDA00022789944500000226
相邻的任意点；
步骤2.2，根据协方差矩阵D建立特征点
Figure FDA0002278994450000031
的三维局部坐标系，然后将三维局部坐标系下的
Figure FDA0002278994450000032
及其相邻的所有点投影到二维平面上；
步骤2.3，将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量；
步骤2.4，计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图；
步骤2.5，将步骤2.4的曲率图转化成二进制串，即得到特征点
Figure FDA0002278994450000033
对应的描述符。
3.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法，其特征在于，步骤3中特征点转化为二进制字符串的过程同步骤2。
4.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法，其特征在于，所述的步骤2和步骤3中的均使用ISS特征点提取方法对特征点进行提取。
5.如权利要求1所述的基于区域曲率二进制描述符的点云初始配准方法，其特征在于，所述的步骤1中，还需要对得到的点云数据进行预处理，预处理过程包括滤波去噪和离群点去噪。
6.基于区域曲率二进制描述符的点云初始配准***，其特征在于，包括以下模块：
数据采集模块，用于获取被测物体的三维点云数据集S，S＝[S1,S2,...,Si,...Sj,...,Sm]；Si表示第i个点云数据，i＝1,2,...,m，j＝1,2,...,m，i≠j，m≥2；
特征点提取模块，用于提取Si的特征点形成集合
Figure FDA0002278994450000041
Figure FDA0002278994450000042
表示点云Si中的第v个特征点；提取Sj的特征点形成集合
Figure FDA0002278994450000043
Figure FDA0002278994450000044
表示点云Sj中的第u个特征点；
特征点转化模块，用于将特征点提取模块中的特征点转化为二进制字符串
Figure FDA0002278994450000045
和
Figure FDA0002278994450000046
Figure FDA0002278994450000047
表示
Figure FDA0002278994450000048
中的第v个描述符；
Figure FDA0002278994450000049
表示
Figure FDA00022789944500000410
中的第u个描述符；
特征点匹配模块，用于寻找
Figure FDA00022789944500000411
和
Figure FDA00022789944500000412
中相同的特征点，具体包括：
正序查找模块，用于在
Figure FDA00022789944500000413
中查找与
Figure FDA00022789944500000414
距离最近的
Figure FDA00022789944500000415
和次近的
Figure FDA00022789944500000416
Figure FDA00022789944500000417
当两个的距离比值
Figure FDA00022789944500000418
低于阈值T1，0.6≤T1≤0.9，保存
Figure FDA00022789944500000419
进入逆序查找模块；否则，重复正序查找过程；
Figure FDA00022789944500000420
式中，
Figure FDA00022789944500000421
表示
Figure FDA00022789944500000422
与
Figure FDA00022789944500000423
之间距离，
Figure FDA00022789944500000424
表示
Figure FDA00022789944500000425
与
Figure FDA00022789944500000426
之间的距离；
逆序查找模块，用于在
Figure FDA00022789944500000427
中查找与正序查找模块中得到
Figure FDA00022789944500000428
距离最近的
Figure FDA00022789944500000429
和次近的
Figure FDA00022789944500000430
当两个的距离比值
Figure FDA00022789944500000431
低于阈值T2，0.6≤T2≤0.9，，保存
Figure FDA00022789944500000432
进入；否则，返回正序查找模块；
Figure FDA00022789944500000433
式中，
Figure FDA00022789944500000434
表示
Figure FDA00022789944500000435
与
Figure FDA00022789944500000436
之间距离，
Figure FDA00022789944500000437
表示
Figure FDA00022789944500000438
与
Figure FDA00022789944500000439
之间距离；
Lp距离计算模块，用于计算正序查找模块得到的
Figure FDA00022789944500000440
和逆序查找模块得到的
Figure FDA00022789944500000441
的Lp距离，若得到的Lp距离大于阈值T3，0.75mr≤T3≤0.85mr，进行特征点配对模块；否则，返回正序查找模块；
特征点配对模块，用于判断描述符
Figure FDA0002278994450000051
与描述符
Figure FDA0002278994450000052
是否对应同一特征点，若描述符
Figure FDA0002278994450000053
与描述符
Figure FDA0002278994450000054
对应同一特征点，则得到一组匹配的特征点；否则，返回正序查找模块；
重复计算模块，用于正序查找模块至特征点配对模块，直至找到
Figure FDA0002278994450000055
和
Figure FDA0002278994450000056
中所有相互匹配的特征点；
初始配准的点云数据集S′生成模块，用于重复特征点提取模块至特征点匹配模块，直至遍历数据集S中的所有点云数据，得到所有匹配的特征点，即可得到初始配准后的点云数据集S′。
7.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***，其特征在于，所述的特征点转化模块具体包括：
对每一个特征点
Figure FDA0002278994450000057
执行以下操作：
获取以特征点
Figure FDA0002278994450000058
为中心半径为r以内的特征点集合
Figure FDA0002278994450000059
25mr≤r≤75mr，计算
Figure FDA00022789944500000510
的协方差矩阵D；
Figure FDA00022789944500000511
Figure FDA00022789944500000512
式中，di表示特征点
Figure FDA00022789944500000513
与域点
Figure FDA00022789944500000514
之间的距离，
Figure FDA00022789944500000515
表示半径r范围内与
Figure FDA00022789944500000516
相邻的任意点；
根据协方差矩阵D建立特征点
Figure FDA00022789944500000517
的三维局部坐标系，然后将三维局部坐标系下的
Figure FDA00022789944500000518
及其相邻的所有点投影到二维平面上；
将二维平面分成2Ls×2Ls个网格，量化投影点进入相应的网格中，2Ls表示二维平面每个边划分的数量；
计算每个网格中的投影点的加权曲率，聚合所有的加权曲率形成曲率分布矩阵，该曲率分布矩阵自动形成曲率图；
将得到的曲率图转化成二进制串，即得到特征点
Figure FDA0002278994450000061
对应的描述符。
8.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***，其特征在于，每一个
Figure FDA0002278994450000062
转化为二进制串的过程同
Figure FDA0002278994450000063
的转化过程。
9.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***，其特征在于，所述的特征点提取模块中使用ISS特征点提取方法对特征点进行提取。
10.如权利要求6所述的基于区域曲率二进制描述符的点云初始配准***，其特征在于，该***还包括数据预处理模块，用于对数据获取模块得到的点云数据进行预处理，预处理过程包括滤波去噪和离群点去噪。
CN201911133616.5A 2019-11-19 2019-11-19 基于区域曲率二进制描述符的点云初始配准方法 Active CN111127667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911133616.5A CN111127667B (zh) 2019-11-19 2019-11-19 基于区域曲率二进制描述符的点云初始配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911133616.5A CN111127667B (zh) 2019-11-19 2019-11-19 基于区域曲率二进制描述符的点云初始配准方法

