[发明专利]一种基于局部曲率及其近邻特征的点云配准方法

权利要求书

1.一种基于局部曲率及其近邻特征的点云配准方法，其特征在于：包括如下步骤：

步骤1，点云数据预处理，保证点云原本特征不受到破坏的同时，降低点云密度，剔除点云中的噪声点；

步骤2，点云特征参数构建，结合探测点平均曲率、探测点到近邻点拟合平面欧式距离、探测点与近邻点到拟合平面距离标准差，共同构建特征参数，提取特征点；

步骤3，点云配准，使用FPFH快速点特征直方图算法计算特征描述子并结合SAC-IA采样一致性初始配准算法完成点云初始配准工作，点云细配准使用ICP迭代最近点算法；

所述点云配准中的点云对分为目标点云与源点云，目标点云与源点云使用完整的成对点云或激光雷达采集的多视角点云，适用于小型点云数据或大型工业点云数据。

2.根据权利要求1所述的一种基于局部曲率及其近邻特征的点云配准方法，其特征在于：所述步骤1具体为：

步骤1.1：对点云进行三维体素栅格处理，将点云数据散落在体素栅格中，使用每个体素栅格中距离体素栅格重心最近的点替代体素栅格内的其余点，该方式在降低点云数量的同时保证点云微观形态不变；

步骤1.2：根据近邻点云密度分布设置不同搜索半径r，计算半径为r的球体内点数量，若小于阈值视为噪点剔除。

3.根据权利要求1所述的一种基于局部曲率及其近邻特征的点云配准方法，其特征在于：所述步骤2具体为：

步骤2.1：计算探测点的平均曲率H，描述如公式(1)：

其中：

k₁——最大主曲率；

k₂——最小主曲率；

步骤2.2：根据最二乘法计算探测点的k近邻点所构成的拟合平面，平面如方程(2)：

Ax+By+Cz+D＝0 (2)

其中：

A、B、C、D——为已知常数，并且A、B、C不同时为零；

计算探测点到该拟合平面的欧式距离d，如公式(3)：

其中：

d——探测点到近邻点拟合平面的欧式距离；x₁,y₁,z₁——为探测点坐标；

步骤2.3：计算探测点与其k近邻点到拟合平面的投影距离标准差σ，描述如公式(4)：

其中：

r_i——探测点与各近邻点到拟合平面的距离；

μ——探测点与各近邻点至拟合平面距离的平均值；

k——探测点与其近邻点的点数量总和；

步骤2.4：根据步骤2.1、2.2、2.3的三个参数共同构建特征参数β，描述如公式(5)：

β＝σ·H·d，Δd0 (5)

其中：

σ——探测点与其k近邻点到拟合平面的投影距离标准差；

H——平均曲率；

Δd——d与μ的差值；

步骤2.5：根据步骤2.4提出的特征参数β，当Δd大于0时，探测点为该区域近邻点中最外侧点，具有特征性；当Δd小于0时，该探测点与其近邻点相互交织，无法定义为特征点，故在计算时首先剔除Δd小于0的点；此外剔除β小于β平均值的点，将剩余点作为特征点使用。

4.根据权利要求1所述的一种基于局部曲率及其近邻特征的点云配准方法，所述步骤3具体为：

步骤3.1：根据提取出的特征点与其近邻特征点的空间差异计算快速点特征直方图FPFH，精确地描述点邻域内的空间几何属性，首先定义一个三维坐标系uvw，计算点P的k邻域中每个点和估计法线之间的偏差，坐标系uvw描述如公式(6)：

其中：

n_s——P_s点的表面法线；

P_t——探测点；

P_s——探测点的任意近邻点；

在uvw坐标系下，计算n_s、n_t之间的角度偏差α、β、θ，称之为P_s点的特征三元素，将三个元素放入直方图中形成P_s点的简化点特征直方图SPFH，描述如公式(7)：

其中：

α——n_t与v轴的夹角；

q——P_s与P_t两点之间的欧氏距离；

β——P_t到P_s点的向量与n_s的夹角；

n_t——P_t点的表面法线；

θ——n_t在u与w平面上的投影向量与u轴的夹角；

计算探测点P_t与k邻域中每一个近邻点的特征三元素，并计算相应的简化点特征直方图SPFH，对邻域中的各个简化点特征直方图SPFH进行加权统计，得到快速点特征直方图FPFH，描述如公式(8)：

其中：

FPFH(P_t)——P_t点的快速点特征直方图；

SPFH(P_t)——P_t点的简化点特征直方图；

m——P_t点的近邻点个数；

P_m——P_t点的各近邻点；

w_m——P_t与近邻点P_m的距离；

SPFH(P_m)——P_m点的简化点特征直方图；

步骤3.2：SAC-IA采样一致性初始配准算法使用FPFH特征描述子作为输入，降低迭代次数，通过KD树搜索源点云与目标点云间的相似特征作为对应点，遍历并计算每次的SAC-IA算法的配准结果最小误差，当变换质量计算得到最小误差时，此时的旋转平移矩阵为初始配准最优解，变换质量D描述如公式(9)：

其中：

D(e_i)——第i组的变换质量；

e_i——表示第i组对应点间的误差值；

t_e——预先给定值；

步骤3.3：使用ICP迭代最近点算法寻找两组点云集合中距离最近的点，迭代求解最优刚性变换矩阵；

步骤3.4：根据细配准后对应点对之间的RMSE均方根误差，衡量点云配准的最终完成程度，RMSE均方根越大说明误差越大，反之则误差越小，描述如公式(10)；

其中：

RMSE(P,Q)——P、Q两组点云的整体均方根误差；

n——P、Q两组点云对应点对的总数量；

X_i——为每组对应点间的欧式距离；

——为每组对应点间的真实欧式距离。