一种点云快速配准方法技术

本发明专利技术提出了一种点云快速配准方法。利用激光扫描仪的同轴相机所得的图像信息，提出了一种改进的ICP点云配准算法。具体步骤如下：S1数据预处理。对数据集进行滤波采样，提高算法的效率；S2估算变换矩阵。用三对对应点估算变换矩阵，并在此基础上对点云数据进行粗配准；S3计算本质矩阵。利用5点算法以及相机内参数矩阵计算本质矩阵；S4获得旋转矩阵。通过同轴相机拍摄的图像，获得扫描点云间准确的旋转变换；S5获得平移向量。改进传统的ICP算法，在迭代过程中仅对平移向量进行更新，加快收敛速度；S6点云配准。通过获得的变换矩阵将两个点云配准。本方法能够实现自动配准，不仅降低了算法复杂度、减少运算时间，也保证了良好的准确率。

【技术实现步骤摘要】
一种点云快速配准方法
本专利技术涉及工业自动化检测
，尤其涉及一种点云快速配准方法。
技术介绍
在工业应用中，三维激光扫描仪可以在测量现场，对被测物体进行快速扫描测量，直接获得物体表面三维坐标信息。该测量技术能够在复杂的场景下作业，也能够完成对复杂实体的量测，并具有精度高、速度快等各种优点，节约了大量的时间和物力。通过激光扫描仪直接得到原始数据，由于三维扫描仪的局限性，需要通过拼接整合，才能应用到三维模型的建立当中去。如何对点云数据进行快速而准确的配准，就成为了激光扫描三维重建技术研究中重要的组成部分。点云配准就是求得点云数据之间的空间变换关系，并使其能够在变换后达到空间上的一致。由于三维扫描技术精确性高，其配准问题基本为刚性配准问题。本文研究的点云配准只有刚性配准问题，即只需要计算点云之间的平移和旋转参数就可以将点云拼接起来的配准。现有的点云配准方法有三种：1.利用标志物。需要在三维激光扫描过程中，放置特殊的标定参照物，扫描结束后通过定标物来计算相邻点云数据之间的位置关系。这种配准方式参数较少，效率高，但是在实际应用中常常受到场地和设备的限制。2.利用测量设备直接配准。利用三维激光扫描仪工作台自身的旋转、位移来采集点云数据，结合记录下来的位置变换数据进行配准。该配准方法的精度取决于工作台和仪器设备的精度。这种方式更为精确，但是对设备有更高的要求。3.自动配准。通过一定的算法或统计学规律，使用计算机去除两块点云之间的错位、偏差，从而完成点云的自动配准。由于现在仍然没有一种通用的配准算法，所以需要针对不同情况下的点云数据采用相应的处理算法。常见的算法通常需要多次迭代处理，计算复杂度高且配准时间长。
技术实现思路
本专利技术提供一种点云配准方法，以解决现有自动配准方法中计算复杂度高、耗时长的问题，同时保证配准精度。激光扫描仪上通常有一个同轴的可见光相机，在扫描仪采集三维点云数据的同时，对扫描场景进行拍摄。通过相机在不同扫描站点对扫描场景拍摄的图片，我们可以准确获得相机在不同扫描站点间的相对旋转变换，这为点云配准提供了附加信息。本文将相机提供的图像信息与改进ICP算法相结合，提出了一种新的基于图像信息的点云快速配准算法。本专利技术有效地利用了扫描仪配备相机提供的图像信息，提出了一种改进的ICP点云配准算法。由于点云间的旋转变换是通过图片信息计算的，因此提出的改进ICP算法只需要计算平移向量，减少了算法收敛到错误极值的可能性，同时降低了迭代过程的计算复杂度，加快了迭代的收敛速度。具体步骤如下：S1数据预处理。本文统一对数据集采用体素滤波器进行滤波采样，减少点的数量，来提高算法的效率。S2估算变换矩阵。假设有目标点集P和样本点集Q。这两个点集之间的变换可以用矩阵H表示，通过矩阵H可以将点集P变换到点集Q所在的坐标系上。可以用三对对应点先估算变换矩阵，并在此基础上对点云数据进行粗配准，然后再用精细的算法对粗配准的结果做校准，达到精配准。S3计算本质矩阵。