[发明专利]几何信息与光度信息相结合的场景分类点云粗配准方法

权利要求书

1.一种几何信息与光度信息相结合的场景分类点云粗配准方法，其特征是，通过对每一帧的点云数据与图像数据进行关键点的检测、描述与匹配，依据当前场景的类别，将几何信息和光度信息适应性地结合，估计刚性变换矩阵，进而进行室内场景的稀疏建图。

2.如权利要求1所述的几何信息与光度信息相结合的场景分类点云粗配准方法，其特征是，具体步骤是，对RGB-D传感器采集到的两帧关键帧，分别记作源帧与目标帧，依据针孔模型将深度图转换为对应的三维点云，分别记作源点云与目标点云，首先使用法矢对齐径向特征NARF(Normal Aligned Radial Feature)与快速点特征直方图FPFH(Fast PointFeature Histograms)分别对两帧的三维点云进行关键点的检测、描述与匹配，得到几何匹配点对集，使用尺度不变特征变换SIFT(Scale-Invariant Feature Transform)分别对两帧的RGB图进行关键点的检测、描述与匹配，并结合关键点的深度值将匹配点对映射到三维空间，得到光度匹配点对集；然后对源帧的RGB图和深度图，分别使用局部二值模式LBP(Local Binary Pattern)与曲率局部二值模式CLBP(Curvature Local Binary Pattern)提取特征向量表达当前场景的特征，使用支持向量机SVM(Support Vector Machine)对其进行分类；依据分类结果，适应性地结合几何匹配点对集与光度匹配点对集；最后采用RANSAC算法进行变换矩阵估计，进而实现关键帧之间的点云粗配准。

3.如权利要求2所述的几何信息与光度信息相结合的场景分类点云粗配准方法，其特征是，关键点的检测与匹配首先分别对源点云与目标点云进行直通滤波，采用NARF与FPFH进行三维关键点的检测与描述，根据高维描述向量间的欧式距离寻求最近邻，建立源点云与目标点云关键点间的匹配关系，并依据匹配点对特征描述的欧氏距离升序排序，构成三维空间中的有序的匹配点对集；由于该匹配点对集的建立源于场景的三维几何信息，故记作几何匹配点对集M_g，然后分别对源帧与目标帧的RGB图，采用SIFT进行二维关键点的检测与描述，同样依据描述寻求最近邻，建立二维关键点间的匹配关系，由双线性插值获得各个关键点的深度值并依据针孔模型将二维关键点映射至三维空间并依据匹配点对特征描述的欧氏距离升序排序，构成三维空间中的有序的匹配点对集，由于该匹配点对集的建立源于场景的二维光度信息，故记作光度匹配点对集M_p。

4.如权利要求2所述的几何信息与光度信息相结合的场景分类点云粗配准方法，其特征是，场景分类是通过对RGB图和深度图提取特征向量，由三分类SVM对当前配准场景进行类别判断，考虑到源点云与目标点云的场景仍有足够大的重叠度，认为两者类别具有一致性，故仅对源帧进行特征向量的提取来表征配准场景的特征，对于源帧的RGB图，采用Uniform LBP算子扫描全图，得到每个像素点的LBP值，由所有像素点LBP值构成统计直方图，对统计直方图归一化得到一个10维向量，表征当前场景的光度纹理特征；同样，对于源帧的深度图，采用Uniform CLBP进行描述，由所有像素点的CLBP值构成统计直方图，归一化后得到一个10维向量，表征当前场景的几何结构特征；将两个向量简单连接得到20维的特征向量，该特征向量是对当前场景特征的总体描述；将该特征向量作为SVM的输入，由SVM判断当前场景的类别。