CN115147471A - 一种基于曲率密度特征的激光点云自动配准方法 - Google Patents
一种基于曲率密度特征的激光点云自动配准方法 Download PDFInfo
- Publication number
- CN115147471A CN115147471A CN202210755544.3A CN202210755544A CN115147471A CN 115147471 A CN115147471 A CN 115147471A CN 202210755544 A CN202210755544 A CN 202210755544A CN 115147471 A CN115147471 A CN 115147471A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- curvature
- density
- parameter
- 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.)
- Pending
Links
Images
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
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于曲率密度特征的激光点云自动配准方法,包括利用三维点云数据的三个坐标值进行法线和曲率的计算;统计任意一点在单位半径R下的邻域点云个数作为其点云密度,计算点云曲率和点云密度的关系构建一种点云曲率密度特征的参数,利用此参数提取出点云特征点来充分的表达原始点云的形状和轮廓;对该特征点进行快速点特征直方图计算来综合描述特征点信息,利用点特征直方图来查找对应点的方法实现点云的粗配准;在此基础上通过最小二乘法迭代计算最佳变换矩阵,完成点云的精配准。该方法提取的特征点能够充分表达原始点云数据的形状和轮廓,极大的减少了点云数据量,且计算方法简单、效率高。
Description
技术领域
本发明涉及点云数据处理中对原始点云数据的形状和轮廓和提取和表达,更具体的说是一种根据点云曲率和密度的关系来构建曲率密度参数来提取点云特征点。
背景技术
随着三维激光扫描技术和LIDAR(Light Laser Detection and Ranging)技术的快速发展,三维激光点云数据被广泛地应用在三维建模,遥感测绘、导航定位、自动驾驶等诸多领域。点云配准的目的是将同一目标的两个点云数据经过三维刚体变换,得到同一坐标系下的点云,进而完成点云的拼接、融合、测量等步骤。但激光点云自动配准时的精度和效率在一定程度上制约着激光点云数据后续的应用。
目前点云配准分为初始配准和精配准。初始配准也称粗配准,主要是大致对其待配准的三维点云数据,使点云具有较好的初始姿态。初始配准因需要计算快速点特征直方图(FPFH)而使得算法用时过长,因此初始配准大多依赖于点云的特征点,为此诸多学者提出多种方法提取点云特征点来表达原始庞大的三维点云数据,Sipiran等提出了三维角点检测算法(Harris3D),此算法对设置的阈值参数敏感,不同的点云数据合适的参数不同,有时特征点将会过少而不能充分体现源点云的特征。Lowe将在图像配准中的二微尺度不变特征算法(SIFT)引用到三维点云数据中提取点云关键点,但该算法的参数较多,参数调整复杂。Papon提出利用体素与点云配准相结合的配准方法,该方法提高了点云鲁棒性,却没提升配准速度。而在精配准中应用最广泛的是Besl和Mckay等提出的迭代最近点算法(Iterative Closest Point,ICP),该算法配准精度较高,但该算法要求点云具有良好的初始位置才行。王志等在对ICP算法中的阈值进行分析,结合测距精度和分辨率提出了一种基于自适应阈值的迭代最近点算法。孙文潇等提出将点云的法线信息进行计算得到快速点特征直方图(FPFH),然后使用K-D树来加快对应点的搜索实现点云精配准但此方法的阈值难以控制。陈华伟等根据点云曲率的突变变化关系,提出了一种点云特征线的提取算法,但此方法仅适用于直线型特征的点云。所以在实际点云自动配准时,有必要设计一种阈值设置简单而又稳健的算法,来提高点云自动配准的效率。
发明内容
为解决背景技术中所存在的问题,本发明提出一种基于曲率密度特征的激光点云自动配准方法,首先构建一种曲率密度特征(CDF)的参数,然后提取点云物体的轮廓和特征信息对原始点云数据进行表达,最后利用采样一致性初始配准算法和迭代最近点算法完成点云配准,同时为验证本文算法在不同的点云数据上的适用性,分别使用普通点云数据和实物点云数据,用多种点云配准方法做了对比试验并进行配准误差和配准效率的分析。
有鉴于此,本发明提出了一种基于曲率密度特征的激光点云自动配准方法。
实现本发明目的的技术解决方案为:一种基于曲率密度特征的激光点云自动配准方法。,包括以下步骤:
S1:利用三维点云数据的三个坐标值进行法线和曲率的计算;
S2:统计任意一点在单位半径R下的邻域点云个数作为其点云密度;
S3:计算点云曲率和点云密度的关系构建一种点云曲率密度特征的参数;