首先，对扫描仪上的相机进行定标，获取其内参数矩阵K；接下来，用SIFT算法或Harris角点检测算法检测扫描仪上相机拍摄图片的特征点并匹配，获得5组对应点；之后，利用5点算法以及K计算两张图片间的本质矩阵E。S4获得旋转矩阵。通过本质矩阵E的分解获得相机间的相对变换RC，然而同轴相机坐标系与扫描仪坐标系还存在着一个固有的变换关系。因此为了获得扫描点云间的旋转变换，必须先要获得同轴相机坐标系和激光扫描仪坐标系之间的变换关系。通过图像间的本质矩阵，我们可以获得同轴相机在两个不同位置的相对旋转和平移变换RC、tC，得到两个扫描仪之间的变换关系，即扫描仪在两个扫描位置获得点云间的旋转平移变换。通过同轴相机拍摄的图像，获得扫描点云间准确的旋转变换R。S5获得平移向量。从图像获得点云间的旋转变换R后，我们还需对两个点云的平移向量t进行求解。为了快速获得点云间准确的平移向量，我们对传统的ICP算法进行改进，将求得的旋转矩阵直接代入到算法初始化步骤中，并在迭代过程中仅对t进行更新。S6点云配准。通过获得的旋转矩阵R、平移向量t将两个点云配准。作为进一步优选的，所述S5具体包括如下步骤：已知源点云数据集为P，目标点云数据集为Q。k表示迭代次数，Pk为P经过第k次更新后的数据集，Dk为第k次迭代中Pk所对应的最近点集，R为由图像信息求得的点云间旋转矩阵，tk为第k次迭代计算出的平移向量，dk代表第k次迭代的估计误差。改进ICP算法的具体步骤描述如下：(1)初始化：令P0＝RP，R0＝I，t0＝0，k＝0。(2)计算最近点集：计算数据点集Pk在Q中对应的最近点集Dk；(3)计算配准参数，并计算估计误差dk；(4)更新源数据集(5)重复迭代：当两次迭代间的估计误差变化小于某一阈值δ时停止迭代过程。作为进一步优选的，所述算法在对应关系的基础上评估一些错误的度量标准。作为进一步优选的，所述算法要剔除对配准有影响的错误点对，可以采用随机采样一致性估计，或者其他方法剔除错误的对应关系。作为进一步优选的，所述S3中本质矩阵E的求解方法是奇异值分解法。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：1.相对于传统的ICP算法，本专利技术提出的改进ICP算法对初始位置没有严格的要求，任意相对位置的点云均可进行实验。2.在传统ICP算法的迭代过程中，大量的运算都集中于旋转矩阵R的求解。而在改进的ICP算法中，迭代的未知量只有平移向量t中的3个参数，因此算法运算量大量减少，代价函数复杂度降低，从而减少了运算时间并加快了收敛速度。3.该算法能够实现自动配准，减少人工参与，便于搭建自动化测量系统。附图说明图1是本专利技术实施例的点云快速配准方法流程图；图2是本专利技术实施例中改进的ICP算法流程图；图3是本专利技术实施例中扫描仪坐标系和同轴相机坐标系之间关系示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。本专利技术实施例提供的一种点云快速配准方法，包括如下步骤：步骤1：数据预处理本文统一对数据集采用体素滤波器进行滤波采样，减少点的数量，来提高算法的效率。步骤2：估算变换矩阵假设有点集P和Q：其中P是目标点集，含有NP个点，可用{pi}来表示；Q为样本点集，含有NQ个点，使用{pQ}表示。这两个点集之间的变换可以用矩阵H表示，通过矩阵H可以将点集P变换到点集Q所在的坐标系上。由方程与解的关系可知，我们只需要两块点云数据中三对对应点来求得变换矩阵H的唯一解。然而在实际应用中，三对对应点求解变换矩阵对这些对应点有着很高的精度要求。对应点的测量精度决定了求得的变换矩阵H的精度。一旦对应点有所偏差，线性求得变换矩阵也会有很大的偏差，这将会严重影响点云配准的精度。...

