基于扩展的点特征直方图特征的点云匹配算法 下载: 809次
1 引言
随着三维激光扫描设备的迅速发展,点云数据的处理受到广泛的关注。特别地,扫描设备易受测量环境及设备本身的限制,无法一次性完成整个实体的扫描,因此,如何将不同视角下扫描的点云数据对齐成为近年来许多学者研究的热点。点云匹配正是解决此问题的方法,通过寻找最优的刚体变换将不同视角下的点云进行对齐,其匹配的精度在三维模型的后续处理中发挥着至关重要的作用。
解决该问题最为经典的方法是由Besl等[1]提出的迭代最近点(ICP)算法,该算法通过迭代的方式使得两片点云之间的距离最小化,以此来实现两片点云之间的匹配。但是若这两片点云之间的距离相差较远,算法容易陷入局部最优,且迭代耗时[2]。之后,有许多学者提出一系列改进的点云匹配算法。Rusu等[3]通过提取点邻域的几何特征,构建快速点特征直方图(FPFH)描述子,作为点的局部特征,以此实现点云之间的匹配。Xian等[4]利用球面极坐标将点云数据转换为数字图像,然后提取该图像的尺度不变特征,利用图像匹配实现三维点云的匹配。Jiang等[5]考虑到角度特征具有刚体不变性,所以采用夹角特征来进行匹配。王鹏等[6]基于B-SHOT描述子对特征点进行描述,通过双向汉明距离确定匹配点对,采用随机采样一致性算法估算刚体变换参数进行初始匹配,然后再采用3D-NDT算法完成精确匹配。赵夫群等[7]利用特征点的曲率特征对特征点进行描述,确定匹配点对,通过四元数法进行粗匹配,最后采用改进的ICP算法实现精确匹配。
然而,上述方法存在匹配精度低、耗时长、特征易受噪声影响等问题,因此本文提出一种基于扩展的点特征直方图(PFH)特征的点云匹配算法。该算法采用先粗配后细配的策略,首先针对点云上的显著特征点构建扩展点特征直方图(EPFH)特征描述子,该描述子具有较强的区分度;再通过采样一致性(SAC-IA)方法估算刚体变换矩阵,实现待匹配点云和目标点云的初始匹配;然后利用基于
2 特征点检测
由于原始点云数据量大,在处理过程中存在计算复杂度高、耗时长等问题。近年来,一些学者相继提出多种特征点检测算法,此类算法可以有效提取点云内在的显著特征点。特征点又称为关键点,它是点云上具有稳定性、代表性的点集,特征点的数量远远小于原始点云的数据量。然后通过特征描述函数对特征点加以描述,以此形成的特征点描述子是原始点云的紧凑表示,从而可以加快点云的处理速度。
在特征点检测阶段,采用已有的ISS[8-9](intrinsic shape signature)算法提取点云有效的特征点。其算法如下所述。
假设点云模型
1) 以点云模型
式中:‖
2) 构造
3) 计算(2)式协方差矩阵
4) 选取特征值满足
3 EPFH特征提取
传统的点特征直方图(PFH)特征是由Rusu等[10]提出来的一种点云特征描述子,其构建了一个高维超信息空间的点集合特征表达,描述了中心点与其邻域范围点之间的空间差异。
为了能够计算特征点邻域表面的几何不变量,需要为每一组点对构造一个局部Darboux框架。Darboux框架如
得到任意一组点对的Darboux框架后,即可计算
将每个特征分量划分为
3.1 建立局部坐标系
一个良好的特征描述子应当对刚体变换具有不变性,这样才能实现不同视角下两片点云之间的精确特征匹配。一个典型的思路是给每个特征点建立一个局部坐标系,并在此坐标系下构建特征点的局部特征描述子[3]。
给定一个特征点
式中:
对协方差矩阵
式中:
由于特征向量彼此之间都是正交的,因此本文采用协方差矩阵
首先挑选出与向量
然后挑选出与向量
若
3.2 构建EPFH特征描述子
为能够确切地对特征点进行描述,需构建特征点的EPFH特征描述子,首先将特征点的所有邻域点变换到以特征点为原点的局部坐标系下,从而可使该特征描述子具有刚体不变性。然后,采用一个三维球形栅格沿距离、方位角和俯仰角三个维度,将每个特征点的邻域空间划分为多个子空间。
之所以这样设计,是因为在每个子空间中采用了点对几何不变量进行特征描述。描述子本身已具有较高的区分度,因而仅需要划分少量的子空间即可使得该描述子具有更高的区分度,较小的子空间数量有利于获得紧凑且高效的特征描述子[12]。
在每个子空间中,分别采用属于该子空间中的每组点对之间的几何不变量
3.3 特征描述子降维