S4:利用此参数提取出点云特征点来充分的表达原始点云的形状和轮廓;
S5:对该特征点进行快速点特征直方图计算来综合描述特征点信息;
S6:利用点特征直方图来查找对应点的方法实现点云的粗配准;
S7:在粗配准点云的基础上进行点云精配准;
S8:结束。
优选的,在步骤4中,根据曲率密度特征参数获得的特征点能够充分的表达原始点云的形状和轮廓信息。
与现有技术相比,本发明的显著优点为:本发明提出一种基于曲率密度特征的激光点云自动配准方法,该方法根据点云曲率和密度特征构建一种曲率密度特征参数,然后设置阈值进行判断从而得到点云曲率密度特征点,此特征点能够充分的表达点云的形状和轮廓信息,方法简单易于实施。
附图说明
下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于曲率密度特征的激光点云自动配准方法的流程图;
图2为本发明提取原始点云特征点时不同的阈值结果示意图;
图3为本发明提取的特征点进行Chair点云配准的效果对比图;
图4为本发明提取的特征点进行Desk点云配准的效果对比图;
图5为本发明进行Chair和Desk点云配准时不同方法对比的量化表;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1,本发明实施例公开了一种基于曲率密度特征的激光点云自动配准方法,包括:
S1:利用三维点云数据的三个坐标值进行法线和曲率的计算;
S2:统计任意一点在单位半径R下的邻域点云个数作为其点云密度;
S3:计算点云曲率和点云密度的关系构建一种点云曲率密度特征的参数;
S4:利用此参数提取出点云特征点来充分的表达原始点云的形状和轮廓;
S5:对该特征点进行快速点特征直方图计算来综合描述特征点信息;
S6:利用点特征直方图来查找对应点的方法实现点云的粗配准;
S7:在粗配准点云的基础上进行点云精配准;
S8:结束。
为了进一步优化上述技术方案,在步骤3中利用曲率和点云密度特征构建的曲率密度特征参数,此参数为式中:σi为mi的邻域曲率,k为半径R内邻域点的数量。其中前者和后者相比,前者的阈值相对灵敏,后者的阈值相对稳定。
为了进一步优化上述技术方案,在步骤4中,根据曲率密度特征参数获得的特征点能够充分的表达原始点云的形状和轮廓信息。
下面对本发明中涉及到的方法做进一步说明。
实施例
本发明选择构建一种曲率密度特征参数的算法,是因为点云在同一区域不同的点云密度也会影响点云法线和曲率值的计算结果。
步骤一、利用三维点云数据的三个坐标值进行法线和曲率的计算;
点云的法向量是点云重要的几何特征之一,常使用主成分分析(PrincipalComponentAnalysis,PCA)算法来计算点云的法向量和邻域曲率,对于点云中的一点mi,其k邻域的邻近点表示为mij,则有:
步骤二、统计任意一点在单位半径R下的邻域点云个数作为其点云密度;对所有点云来说,单位半径是统一的,所以在单位半径R中的点云数可以认为是点云密度。
步骤三、计算点云曲率和点云密度的关系构建一种点云曲率密度特征的参数;
在几何中,曲率代表弧的弯曲程度,同样也可以应用在点云中。即在接***面的区域或表面变化较小的区域内的点云曲率较小,而在表面起伏较大的区域内点云曲率较大,但此方法在同样弯曲程度的表面、半径为R的点云中稠密程度不同则曲率值也不尽相同,为此构建曲率密度特征(CDF)参数ηi。此参数为式中:σi为mi的邻域曲率,k为半径R内邻域点的数量。其中前者和后者相比,前者的阈值相对灵敏,后者的阈值相对稳定。
根据点云曲率计算原理,在一个凹面或凸面内,离顶点越近的点其曲率与顶点的曲率差值越小,利用曲率密度特征参数将会更好的提取点云特征点。
步骤四、利用此参数提取出点云特征点来充分的表达原始点云的形状和轮廓;
根据第三步可以计算出曲率密度特征参数,此参数能够充分的反应表面变化成程度,即平面的CDF参数趋向于了0,而表面变化明显的地方CDF参数较大。设置阈值判断此参数即可得到特征点信息,如图2所示,此参数可以设置为0.001~0.1都可以较好的得到原始点云的形状和轮廓信息。说明此参数具有较好的稳定性和适应性。此例中阈值可以取0.1。
步骤五、对该特征点进行快速点特征直方图计算来综合描述特征点信息;
FPFH算法通过计算某特征点邻近点表面的法线,并计算法线间的偏差,将其参数化,得到特征点的描述形式。具体步骤如下。
1)计算每个查询点Pq与最近点法线之间的特征表述α,Φ,θ值,并称其为SPFH。
2)将每个点的最近邻点重新分配,使用SPFH值来权衡FPFH的值:
式中:权重wk表示查询点与邻近点之间的距离。
步骤六、利用点特征直方图来查找对应点的方法实现点云的粗配准;
初始配准算法使用本文曲率密度特征下的点云特征,利用FPFH对待配准点云和目标点云各自的特征点进行描述,之后采用采样一致性初始配准(SAC-IA)算法对点云进行初始配准。假设待配准点云和目标点云的集合为P和Q,则其算法原理如下:
(1)对P的特征点使用FPFH特征进行描述。为保证各个采样点不是同一个点的特征点,需要设置阈值β,使各个采样点之间的距离应大于给定的阈值β,即d>β。
