[发明专利]一种激光雷达与视觉点云的初始化自动配准方法

说明书

本发明公开了一种激光雷达与视觉点云的初始化自动配准方法，在现有的JRMPC(多点集联合注册)算法的基础上，加入了尺度估计，采用带有尺度估计的JRMPC算法进行激光雷达点云和视觉点云的精匹配；该方法采用将体素降采样和ESF(形状函数集成)描述符相结合，进行激光雷达点云和视觉点云的粗匹配，解决了激光雷达点云和视觉点云的规模不同问题；采用欧式距离计算，可以降低计算量，缩短计算时间。

技术领域

本发明属于信息技术领域，具体涉及一种激光雷达与视觉点云的初始化自动配准方法。

背景技术

三维点云的配准一直以来是一个重要的研究方向，在自动驾驶、机器人导航、增强现实等各领域均有运用。但是异源3D点云的配准却十分困难，这是因为异源点云之间的尺度、密度、规模大小、噪声分布机制等各方面都有较大的差异性。目前3D点云的配准算法主要分为两类，一类是全局配准算法，另一类是非全局配准算法。全局配准算法是基于BnB(分支与定界)的方法，不断更新变换空间的几何边界，从而搜寻出最佳变换矩阵。这类算法的关键在于如何精准地数学建模出变换空间的几何边界，从而实现最佳变换矩阵的准确搜寻。该算法虽然配准精度较高，但是由于其需要进行大量的计算，比较耗时，不适合实际的运用。非全局配准方法主要分为基于点云特征的配准方法和基于混合高斯模型的配准方法。基于点云特征的配准算法，其算法的精确程度上取决于点云特征的描述是否准确。但是每一种描述子都有局限性，其鲁棒性在异源点云的描述中较低，这将导致无法实现点云对之间准确匹配，从而不能实现准确的注册。基于混合高斯模型的配准算法，是一种基于概率模型的配准算法，采用混合高斯模型模型来表示点云的分布，通过最小化相应混合高斯模型的统计差异，从而求取最佳的变换矩阵。该类算法在参数求解的时候，通常采用EM(期望最大化)或ECM(期望条件最大化)方法求解。由于该类算法鲁棒性高，对噪声、密度、视角等因素不敏感，在异源点云的配准中比较适用。

在复杂的跟踪定位系统中，通常会采集激光雷达构建离线地图，该地图规模较大，且是稠密点云，而在系统的在线阶段，采用视觉的方式进行在线的跟踪定位。为了实现二者之间的关联，需要将激光雷达点云和视觉重建的点云进行配准，以便实现精确的定位、导航等各种需求。由于二者构建的点云数据属于异源数据，在点云的尺度、密度、规模大小、噪声分布机制等各个方面存在较大差异性。因此，需要着重解决激光雷达与视觉点云的初始化配准。

发明内容

有鉴于此，本发明的目的是提供一种激光雷达与视觉点云的初始化自动配准方法，能够解决激光雷达和视觉点云异源数据的关联问题，具有快速实现异源点云初始化配准的效果。

一种激光雷达与视觉点云的初始化自动配准方法，其特征在于，包括如下步骤：

步骤一：获得整个真实场景的激光雷达扫描点云P_l；

步骤二：利用相机对真实场景的某一区域进行拍照，采用视觉重建的方式获得该区域的视觉点云P_v；

步骤三：对点云P_l和点云P_v进行预处理；

步骤四：从点云P_l中随机选取M个点作为球心，以每一个球心构建N个半径大小不同的球体，把球体内部的点作为构建候选区域点云的点，从而获得规模大小不同的候选区域点云a＝1，...，N；b＝1，...，M；M＞1；N＞1；

步骤五：尺度统一化，以点云的规模大小作为尺度基准，对点云P_v的尺度调整，得到点云

步骤六：分别计算点云和点云的ESF描述子；

步骤七：对点云的ESF描述子和点云的ESF描述子进行粗匹配；

步骤八：选出匹配程度最好的前NN个候选区域点云中的点云n＝1，...，NN，和对应点云NN取大于2整数；