三維點云興趣點檢測方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺領(lǐng)域和智能機器人學領(lǐng)域，更具體地講，本發(fā)明涉及一種 H維（3D)點云興趣點檢測方法和系統(tǒng)。
【背景技術(shù)】
[0002] 近年來隨著深度相機或H維掃描儀的普及，H維點云數(shù)據(jù)的獲取及處理技術(shù)受到 廣泛關(guān)注。在計算機視覺和智能機器人學領(lǐng)域，H維點云興趣點檢測算法是很多高級應(yīng)用 技術(shù)的起點算法，如表面配準（Surface registration)或物體識別（Object reco即ition) 技術(shù)等。
[0003] 興趣點檢測算法具有H個重要特性；（1)稀疏性（Sparseness)，即興趣點數(shù)量應(yīng) 該盡可能少W便后續(xù)描述匹配算法的高效可行；（2)可區(qū)別性值istinctiveness)，即每個 興趣點都能獨特代表該點所在的表面結(jié)構(gòu)信息；（3)可重復(fù)性巧epeat油ility)，即興趣點 應(yīng)該在不同的數(shù)據(jù)變換條件下能夠被多次重復(fù)檢測到。
[0004] 現(xiàn)有的H維點云興趣點檢測算法大致分為兩類；一類是基于二維圖像興趣點 檢測的擴展算法，如SIFT3D和Harris3D算法等；另一類是?？卺槍維點云數(shù)據(jù)提出 的興趣點檢測算法，如LSP、ISS、KPQ、NARF等。SIFT3D算法是將經(jīng)典的SIFT2D算法 (IJCV2004:Distinctive image features from scale-invariant keypoints)應(yīng)用至Ij 點云數(shù)據(jù)深度值或反映法向變化的特征值上，在構(gòu)造尺度空間時對空間體數(shù)據(jù)進行重采 樣W及高斯濾波操作，鄰域點集的確定是通過計算各點到中也點的歐氏距離，然后找出所 有滿足某個預(yù)定義半徑距離的點集，為加速計算引入了八叉樹搜索結(jié)構(gòu)。Harris3D算法 (TVC2011:Harris3D:a robust extension of the Harris operator for interest point detection on3D meshes)主要檢測H維點云中的角點，類似于Harris2D算法，首先利用 鄰域點法向信息構(gòu)造一個高斯平滑的自相關(guān)矩陣，然后通過求解矩陣特征值判斷該點是否 為興趣角點。LSP 算法（PR2007:3D free-form object reco即ition in range images using local surface patches)基于最大和最小主曲率信息為每個點計算出一個顯著性 值即形狀指數(shù)（SI:化ape Index)，興趣點被識別的條件是該點的SI與該點鄰域平均SI存 在明顯區(qū)別。ISS 算法（ICCV2009:Intrinsic shape si即atures:a shape descriptor 化r3D object recognition)基于協(xié)方差矩陣特征值分解的方法識別興趣點，興趣點的鄰 域點在H個主方向上的分布存在明顯差異，并且與主方向?qū)?yīng)的最小變化率大于某一闊 值。KPQ 算法（IJCV2010:On the repeatability and quality of keypoints for local fea1:ure-based3D object retrieval from cluttered scenes)類似于 ISS,興趣點的計算 過程也是依賴于協(xié)方差矩陣的特征值分解，不同的是該算法只選擇前兩個特征值比例大于 某一闊值的點作為初始興趣點，然后利用曲率信息為初始興趣點估算興趣值，最后通過非 極大值抑制操作篩選出興趣點。NARF算法（ICRA2011:point fea1:ure extraction on3D range scans taking into account object boundaries)是主要針對深度圖像提出的一種 興趣點檢測算法，該算法在計算興趣值時考慮了邊界信息對表面穩(wěn)定造成的影響，確保所 檢測興趣點位于局部穩(wěn)定同時附近又出現(xiàn)較大變化的區(qū)域。
