[发明专利]3D深度图特征点实时提取方法和设备

说明书

技术领域

本发明涉及计算机视觉领域和智能机器人学领域，更具体地讲，本发明涉及实时提取3D深度图的特征点。

背景技术

现有的3D深度图(即，3D点云)特征点提取技术从大方向上可以分为两类。第一类特征提取算法是直接将针对2D图片的特征提取算法推广到3D点云的处理上。然而，3D点云和2D图片还是有很大差别的，因此直接推广虽然可行，但是效果不佳。第二类特征提取算法是专门针对3D点云设计的。这类算法设计的特征比较有针对性，所以效果比前面一类方法好很多。

对于第二类特征提取算法，其最关键的步骤是要设计一个有效的兴趣值的计算方法。由于特征点一般来说应该落在曲面变化剧烈的位置，因此这个计算兴趣值的方法要能很好的度量出曲面的变化情况。在特征点提取后，通常会进行特征的描述匹配等操作，所以有些算法也会将特征点的稳定性考虑在内。要求特征点落在一个稳定的位置，而在这个位置附近有较大的曲面变化。

对于需要处理的点云数据，我们可以将其分为两类：一类是边界点，即位于深度不连续的边缘附近的点。这类点位于边缘附近，所以本身就具有一定的不稳定性。另一类点是除了边界点以外的其他点，这些点距离边缘有一定的距离。这类点，一般来说都相对比较稳定，即使有比较大的曲面变化，但是由于是连续性的变化，所以不会很不稳定。

现有技术对于边界的处理包括：一类是要求特征点不能是边界点；另外一种方法，是NARF算法（ICRA2011:point feature extraction on3D range scans taking into account object boundaries）中提出的，即，对边界点和内部点都给一个分数和一个方向，然后计算出兴趣值，并且根据兴趣值的大小选择特征点。

因此，现有技术中存在的问题如下：

如前所述，点云数据可以区分为边界点和内部点两类，大部分的现有技术不区分这两类点，使用同样的几何特征以及同样的方法来计算兴趣值，因此这些算法对于内部曲面变化比较多的场景很适用，而对于内部曲面变化比较少的情景，特别是噪音比较大的真实场景，性能就下降得很厉害。表现主要差在两方面，一是在曲面变化非常小的地方，由于噪音的影响，容易误检到特征点。二是对于边界点重视程度不够。对于内部曲面变化较少的现实场景，边界特征是很重要的，而这类算法主要是针对内部点设计的兴趣值计算方法，对于边界点效果不好。

另一方面，与大部分算法不同，NARF主要是处理深度图像的，所以它对边界点进行了专门的处理。具体的，NARF给每一个点一个分数和一个方向，然后进行特征值的计算。这个分数是用来衡量曲面变化情况的，边缘点和内部点的打分策略是不一样的。边缘点位于深度不连续的位置，所以给1分；内部点得分则是跟主曲率大小有关，是一个0-1区间的数字。这个打分机制很不公平，边缘点的分数太高，所以NARF检测到的特征点大多集中在边界附近，内部特征点很少，因而对于内部特征丰富的场景，效果很差。

综上所述，现有技术使用一种兴趣值计算方法处理所有点云数据。要么针对内部点设计兴趣值计算方法，仅仅适合于内部曲面变化多的场景，要么过于看重边界，仅仅适合于内部曲面变化少，依赖边界特征的场景。

因此需要一种能够适用范围更广并且对于各种场景都有很好的性能的特征点提取方法。

发明内容

本发明的目的在于提供一种能够对于各种场景都有很好的性能的特征点提取方法。

根据本发明的一方面，通过充分考虑到内部点和边界点的特点，将内部点和边界点区分处理，使用各自适合的兴趣值计算方法。更进一步地，在本发明中，处理内部点和边界点的方法以及其使用的主参数（用于计算兴趣值的最主要的计算量）具有一致性(这里的一致性主要是指最终所求得的兴趣值的大小要具有可比性，兴趣的大小设置是有合理的意义的)，因此便于后续将所有的点放在一起根据计算出来的兴趣值筛选出最后的特征点。

根据本发明的一方面，提供了一种3D深度图特征点实时提取设备，包括：边界提取模块，用于提取输入的3D深度图点云中的边界点；兴趣值计算模块，包括用于计算边界点兴趣值的边界点兴趣值计算模块和用于计算除边界点之外的内部点兴趣值的内部点兴趣值计算模块，边界点兴趣值计算模块和内部点兴趣值计算模块使用相同的主参数计算兴趣值，并且所得兴趣值具有相同的数量级；特征点提取模块，根据所有边界点和内部点兴趣值大小来提取特征点。

优选地，边界提取模块可提取位于输入的点云中深度不连续位置上的边缘点，并且选择位于边缘点预定范围内的点作为边界点。