买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于三维形状上下文的SAC‑IA点云配准方法。本发明中，提出一种基于三维形状上下文3DShapeContext的点云特征点提取方法。将3Dsc引入到点云模型特征点提取技术中。首先计算出待配准点云和目标点云的三维形状上下文特征，然后依据该特征，利用SAC‑IA算法求出旋转矩阵和平移矩阵，完成初始配准；最后在初始配准的基础上，利用ICP算法对两片点云进行精配准。实验结果表明，该方法能够有效提取出点云特征点，且该方法的配准精度显著优越于基于快速点特征直方图FPFH的点云特征点提取方法，且配准效率也有所提升。

主权项：1.一种基于三维形状上下文的SAC-IA点云配准方法，其特征在于：所述基于三维形状上下文的SAC-IA点云配准方法包括以下步骤：S1:根据给定的目标点云和源点云分别构造一个三维体素栅格并进行下采样滤波；对输入的点云数据创建一个三维体素栅格，然后将每个体素内所有的点都用该体素内的点集的重心来近似，这样就在保证信息准确的前提下大大减少了数据量；为了尽量保证所采样的点具有不同的3DSC特征，采样点两两之间的距离应满足大于预先给定最小距离阈值d；S2:分别计算源点云和目标点云的3DSC，3DSC是在2DSC的基础上拓展来的，在2DSC中是以其中任意一点为参考点,在为圆心、R为半径的局域内按对数距离间隔建立N个同心圆；将此区域沿圆周方向M等分，形成靶状模板；点到其它各点的向量相对位置简化为模板上各扇区内的点分布数；步骤S2中，3DSC是直接在2DSC上扩展而来，其中，将2DSC以采样点P为圆心，R为半径的圆区域，扩展为P为球心，R为半径的球区域；球的北极点，由重建法线来估计；其中，与2DSC类似，也有不同大小的同心球，半径计算方式为：；这里的采样点不再是计算梯度后的采样点，而是相对P点的距离，为了避免距离P点太近的点类似与噪声的干扰，因此设置一个最小半径；所述步骤S1中，3DSC增加了统计区域内点集的每个点不同权重；其中权重计算如下: 其中V（j,k,l）对应第j个同心球，第k个方位方向，第l个仰角方向区域对应的体积；ρ是对应局部点的密度，即以P点为球心，a为半径的球体内的点数；S3:在目标点云Q中查找与点云P中采样点具有相似3DSC特征的一个或多个点，从这些相似点中随机选取一个点作为点云P在目标点云Q中的一一对应点，具体查找方式是计算一个目标的三维形状上下文直方图与另一目标的形状直方图之间的匹配代价，代价函数如下： ，然后,基于计算得到的代价矩阵C，进行点的匹配操作，使下式获得最小值: ;步骤S3中，形状上下文是基于物体轮廓样本点进行描述的，所以，前期的预处理工作包括：边缘提取、采样，得到一个物体形状的点集合:P={,,...,}；首先对单个点进行形状信息描述，每个点的形状信息由所有其他点与之形成的相对向量集表示；步骤S3中，其中,为目标P的点的形状直方图,为目标Q的点的形状直方图；通过以上公式的计算可得到两个目标之间的代价矩阵C，大小为n*n；上述点的匹配问题即为典型的双向图的匹配问题；利用匈牙利算法进行匹配；该方法以一个非矢量的数值表示两个目标的相似度；由于是基于代价矩阵进行计算；所以结果越大表示越不相似，结果越小表示越相似；步骤S3中，这些点的统计分布直方图记为：；因此3DSC是以采样点P为圆心，R为半径的圆区域，扩展为P为球心，R为半径的球区域；球的北极点，由重建法线来估计；相对原始2DSC中点数统计方式，3DSC增加了统计区域内点集的每个点不同权重；并采用kdTree进行加速，加快计算速度；S4:找到对应的匹配点之后，再通过SVD算法求解该匹配情况下的旋转与位移矩阵；S5:根据第（3）步计算出的旋转和平移矩阵，对目标点云进行相应的平移旋转操作后，更新点云的初始位置；S6:自此粗配准过程完成，最后再结合ICP算法进行精配准，ICP方法的配准步骤如下：第一步，计算X2中的每一个点在X1点集中的对应近点；第二步，求得使上述对应点对平均距离最小的刚体变换，求得平移参数和旋转参数；第三步，对X2使用上一步求得的平移和旋转参数，得到新的变换点集；第四步，如果新的变换点集与参考点集满足两点集的平均距离小于某一给定阈值，则停止迭代计算，否则新的变换点集作为新的X2继续迭代，直到达到目标函数的要求;S7:经配准后，计算两点云配准之后的误差，衡量配准结果。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于三维形状上下文的SAC-IA点云配准方法