Publications (2)

Publication Number Publication Date
CN111127667A true CN111127667A (zh) 2020-05-08
CN111127667B CN111127667B (zh) 2023-03-31

Family

ID=70495773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911133616.5A Active CN111127667B (zh) 2019-11-19 2019-11-19 基于区域曲率二进制描述符的点云初始配准方法

Country Status (1)

Country Link
CN (1) CN111127667B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330661A (zh) * 2020-11-24 2021-02-05 交通运输部公路科学研究所 一种多期车载激光点云道路变化监测方法
CN114639115A (zh) * 2022-02-21 2022-06-17 北京航空航天大学 一种人体关键点与激光雷达融合的3d行人检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150254857A1 (en) * 2014-03-10 2015-09-10 Sony Corporation Image processing system with registration mechanism and method of operation thereof
US20160125226A1 (en) * 2013-09-17 2016-05-05 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for automatically optimizing quality of point cloud data
CN110443840A (zh) * 2019-08-07 2019-11-12 山东理工大学 实物表面采样点集初始配准的优化求解方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160125226A1 (en) * 2013-09-17 2016-05-05 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Method and system for automatically optimizing quality of point cloud data
US20150254857A1 (en) * 2014-03-10 2015-09-10 Sony Corporation Image processing system with registration mechanism and method of operation thereof
CN110443840A (zh) * 2019-08-07 2019-11-12 山东理工大学 实物表面采样点集初始配准的优化求解方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
段德全等: "基于粒子群优化算法的散乱点云数据配准", 《广西师范大学学报(自然科学版)》 *
汪霞等: "一种低重叠率激光点云的配准方法", 《测绘科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330661A (zh) * 2020-11-24 2021-02-05 交通运输部公路科学研究所 一种多期车载激光点云道路变化监测方法
CN114639115A (zh) * 2022-02-21 2022-06-17 北京航空航天大学 一种人体关键点与激光雷达融合的3d行人检测方法
CN114639115B (zh) * 2022-02-21 2024-07-05 北京航空航天大学 一种人体关键点与激光雷达融合的3d行人检测方法

Also Published As

Publication number Publication date
CN111127667B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN110097093B (zh) 一种异源图像精确匹配方法
CN105956582B (zh) 一种基于三维数据的人脸识别***
CN109767463B (zh) 一种三维点云自动配准方法
CN108389250B (zh) 基于点云数据快速生成建筑物断面图的方法
CN114677418B (zh) 一种基于点云特征点提取的配准方法
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
CN108022262A (zh) 一种基于点的邻域重心向量特征的点云配准方法
CN105809693A (zh) 基于深度神经网络的sar图像配准方法
CN105046694A (zh) 一种基于曲面拟合系数特征的点云快速配准方法
CN105654483A (zh) 三维点云全自动配准方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN104834931A (zh) 一种基于小波变换的改进的尺度不变特征匹配算法
CN110009745B (zh) 根据平面基元和模型驱动对点云提取平面的方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN111127667B (zh) 基于区域曲率二进制描述符的点云初始配准方法
CN109766903B (zh) 一种基于曲面特征的点云模型曲面匹配方法
CN110348310A (zh) 一种霍夫投票3d彩色点云识别方法
CN110942077B (zh) 基于权重局部变化度和l1中值优化的特征线提取方法
Lu et al. Point cloud registration algorithm fusing of super 4pcs and icp based on the key points
CN114648445B (zh) 一种基于特征点提取及精配准优化的多视角高分辨率点云拼接方法
CN112070800A (zh) 一种基于三维点云极化地图表征的智能车定位方法及***
CN117132630A (zh) 一种基于二阶空间兼容性度量的点云配准方法
CN106886988A (zh) 一种基于无人机遥感的线性目标检测方法及***
CN113409332B (zh) 一种基于三维点云的建筑物平面分割方法

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