[发明专利]基于vanilla-R点对剔除策略的点云配准方法

摘要

本发明公开了一种基于vanilla‑R点对剔除策略的点云配准算法，它对现有点到点的点云配准算法中关联点对的剔除策略进行了改进，能有效增加点云配准算法的鲁棒性，获取更为准确的点云配准。本发明所设计的vanilla‑R点对剔除策略具体为通过随着迭代逐渐下降的模型最近点搜索距离阈值和互邻距离阈值来共同作用剔除噪声点对。通过两个策略的共同作用，可以保证点云准确、高效地配准。此外，本发明对随机采样点数的设置鲁棒性高，甚至少量的选点就能实现准确的配准，从而减少了运行时间，这是以往其他算法难以实现的。最后，本发明对算法收敛条件进行了设计，保证了该算法能够有效的收敛到一个全局最优解。

主权项

1.基于vanilla‑R点对剔除策略的点云配准方法，其特征在于，包括以下步骤：S1、初始化模型参数R₀和t₀，R₀表示待配准点云到目标点云的初始旋转矩阵，t₀表示待配准点云到目标点云的初始平移向量；设置随机选点数N、初始距离阈值d_M、d_M的下降步长S_d、互邻距离阈值d_R以及收敛参数α、β和n_cvg；S2、将目标点云A按照k‑d tree的数据结构进行存储；对待配准的点云B中所有点b_i应用当前模型参数R_k和t_k进行转化，即m_i＝R_kb_i+t_k，其中下标k为求解模型参数的迭代次数；转化得到的各点m_i构成了点云M，将其按照k‑d tree的数据结构进行存储；S3、在M中随机选择点m_i，并使用最近邻搜索算法在目标点云A中找出距它的最近点a_j，形成点对(a_j,m_i)；S4、判断点对(a_j,m_i)是否满足vanilla‑R原则，若满足则将点m_i替换为点云B中对应的点b_i，即形成了模型点对(a_j,b_i)，并存储为(y_n,p_n)，进入步骤S5，否则返回步骤S3；所述步骤S4中vanilla‑R原则具体为：当前点对(a_j,m_i)的距离应小于当前距离阈值d_M，如果不满足则返回步骤S3；在满足前一个条件时，在点云M中去搜索a_j的最近点m_i′，并判断m_i与m_i′的距离是否小于互邻距离阈值d_R；S5、判断当前存储的点对数目n是否达到随机选点数N，若是则进入步骤S6，否则返回步骤S3；S6、使用奇异分解求解出已经存储的N对点对(y_n,p_n)的旋转和平移变换关系，得到新的模型参数R_k和t_k；S7、根据公式得到误差error_k，判断其是否满足收敛条件，若收敛则结束，否则根据下降步长S_d减少距离阈值d_M，替换模型参数，返回步骤S2。