【技术实现步骤摘要】
本专利技术涉及图像数据处理，具体为一种排除邻域的双向最近邻相似比算法。
技术介绍
1、在三维计算机视觉领域，构建点云中对应关系被广泛应用于三维重建、三维对象识别、点云配准、形状检索和定位等方向。构建一个较好的对应关系对后续成功估计两片或多片点云间的转换关系至关重要。
2、现有的对应点对构建方法主要包括相似性得分(similarity score，简称ss)、双向相似性得分(double similarity score，简称bss)、最近邻相似比(nearest neighborsimilarity ratio，简称nnsr)算法。ss通过计算两个点云上特征描述子之间的相似度，并选择其中相似度高的对应点对来建立对应关系。相似度通过描述子之间的特征距离进行确定。但ss易被噪声、遮挡和重叠区域等干扰影响，从而输出错误对应关系。bss与ss类似，不同之处在于bss算法对初始对应关系实施了一种双向约束。该约束保留模型和场景特征描述子之间互为最佳匹配的对应关系，再从保留的对应关系中选择相似度高的对应点对来建立对应关系。但是bss算法则又过于严格，很容易排除正确对应关系。为了获得独特性高的对应关系，nnsr通过特征空间中最近和第二近距离的比率来惩罚对应关系，使得选择出的点对具有较为独特的特征，不易被干扰影响。但是nnsr不能很好地判断第一和第二特征近邻点较接近的对应关系的正确性。由于现有方法的局限性，使得构建准确的对应关系集合仍是一个具有挑战性的任务。
3、现有的对应点对构建算法，要么容易误排除正确的对应关系，要么在
技术实现思路
1、本专利技术提出一种基于nnsr的改进最近邻相似比方法，称为排除邻域的最近邻相似比(nearest neighbor similarity ratio on non-adjacent region，简称nannsr)算法。通过对场景和模型关键点分别实施nannsr算法，提取场景和模型上都具独特性的点对，作为最终的输出对应点对。通过实施双向邻域约束和双向nannsr算法，形成一种稳健的对应点对构建方法，称为排除邻域的双向最近邻相似比 (double nearest neighborsimilarity ratio on non-adjacent region，简称nadnnsr)算法，避免了点对的独特性无法被正确判断的问题，以解决现有算法要么容易误排除正确的对应关系，要么在应对噪声、杂乱和遮挡等干扰时鲁棒性不足，难以全面适应不同类型的点云数据的不足。
2、为解决上述技术问题，本专利技术采用的一个技术方案是：
3、一种排除邻域的双向最近邻相似比算法，用于构建模型点云和场景点云之间的对应关系，包括以下步骤：
4、s1、输入关键点及描述子：创建模型点云对象p和场景点云对象q， 和分别为模型点云对象p和场景对象q上的关键点集合，和分别为模型关键点集合和场景关键点集合中的关键点对应的局部特征描述子集合；
5、s2、初步匹配对应关系：通过相似度匹配模型点云和场景点云的特征描述子来生成初始的对应关系，构建一个模型-场景之间的初始对应点对集合；
6、s3、施加双向邻域约束：对初始对应关系实施一种松弛的邻域约束，对初始对应点对集合进行初步验证，排除明显错误的对应点对，得到初步排除错误对应点对的对应关系集合；这种邻域约束方法不要求反向搜索对应点时严格对应上原来的点，而是保证在原来点的一定邻域范围内。相较于bss算法中的双向约束，这种邻域约束方法减少了正确对应点对的误排除。
7、s4、双向实施nannsr算法：将经初步排除的对应关系集合作为输入，对集合中的场景点和模型点分别实施nannsr算法，计算出每个点对的独特性分数，并输出分数相对较优的对应点对获得最终对应点对集合；nannsr算法利用一定邻域范围外的特征近邻点取代nnsr算法中的第二特征近邻点，避免nnsr算法中因第一和第二特征近邻点的空间距离过近，导致无法判断对应关系正确性的问题。
8、s5、输出对应点对：以所提取出的双向都具独特性的最终对应点对集合为输出，重新构建模型点云与场景点云之间的对应关系。输出的对应点对具有高的独特性，不易被干扰影响，提高后续估计两片或多片点云间转换关系的准确率。
9、进一步的，步骤s2中，构建初始对应点对集合的具体方法为：对于每个模型关键点，从场景关键点集合中搜索特征相似度由高到低排列的 k个场景关键点，对应的描述子为，其中 k为正整数，模型关键点和场景关键点组成初始对应点对，所有模型关键点上构建的初始对应点对即为初始对应点对集合。
10、更进一步的，模型关键点与场景关键点的初始对应关系根据关键点上对应的局部特征描述子的相似度来确定，对于两个局部特征描述子和，相似度表示为：
