一种基于局部参考点的快速点云配准方法
专利汇可以提供一种基于局部参考点的快速点云配准方法专利检索，专利查询，专利分析的服务。并且本 发明 属于 三维重建 技术领域，公开了一种基于局部参考点的快速点 云 配准方法，对输入的原始点云进行降 采样 得到其对应的稀疏点云，以稀疏点云中每一个点作为参考点分得到局部夹 角 特征，以一个视角的局部夹角特征建立kd-tree，搜索另一视角每一个局部夹角特征的最近邻特征，最近邻特征中欧氏距离误差最小的k1对作为 种子 匹 配对 ，从其邻域搜索该参考下的其它匹配对，接着使用刚体变换求解出相邻视角变换矩阵从而完成点云的粗配准，使用部分重叠的ICP配准 算法 对粗配准结果进行优化。本发明利用快速夹角特征建立初始匹配，然后使用匹配的邻域传播，提高了点云配准速度同时还保证了配准的 精度 。，下面是一种基于局部参考点的快速点云配准方法专利的具体信息内容。
1.一种基于局部参考点的快速点云配准方法，其特征在于，所述基于局部参考点的快速点云配准方法对输入的原始点云进行降采样得到其对应的稀疏点云；以稀疏点云中每一个点作为参考点分别建立局部夹角特征和多尺度局部法向量描述，得到局部夹角特征后，以一个视角的局部夹角特征建立kd-tree；在kd-tree中搜索另一视角每一个局部夹角特征的最近邻特征，最近邻特征中欧氏距离误差最小的k1对作为种子匹配对，接着分别以该种子匹配对作为参考匹配，从其邻域搜索该参考下的其它匹配对，待匹配对数目达到指定阈值时停止搜索，使用刚体变换求解出相邻视角变换矩阵从而完成点云的粗配准，使用部分重叠的ICP配准算法对粗配准结果进行优化。
2.如权利要求1所述的基于局部参考点的快速点云配准方法，其特征在于，所述基于局部参考点的快速点云配准方法包括以下步骤：
步骤一，对原始输入点云P、Q进行降采样得到对应的稀疏点云Pd和Qd；
步骤二，以稀疏点云中每个点作为参考点，在其对应的原始点云中的r1邻域内找到其最近和最远的k个点，然后分别以最近点、参考点、最远点构成的夹角作为特征；
步骤三，以稀疏点云中每个点作为参考点，在其对应的原始点云的L个邻域中，根据参考点与邻域内点的数据相关性得到近似的局部法向量描述；
步骤四，以Pd中每个点的夹角特征建立kd-tree，然后在该kd-tree中搜索Qd中每个夹角特征的最近邻，最后仅选取欧氏误差最小的k1对作为种子匹配对；
步骤五，得到Pd中其他点与种子点的法向量之间的夹角，然后在种子点的邻域中，以夹角约束找到其他匹配点，并根据匹配点完成粗配准；
步骤六，对步骤五得到的粗配准结果使用部分重叠ICP算法进行优化。
3.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤一中对原始输入点云进行降采样具体包括：使用网格将点云空间划分为若干小立方体，点云中的点将以点簇的形式分别落入各自对应的立方体网格中，整个点云被划分为若干点簇集，以每个点簇集中所有点的坐标均值表示该点簇集，经过以上处理得到的点云为原始点云降采样后的稀疏点云。
4.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤二中局部夹角特征的计算方法包括：以稀疏点云中的每个点作为参考点在其对应的原始点云中r1邻域中找到最近和最远的k个点，且这最近和最远的k个点也按照距参考点的远近进行排序的，按照距离从小到大进行排列；当前参考点为x，且其对应的k个最近点和最远点表示为X＝{x1,...,x2k}，那么其与参考点之间构成的向量表示为：
其中x1为最近k个点中的最近点，而x2k为最远k个点中的最远点；
那么夹角特征计算表达式为：
其中计算夹角公式中各项的上标表示其在向量中处于第几项。
5.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤三中多尺度局部法向量计算方法包括：分别计算对于每一个邻域半径内的点与稀疏点云中当前参考点之间的差表示为：
其中l＝1,...,L，同时Sl＝{xi|||xi-x||≤rl}，对于每个尺度下的相关矩阵Ci，使用奇异值分解，得到三个特征值λl1≥λl2≥λl3及与之对应的特征向量nl1,nl2,nl3，选择最小特征值λl3对应的nl3作为每个尺度小的布局描述向量；多个尺度下联合表示为如下矩阵形式：
