[发明专利]一种基于Loam曲率加权的点集刚体配准方法

说明书

本发明公开一种基于Loam曲率加权的点集刚体配准方法，首先获取待配准点集的坐标信息；然后基于各点的位置信息以及各点的邻域点集提取各点的Loam曲率特征值；然后根据对应点间的曲率关系对各点对分配配准权重建立加权目标函数；最后将点集配准加权目标函数引入迭代最近点算法的迭代框架，实现点集间的精确配准；本发明能够有效地降低部分点集缺失和大量噪声点对配准结果产生的“负面影响”，提高了点集配准的鲁棒性和精确性。

技术领域

本发明属于计算机视觉以及图像处理技术领域，具体涉及一种基于Loam曲率加权的点集刚体配准方法。

背景技术

点集配准是计算机视觉、图像处理、模式识别等领域的一门基础性研究，被广泛的应用在了无人车驾驶、医学图像分析、人脸识别、质量检测等热门应用当中。点集配准问题中是需要基于两个点集的坐标信息寻找一个最优的几何变换关系，该变换使得其中一个点集进行空间映射后与另一个点集在几何空间中达到其公共区域的最大程度的重合。

点集配准的研究可以追溯到二十世纪七十年代美国在军事领域中的应用，早前的探索只针对某些特殊形状的点集如二次曲面模型，且普遍关注的是全局的刚体配准算法。随着研究的不断的深入和展开，更加鲁棒、精确、普适的点集配准算法被相继提出，比如Chen和Medioni、Bergevind等人提出了用来搜寻曲面以及点集间最近点的算法。Besl和Mckay[8]基于其他学者之前的工作，在1992年提出了以迭代优化思想为核心的ICP点集配准算法。紧接着相继提出了多种基于特征提取的全局配准算法包括几何哈希(GeometryHashing)算法、分形(Spinimage)算法、点签名(Point signature)算法等。而后以遗传算法、模拟退火算法为基础的各种已有算法相配合的新型算法也被提出。基于统计模型如粒子滤波和马尔科夫模型的迭代优化方法也相继被提了出来。

在这些配准算法当中影响最深应用最广的是经典的迭代最近点(IterativeCloset Points Algorithm，ICP)算法。它采用了一个逐步收敛的迭代过程来不断地逼近配准最优结果，即基于距离最近原则建立两个点集间的点对关系，迭代计算使对应点对之间距离的均方误差最小的最佳刚体变换参数。传统ICP算法是基于均方误差(Mean SquareError，MSE)为相似性度量方式来建立目标函数，即点对间的距离衡量方式是欧式空间中的二范式距离。因此噪点的“负面影响”因为其二范式模式而被放大，致使配准的精度不高，鲁棒性差。

发明内容

本发明的目的在于提供一种准确、鲁棒的基于Loam曲率加权的点集刚体配准方法，本发明基于点集中各点的曲率特征分配点对不同的权重，从而弱化甚至消除噪声点对整体配准的“负面影响”，使得配准结果具有更好的精确性和鲁棒性。。

为达到上述目的，本发明采用了以下技术方案。

一种基于Loam曲率加权的点集刚体配准方法，该点集刚体配准方法包括以下步骤：

1)首先获取待配准点集的坐标信息；然后基于各点的位置信息以及各点的邻域点集提取各点的Loam曲率特征值；

首先获取待配准点集的形状点集和模型点集中各点的二维空间中的坐标信息，其中为形状点集X中的第i个点，N_x为形状点集中点的个数，为模型点集Y中第i个点，N_y为模型点集中点的个数；而后提取形状点集X和模型点集Y中各点的Loam曲率特征：对于形状点集X中的点寻找形状点集中距离该点小于γ的点并将其组织为的点的邻域点集S，基于如下的公式计算点的Loam曲率特征值：

其中：γ为点到其邻域点集中其他点的最长距离，c(x_i)为点的Loam曲率特征值，|S|为邻域点集中点的个数，为形状点集X中的第i点的坐标向量的模长；同理，模型点集Y中的每一个点的Loam曲率特征可以采用同样的方法取得；

2)根据对应点间的曲率关系对各点对分配配准权重建立加权目标函数；