一種散亂點云圖像配準方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理技術領域，尤其是一種散亂點云圖像配準方法。
【背景技術】
[0002] 三維點云拼接技術一直是逆向工程、計算機視覺、模式識別、曲面質量檢測及攝影 測量學等領域的研究的熱點和難點。三維點云圖相配準技術在不同場合也被稱之為重定 位、拼接或拼合技術，其實質是把不同的坐標系下測得的數(shù)據(jù)點云進行坐標變換，問題的關 鍵是坐標變化參數(shù)R(旋轉矩陣)和T(平移矢量)的求取。
[0003] 在三維點云圖相配準中，最近迭代（ICP)算法是應用最為廣泛的配準算法，一般適 用于精度較高的掃描任務以及存在明確對應關系的點集之間的配準，但它對點云之間的相 對初始位置要求較高，如果初始位置相差太大，ICP的收斂方向將不能確定;此外，ICP的改 進算法大多依賴從點云數(shù)據(jù)中提取的特征點或輪廓曲線等人為引入特征標簽，普遍存在魯 棒性不夠穩(wěn)定、速度較慢等問題，其中基于曲面模型的改進方法在曲面逼近時需要進行點 云分割與模型辨識，不能適應點云的任意拓撲外形。因此，尋找一個高效的優(yōu)化ICP算法對 三維點云圖像配準問題十分必要。

【發(fā)明內容】

[0004] 為了解決上述現(xiàn)有技術中的不足之處，本發(fā)明提出一種散亂點云圖像配準方法， 用PS0算法粗配準是針對整體數(shù)據(jù)而言的迭代優(yōu)化算法，不依賴于點云數(shù)據(jù)的幾何特征，數(shù) 據(jù)的噪聲對整體影響較小，滿足迭代結束條件后，找到最優(yōu)平移和旋轉參數(shù)，為ICP精確算 法找到最優(yōu)的初始位置。
[0005] -種散亂點云圖像配準方法，其特征在于，包括
[0006] 步驟1、獲取圖形中點云數(shù)據(jù)的位置和法向量；
[0007] 步驟2、通過基于曲面變化度的局部離群系數(shù)過濾點云數(shù)據(jù)；
[0008] 步驟3、初始化粒子的位置和速度，并將旋轉參數(shù)R=(rx ry rz)和平移參數(shù)T=(tx ty tz)分別轉換為R3X3，TlX3矩陣；
[0009] 步驟4、構造適應度函數(shù)，求出適應度函數(shù)值；
[0010] 步驟5、根據(jù)適應度函數(shù)值，更新粒子的速度和位置，求得最優(yōu)粒子，計算出R，T的 向量；
[0011] 步驟6、將最優(yōu)粒子的位置作為ICP配準初值的參考點集，在目標點集中尋找距離 參考點集的距離最近的點集作為新的目標點集，得到旋轉矩陣R和平移矩陣T，使得參考點 集到新的目標點集的最短距離的目標函數(shù)值小于閾值τ。
[0012]所述曲面變化度為圖形中獲取的點云集合中的其中一點極其領域點構成的協(xié)方 差矩陣的最小特征值與所有特征值之和的比值，其中協(xié)方差矩陣

