基于超体素分割和双向最近邻距离比匹配的配准方法技术

本发明专利技术为一种基于超体素分割和双向最近邻距离比匹配的配准方法，其克服了现有技术中存在的现有的三维点云配准方法无法满足对激光雷达等传感器获取的目标点云更高要求的配准精度和配准速度。本发明专利技术利用超体素分割准确提取出具有稳定结构的目标特征点，剔除漂移噪声体素的干扰，并利用双向最近邻距离比，提升配准精度。本发明专利技术包括以下步骤：步骤一：利用超体素分割算法提取具有稳定结构的目标特征点；步骤二：在超体素分割的同时利用点云厚度分层进行非迭代的阈值去噪；步骤三：利用FPFH进行特征描述，利用双向最近邻距离比方法对点云进行了初始配准；步骤四：利用基于双级阈值的点云精确配准方法实现点云配准。云精确配准方法实现点云配准。云精确配准方法实现点云配准。

【技术实现步骤摘要】
基于超体素分割和双向最近邻距离比匹配的配准方法

：
[0001]本专利技术属于雷达信号处理
，涉及一种基于超体素分割和双向最近邻距离比匹配的配准方法。

技术介绍
：
[0002]因传感器探测目标存在穿透力受限和成像目标自身遮挡等因素影响，导致传感器接收系统获取到的是不同成像视角下的目标局部信息。为便于目标识别及后续点云数据的有效处理，需要借助坐标变换，将前后帧图像进行快速且准确的配准处理，以此获取更加丰富完整的目标信息。
[0003]点云配准通常分为两个阶段，一是初始配准，即在牺牲一定配准精度的基础上，通过点云去噪和滤波等预处理后，将不同视角下的点云数据转换到同一坐标系下，得到点云良好的初始变换关系，常用的初始配准方法有基于点特征的、基于线特征的、基于面特征的方法；二是精确配准，即在具有一定初始变换关系的基础上，通过细化初始变换关系，进一步减小配准误差，并满足预定的配准要求，实现精确的图像匹配，常用的精细配准方法有迭代逼近、随机样本一致性和正态分布等方法。
[0004]三维点云配准的方法较多,由于部分传感器如激光雷达和毫米波雷达等，既可以获得目标成像方向上的距离信息，还能得到垂直于成像方向的空间分布信息，但是受到传感器测距盲区的成像限制和运载平台实时性的需求，这就对激光雷达等传感器获取的目标点云配准精度和配准速度提出了更高要求。现有的三维点云配准方法无法满足对激光雷达等传感器获取的目标点云更高要求的配准精度和配准速度。

