一种改进的ICP点云自动配准方法技术

技术编号:14819479 阅读:144 留言:0更新日期:2017-03-15 12:40
本发明专利技术提供一种改进的ICP点云自动配准方法,该方法为:获取三维物体的具有重叠部分的两组三维点云数据;基于边界特征点云对两组点云数据进行自动粗配准;采用改进的ICP算法对初始配准的点云数据进行精配准;采用CPC三约束法剔除精配准的配准点集中的误配准点对,得到剔除误差的精配准的配准点对;根据求得的剔除误差的精配准的配准点对求解转换矩阵,对两组点云进行精配准,得到配准结果,本发明专利技术利用点到最近三点组成的面的垂足作为最近点,对算法进行了分类约束改进,剔除了点落在面外造成虚假配准的情况,提高了配准精度,提出了CPC中存在的几何约束对配准点集进行错误点对剔除,增强了自动配准技术的鲁棒性和抗噪声能力。

【技术实现步骤摘要】

本专利技术属于三维建模
,具体涉及一种改进的ICP点云自动配准方法
技术介绍
随着三维激光扫描技术的发展与普及,计算机辅助设计和图形图像科学技术的快速发展。三维测量系统具有了全天候、高精度、三维立体可视化等超越传统测量的优势,备受广大测量人士的青睐。它不仅融合了计算机技术、图形图像学等新鲜学科的新技术,而且对测量数据完成了从二维到三维的变革,同时又能为我们提供物体表面的纹理信息并以最真实的形态对被测物体进行虚拟现实重现,并以电子数据的形式进行保存。将配准技术推向自动化的是计算机视觉研究者Besl和Mckay,他们提出了这样一种算法:基于自由形态曲面进行配准,也被称为最近点迭代法:ICP(IterativeClosestPoint)。对于最初的ICP算法而言,并不适用于大部分情况的点云数据,例如:(1)ICP算法对初值的要求比较高,需要两点云之间确定一个良好的初始姿态,否则会造成迭代不收敛或陷入局部最优解的情况,最终导致误配准或不收敛。(2)ICP算法随着大数据时代的开启,往往点云数量动辄上百万、千万,这样再利用该算法在整个点云内逐点进行搜索会造成计算速度缓慢。(3)该算法由于只约束了点对点的距离条件,由于噪声的存在会出现许多误配准点对,而原始ICP算法并未对误配准点对进行有效的剔除。这样的一些不足也为未来点云自动配准算法的改进指明了方向。
技术实现思路
针对现有技术的不足,本专利技术提出一种改进的ICP点云自动配准方法。本专利技术的技术方案是:一种改进的ICP点云自动配准方法,包括以下步骤:步骤1:获取三维物体的具有重叠部分的两组三维点云数据;步骤2:基于边界特征点云对两组点云数据进行自动粗配准;步骤2.1:分别创建两组点云的最小包围盒,根据点云密度的k倍进行包围盒网格划分,沿三个轴向分别对包围盒进行等间距划分,对点云数据进行空间格网化:即含有数据点的网格为实格,不含有任何数据点的网格为空格;所述创建两组点云的最小包围盒采用OBB包围盒法。步骤2.2:根据网格周围相邻网格中空格数量确立约束条件,进行边界种子网格提取,并采用生长算法得到两组点云数据的所有边界网格;步骤2.2.1:用方向向量确定空间格网化后的网格周围的六个相邻网格,对网格进行二值化处理;步骤2.2.2:将空间格网化后的网格周围六个相邻网格中空格数量为3、4、5的网格作为边界种子网格,进行边界种子网格提取;步骤2.2.3:采用生长算法对边界种子网格进行生长,得到两组点云数据的所有边界网格。步骤2.3:利用边界网格提取两组点云数据的边界点云特征点集S=(s1,s2,...si,...sI)和T=(t1,t2,...tj,...tJ);步骤2.4:利用多尺度特征法从两组点云数据的边界点云特征点中确定相应的配准点对,得到配准点集P1=(p1,p2,...pi,...pn)、Q1=(q1,q2,...qj,...qm);步骤2.5:设定配准点距离阈值dth和配准点角度阈值θth,对配准点集P1=(p1,p2,...pi,...pn)、Q1=(q1,q2,...qj,...qm)中的配准点进行误差剔除:对于配准点集P1=(p1,p2,...pi,...pn)、Q1=(q1,q2,...qj,...qm)中的配准点对{pi,qj本文档来自技高网...
一种改进的ICP点云自动配准方法

