基于邻域表面形变信息加权的点云配准

李新春; 闫振宇; 林森

doi:doi:10.3788/LOP57.141102

激光与光电子学进展, 2020, 57 (14): 141102, 网络出版: 2020-07-28

基于邻域表面形变信息加权的点云配准下载： 717次

Point Cloud Registration Based on Weighting Information of Neighborhood Surface Deformation

论文大纲

李新春 ¹闫振宇 ^1,*林森 ^1,2,3

作者单位

¹ 辽宁工程技术大学电子与信息工程学院, 辽宁葫芦岛 125100

² 中国科学院沈阳自动化研究所机器人学国家重点实验室, 辽宁沈阳 110016

³ 中国科学院机器人与智能制造创新研究院, 辽宁沈阳 110016

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

为了提高点云的配准精度,解决单一特征导致迭代最近点(ICP)算法在噪声干扰和数据缺失的情况下鲁棒性差的问题,提出一种基于邻域表面形变信息加权的点云配准方法。先为简化点的邻域信息提出以邻近点数量为约束的邻域构建方法,考虑邻近点对采样点的影响并引入加权方法提高内部形态描述子(ISS)特征点提取算法的提取效率;计算邻域的法向量内积均值对点云进行第二次特征点提取;再利用快速点特征直方图(FPFH)进行特征描述,并运用双重约束条件确定匹配点对关系;最后在配准阶段,采用双向k维树ICP(DTICP)算法来实现精确配准。实验结果表明,与经典ICP算法相比,所提方法能够在噪声环境下有效配准缺失点云,具有较好的鲁棒性和抗干扰性。

Abstract

To improve the registration accuracy of a point cloud, the problem of poor robustness of the iterative closest point (ICP) algorithm under the condition of noise interference and data loss caused by a single feature needs to be solved. Accordingly, a point cloud registration method based on weighting neighborhood surface deformation information is proposed. First, to simplify the neighborhood information of points, a neighborhood construction method based on the number of neighboring points as the constraint is proposed, and considering the influence of neighbors on the sampling points, a weighting method is introduced to improve the extraction efficiency of the intrinsic shape signature (ISS) feature point extraction algorithm. Second, the mean value of the normal vector inner product of the neighborhood is calculated to perform the second feature point extraction of the point cloud. Then, the fast point feature histogram (FPFH) is used to describe the feature, and the double constraint condition is used to determine the matching point pair relationship. Finally, in the registration phase, accurate registration is achieved by using the bidirectional k-tree ICP (DTICP) algorithm. Experiment results reveal that the proposed algorithm can effectively register missing point clouds in a noisy environment with better robustness and anti-interference compared with the classical ICP algorithm.

1 引言

随着三维扫描与成像技术的飞速发展,三维点云配准技术已被广泛应用于三维场景重建、逆向工程、虚拟现实和文物保护等领域^[1]。点云配准作为三维重建的关键技术之一,目的是找到一个三维刚体变换,使得在不同视角下的同一物体的位姿能够通过旋转和平移等操作快速、准确地匹配。

点云配准技术中应用最为广泛的是由Besl等^[2]提出的迭代最近点(ICP)算法,该算法逐点计算点对的最小欧氏距离,计算简便、直观且配准具有较好的精度,但算法的运行速度和收敛性很大程度上取决于点云的初始位姿,配准结果易陷入局部最优,故常作为二次配准使用^[3]。为了弥补ICP算法的缺陷,近年来,国内外研究学者提出了众多方法,其中常见的改进方式是基于特征来确定点与点的对应关系。三维空间中,点云的特征有很多表现形式,包括法向量^[4]、曲率^[5]和欧氏距离等一维特征,也包含形状特征函数集合(ESF)^[6]、方向直方图(SHOT)^[7]和快速点特征直方图(FPFH)^[8]等多维特征。

点云配准前,计算所有点的特征会严重降低点云整体的配准效率,基于特征点的配准方式可避免这种情况。如曾繁轩等^[9]计算各点的大、小主曲率,并判断两者中任意一个是否为其主方向上的极值以此提取曲率极值特征点,该方法对于棱角分明的点云具有较好的配准效果,但抗噪性能较差;张哲等^[10]利用法向量分布特征模型将夹角均值作为判断依据,加强了点云的特征描述能力并解决了密集点云的配准问题,但其仅考虑法向量特征,使得平滑点云的配准效果不佳;He等^[11]结合曲率、法向量角度和点云密度等参数构建特征向量,提高了ICP算法的配准效率,但最近点匹配的正确率较低,导致最终配准结果不理想;Elbaz等^[12]设计了一种关键点描述符,依据点云的几何信息实现旋转平移变换,并使用基于深度神经网络的自动编码器对局部3D几何特征进行编码,配准结果准确但特征形式单一,导致深度神经网络的计算量较大;Jauer等^[13]假设点云是由粒子组成的刚体,基于力学和热力学原理将粒子间的相互作用力作为特征,该配准框架紧凑且健壮但仅适用于稠密点云。

