[发明专利]一种基于点的邻域重心向量特征的点云配准方法

权利要求书

1.一种基于点的邻域重心向量特征的点云配准方法，包括如下步骤，

步骤1，载入源点云source和目标点云target；

步骤2，计算采样后源点云特征描述子FPFH_src和目标点云的特征描述子FPFH_tgt；

步骤3，根据源点云和目标点云的FPFH,计算出初始配准对应点对；

步骤4，利用SCA-IA采样一致性初始配准算法算法，求出初始变换矩阵，完成源点云和目标点云的初始配准；

其特征在于：

步骤5，在源点云中选取初始点集sampl_src；

步骤6，查找源点云初始点集在目标点云中距离最近点的对应点集saple_tgt，sampl_src与sampl_tgt构成对应点对集；

步骤7，利用点的邻域重心向量阈值去除错误对应点对，得到最终对应点对集corrs_final；

步骤8，利用ICP算法迭代完成精确配准。

2.如权利要求1所述的一种基于点的邻域重心向量特征的点云配准方法，其特征在于：

所述步骤6采用如下步骤实现对应点对集：

步骤6.1，在源点云中采样选取初始点集sample_src；

步骤6.2，利用kd-tree,加速查询得到源点云初始点集在目标点云中距离最近点集sampl_tgt；

步骤6.3，利用欧氏距离阈值剔除法剔除噪声，去噪后的sample_src和sampl_tgt构成对应点集corrs；

其中，欧氏距离阈值设为所有对应点欧氏距离的均值，可通过如下公式(1)计算，式中dT为欧氏距离阈值，n为对应点个数,di为对应点之间欧式距离：

3.如权利要求1所述的一种基于点的邻域重心向量特征的点云配准方法，其特征在于：

所述步骤7采用如下步骤实现点的邻域重心向量阈值去除错误对应点对集：

步骤7.1,分别计算点集sampl_src和点集sampl_tgt的k邻域重心；选取第i个对应点对(Pi，Qi),其中Pi∈sampl_src，Qi∈sample_tgt，其K邻域重心由如下公式(2)(3)计算，其中Pk，Qk分别为Pi，Qi的k邻域点，考虑到计算效率，K一般取值为5-8。

步骤7.2，分别计算点集sampl_src和sampl_tgt的K邻域重心向量CPi，CQi，如下(4)(5)公式：

CPi＝Pi-Csi (4)

CQi＝Qi-Cti (5)

步骤7.3，计算对应点K邻域重心向量CPi和CQi的夹角θi,如下(6)公式：

步骤7.4，比较判断，若θi小于阈值角θT，则为正确对应点对，保留，否则剔除，得到最终的对应点点集corrs_final。