[发明专利]三维点云配准方法、装置、电子设备及可读介质

说明书

本公开实施例提供一种三维点云配准方法、装置、电子设备及可读介质，该方法包括：获取待配准点云和基准点云；确定待配准点云在二维平面的第一投影图像，第一投影图像包括多个第一像素点；确定基准点云在二维平面的第二投影图像，第二投影图像包括多个第二像素点；根据第一投影图像的第一像素点和第二投影图像中的第二像素点确定匹配像素点对，每个匹配像素点对包括一第一像素点和一第二像素点；根据匹配像素点中的第一像素点对应的至少一个待配准点云，和匹配像素点中的第二像素点对应的至少一个基准点云确定变换矩阵，以根据变化矩阵对待配准点云进行点云配准操作。本公开实施例提供的技术方案能够实现大范围点云的无初值快速精准配准。

技术领域

本公开涉及点云配准技术领域，尤其涉及一种三维点云配准方法、装置、电子设备及计算机可读介质。

背景技术

目前，随着激光雷达及各种深度传感器的普及，三维点云数据的获取变得更加便捷。大量的三维点云正在成为三维重建、位姿估计、目标识别等研究领域的新型数据源。然而，大多数情况下，三维点云的采集需要跨时间段、跨视角、跨设备协同才能完成，只有将不同视角、不同时期、不同设备获取的局部三维点云数据配准到一起，形成覆盖整个场景的完整三维数据，才能进行后续的更高层级算法分析。因此，作为点云数据处理的基础算法，三维点云配准技术一直是测绘地理信息、计算机视觉、计算机图形学等领域的一个研究热点。按照配准的目标精度不同，点云配准技术分为粗配准和精配准两大类。粗配准是指在两待配准点云相对位姿完全未知的情况下对点云进行配准，配准结果可为精配准提供良好的初始值。当前主流的粗配准算法包括基于穷举搜索的配准算法和基于特征匹配的配准算法。其中基于穷举搜索的配准算法，需要遍历整个变换空间以选取使误差函数最小的变换关系或者列举出使最多点对满足的变换关系。如随机抽样一致性(RANSAC)配准算法、四点一致集配准算法(4-Point Congruent Set,4PCS)、Super4PCS算法等。基于特征匹配的配准算法通过计算被测物体或场景本身所具备的形态特性构建点云间的匹配对应，然后采用相关算法对变换关系进行估计。如基于快速点特征直方图(Fast Point Feature Histograms，FPFH)特征点的随机采样一致性(SAC-IA)、FGR算法、基于方向直方图特征(Signature ofHistograms of OrienTations,SHOT)特征的AO算法、基于深度学习提取特征的3DsmoothNet方法、以及基于线特征的ICL算法等。精配准的目的是在粗配准结果的基础上让点云之间的空间位置差别最小化。通用的精配准算法主要包括ICP以及ICP的各种变种(如point to plane ICP、Point to line ICP、GICP、NICP)、NDT、基于深度学习的DeepVCP等。

尽管当前各种点云配准算法众多，但与图像配准算法相比，点云配准技术还有很多问题有待解决。当前绝大多数效果较好的点云配准算法主要针对小型特定物体(如经典的斯坦福兔子模型)或几米范围内的室内场景进行的。对于大范围场景下的室内外点云配准问题，目前仍存在较大挑战。由于算法复杂度与内存限制，现有的针对局部小范围设计的配准算法很难扩展到大范围场景。

因此，需要一种新的三维点云配准方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开实施例提供一种三维点云配准方法、装置、电子设备及计算机可读介质，能够实现大范围点云的无初值快速精准配准。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。