基于关键点和邻域点对特征描述的点云配准方法、电子设备及存储介质

1.本发明涉及三维点云数据的配准，具体涉及基于关键点和邻域点对特征描述的点云配准方法、电子设备和存储介质。


背景技术：

2.随着三维(3d)成像技术的兴起和三维点云数据的不断发展，三维重建技术在许多邻域得到广泛应用，包括机器人导航、地理测绘和逆向工程等。在扫描测量的过程中，受物体遮挡、环境因素或测量工具的误差等影响，需要在不同角度对物体进行多次扫描，然后利用配准算法将若干组扫描数据配准拼接到一起，形成物体的完整点云表达。点云配准就是将从不同角度得到的点云进行匹配和重叠，形成完整的点云。作为目前最常用的配准算法，迭代最近点算法(iteration closet point，icp)思想简单、精度高，但算法的运行速度和收敛性很大程度上取决于点云的初始位姿，目标函数还易陷入局部最优的情况。因此，常见的配准方案是“由粗到精”的策略，即通过粗配准获得良好的初始位置，然后使用icp算法实现快速、准确的配准。
3.利用特征描述符进行粗配准是目前常用的方法，特征描述符可以定义为从3d对象空间到某个高维向量空间的映射。由于三维点云的不规则特性，设计一个具有高综合性能的特征描述子是一个挑战。在实际情况下，获取到的点云信息往往是不完整的，而全局特征描述子对信息确实非常敏感，故本文针对局部特征描述子及其配准算法进行研究分析。