由上述描述可知,该特征描述子的长度维度太高,不易于实现高效的特征存储和匹配。实际上,此描述子存在较多的冗余信息,所以采用主成分分析(PCA)法对该描述子进行降维处理,以获得更加紧凑且区分度更强的特征描述子。PCA是一种非常典型的降维方法,通过将高维特征向量映射到低维向量空间来揭示其内在结构,在特征压缩、特征选择及目标识别领域得到了大量的应用[13]。本文采用PCA对EPFH特征描述子降维过程如下。
假设点云模型
式中:
然后对协方差矩阵
式中:
为降低特征描述子的维度,将
式中:{
因此,降维后的特征描述自定义为
式中:
4 点云匹配
为能使不同视角下的点云进行融合,本文在上述所提取EPFH特征的基础上,首先采用SAC-IA方法[14]对两片点云进行粗匹配,使两片点云获得较好的初始位置。为使匹配后的点云匹配精度更高,再采用改进的ICP算法实现精匹配。
4.1 基于SAC-IA的粗匹配
首先采用SAC-IA方法实现点云之间的粗匹配,其算法过程如下:
a) 从待匹配点云
b) 在目标点云
c) 计算对应点之间的刚体变换矩阵,并通过计算对应点变换后的“距离误差和”函数来评价当前变换的质量。此处采用Huber惩罚函数作为误差度量,记作
式中:
4.2 基于k-d树的精匹配
经过SAC-IA粗匹配,已基本将两片点云模型进行粗对齐,但是为了减小待匹配点云和目标点云之间的误差,获得更高的匹配精度,必须采用ICP算法进行精匹配。但经典的ICP算法[1]是基于迭代的,这会造成搜索两片点云之间对应点对的速度过慢。为了能够提高匹配的速度,本文在经典ICP算法的基础上引入
改进的ICP算法的匹配步骤如下:
a) 假设待匹配点云
b) 对于
c) 采用最小二乘法计算旋转矩阵
d) 将计算得到的刚体变换参数作用于点云
e) 判断迭代终止条件,设定初始阈值
5 实验结果与分析
为了验证本文算法的有效性,将其分别应用于公共数据集和兵马俑特殊数据集。其中,兵马俑数据集中所有的碎块数据均采用三维专业扫描设备进行获取,在实验前,需进行去噪、断裂面分割等步骤,然后采用本文算法验证是否能够将邻接碎块进行正确拼接。本文实验采用Visual Studio 2015和PCL库编程,在CPU主频为3.4 GHz,内存为8 G的Win7系统上实现。
本文选取公开数据集中的Cake模型[18]和特殊数据集中的G3-I-C号俑、G10-5号俑、G10-6号俑的部分碎块进行实验。
为体现本文所提算法的优越性,本文与文献[
1]中经典的ICP方法、文献[
3]中基于FPFH特征的点云匹配方法、文献[
7]中基于特征点曲率特征的匹配方法进行对比。不同算法的运行参数对比结果如
从
图 4. 本文方法实验结果。(a)(d)(g)(j)(m)原始碎块;(b)(e)(h)(k)(n)基于SAC-IA算法粗匹配的结果;(c)(f)(i)(l)(o)基于改进的k -d树算法精匹配的结果
Fig. 4. Experimental results of the proposed method. (a)(d)(g)(j)(m) Original pieces; (b)(e)(h)(k)(n) results of rough matching based on SAC-IA algorithm; (c)(f)(i)(l)(o) results of fine matching based on improved k -d tree algorithm
表 1. 本文算法的运行参数
Table 1. Operating parameters of the proposed algorithm
|
表 2. 不同算法的运行参数对比
Table 2. Comparison of operating parameters of different algorithms
|
6 结论
针对传统匹配方法存在匹配精度低、速度慢等问题,提出一种基于扩展的PFH特征的点云匹配算法,该算法采用先粗配再细配的策略。首先对点云上的显著特征点进行EPFH特征描述;然后通过采样一致性算法估算刚体变换矩阵,完成待匹配点云和目标点云的初始匹配;接着在经典ICP算法的基础上,引入
[1] Besl P J. McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.