【技术保护点】
一种改进的ICP点云自动配准方法,其特征在于,包括以下步骤:步骤1:获取三维物体的具有重叠部分的两组三维点云数据;步骤2:基于边界特征点云对两组点云数据进行自动粗配准;步骤2.1:分别创建两组点云的最小包围盒,根据点云密度的k倍进行包围盒网格划分,沿三个轴向分别对包围盒进行等间距划分,对点云数据进行空间格网化:即含有数据点的网格为实格,不含有任何数据点的网格为空格;步骤2.2:根据网格周围相邻网格中空格数量确立约束条件,进行边界种子网格提取,并采用生长算法得到两组点云数据的所有边界网格;步骤2.3:利用边界网格提取两组点云数据的边界点云特征点集S=(s1,s2,...si,...sI)和T=(t1,t2,...tj,...tJ);步骤2.4:利用多尺度特征法从两组点云数据的边界点云特征点中确定相应的配准点对,得到配准点集P1=(p1,p2,…pi,…pn)、Q1=(q1,q2,…qj,…qm);步骤2.5:设定配准点距离阈值dth和配准点角度阈值θth,对配准点集P1=(p1,p2,...pi,...pn)、Q1=(q1,q2,...qj,...qm)中的配准点进行误差剔除:对于配准点集P1=(p1,p2,…pi,…pn)、Q1=(q1,q2,…qj,…qm)中的配准点对{pi,qj},{pi+1,qj+1},{pi+2,qj+2}当||pipi+1‑qjqj+1||≤dth、||pi+1pi+2‑qj+1qj+2||≤dth,且||θ1‑θ2||≤θth,则保留该配准点对,否则,删除其配准点对,得到粗配准的配准点集P′1=(p1,p2,...pi′,...pn′)、Q′1=(q1,q2,...qj′,…qm′),其中,θ1为pipi+1与pi+1pi+2的夹角,θ2为qiqi+1与qi+1qi+2的夹角;步骤2.6:采用四元数法确定得到粗配准的配准点集中的配准点对的坐标转换系数,以其中一组点云数据作为目标点云,对两组点云进行初始配准;步骤3:采用改进的ICP算法对初始配准的点云数据进行精配准;步骤3.1:针对粗配准的配准点集P′1=(p1,p2,...pi′,...pn′)中任一数据点pi′,采用kd‑tree算法以最近点原则找到在粗配准的配准点集Q′1=(q1,q2,...qj′,…qm′)中距离数据点pi′最近的三个数据点步骤3.2:将数据点陶成三角形,以数据点pi′向所构成三角形的平面作垂线,得到垂足qj′;步骤3.3:若构成的三角形为非钝角三角形,则垂足qj′位于三角形中,保留该配准点对,否则,将顶点与三角形的钝角点组成配准点对;步骤3.4:重复步骤3.1‑步骤3.3,直至得到精配准的配准点集;步骤4:采用CPC三约束法剔除精配准的配准点集中的误配准点对,得到剔除误差的精配准的配准点对;步骤5:根据求得的剔除误差的精配准的配准点对求解转换矩阵,对两组点云进行精配准,得到配准结果。...

【技术特征摘要】
1.一种改进的ICP点云自动配准方法,其特征在于,包括以下步骤:步骤1:获取三维物体的具有重叠部分的两组三维点云数据;步骤2:基于边界特征点云对两组点云数据进行自动粗配准;步骤2.1:分别创建两组点云的最小包围盒,根据点云密度的k倍进行包围盒网格划分,沿三个轴向分别对包围盒进行等间距划分,对点云数据进行空间格网化:即含有数据点的网格为实格,不含有任何数据点的网格为空格;步骤2.2:根据网格周围相邻网格中空格数量确立约束条件,进行边界种子网格提取,并采用生长算法得到两组点云数据的所有边界网格;步骤2.3:利用边界网格提取两组点云数据的边界点云特征点...

【专利技术属性】
技术研发人员:杨帆邵阳吴昊赵增鹏
申请(专利权)人:辽宁工程技术大学
类型:发明
国别省市:辽宁;21

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1