[0005] 從W上描述內(nèi)容可W看出，現(xiàn)有的興趣點檢測技術(shù)都采用類似的算法框架：首先 利用局部或全局幾何結(jié)構(gòu)信息估算候選點的顯著性或興趣值，然后進行非極大值抑制或其 他操作從而篩選出興趣點。SIFT是一種尺度不變興趣點檢測算法，作用于存在尺度變換的 圖像數(shù)據(jù)上具有非常優(yōu)秀的性能表現(xiàn)，然而H維點云數(shù)據(jù)記錄的是物體表面位置信息，其 尺度特性并不突出，因而擴展的SIFT3D算法在重復(fù)率性能方面并沒有明顯優(yōu)勢。Harris3D 算法所檢測的興趣點通常位于物體邊界或表面結(jié)構(gòu)突變的區(qū)域，盡管該些位置是所期待的 特征區(qū)域，但該些區(qū)域也極不穩(wěn)定，給后續(xù)描述子的計算與匹配過程帶來負面影響。LSP所 檢測的興趣點整體分布較為均勻，對突出特征的識別能力較差，另外由于其是基于二階導(dǎo) 數(shù)（曲率）的算法，因而對噪聲較為敏感，測試重復(fù)率不高。ISS的興趣點通常位于形狀獨特 的區(qū)域，綜合測試重復(fù)率較高，但由于其對整個鄰域進行矩陣特征值分解操作，隨著鄰域半 徑的增大，矩陣操作無法準確反應(yīng)表面特征，因而該算法對存在相互遮擋和聚集的場景數(shù) 據(jù)不魯棒。KPQ是一種自適應(yīng)鄰域半徑的興趣點檢測算法，能夠避免較大平坦區(qū)域無興趣 點的現(xiàn)象，是專口為物體識別（Object Retrieval)應(yīng)用而設(shè)計。與ISS類似，KPQ對遮擋 和聚集不魯棒，另外，由于KPQ算法在估算初始興趣點的興趣值時需要進行平面擬合、重采 樣、求解曲率等操作，因此該算法運行效率較慢。NARF檢測的興趣點位于局部表面穩(wěn)定附近 有突變的區(qū)域，由于考慮到邊界的影響，興趣點位于邊界附近的可能性較大。另外由于該算 法涉及法向及曲率的求解，對噪聲較敏感，因此該算法運行效率也受到限制。綜上，現(xiàn)有技 術(shù)存在的問題在于，要么對噪聲、遮擋、聚集等不魯棒，要么算法運行效率較低。因此需要一 種能夠提高算法的魯棒性同時又降低算法的運行時間的技術(shù)方案。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種快速魯棒的H維點云興趣點檢測方法和系統(tǒng)。
[0007] 根據(jù)本發(fā)明的一方面，提供了一種3D點云興趣點檢測系統(tǒng)，包括；3D點云數(shù)據(jù)獲 取模塊，用于獲取3D點云數(shù)據(jù)；形狀描述模塊，用于使用輸入的3D點云中的像素點的鄰域 點至該像素點處切平面的有向距離分布信息，來生成該像素點與鄰域點所在表面的形狀描 述向量；興趣點提取模塊，基于生成的形狀描述向量來提取興趣點。
[0008] 優(yōu)選地，形狀描述模塊可包括；局部參考架構(gòu)造模塊，用于構(gòu)造3D點云中的像素 點的局部參考架，所述局部參考架為W像素點為中也的坐標系的X軸、Y軸和Z軸；有向距 離分布圖計算模塊，用于計算W像素點為中也的外圍鄰域點至像素點所在切平面的有向距 離分布圖，所述有向距離分布圖被表示為包括外圍鄰域點在切平面上的投影方向與X軸的 方向夾角和到切平面的有向距離；形狀描述生成模塊，用于對計算的有向距離分布圖采用 有限維度的向量進行表示W(wǎng)生成形狀描述向量。
[00