[发明专利]一种复杂3D点云的优化匹配方法

权利要求书

1.一种复杂3D点云的优化匹配方法，其特征在于包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果。

2.如权利要求1所述的一种复杂3D点云的优化匹配方法，所述步骤一中计算描述向量值的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量。

3.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，在关键点附近取一顶点x，计算点x在所述圆柱坐标系中的坐标公式为：

，

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

，

其中，R为尺度值。

4.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集。

5.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点。

6.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数。

7.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，稀疏主成分分析的公式为：

。

8.如上述权利要求之一所述的一种复杂3D点云的优化匹配方法，所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点。