(2)查找相对应的点对。对每一个待配准点云P中的FPFH特征,通过搜索找到目标点云Q中相对应的FPFH特征,使得此特征点的FPFH特征相差最小。
(3)计算刚体变换。首先计算对应点之间的刚体变换,然后计算变换后的距离误差和函数。
步骤七、利用点特征直方图来查找对应点的方法实现点云的粗配准;
为了提高点云配准精度,需要在初始配准算法的基础上进行精配准,数据使用本文曲率密度特征特征点经过初始配准算法的初始点云,再用迭代最近点(ICP)算法进行精配准,该算法基本原理为:在粗配准得到的点云P'、Q'中,按照给定的阈值参数,在待配准点云中找到目标点云的对应点,然后通过最小二乘法迭代计算,计算出最优的坐标变换,使得误差函数最小,误差函数E(R,T)为:
式中Np表示两个点云对应点的数量,pi为目标点云中的一点,qi为源点云中的一点。
这里的收敛准则是算法中设计的最大迭代次数或最小配准误差,当满足以上任一条件时终止迭代。
点云经本文方法进行配准之后,与原方法相比,其配准精度提升了1~2个数量级,而配准用时上,所用时间缩短为原来的13%左右。
Claims (3)
1.一种基于曲率密度特征的激光点云自动配准方法,其特征在于,包括:
S1:利用三维点云数据的三个坐标值进行法线和曲率的计算;
S2:统计任意一点在单位半径R下的邻域点云个数作为其点云密度;
S3:计算点云曲率和点云密度的关系构建一种点云曲率密度特征的参数;
S4:利用此参数提取出点云特征点来充分的表达原始点云的形状和轮廓;
S5:对该特征点进行快速点特征直方图计算来综合描述特征点信息;
S6:利用点特征直方图来查找对应点的方法实现点云的粗配准;
S7:在粗配准点云的基础上进行点云精配准;
S8:结束。
3.根据权利要求1所述的一种基于曲率密度特征的激光点云自动配准方法,其特征在于在步骤4中,根据第三步可以计算出曲率密度特征参数,此参数能够充分的反应表面变化成程度,即平面的CDF参数趋向于了0,而表面变化明显的地方CDF参数较大,设置阈值判断此参数即可得到特征点信息,此特征点能够充分的表达原始点云的形状和轮廓信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755544.3A CN115147471A (zh) | 2022-06-28 | 2022-06-28 | 一种基于曲率密度特征的激光点云自动配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755544.3A CN115147471A (zh) | 2022-06-28 | 2022-06-28 | 一种基于曲率密度特征的激光点云自动配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147471A true CN115147471A (zh) | 2022-10-04 |
Family
ID=83409431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210755544.3A Pending CN115147471A (zh) | 2022-06-28 | 2022-06-28 | 一种基于曲率密度特征的激光点云自动配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147471A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132478A (zh) * | 2023-04-25 | 2023-11-28 | 兰州交通大学 | 一种基于法向量二范数特征参数的轨道点云去噪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
CN113469907A (zh) * | 2021-06-28 | 2021-10-01 | 西安交通大学 | 一种基于叶片型面特征的数据简化方法及*** |
CN113628262A (zh) * | 2021-08-17 | 2021-11-09 | 南京航空航天大学 | 一种基于轮廓特征约束配准的飞机蒙皮检测方法 |
CN113628263A (zh) * | 2021-09-06 | 2021-11-09 | 西安热工研究院有限公司 | 一种基于局部曲率及其近邻特征的点云配准方法 |
CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
-
2022
- 2022-06-28 CN CN202210755544.3A patent/CN115147471A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887015A (zh) * | 2019-03-08 | 2019-06-14 | 哈尔滨工程大学 | 一种基于局部曲面特征直方图的点云自动配准方法 |
CN110070567A (zh) * | 2019-04-28 | 2019-07-30 | 中铁七局集团有限公司 | 一种地面激光点云配准方法 |