本文提出一种基于邻域表面形变信息加权的点云配准方法。先提出以邻近点数量作为约束条件,结合高斯加权方式提高内部形态描述子(ISS)特征点的提取效率,得到增强内部形态描述子(EISS)特征点;为了避免单一特征造成特征信息缺失,考虑EISS特征点邻域的表面变化,得到点云的增强内部形态变化描述子(EISCS)特征点;再进行FPFH特征描述,利用双重约束获取正确的点对并将其作为单位四元数法的初始值;最后在精确配准阶段,采用双向k维树ICP(DTICP)算法来实现配准。所提方法能够在噪声环境下有效地完成缺失点云配准,并具有更好的鲁棒性和更高的配准精度。

2 基本原理

2.1 EISCS特征点提取算法

传统的ISS特征点提取算法能够依据邻域表面形状提取点云模型的边缘点,但冗余的邻近点数量往往会造成ISS特征信息缺失,邻域内的远点对采样点的影响会导致噪声点数量增多。为此,提出以邻近点数量作为约束条件改进点邻域选取方式,并引入加权方法抑制噪声以提高近点对采样点的影响,通过以上两次改进提高ISS特征点的提取效率。

2.1.1 邻近点数量约束条件

以各点间的疏密程度定义邻近点数量约束条件:将三维点云P中第i个点p_i视为圆心,R为预置半径的r最近邻域包含k_i个与p_i最近欧氏距离的点,其中k_i为p_i的最近点数量。设需要邻近点的数量K为8,若k_i>K,则p_i采用k最近邻域搜索方式查询邻近点并更新k_i,即k_i=K,如图1(a)所示;若k_i≤K,选取r半径邻域作为p_i的邻近点搜索区域,如图1(b)所示。

图 1. p_i邻域中不同邻近点数量。(a)邻近点数量为8;(b)邻近点数量为7

Fig. 1. Number of different closest points in p_i neighborhood. (a) Number of closest points is 8; (b) number of closest points is 7

下载图片查看所有图片

2.1.2 高斯加权方式

对于p_i及邻域,计算p_i与其各个邻近点p_ij间距离的权值w_ij,j=1,…,k_i。传统ISS特征点提取算法的权重为欧氏距离的倒数,即w_ij=1/|p_i-p_ij|,但其倒数形式使得最近点权重值很大,距离稍远的点的权重值迅速衰减^[14],而引入高斯函数能很好地克服倒数形式的弊端。权重值随着距离增加逐渐减小且不会衰减至0,表达式为

w_{ij} = \{\begin{array}{l} 1, d_{ij} \leq μ_{d} \\ \frac{1}{\sqrt[]{2 π} σ_{d}} \exp [- \frac{(d_{ij} - μ_{d})^{2}}{2 σ_{d}^{2}}], d_{ij} > μ_{d} \end{array}, (1)

式中:d_ij为p_i与p_ij间的欧氏距离;μ_d和σ_d分别为点p_i到其各个邻近点距离的平均值和标准差。这种加权方式重视d_ij值小于平均值的邻近点对采样点的影响,d_ij值大于μ_d的邻近点根据d_ij值计算不同权值,距离越远影响程度越小。对p_i的邻域作协方差分析^[15],得到p_i与各个邻近点p_ij之间的协方差矩阵V_S。计算协方差矩阵V_s的特征值{ $λ_{i}^{1}$ , $λ_{i}^{2}$ , $λ_{i}^{3}$ },若 $λ_{i}^{1}$ ≤ $λ_{i}^{2}$ ≤ $λ_{i}^{3}$ ,且满足

\frac{λ_{i}^{1}}{λ_{i}^{2}} < ε_{1}, \frac{λ_{i}^{3}}{λ_{i}^{2}} < ε_{2} (2)

的点视为EISS特征点。式中:ε₁和ε₂为EISS特征阈值,主要作用是剔除易导致坐标轴模糊的局部对称点^[15],若阈值过大则不能起到筛选特征点的作用,阈值过小则会造成特征点缺失。经多次实验发现ε₁=0.8和ε₂=0.4,模型可取得较好的特征提取效果。

2.1.3 EISCS特征点的提取方法

由于EISS特征点的数量冗余,单一形式的特征描述点云形状的能力有限,为此提出在提取EISS特征点时考虑邻域表面的法向量特征,从而获得EISCS特征点。点邻域中,法向量间的夹角变化是衡量邻域表面弯曲和平缓的度量之一。将向量内积的计算方式应用于评价p_i是否为法向量特征点,先采用主成分分析(PCA)算法对EISS特征点和其邻近点进行协方差分析^[10],得到协方差矩阵C_e,并计算C_e的特征值和特征向量。最小特征值对应的特征向量近似表示为该点的法向量n_i。定义 $p_{i}^{e}$ 的法向量内积均值τ为