技术实现思路
：
[0005]本专利技术的目的在于提供一种基于超体素分割和双向最近邻距离比匹配的配准方法，其克服了现有技术中存在的现有的三维点云配准方法无法满足对激光雷达等传感器获取的目标点云更高要求的配准精度和配准速度。本专利技术利用超体素分割准确提取出具有稳定结构的目标特征点，剔除漂移噪声体素的干扰，并利用双向最近邻距离比，提升配准精度。
[0006]为实现上述目的，本专利技术采用的技术方案为：
[0007]一种基于超体素分割和双向最近邻距离比匹配的配准方法，其特征在于：包括以下步骤：
[0008]步骤一：利用超体素分割算法提取具有稳定结构的目标特征点；
[0009]步骤二：在超体素分割的同时利用点云厚度分层进行非迭代的阈值去噪；
[0010]步骤三：利用FPFH进行特征描述，利用双向最近邻距离比方法对点云进行了初始配准；
[0011]步骤四：利用基于双级阈值的点云精确配准方法实现点云配准。
[0012]步骤二包括以下步骤：
[0013]步骤1：将网格化后的点云VC1利用最大值进行归一化处理，得到点云VC2；
[0014]步骤2：将点云VC2按照目标成像距离信息方向进行升序排列，得到点云VC3；按照目标Z轴方向对点云进行重新的升序排列，便于后续对点云按照厚度进行分层处理；
[0015]步骤3：将点云VC3按照厚度进行分层，计算分层厚度如式(1)所示：
[0016][0017]式中，th表示每层点云的厚度，S
xoy
,S
yoz
,S
xoz
表示最小包围盒在xoy,yoz和xoz上的投影面积，N
v2
表示点云VC3体素总个数；
[0018]步骤4：计算点云VC3被分割的层数，如式(2)所示：
[0019][0020]式中，H表示点云的层数，L
P
表示点云中目标距离信息方向的长度，为目标Z轴方向的长度；
[0021]步骤5：点云VC3分层后，取出每层体素，根据阈值计算每层体素的最小包围盒，阈值表达式如式(3)所示：
[0022][0023]式中，T表示阈值，γ表示阈值系数；
[0024]步骤6：设第i(i∈[1,H])层中的第j个体素为V
i,j
(x
i,j
,y
i,j
,z
i,j
)，则V
i,j
的最小包围盒的顶点坐标范围为[(x
i,j
‑
T,x
i,j
+T,),(y
i,j
‑
T,y
i,j
+T),(z
i,j
‑
T,z
i,j
+T)]；若体素最小包围盒内的体素数目超过4个及以上的体素数，予以保留，否则被认为是紧密的漂移噪声体素，将其剔除掉；去噪后得到点云VC4；
[0025]步骤7：将VC4恢复成原始点云大小，得到点云VC5，VC5即为选取的正确的种子体素。
[0026]步骤三包括以下步骤：
[0027]步骤1：大收敛阈值
[0028]考虑测距精度对配准误差的直接影响程度，构建的大收敛阈值模型为：
[0029][0030]式中，Vr表示体素分辨率；RA表示测距精度。
[0031]步骤2：小收敛阈值
[0032]两片待配准点云的重合度表示如下：
[0033][0034]式中，N
c
表示点云中重合的点数，N
t
表示点云的总点数。
[0035]步骤3：当两片点云的CD值越大，对应点对间的距离就越小，成像方向和垂直于成像方向的点对间距离均相应减小；构建的小阈值收敛模型为：
[0036][0037]当配准误差小于CTH
min
时，配准结束；当配准误差大于CTH
min
且小于CTH
max
时，剔除掉不满足条件的错误点对；
[0038]步骤4：设定距离阈值来判断是否为错误的对应点对，构建距离阈值模型为：
[0039][0040]当对应点对间最近距离大于DTH时，将这些对应点对作为错误匹配点对剔除掉；当小于DTH时，重新寻找对应点，并更新重合度和配准误差。
[0041]与现有技术相比，本专利技术具有的优点和效果如下：
[0042]1、本专利技术基于超体素分割，采取初始配准+精确配准相结合的配准方法。本专利技术首先将传感器获取的三维点云数据进行预处理，即将点云进行体素化和网格化处理，再经非迭代的阈值去噪和k
‑
means聚类，生成具有稳定结构的超体素，实现超体素聚类分割；有效降低点云数据的处理规模和后续配准处理的复杂程度，同时还能有效提取目标的稳定结构。然后，由法向量提取超体素特征，利用FPFH特征描述子对点云进行特征描述，再利用双向最近邻距离比进行初始匹配；最后，采用改进的自适应双阈值算法，完成点云的精确配准。此种配准方法为后续点云目标的识别、跟踪、定位与姿态估计等提供前期基础与准备。
[0043]2、本专利技术采用超体素聚类分割将点云按厚度分层，提出非迭代的阈值去噪，有效剔除掉漂移噪声体素。
[0044]3、提出了基于FPFH特征提取的双向最近邻距离比初始配准方法，有效提高正确的匹配点对数。在点云未进行超体素分割时，该初始配准方法的配准误差为2.4472
×
10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超体素分割和双向最近邻距离比匹配的配准方法，其特征在于：包括以下步骤：步骤一：利用超体素分割算法提取具有稳定结构的目标特征点；步骤二：在超体素分割的同时利用点云厚度分层进行非迭代的阈值去噪；步骤三：利用FPFH进行特征描述，利用双向最近邻距离比方法对点云进行了初始配准；步骤四：利用基于双级阈值的点云精确配准方法实现点云配准。2.根据权利要求1所述的基于超体素分割和双向最近邻距离比匹配的配准方法，其特征在于：步骤二包括以下步骤：步骤1：将网格化后的点云VC1利用最大值进行归一化处理，得到点云VC2；步骤2：将点云VC2按照目标成像距离信息方向进行升序排列，得到点云VC3；按照目标Z轴方向对点云进行重新的升序排列，便于后续对点云按照厚度进行分层处理；步骤3：将点云VC3按照厚度进行分层，计算分层厚度如式(1)所示：式中，th表示每层点云的厚度，S
xoy
,S
yoz
,S
xoz
表示最小包围盒在xoy,yoz和xoz上的投影面积，N
v2
表示点云VC3体素总个数；步骤4：计算点云VC3被分割的层数，如式(2)所示：式中，H表示点云的层数，L
P
表示点云中目标距离信息方向的长度，为目标Z轴方向的长度；步骤5：点云VC3分层后，取出每层体素，根据阈值计算每层体素的最小包围盒，阈值表达式如式(3)所示：式中，T表示阈值，γ表示阈值系数；步骤6：设第i(i∈[1,H])层中的第j个体素为V
i,j
(x
i,j
,y
i,j
,z
i,j
)，则V
i...

【专利技术属性】
技术研发人员：刘雪莲，王春阳，肖博，李雪梅，施春皓，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：