CN112819869A (zh) * | 2021-01-22 | 2021-05-18 | 辽宁工程技术大学 | 一种基于IHarris-TICP算法的三维点云配准方法 |
CN113469907A (zh) * | 2021-06-28 | 2021-10-01 | 西安交通大学 | 一种基于叶片型面特征的数据简化方法及*** |
CN113628262A (zh) * | 2021-08-17 | 2021-11-09 | 南京航空航天大学 | 一种基于轮廓特征约束配准的飞机蒙皮检测方法 |
CN113628263A (zh) * | 2021-09-06 | 2021-11-09 | 西安热工研究院有限公司 | 一种基于局部曲率及其近邻特征的点云配准方法 |
CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
Non-Patent Citations (3)
Title |
---|
李明昊: "基于局部曲率特征的点云配准算法研究与设计", 《中国优秀硕士学位论文全文数据库》 * |
高佳月 等: "基于局部边缘特征描述子的自适应边缘检测算法", 《中国激光》 * |
高佳月: "基于三维点云的目标边缘检测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132478A (zh) * | 2023-04-25 | 2023-11-28 | 兰州交通大学 | 一种基于法向量二范数特征参数的轨道点云去噪方法 |
CN117132478B (zh) * | 2023-04-25 | 2024-05-17 | 兰州交通大学 | 一种基于法向量二范数特征参数的轨道点云去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846888B (zh) | 一种古木建筑构件精细尺寸信息自动化提取方法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
CN110335234B (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
CN110599506B (zh) | 一种复杂异形曲面机器人三维测量的点云分割方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN102799763B (zh) | 一种基于点云姿态标准化的点云线特征提取方法 | |
CN109523582B (zh) | 一种顾及法向量和多尺度稀疏特征的点云粗配准方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN111340862B (zh) | 一种基于多特征融合的点云配准方法、装置及存储介质 | |
CN113516695B (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
CN107492120B (zh) | 点云配准方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及*** | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、***和电子设备 | |
Wei et al. | Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting | |
CN112381862B (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
Li et al. | Differential evolution algorithm-based range image registration for free-form surface parts quality inspection | |
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 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN116309026A (zh) | 一种基于***部特征描述与匹配的点云配准方法及*** | |
WO2018131163A1 (ja) | 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
CN113168729A (zh) | 一种基于局部参考坐标系的3d形状匹配方法及装置 | |
CN107610174A (zh) | 一种鲁棒的基于深度信息的平面检测方法及*** | |
CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 |
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 |