[发明专利]一种并行的三维点云数据自动化配准方法

说明书

本发明公开了一种并行的三维点云数据自动化配准方法，通过获取处于不同视图下且具有重叠区域的两个待配准点云，对点云进行下采样处理以减少计算量，计算点云数据的法向量并计算快速点特征直方图FPFH特征，启动多个进程分别从一个点云中选择n个点并在另一个点云中查找对应点，根据对应点计算刚性变换的旋转平移矩阵，同时计算错误度量标准，将最小错误度量标准的结果作为本次迭代结果，进行多次迭代，将最终的结果作为变换矩阵；最后利用ICP迭代算法进行精配准。

技术领域

本发明属于点云数据处理领域，尤其是一种并行的三维点云数据自动化配准方法。

背景技术

三维点云数据是通过测量仪器得到的物体外观表面的点数据集合，是对真实世界的一种数字化表现形式。三维点云数据在建筑物保护、三维地图、生物医学等领域具有很强的应用价值。三维点云数据会遇到需要将两个不同视图获取的点云数据统一到相同的坐标系下的问题，即点云配准。

目前的点云配准技术主要分为手动配准和自动配准。手动配准需要提前人工标注两个点云数据中的多个对应点，然后根据标注的对应点求解刚性变换的齐次方程求解旋转矩阵R和平移向量T，最后根据求得的R、T将两个点云的坐标系进行统一，此方法对人工标准的准确性要求极高，错误的标准对应点会影响配准效果。自动配准通过计算点云数据的特征描述子FPFH，并进行特征匹配，通过特征匹配代替人工标准，进而求解旋转平移矩阵，此方法需要对点云数据进行大量的预处理，在大型三维点云数据中，特征的提取和匹配都需要巨大的时间成本，同时特征匹配的准确性是配准成果的关键。

发明内容

针对上述问题，本发明提供了一种并行的三维点云数据自动化配准方法,包括以下步骤:

步骤1：获取不同视图下待配准的源点云P和目标点云Q；

步骤2：点云降采样处理。针对大型的三维点云数据进行降采样处理，在最大程度保留点云数据特征的前提下减少计算量。此处采用尺度不变特征变换3D-SIFT提取点云中的关键点作为降采样的结果。特殊的，针对三维重建领域可以直接采用稀疏点云作为降采样结果。降采样后源点云P中的关键点数量N_p,目标点云Q中的关键点数量P_q。

步骤3：对两个点云集合中的点计算法向量进而计算快速点特征直方图描述子FPFH，FPFH是由点特征直方图描述子PFH简化而来，在保留FPH大部分特性和结果的同时，计算复杂度更低。具体步骤如下：

步骤3.1：针对三维点云中的某点P_q，它的FPFH描述子由三维空间中半径为r的球体区域中的k个领域点决定。

步骤3.2：计算中心点P_q和领域点的相对差异，取领域中的任一点P_k，且各自的法向量为n₁和n₂，在点P_q上定义局部坐标系，坐标系方向u、v、w根据下式计算：

u＝n₁

w＝u×v   (式1)

步骤3.3：根据u、v、w坐标，n₁和n₂的差异可以用一个三元组(α，φ，θ)来表示，三元组的表达形式仅使用3个参数就涵盖两个点相对位置关系的12个参数。其中α，φ，θ根据下式计算：

α＝v·n₂

θ＝arctan(w·n₂，u·n₂)   (式2)

步骤3.4：计算中心点P_q和领域k个点之间的三元组，并统计一个简化的点特征直方图SPFH。