[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

说明书

本发明公开了一种基于点的邻域重心向量特征的点云配准方法，该方法是基于FPFH特征描述子的点云初始配准、基于点的邻域重心向量特征剔除错误点对的点云精确点云配准方法，通过本发明提高点云配准的效率，减少配准过程中的迭代次数、解决抗噪性差的问题。

技术领域

本发明涉及属于激光雷达数据后处理技术领域，具体涉及一种基于点的邻域重心向量特征的点云配准方法。

背景技术

三维重建是计算机视觉领域研究的一个重要研究方向，在虚拟现实、文物保护、逆向工程、人机交互等领域都有广泛的应用。在数据采集的过程中，由于受到环境和设备本身的限制，需要从多个角度去采集某一模型表面的数据。为了得到完整的三维数据模型，我们可以从不同视角采集点云数据并对采集的数据进行拼接，配准的精度会直接影响到后期模型重建的精度,这就是点云配准问题。

配准过程一般分为初始配准和精确配准。初始配准目的是确定一个初始坐标变换，将不同坐标系下的点云大致统一到一个全局坐标系下，适合精度要求不是很高的场合，或为精确配准提供一个良好的初始值。精确配准一般是基于迭代的算法，通过定义一个误差函数来反映点云重叠区域间的吻合程度。

目前初始配准方法通常分为两类：一类基于几何特征求出对应点，再计算位姿关系；另一类采用投票机制，如RANSAC(Random Sample Consensus，随机抽样一致)算法等。然而，无论是基于几何特征的算法，还是基于投票机制的算法，都存在效率低下的问题，而且稳定性和计算精度并不高。由Besl和Mc Kay提出的经典的ICP算法是目前应用最广泛的点云配准算法,但传统的ICP算法收敛速度较慢,且在点云数据集初始位置相差较大时，易陷入局部最优解。

发明内容

为了解决现有三维点云配准方法存在的迭代耗时、配准易受噪声干扰、易陷入局部最小、对初始姿态不好的点云拼接精度较差等问题，本发明提供了一种基于FPFH特征描述子完成初始配准，基于点的邻域重心向量特征剔除错误点对的点云精确配准方法。

本发明采用的技术方案如下：

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；