技术实现要素：

4.本发明针对常用配准算法对多视角点云配准效果不理想的问题，提供一种基于关键点和邻域点对特征描述的点云配准方法、电子设备和存储介质，其能够实现不同视角点云高效率、高精度的点云数据配准，有效提高数据缺失和噪声情况下点云配准的鲁棒性。
5.本发明所述的基于关键点和邻域点对特征描述的点云配准方法，其包括如下步骤：
6.步骤1，点云数据预处理，包括：
7.步骤1.1，点云数据精简：使用体素降采样算法对不同视角的点云进行精简；
8.步骤1.2，计算法向量和曲率：使用主成分分析法，计算精简后点云数据中各点的法向量和曲率；
9.步骤1.3，法向量重定向；
10.步骤2，初始配准，包括：
11.步骤2.1，关键点提取：计算点云数据中各点的邻域曲率均值，利用邻域均值结合iss算法提取降采样点云数据中的关键点集；
12.步骤2.2，特征描述符计算：计算关键点集的邻域点对特征向量，并根据特征向量计算特征描述符；
13.步骤2.3，初始对应关系查找：计算邻域点对特征描述符的相似度，并根据相似度双向查找初始对应关系；
14.步骤2.4，对应关系筛选；首先使用法向量夹角均值进行对应关系初次筛选，然后使用ransac算法进行对应关系二次剔除，得到正确对应关系；
15.步骤2.5，求解初始变换矩阵：根据正确对应关系计算刚体变换矩阵，利用求得的初始刚体变换矩阵将不同视角的点云数据旋转平移至同一坐标系上，完成点云初始配准；
16.步骤3，精确配准，将初始配准结果作为初值，使用icp算法进行迭代运算，直到迭代次数或目标函数满足要求，完成不同视角点云配准。
17.进一步，步骤2.1具体为：计算任意一点pi的邻域曲率均值计算公式为：式中，k为pi的邻近点的数量，j＝1,2,
…
,k，i＝1,2,
…
,n，n为点云数量，c
ij
为第i个点云中第j个邻近点的曲率；
18.将全局曲率均值作为阈值，筛选初始关键点；
19.若则点pi为初始关键点；若则点pi不为初始关键点；
20.提取初始关键点之后，使用iss算法提取初始关键点中的iss关键点，得到降采样点云数据中的关键点集。
21.进一步，步骤2.2具体为：对于步骤2.1得到的关键点集中的各个关键点，计算关键点的邻域点对特征向量；对于点云中的任意一点p，给定邻域半径r，能够确定空间球体内的邻域点qi(i＝1,2,
…
m)；使用同样的邻域半径r，以邻域点qi(i＝1,2,
…
m)为中心，能够确定m个空间球；设qi的半径邻域点为q
ij
(j＝1,2,
…
n)，点p的邻域点对特征向量计算公式为：
22.npfv(p,qi)＝(f1,f2,f3,f4,f5,f6,f7,f8)，
[0023][0024]
式中，qi为点p的任一邻域点，di和d
ij
均是向量差，di＝p-qi，d
ij
＝q
i-q
ij
；
[0025]
n为p的法向量，ni为qi的法向量，n
ij
为q
ij
的法向量；c
p
为p的曲率，为qi的曲率，为q
ij
的曲率；
[0026]
f1为p的法向量n与qi的法向量ni之间的夹角，f2为p的法向量n与p和qi构成的向量di之间的夹角，f3为qi的法向量ni和p和qi构成的di之间的夹角，f4为p和qi的曲率之差，
[0027]
npfv(p,qi)为p和qi的邻域点对特征向量；
[0028]
得到点对特征向量后，计算特征描述符npfc(p)，计算公式为：
[0029][0030]
式中，m为p的邻域点数量，为点p的邻域点对特征向量均值。
[0031]
进一步，任意两点p和q的邻域点对特征描述符的相似度的计算公式为sim＝||npfc(p)-npfc(q)||，式中，npfc(p)为点p的特征描述符，npfc(q)为点q的特征描述符。
[0032]
进一步，步骤2.4中，对应关系筛选具体是：计算每一对初始对应点对的法向量夹角和所有对应点对法向量夹角均值，若点对法向量夹角小于法向量夹角均值，则认为是正确对应关系，反之则认为是错误对应关系，以此实现对应关系初次筛选；然后使用ransac算法进行二次对应关系筛选，得到正确对应关系。
[0033]
一种电子设备，包括：处理器以及存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行本发明所述的基于关键点和邻域点对特征描述的点云配准方法。
[0034]
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本发明所述的基于关键点和邻域点对特征描述的点云配准方法。
[0035]
本发明与现有技术相比具有如下有益效果：
[0036]
1、本发明关键点提取采用两阶段提取的策略，首先根据邻域曲率均值提取初始关键点，然后使用iss算法进行二次关键点提取，该关键点提取放手能够快速提取几何特征明显的点集作为关键点，同时避免了边缘点作为关键点的情况。
[0037]
2、本发明特征描述符主要由邻近点的空间向量夹角和曲率变化构成，同时包含了邻近点邻域空间的向量夹角和曲率变化均值，相对于其他常见描述符，具有更强的特征描述能力和面对噪声的鲁棒性。直接计算本发明提出的特征描述符，并根据特征描述符相似度查找对应关系，能够有效提升点云配准过程中特征匹配的效率和准确度。
[0038]
3、本发明针对根据特征描述符相似度提取的初始对应关系，采用两阶段误匹配剔除的策略，首先使用法向量夹角均值剔除明显的错误对应关系，然后使用ransac算法进行二次误匹配剔除。该策略首先使用法向量夹角均值剔除明显错误点对关系，减少了ransac算法的迭代次数，从而提高了误匹配剔除阶段的计算效率。
附图说明
[0039]