[2] 曾繁轩, 李亮, 刁鑫鹏. 基于曲率特征的迭代最近点算法配准研究[J]. 激光与光电子学进展, 2017, 54(1): 011003.
[3] Rusu RB, BlodowN, BeetzM. Fast point feature histograms (FPFH) for 3D registration[C]∥2009 IEEE International Conference on Robotics and Automation, May 12-17, 2009, Kobe, Japan. New York: IEEE, 2009: 3212- 3217.
[6] 王鹏, 李少达, 赵雪. 16(12): 26-27, 64, IV[J]. . 基于B-SHOT特征和3D-NDT的点云自动配准. 地理空间信息, 2018.
WangP, Li SD, Zhao X. Point cloud automatic registration based on B-SHOT feature and 3D-NDT[J]. GeospatialInformation, 2018, 16(12): 26-27, 64, IV.
[7] 赵夫群, 耿国华. 基于特征点的秦俑断裂面匹配方法[J]. 激光与光电子学进展, 2018, 55(4): 041005.
[8] ZhongY. Intrinsic shape signatures: a shape descriptor for 3D object recognition[C]∥2009 IEEE 12th International Conference on Computer Vision Workshops, ICCV Workshops, September 27-October 4, 2009, Kyoto, Japan. New York: IEEE, 2009: 689- 696.
[9] 胡佳贝, 周蓬勃, 耿国华, 等. 基于断裂面特征点匹配的文物碎片重组方法[J]. 光学学报, 2019, 39(9): 0915002.
[10] Rusu RB, BlodowN, Marton ZC, et al. Aligning point cloud views using persistent feature histograms[C]∥2008 IEEE/RSJ International Conference on Intelligent Robots and Systems, September 22-26, 2008, Nice, France. New York: IEEE, 2008: 3384- 3391.
[11] TombariF, Salti S, di Stefano L. Unique signatures of histograms for local surface description[M] ∥Daniilidis K, Maragos P, Paragios N. Computer vision-ECCV 2010. Lecture notes in computer science. Berlin, Heidelberg: Springer, 2010, 6313: 356- 369.
[12] 庄祉昀, 张军, 孙广富. 用于三维点云表示的扩展点特征直方图算法[J]. 国防科技大学学报, 2016, 38(6): 124-129.
[13] KeY, SukthankarR. PCA-SIFT: a more distinctive representation for local image descriptors[C]∥Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004. CVPR 2004., June 27-July 2, 2004, Washington, DC, USA. New York: IEEE, 2004: 8161522.
[14] 陈学伟, 朱耀麟, 武桐, 等. 基于SAC-IA和改进ICP算法的点云配准技术[J]. 西安工程大学学报, 2017, 31(3): 395-401.
[15] GreenspanM, YurickM. Approximate k-d tree search for efficient ICP[C]∥Fourth International Conference on 3-D Digital Imaging and Modeling, 2003.3DIM 2003. Proceedings., October 6-10, 2003, Banff, Alta., Canada. New York: IEEE, 2003: 8322534.
[16] NuchterA, LingemannK, HertzbergJ. Cached k-d tree search for ICP algorithms[C]∥Sixth International Conference on 3-D Digital Imaging and Modeling (3DIM 2007), August 21-23, 2007, Montreal, QC, Canada. New York: IEEE, 2007: 9892401.
[17] 刘江, 张旭, 朱继文. 一种基于K-D树优化的ICP三维点云配准方法[J]. 测绘工程, 2016, 25(6): 15-18.
Article Outline
汤慧, 周明全, 耿国华. 基于扩展的点特征直方图特征的点云匹配算法[J]. 激光与光电子学进展, 2019, 56(24): 241503. Hui Tang, Mingquan Zhou, Guohua Geng. Point Cloud Registration Algorithm Based on Extended Point Feature Histogram Feature[J]. Laser & Optoelectronics Progress, 2019, 56(24): 241503.