11、 （1）
12、其中，表示l2范数。
13、进一步的，步骤s3中，得到初步排除错误对应点对的对应关系集合的具体步骤为：
14、s3.1、对于初始对应点对，定义以模型关键点为球心、半径为r1的双向邻域约束空间区域；
15、s3.2、通过反向搜索，找到场景关键点在模型点云上的对应点；
16、s3.3、若和的空间距离不大于r1，保留该初始对应点对，否则予以排除。
17、进一步的，步骤s4中，获得最终对应点对集合的具体步骤为：
18、s4.1、对模型关键点到场景关键点和场景关键点到模型关键点方向分别实施一次nannsr算法，计算它们的最近邻相似比得分，分别记为和；
19、s4.2、分别对和赋予相应的权重并进行求和，获得最终得分 s：
20、 （3）
21、其中，和分别表示取较小和较大值，和分别表示较小和较大最近邻相似比得分的权重；
22、s4.3、基于上述的对应点对得分 s，将每个点对的得分 s由小到大排序，从集合中选取排序后的前 k个得分 s所对应的点对作为最终对应点对集合。
23、更进一步的，所述nannsr算法的具体步骤为：
24、s10、在每个模型关键点所对应的 k个场景关键点中，定义以第一特征近邻点为球心、半径为r2的分隔空间区域；
25、s20、场景关键点作为第一特征近邻点，排除场景关键点中除第一特征近邻点以外的位于分隔空间区域内的所有特征近邻点，获得的新特征近邻点序列表示为本文档来自技高网...
【技术保护点】
1.一种排除邻域的双向最近邻相似比算法，用于构建模型点云和场景点云之间的对应关系，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种排除邻域的双向最近邻相似比算法，其特征在于：步骤S2中，构建初始对应点对集合的具体方法为：对于每个模型关键点，从场景关键点集合中搜索特征相似度由高到低排列的k个场景关键点，对应的描述子为，其中k为正整数，模型关键点和场景关键点组成初始对应点对，所有模型关键点上构建的初始对应点对即为初始对应点对集合。
3.根据权利要求2所述的一种排除邻域的双向最近邻相似比算法，其特征在于：模型关键点与场景关键点的初始对应关系根据关键点上对应的局部特征描述子的相似度来确定，对于两个局部特征描述子和，相似度表示为：
4.根据权利要求2所述的一种排除邻域的双向最近邻相似比算法，其特征在于：步骤S3中，得到初步排除错误对应点对的对应关系集合的具体步骤为：
5.根据权利要求2至4任意一项所述的一种排除邻域的双向最近邻相似比算法，其特征在于：步骤S4中，获得最终对应点对集合的具体步骤为：
6.根据权利要求5所述的一
7.根据权利要求6所述的一种排除邻域的双向最近邻相似比算法，其特征在于：若k个场景关键点都位于分隔空间区域，则选择距离最远的特征近邻点作为。
8.一种电子设备，其特征在于：包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载存储器中的程序以执行如权利要求1至7任一项所述算法。
9.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1至7任一项所述算法。
...【技术特征摘要】
1.一种排除邻域的双向最近邻相似比算法，用于构建模型点云和场景点云之间的对应关系，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种排除邻域的双向最近邻相似比算法，其特征在于：步骤s2中，构建初始对应点对集合的具体方法为：对于每个模型关键点，从场景关键点集合中搜索特征相似度由高到低排列的k个场景关键点，对应的描述子为，其中k为正整数，模型关键点和场景关键点组成初始对应点对，所有模型关键点上构建的初始对应点对即为初始对应点对集合。
3.根据权利要求2所述的一种排除邻域的双向最近邻相似比算法，其特征在于：模型关键点与场景关键点的初始对应关系根据关键点上对应的局部特征描述子的相似度来确定，对于两个局部特征描述子和，相似度表示为：
4.根据权利要求2所述的一种排除邻域的双向最近邻相似比算法，其特征在于：步骤s3中，得到初步排除错误...
【专利技术属性】
技术研发人员：赵宝，李佳伟，蒋伟聪，郭茂，王进，李景龙，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
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。