图1为根据本技术示例性实施例的基于关键点和邻域点对特征描述的多视角点云配准方法流程示意图。
具体实施方式
[0040]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
参见图1，所示的基于关键点和邻域点对特征描述的点云配准方法，其包括如下步骤：
[0042]
步骤1，点云数据预处理。
[0043]
步骤1.1，点云数据精简：设置体素边长l，使用体素降采样算法对不同视角的点云进行精简。
[0044]
步骤1.2，计算法向量和曲率：使用主成分分析法，计算精简后点云数据中各点pi的法向量ni和曲率ci。
[0045]
步骤1.3，法向量重定向，具体是，对于任意一点pi，法向量定向公式为：
[0046][0047]
式中，ni为点pi的法向量，center
pi
为pi的邻域点云质心，center
pi-pi为向量差。
[0048]
步骤2，初始配准。
[0049]
步骤2.1，关键点提取：计算点云数据中各点的邻域曲率均值，利用邻域均值结合iss算法提取降采样点云数据中的关键点集。具体是：计算任意一点pi的邻域曲率均值计算公式为：式中，k为pi的邻近点的数量，j＝1,2,
…
,k，i＝1,2,
…
,n，n为点云数量，c
ij
为第i个点云中第j个邻近点的曲率。
[0050]
将全局曲率均值作为阈值，筛选初始关键点；若则点pi为初始关键点；若则点pi不为初始关键点。
[0051]
提取初始关键点之后，使用iss算法提取初始关键点中的iss关键点，得到降采样点云数据中的关键点集。
[0052]
本发明关键点提取采用两阶段提取的策略，首先根据邻域曲率均值提取初始关键点，然后使用iss算法进行二次关键点提取，该关键点提取放手能够快速提取几何特征明显的点集作为关键点，同时避免了边缘点作为关键点的情况。
[0053]
步骤2.2，特征描述符计算：计算关键点集的邻域点对特征向量，并根据特征向量计算特征描述符。具体为：对于步骤2.1得到的关键点集中的各个关键点，计算关键点的邻域点对特征向量；对于点云中的任意一点p，给定邻域半径r，能够确定空间球体内的邻域点qi(i＝1,2,
…
m)；使用同样的邻域半径r，以邻域点qi(i＝1,2,
…
m)为中心，能够确定m个空间球；设qi的半径邻域点为q
ij
(j＝1,2,
…
n)，点p的邻域点对特征向量计算公式为：
[0054]
[0055]
式中，qi为点p的任一邻域点，di和d
ij
均是向量差，di＝p-qi，d
ij
＝q
i-q
ij
；n为p的法向量，ni为qi的法向量，n
ij
为q
ij
的法向量；c
p
为p的曲率，为qi的曲率，为q
ij
的曲率；f1为p的法向量n与qi的法向量ni之间的夹角，f2为p的法向量n与p和qi构成的向量di之间的夹角，f3为qi的法向量ni和p和qi构成的di之间的夹角，f4为p和qi的曲率之差，npfv(p,qi)为p和qi的邻域点对特征向量。
[0056]
得到点对特征向量后，计算特征描述符npfc(p)，计算公式为：
[0057][0058]
式中，m为p的邻域点数量，为点p的邻域点对特征向量均值。
[0059]
本发明特征描述符主要由邻近点的空间向量夹角和曲率变化构成，同时包含了邻近点邻域空间的向量夹角和曲率变化均值，相对于其他常见描述符，具有更强的特征描述能力和面对噪声的鲁棒性。直接计算本发明提出的特征描述符，并根据特征描述符相似度查找对应关系，能够有效提升点云配准过程中特征匹配的效率和准确度。
[0060]
步骤2.3，初始对应关系查找：计算邻域点对特征描述符的相似度sim，任意两点p和q的邻域点对特征描述符的相似度的计算公式为sim＝||npfc(p)-npfc(q)||，式中，npfc(p)为点p的特征描述符，npfc(q)为点q的特征描述符。并根据相似度双向查找初始对应关系。
[0061]
步骤2.4，对应关系筛选；首先计算每一对初始对应点对的法向量夹角和所有对应点对法向量夹角均值，若点对法向量夹角小于法向量夹角均值，则认为是正确对应关系，反之则认为是错误对应关系，以此实现对应关系初次筛选；然后使用ransac算法进行二次对应关系筛选，得到正确对应关系。即法向量夹角对于关系筛选条件为：若则认为是正确对应关系；若为是正确对应关系；若则认为是错误对应关系；式中，n为初始对应关系数量，i＝1,2,
…
,n，θi为对应点对法向量夹角。然后使用ransac算法进行对应关系二次剔除，得到正确对应关系。
[0062]
本发明针对根据特征描述符相似度提取的初始对应关系，采用两阶段误匹配剔除的策略，首先使用法向量夹角均值剔除明显的错误对应关系，然后使用ransac算法进行二次误匹配剔除。该策略首先使用法向量夹角均值剔除明显错误点对关系，减少了ransac算法的迭代次数，从而提高了误匹配剔除阶段的计算效率。
[0063]
步骤2.5，求解初始变换矩阵：根据正确对应关系计算刚体变换矩阵，利用求得的初始刚体变换矩阵将不同视角的点云数据旋转平移至同一坐标系上，完成点云初始配准。
[0064]
步骤3，精确配准，将初始配准结果作为初值，使用icp算法进行迭代运算，直到迭代次数或目标函数满足要求，完成不同视角点云配准。
[0065]
一种电子设备，包括：处理器以及存储程序的存储器，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行本发明所述的基于关键点和邻域点对特征描述的点云配准方法。
[0066]
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本发明所述的基于关键点和邻域点对特征描述的点云配准方法。

