[发明专利]一种多尺度法向特征点云配准方法

说明书

技术领域

本发明涉及一种多尺度法向特征点云配准方法。

背景技术

三维点云数据配准技术一直是逆向工程、计算机视觉、曲面质量检测及摄影测量学等领域的研究热点与难点。随着点云数据获取方法越来越简单，成本也越来越低，点云处理技术在文物保护、考古研究、3D影视、医学、工业等领域得到不断的实践和发展。在三维测量过程中,受被测物体空间位置、几何外形和测量方式的影响，单视角测量受到限制，设备仪器需从不同视角对物体定位测量,并且要将多视角测量的结果整合到同一坐标下,点云配准方法的选择尤为重要。主流的配准方法是通过计算点的特征(比如FPFH,Fast Point Feature Histogram)来寻找对应点，从而获得多视角点云之间的旋转平移关系；还有Besl等人提出的迭代最近点(ICP，Iterative Closest Point)以及在此基础上的改进算法，通过迭代采样的方式计算使点之间的欧氏距离达到最小的旋转平移关系。FPFH特征需要计算任意点以及它的k紧邻点之间两两相互连接的角度特征，计算量比较大，计算效率较低。ICP对原始点云初始位置要求比较高。并且主流的配准方法在抗噪声性能，配准精度和计算效率方面都存在不足。

发明内容

本发明目的在于提供一种多尺度法向特征点云配准方法，配准精度和计算效率高。

实现本发明目的技术方案：

一种多尺度法向特征点云配准方法，其特征在于:

步骤1：读入由点云获取设备采集的目标点云和源点云两视角点云；

步骤2：计算点的三个尺度半径邻域的曲率，根据目标函数，从目标点云和源点云中抽取关键点；

步骤3：计算每一个关键点在不同尺度半径邻域的法向量角度偏差和曲率，将其作为特征分量，构成关键点的特征描述子，从而得到目标点云关键点特征向量集和源点云关键点特征向量集；

步骤4：根据关键点特征描述子的相似程度，初步确定目标点云关键点和源点云关键点的对应关系；

步骤5：去除错误的对应关系，获得精确对应关系；

步骤6：对获得的精确对应关系使用聚类分析方法进行精简，得到分布均匀的对应关系；

步骤7：对最终的对应关系进行奇异值分解得到刚体变换矩阵。

步骤2中，具体包括以下步骤，

步骤2.1：根据不同点云数据选取适当半径r，作为任意一点p的邻域计算半径，计算点云每一个点p半径为r时邻域的3×3的协方差矩阵E，并计算特征值λ₁₁、λ₁₂、λ₁₃，

E=1kΣi=1k(pi-p‾)·(pi-p‾)T]]>

E·v_j＝λ_j·v_j,j∈{1,2,3}

式中，p_i是p半径为r邻域内的点，k是点p半径为r邻域内点的数量,表示这个邻域的质心，λ_j、v₁分别是协方差矩阵的特征向量和对应的特征值，j＝1,2,3；

步骤2.2：按照步骤2.1计算点p半径为2r时邻域的协方差矩阵，获得特征值λ₂₁、λ₂₂、λ₂₃；

步骤2.3：按照步骤2.1计算点p半径为3r时邻域的协方差矩阵，获得特征值λ₃₁、λ₃₂、λ₃₃；