[发明专利]一种用于三维重建的点云配准方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种用于三维重建的点云配准方法。

背景技术

近年来，随着三维扫描技术的日益成熟与计算机视觉技术的飞速发展，三维重建技术正广泛应用于3D打印、机器视觉、数字考古、医疗发展等诸多领域，受到了各大研究院校与科研学者的高度关注。

由于三维扫描设备有限的扫描视角，每次测量物体时只能得到物体的一部分点云数据，在实际应用过程中通常从不同视角对物体进行多次扫描后配准来实现三维物体的重现，因此，在三维物体重建过程中点云配准显得尤为重要。

当前，使用的自动配准算法主要包括基于曲面的配准、基于几何特征的配准与迭代配准算法。基于曲面的配准算法用切平面代替真正的曲面使得在迭代过程中可以使迭代误差快速收敛，但需求解非线性最小二乘的问题，时间复杂度比较高，同时，当物体表面曲率变化明显时，算法收敛性得不到保证。由于曲率具有平移、旋转不变性，在基于几何特征的配准算法中大多学者选择基于曲率特征的配准算法，该算法可以在一定程度上保证算法的配准精度，但易导致存在多个相似点对的情况，增加算法的复杂度，且对于局部特征不明显的物体不太适用。目前最经典的迭代配准算法就是Besl和Chen于1991年提出的迭代最近点(ICP)算法，该算法通过每次迭代都在目标点集中选择最近的点作为控制点来估算变换矩阵参数，直到目标函数值不变或小于条件预设阈值为止。但该算法收敛速度慢、计算量大、鲁棒性很差，同时对点云间位姿要求较高，容易陷入局部最优。

为了更快速的获得精度更高的配准结果，国内外学者对传统ICP算法做了一系列的改进与优化。如点到投影的ICP算法，提出将待配准点云中的点沿着目标点云视点方向穿过，选取与目标点云中的点相交的点作为匹配点进行配准，但该算法应用范围不广且配准精度不高；如结合法向量和曲率特征的ICP改进算法，首先利用点云法向量夹角初步提取关键点，并使用主曲率约束选取初始点集，然后使用点间距离和高斯曲率来确认精确匹配点，但该方法预设阈值较多，较难确定，且适合特征突出的点云匹配，一旦匹配点选取错误，容易造成配准失败；如结合法向量和直方图的精确配准算法，提出法向量直方图的概念，并将点的法向量直方图特征量作为点云的特征描述子来确定匹配点对，该算法避免了直接使用法向量进行匹配带来的歧义性问题，但计算量很大。

综上所述，现有的基于ICP的改进算法有如下不足之处：

(1)速度快，但精度较低；关键特征点选取越少，计算量越小，其收敛速度就越快，但精度相应较低。

(2)精度高，但速度较慢；关键特征点选取越多，精度相应提高，但由于计算量增加，速度较慢。

(3)算法的初始位置要求较高，否则易陷入局部最优。

发明内容

针对现有技术中存在的上述不足，本发明提供了一种速度较快、精度较高的三维重建的点云配准方法。

为解决上述技术问题，本发明采用了如下的技术方案：

一种用于三维重建的点云配准方法，包括以下步骤：

S101、用三维扫描仪从不同视角扫描物体表面，获得至少两个视角三维点云，取两个视角三维点云分别作为源点集P和目标点集Q；

S102、对P和Q构建KD-tree；

S103、基于KD-tree求取P中每个点的k_1个近邻点，并计算P中每个点的法向量；

S104、计算P中每个点的法向量夹角平均值；

S105、基于P中每个点的法向量夹角平均值对P中的点分级并设置最大分辨率，初始时分辨率为1；

S106、计算当前分辨率下P中每一级的采样比例并提取采样点；

S107、基于KD-tree求P中各采样点在Q中的k_3个近邻点，并基于本发明中的匹配度求各采样点与其k_3个近邻点的匹配值，计算匹配度时若某点无曲率信息，则求取其曲率信息并存储，取匹配值最小的点作为该采样点的匹配点；

S108、根据获得的匹配点对，使用四元素法计算旋转矩阵和平移矩阵；

S109、使用获得的旋转矩阵和平移矩阵对源点集P进行变换，得到转换后的点云集P¹，并将P¹作为新的源点集P；

S110、重复步骤S107到S109直到使目标函数最小；

S111、若分辨率满足预设条件或目标函数的均方根误差满足预设条件，则结束，否则将当前分辨率加1，并返回步骤S106。

优选地，步骤S104包括：