[发明专利]应用维度混洗变换的实时三维空间搜索与点云配准的方法与系统

说明书

本文件涉及维度混洗变换(DST)，它将三维空间映射到一维空间，并在递归层次结构中在一维近邻关系中保留三维近邻关系。通过DST，将对三维子空间中的点的搜索转化为变换后的一维空间中的一个或多个搜索。通过将由变换索引的三维空间递归分解为子空间，利用变换后的空间结构，或通过直接索引到感兴趣的区域，来执行搜索。对递归分解产生的子空间的搜索完全彼此独立，从而为各种并行的基于DST的搜索方法提供了很多的机会。DST为快速且高效的点云压缩提供了基础，同时避免了对树形数据结构的构建和遍历。

相关申请的交叉参考

本公开要求2017年3月29日提交的申请号为62/478,422的临时申请的权益。

技术领域

本公开涉及能够在包括点云配准的诸多问题域中获得显著计算与热力效率的计算变换、搜索、数据采样以及其它操作。

背景技术

点云是由各种传感器收集的三维数据集，各种传感器诸如是激光探测与测距“LiDAR”传感器、深度相机(Depth Camera)或其它设备。点云配准(Point CloudRegistration)迭代地将三维数据集的新的帧与之前对准了的帧进行对准，亦称为“地图(Map)”配准。在许多应用场景中，传感器在三维空间中以六个自由度进行移动，而且每个新的帧通过空间变换而与先前的帧或者与先前对准了的帧的集合建立关联。对三维数据集的一系列帧的配准是寻找刚性变换的过程，其中刚性变换包括位移和旋转并用于在选定的坐标系中将帧进行对准。

点云配准在许多领域中具有广泛的应用，包括计算机视觉、同时定位与地图构建(Simultaneous Localization and Mapping，“SLAM”)、机器人行动规划、自动驾驶、对象识别、医学成像、磁共振成像、虚拟与增强现实以及遥感三维建模。近年来，由于传感和计算技术的飞速发展，许多新的应用已经成为可能，这使得三维数据集配准正成为许多科学、技术、商业应用和领域中越来越重要的组成部分。

迭代最近点(Iterative Closest Point，“ICP”)和广义迭代最近点(“GICP”)是被广泛应用于点云配准的方法。顾名思义，ICP依赖于三维空间的迭代搜索，因此实际上，它的性能主要由搜索的成本决定。基于K-d树和其它树的方法被用于对最近点进行搜索，而且这些基于树的方法涉及昂贵的树遍历。实验测试已经表明，通过采用任何已知的基于树的方法进行三维空间搜索来执行实时点云配准都是不切实际的。

点云帧一般通过采样进行压缩以在帧对准之前减小它的基数(cardinality)，从而降低处理成本。为了确保压缩不会导致大幅的精度下降，许多压缩技术被设计，以从选定大小的每个三维体素中移除超出阈值数据点数的任意数据点。八叉树(Octree)已经被提议用来实现这些压缩技术，其要求存储空间的大小与三个维度中每个维度的空间坐标范围的乘积成比例，并且要求对于每个被检查的点而言处理时间与八叉树的大小的对数成比例。通过点云配准产生的对准后的点云帧或者说地图被存储在数据库中。该数据库随着每一新的帧的处理而逐步建立，而且同时需要针对每一帧中的每一点予以搜索。

如熟悉科学技术的人所熟知的，在计算机系统中，方法或子系统的计算效率可用完成特定任务所使用的被处理指令的数量和存储大小来衡量，并直接影响计算机系统的热力效率，且是机电计算系统的重要的现实物理特性。计算机系统中方法或子系统的时间效率与物理计算机系统的实际性能直接相关，并且经常是实际应用中计算机系统实用性的重要决定因素。与应用、技术或系统的任何重要组成部分一样，研究人员、设计人员、开发人员、制造商和销售商都不断地寻求更高效更快速的三维数据集配准方法与系统，并且在许多其它相关的应用和问题域中寻求改善的效率。

发明内容