[发明专利]一种复杂3D点云的优化匹配方法

说明书

本发明提供了复杂3D点云的优化匹配方法，该方法先通过计算不同尺度值下的各关键点的描述向量值，比较描述向量值的相似度来确定合适的尺度值，再利用稀疏主成分分析方法对图像进行去噪处理，对去噪后的图像建立3D模型，再使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，最后使用对偶分解的方式，将独立的3D点云模型两两组合形成一个整体再进行匹配；本发明采用稀疏主成分分析方法，能有效的去除图像中的噪音和杂波，减小3D模型建立时的误差，再利用轮廓提取的方法来提取特征状态，增强了后续匹配中的鲁棒性，使用对偶分解的方式，解决了图像中存在多个相似物体时的匹配困难的问题。

技术领域

本发明涉及3D视觉领域，尤其涉及一种复杂3D点云的优化匹配方法。

背景技术

3D点云匹配是指给出两组3D点云，计算出一组点云的转移矩阵以达到移动后的点云间有最小欧式距离值，基于点云匹配的关键性，在通信领域及很多其他领域已经涉及到该技术的使用，如目标检测，目标跟踪，数据融合，图像处理，医学，机器人学及生物结构学等，国际计算机视觉与图像处理领域的顶级会议如ICCV、CVPR、ECCV、ICIP、ICPR等几乎每一届都有关于3D视觉的研究成果发表，充分说明该研究领域在国际范围内的热度及重要性。

现在已经开发出了很多3D点云匹配方法，经过我们大量的检索与参考，发现现有的匹配方法有如公开号为US20170046845A1，JP2016161569A和KR1020130037996A所公开的方法，包括如下步骤：计算相机的内参矩阵及畸变参数以及该图像的旋转矩阵；根据预设的相邻图像的重叠宽度及每一幅图像的宽度计算相机采集图像时每次的移动间隔，并据此采集图像序列；对图像序列中的每一幅图像进行校正和旋转；计算图像序列中各相邻图像间的平移矩阵，并据此对各图像进行平移，平移后保存平移参数，形成配置文件；根据配置文件及预设重叠宽度对图像序列中的各图像进行拼接及融合，形成整幅图像。但该方法在复杂的视觉场景中受图像中噪音、杂波的影响较大，不能建立完美的3D点云模型。

发明内容

本发明的目的在于，针对在所存在的不足，提出了一种能在复杂视觉场景中建立良好3D点云并进行匹配的方法，

为了克服现有技术的不足，本发明采用如下技术方案：

一种复杂3D点云的优化匹配方法，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；

进一步的，所述步骤一中计算描述向量至的方法为：

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；

进一步的，计算x点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；

进一步的，所述步骤二中样本训练集通过如下方式获取：