[0015] 其中羅為p鄰域的中心，則曲面 其中k為所用的鄰近點 ，. 個數(shù)，分別表示數(shù)據(jù)沿對應的特征向量的方向的變化程度，〇k的取值范圍為[0，1/ 3]〇
[0016] 所述基于曲面變化度的局部離群系數(shù)過濾點云數(shù)據(jù)的具體過程為：
[0017] 步驟201、對于任意散亂點云S，利用基于距離查詢的區(qū)域增長方法，設定區(qū)域增長 半徑:Γ，區(qū)域增長的結果是一系列的點云子集Si，S2 . . . Sn，且Si U S2 U . . . U Sn=S，如果某子 集點數(shù)過少，則該子集為孤立的離群點集合;如果某子集的包圍盒體積過小，則該子集是聚 集到一起的離群點；
[0018] 步驟202、計算曲面變化度〇k，將曲面變化度大的點識別為潛在離群點；
[0019] 步驟203、對潛在離群點中的點計算其SVL0F值，將SVL0F值大于設定容限的點作為 離群點，從點中濾除，SVL0F值的計算公式為
[0021 ] 其中為欠k領域中的〇k，of為飽和k領域中的〇k。
[0022] 所述適應度函數(shù)為
[0023] | R · Qo+T-Qi | | +1 | R · Noma 11-Norma 12 | | =f itness
[0024] 其中，P和Q在兩個不同視角下采集的點云集，保持P的位置不變讓Q不斷靠近P;令 Qo = Q,對Qo進行空間變化得到Qi;其中Normall、Normal2分別為Q〇、Qi的法向量，fitness為 適應度函數(shù)值，通過迭代，得到最優(yōu)粒子，求得的R，T作為ICP迭代配準的初始位置。
[0025] 所述更新粒子的速度V和位置X的公式為
[0027]其中C1，C2為非負的學習參數(shù)，ri，r2是介于(0，1)服從均勻分布的兩個獨立的隨機 數(shù)，用來保持群體的多樣性；是第i個粒子搜索到的局部最好的位置;gbe3St是整個粒子 群搜索到的最好位置。
[0028]步驟6的具體過程為：
[0029]步驟601、利用PS0全局搜索最優(yōu)的粗略配準找到初始位置的對應點集P和Q，個數(shù) 均為η;
[0030]步驟602、計算目標點集Ρ和參考點集Q的重心：
[0032]步驟603、由點集P和Q構造協(xié)方差矩陣：
[0034]步驟604、由步驟603中的協(xié)方差矩陣構造4 X 4堆成矩陣：
[0036] 其中：13 是 3X3 單位矩陣，tr( 2p,q)是矩陣（2p,q)的跡，Δ =[A23 A31 A12]t，
[0037] 步驟605、計算步驟603中協(xié)方差矩陣的特征值和特征向量，其最大特征值對應的 特征向量即為最佳旋轉向量；
[0038] qR=[qo qi q2 q3]T;
[0039] 步驟606、計算最佳平移向量：
[0040] qT=yq-R(qR)yP
[0042] 步驟607、得到完全坐標變換向量q= [qR I qT]T= [qoqiq2q3q4q5q6]T，求得最小均方差 dms= f (q)；
[0043] 步驟608、均方差大于閾值τ則返回步驟3,重新迭代，小于閾值τ則迭代結束。
[0044] τ 的值為 0.001。
[0045]本發(fā)明提供的基于一種粒子群和最近迭代點相結合的散亂點云匹配算法，利用曲 面變化度的局部離群系數(shù)剔除噪音點，同時對PS0粒子群算法的粗略配準中適應度函數(shù)進 行了改進，在點云配準中容易選取到噪音點；利用曲面變化度的局部離群系數(shù)將離群點剔 除，同時控制法向量平行對點云數(shù)據(jù)進行約束，提高了散亂點云的配準精度。因此，本發(fā)明 通過整體尋優(yōu)，為ICP找到最佳的初始位置，避免了 ICP陷入局部最優(yōu)，有效的提高了 ICP算 法的準確性。
【附圖說明】
[0046] 圖1為本發(fā)明散亂點云圖像配準方法流程圖。
【具體實施方式】
[0047] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0048]如圖1所示，基于粒子群和最近迭代點相結合的散亂點云匹配算法包括如下步驟： [0049] A.獲取圖像中點云數(shù)據(jù)的位置和法向量。
[0050] B.通過基于曲面變化度的局部離群系數(shù)過濾點云數(shù)據(jù)，參數(shù)包括：區(qū)域增長半徑 為0.25,點數(shù)小于100、體積小于2,將符合以上參數(shù)的區(qū)域作為離群點濾除，對于近離群點， SVL0F設定閾值為5。
[0051 ] 在此引入欠k領域和飽和k領域Mf的概念：
[0052]給定點集合S及其中一點p，定義該點的欠k領域為點集S中除k點外距離p點最 近的k個點的集合;給定該點的飽和k領域為包含p點的k+Ι個鄰近點的集合，即：
[0055]同時引入曲面變化度〇k，曲面變化度反映了曲面離開切平面的程度。定義曲面變 化度〇k為一點極其領域點構成的協(xié)方差矩陣C3X3的最小特征值λ〇與所有特征值之和的比 值。
[0056]協(xié)方差矩陣：
[0061]其中，及為ρ鄰域的中心，k為計算變化度所用的鄰近點個數(shù)，λοΑΑ分別表示數(shù) 據(jù)在3個主方向的變化程度，由于協(xié)方差矩陣為對稱矩陣，其特征值均為正值，故〇k的取值 范圍為[0，1/3]。
[0062]曲面變化度識別出潛在離群點，因為如若一點是離群點，則該點處一定具有大的 曲面變化度，但是曲面上棱線、角點等特征部分的點同樣具有較大的曲面變化度。為了區(qū)分 離群點與特征點，SVL0F定義為：
[0064]將離群點分為兩類，一類為遠離群點云主體的離群點，另一類為靠近點云主體的 離群點。采用基于三維區(qū)域增長的方法對遠離群點進行辨識，而利用SVL0F對近離群點進行 魯棒識別，具體包括以下步驟：
[0065]步驟11:對于任意散亂點云S，利用基于距離查詢的區(qū)域增長方法，設定區(qū)域增長 半徑r，區(qū)域增長的結果是一系