N＝(n1,...,nL)；
其中n1及nL分别对应各个尺度的局部描述向量。
6.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤四中初始种子匹配对的选取方法具体包括：对Pd中每个点的夹角特征建立kd-tree；在该树中搜索Qd中每个夹角特征对应的最近邻特征，最近邻的度量方式为两个夹角特征之间的欧氏距离误差；选取欧氏距离误差最小的k1对匹配点对作为初始种子匹配，记为S。
7.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤五中初始种子匹配的邻域传播方法包括：(xi,yj)为种子匹配集S中的一个匹配，与之对应的匹配集初始化为M＝{(xi,yj)}，在Pd中找到距xi最近的k2个点，k2个点构成的点集表示为P′d，并计算这k2个点中距xi最远的距离d1；以yj作为参考点在Qd中找到其d1邻域内的点，此邻域内的点构成的点集表示为Q′d；对于任意x∈Pd′\xi且d＝||x-xi||，定义xi和其d邻域内的点x的向量描述N之间的夹角为θ，表示为θ＝(θ1,...,θL)T，其中θl是在rl邻域下xi和x的向量描述之间的夹角，表示如下式：
在Q′d中yj的d′邻域中搜索xi的d邻域内所有点的对应点，表示为：
y∈Qd'∩{y||d′-d|＜∈1}；
T
其中d′＝||y-yj||，和θl相似，y和yj之间向量之间的夹角表示为θ′＝(θ′1,...,θ'L) ，同理θ′l是在rl邻域下yj和y的向量描述之间的夹角，表示为下式：
然后将xi的d邻域内点的向量之间的夹角θ与yj的d′邻域内点的向量之间的夹角θ′之间的奇异性定义如下：
在进行种子匹配邻域传播时，对种子匹配的邻域内拥有最小夹角奇异性的点对作为新的匹配对添加到初始匹配集中，初始匹配集M＝M∪(x,y)，邻域内所有点的夹角奇异性都为都为Inf，那么M保持不变；当参考点xi的d邻域内所有点都遍历完，匹配对数目达到预设值Nlim，那么搜索停止，否则以最后一次添加的匹配作为新的参考点进行下一次搜索；初始种子匹配中有n个匹配对，得到匹配集为M1,...,Mn，根据每一个匹配集可以求得一个变换矩阵，根据变换矩阵可以完成点云配准，选取配准误差最小的一个变换对原始输入点云进行变换。
8.如权利要求2所述的基于局部参考点的快速点云配准方法，其特征在于，所述步骤六中部分重叠ICP算法对粗配准结果优化方法包括：使用最近邻搜索在在经过粗配准的点云中找到每个点对应的最近点，把最近邻误差最小的k3个点对的均方误差作为迭代初始误差并将这k3个点对作为迭代的初始匹配对；根据匹配对求解两个点云之间的变换矩阵，并将其中一个视角进行变换，再次使用最近邻搜索在变换后的两个点云中找到最近邻匹配，同时计算最近邻误差最小的k3个点对的均方误差，若相邻两次迭代的误差小于阈值，当前均方误差值小于误差阈值或者达到最大迭代次数，迭代停止；反之重复迭代过程直至迭代停止。
9.一种应用权利要求1～8任意一项所述基于局部参考点的快速点云配准方法。
一种基于局部参考点的快速点云配准方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种用于MISO无线公平性网络的用户接入控制优化方法 | 2020-05-22 | 1 |
| 一种基于多任务学习的排水管道异常类型自动检测方法 | 2020-06-06 | 1 |
| 夜晚模式镜头付着物的检测系统、终端和存储介质 | 2020-09-16 | 0 |
| 三维物体的识别方法 | 2020-11-16 | 2 |
| 基于LSTM网络多模态信息融合的三维模型检索方法 | 2021-01-27 | 1 |
| 基于深度学习的车载人脸识别方法 | 2024-01-22 | 1 |
| 一种典型环境下智能电能表可靠性综合评价模型 | 2020-06-24 | 0 |
| 基于图像的尾灯检测与识别方法 | 2020-11-25 | 0 |
| 一种利用投影回归的齿轮式数字仪表识别方法 | 2020-12-29 | 2 |
| 一种可持续交通网络设计的多属性决策方法 | 2020-10-11 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