【技术保护点】
1.一种点云快速配准方法，其特征在于，具体包括如下步骤：/nS1数据预处理。对数据集采用体素滤波器进行滤波采样，减少点的数量，来提高算法的效率；/nS2估算变换矩阵。假设有目标点集P和样本点集Q。这两个点集之间的变换可以用矩阵H表示，通过矩阵H可以将点集P变换到点集Q所在的坐标系上。可以用三对对应点先估算变换矩阵，并在此基础上对点云数据进行粗配准，然后再用精细的算法对粗配准的结果做校准，达到精配准；/nS3计算本质矩阵。首先，对扫描仪上的相机进行定标，获取其内参数矩阵K；接下来，用SIFT算法或Harris角点检测算法检测扫描仪上相机拍摄图片的特征点并匹配，获得5组对应点；之后，利用5点算法以及K计算两张图片间的本质矩阵E；/nS4获得旋转矩阵。通过本质矩阵E的分解获得相机间的相对变换RC，然而同轴相机坐标系与扫描仪坐标系还存在着一个固有的变换关系。因此为了获得扫描点云间的旋转变换，必须先要获得同轴相机坐标系和激光扫描仪坐标系之间的变换关系；/n通过图像间的本质矩阵，我们可以获得同轴相机在两个不同位置的相对旋转和平移变换RC、tC，得到两个扫描仪之间的变换关系，即扫描仪在两个扫描位置获得点云间的旋转平移变换。通过同轴相机拍摄的图像，获得扫描点云间准确的旋转变换R；/nS5获得平移向量。从图像获得点云间的旋转变换R后，我们还需对两个点云的平移向量t进行求解。为了快速获得点云间准确的平移向量，我们对传统的ICP算法进行改进，将求得的旋转矩阵直接代入到算法初始化步骤中，并在迭代过程中仅对t进行更新；/nS6点云配准。通过获得的旋转矩阵R、平移向量t将两个点云配准。/n...

【技术特征摘要】
1.一种点云快速配准方法，其特征在于，具体包括如下步骤：
S1数据预处理。对数据集采用体素滤波器进行滤波采样，减少点的数量，来提高算法的效率；
S2估算变换矩阵。假设有目标点集P和样本点集Q。这两个点集之间的变换可以用矩阵H表示，通过矩阵H可以将点集P变换到点集Q所在的坐标系上。可以用三对对应点先估算变换矩阵，并在此基础上对点云数据进行粗配准，然后再用精细的算法对粗配准的结果做校准，达到精配准；
S3计算本质矩阵。首先，对扫描仪上的相机进行定标，获取其内参数矩阵K；接下来，用SIFT算法或Harris角点检测算法检测扫描仪上相机拍摄图片的特征点并匹配，获得5组对应点；之后，利用5点算法以及K计算两张图片间的本质矩阵E；
S4获得旋转矩阵。通过本质矩阵E的分解获得相机间的相对变换RC，然而同轴相机坐标系与扫描仪坐标系还存在着一个固有的变换关系。因此为了获得扫描点云间的旋转变换，必须先要获得同轴相机坐标系和激光扫描仪坐标系之间的变换关系；
通过图像间的本质矩阵，我们可以获得同轴相机在两个不同位置的相对旋转和平移变换RC、tC，得到两个扫描仪之间的变换关系，即扫描仪在两个扫描位置获得点云间的旋转平移变换。通过同轴相机拍摄的图像，获得扫描点云间准确的旋转变换R；
S5获得平移向量。从图像获得点云间的旋转变换R后，我们还需对两个点云的平移向量t进行求解。为了快速获得点云间准确的平移向...

【专利技术属性】
技术研发人员：吕京兆，高增辅，魏源，石璕，鞠游，安玉玺，
申请(专利权)人：北京智机科技有限公司，
类型：发明
国别省市：北京;11