技术特征：
1.一种基于关键点和邻域点对特征描述的点云配准方法，其特征在于，包括如下步骤：步骤1，点云数据预处理，包括：步骤1.1，点云数据精简：使用体素降采样算法对不同视角的点云进行精简；步骤1.2，计算法向量和曲率：使用主成分分析法，计算精简后点云数据中各点的法向量和曲率；步骤1.3，法向量重定向；步骤2，初始配准，包括：步骤2.1，关键点提取：计算点云数据中各点的邻域曲率均值，利用邻域均值结合iss算法提取降采样点云数据中的关键点集；步骤2.2，特征描述符计算：计算关键点集的邻域点对特征向量，并根据特征向量计算特征描述符；步骤2.3，初始对应关系查找：计算邻域点对特征描述符的相似度，并根据相似度双向查找初始对应关系；步骤2.4，对应关系筛选；首先使用法向量夹角均值进行对应关系初次筛选，然后使用ransac算法进行对应关系二次剔除，得到正确对应关系；步骤2.5，求解初始变换矩阵：根据正确对应关系计算初始刚体变换矩阵，利用求得的初始刚体变换矩阵将不同视角的点云数据旋转平移至同一坐标系上，完成点云初始配准；步骤3，精确配准，将初始配准结果作为初值，使用icp算法进行迭代运算，直到迭代次数或目标函数满足要求，完成不同视角点云配准。2.根据权利要求1所述的基于关键点和邻域点对特征描述的点云配准方法，其特征在于，步骤2.1具体为：计算任意一点p
i
的邻域曲率均值计算公式为：式中，k为p
i
的邻近点的数量，j＝1,2,
…
,k，i＝1,2,
…
,n，n为点云数量，c
ij
为第i个点云中第j个邻近点的曲率；将全局曲率均值作为阈值，筛选初始关键点；若则点p
i
为初始关键点；若则点p
i
不为初始关键点；提取初始关键点之后，使用iss算法提取初始关键点中的iss关键点，得到降采样点云数据中的关键点集。3.根据权利要求1或2所述的基于关键点和邻域点对特征描述的点云配准方法，其特征在于，步骤2.2具体为：对于步骤2.1得到的关键点集中的各个关键点，计算关键点的邻域点对特征向量；对于点云中的任意一点p，给定邻域半径r，能够确定空间球体内的邻域点q
i
(i＝1，2，
…
m)；使用同样的邻域半径r，以邻域点q
i
(i＝1，2，
…
m)为中心，能够确定m个空间球；设q
i
的半径邻域点为q
ij
(j＝1，2，
…
n)，点p的邻域点对特征向量计算公式为：npfv(p，q
i
)＝(f1，f2，f3，f4，f5，f6，f7，f8)，
式中，q
i
为点p的任一邻域点，d
i
和d
ij
均是向量差，d
i
＝p-q
i
，d
ij
＝q
i-q
ij
；n为p的法向量，n
i
为q
i
的法向量，n
ij
为q
ij
的法向量；c
p
为p的曲率，c
qi
为q
i
的曲率，为q
ij
的曲率；f1为p的法向量n与q
i
的法向量n
i
之间的夹角，f2为p的法向量n与p和q
i
构成的向量d
i
之间的夹角，f3为q
i
的法向量n
i
和p和q
i
构成的d
i
之间的夹角，f4为p和q
i
的曲率之差，npfv(p，q
i
)为p和q
i
的邻域点对特征向量；得到点对特征向量后，计算特征描述符npfc(p)，计算公式为：式中，m为p的邻域点数量，为点p的邻域点对特征向量均值。4.根据权利要求3所述的基于关键点和邻域点对特征描述的点云配准方法，其特征在于：任意两点p和q的邻域点对特征描述符的相似度的计算公式为sim＝||npfc(p)-npfc(q)||，式中，npfc(p)为点p的特征描述符，npfc(q)为点q的特征描述符。5.根据权利要求1或2所述的基于关键点和邻域点对特征描述的点云配准方法，其特征在于：步骤2.4中，对应关系筛选具体是：计算每一对初始对应点对的法向量夹角和所有对应点对法向量夹角均值，若点对法向量夹角小于法向量夹角均值，则认为是正确对应关系，反之则认为是错误对应关系，以此实现对应关系初次筛选；然后使用ransac算法进行二次对应关系筛选，得到正确对应关系。6.一种电子设备，包括：处理器以及存储程序的存储器，其特征在于：所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行如权利要求1～5任一项所述的基于关键点和邻域点对特征描述的点云配准方法。7.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于：所述计算机指令用于使所述计算机执行如权利要求1～5任一项所述的基于关键点和邻域点对特征描述的点云配准方法。

技术总结
本发明公开了一种基于关键点和邻域点对特征描述的点云配准方法、电子设备及存储介质，其包括如下步骤：步骤1，点云数据预处理，包括：步骤2，初始配准，包括：关键点提取、特征描述符计算、初始对应关系查找、对应关系筛选、求解初始变换矩阵，根据正确对应关系计算刚体变换矩阵，利用求得的初始刚体变换矩阵将不同视角的点云数据旋转平移至同一坐标系上，完成点云初始配准；步骤3，精确配准，将初始配准结果作为初值，使用ICP算法进行迭代运算，直到迭代次数或目标函数满足要求，完成不同视角点云配准。其能够实现不同视角点云高效率、高精度的点云数据配准，有效提高数据缺失和噪声情况下点云配准的鲁棒性。点云配准的鲁棒性。点云配准的鲁棒性。


技术研发人员：张明德 陈星宇 谢乐
受保护的技术使用者：重庆理工大学
技术研发日：2022.11.25
技术公布日：2023/7/13