τ ({p^{e}}_{i}) = \frac{1}{k_{i}} \overset{ki}{\sum_{j = 1}} |n_{ij} \cdot n_{i}| = \frac{1}{k_{i}} \overset{ki}{\sum_{j = 1}} |n_{i}| \times |n_{ij}| \times \cos < n_{i}, n_{ij} >, (3)

式中:n_ij为第j个邻近点的法向量;τ的值域为(0,1),τ值越小说明邻域内部变化越剧烈; $p_{i}^{e}$ 为点云P的任一EISS特征点;k_i为 $p_{i}^{e}$ 的邻近点数量。设置适当的法向量内积均值阈值α,若满足τ<α,则说明 $p_{i}^{e}$ 是EISCS特征点,反之不是。

2.2 对应关系估计及筛选

2.2.1 获取初始匹配点对

较高的初始匹配正确率是得到最佳初始配准结果的前提。考虑到低维特征的识别率低,特征信息表述不清等问题,采用FPFH描述EISCS特征点并生成33维特征向量。为了提高初始匹配点对的正确率,提出双重约束,即

1) 计算特征向量间的欧氏距离d,表达式为

d ({p^{e}}_{i}, {q^{e}}_{j}) = ‖ {v^{P}}_{i} - {v^{Q}}_{j} ‖_{2}, (4)

式中: $q_{j}^{e}$ 为源点云Q内第j个EISCS特征点; ${v^{P}}_{i}$ 和 ${v^{Q}}_{j}$ 分别为 $p_{i}^{e}$ 和 $q_{j}^{e}$ 对应的FPFH特征向量。

如果仅考虑将d的最小值作为初始匹配点对的判断依据,易发生多对一情况,无法避免错误匹配点对的出现。因此引入余弦相似度概念,对初始匹配点对作进一步筛选。

2) 计算特征向量间的余弦相似度ρ,表达式为

ρ ({p^{e}}_{i}, {q^{e}}_{j}) = \frac{{v^{P}}_{i} \cdot {v^{Q}}_{j}}{\sqrt[]{‖ {v^{P}}_{i} ‖_{2} \cdot ‖ {v^{Q}}_{j} ‖_{2}}} 。 (5)

余弦相似度是采用空间中两个向量夹角的余弦值度量两者之间的差异。ρ值越接近于1,表明两个向量越相似。对于两组点云的任意点对,若ρ值最大、d值最小,则将 $p_{i}^{e}$ 和 $q_{j}^{e}$ 视为一对初始匹配点,进而得到初始匹配点对集合C_m。

2.2.2 获取正确匹配点对

采用点对间欧氏距离约束^[16]对C_m内点对进行检验,若初始配准结果良好,则第i对匹配点( $p_{i}^{m}$ , $q_{i}^{m}$ )和第j对匹配点( $p_{j}^{m}$ , $q_{j}^{m}$ )存在

‖ {p^{m}}_{i} - {q^{m}}_{i} ‖_{2} / ‖ {p^{m}}_{j} - {q^{m}}_{j} ‖_{2} \approx 1, (6)

式中:( $p_{i}^{m}$ , $q_{i}^{m}$ )和( $p_{j}^{m}$ , $q_{j}^{m}$ )为两对初始匹配的EISCS特征点。

选取点对间欧氏距离阈值ε₃=0.02,点对间欧氏距离约束可表示为

\frac{|‖ {p^{m}}_{i} - {p^{m}}_{j} ‖_{2} - ‖ {q^{m}}_{i} - {q^{m}}_{j} ‖_{2}|}{‖ {p^{m}}_{i} - {p^{m}}_{j} ‖_{2} + ‖ {q^{m}}_{i} - {q^{m}}_{j} ‖_{2}} < ε_{3} 。 (7)

计算C_m中与( $p_{i}^{m}$ , $q_{i}^{m}$ )符合(9)式的点对数量φ,如果φ值相对较大,说明除本身以外的大多数点对与( $p_{i}^{m}$ , $q_{i}^{m}$ )满足(7)式。按照φ值从大到小的顺序对C_m内的点对进行排序,设置适当的正确匹配点对数量阈值β,正确匹配的点对数量n_m满足

n_{m} = β \times N_{m}, β \in (0,1), (8)

式中:N_m为初始匹配点对数量。获取精确匹配点对的目的是得到较好的初始配准位姿,所以初始配准误差最小时,对应的点对数量阈值就是β的最佳取值。

2.3 点云配准算法

对于两组点云P和Q,通过双重约束获取各自精确的匹配点对集,采用单位四元数法^[17]实现初始配准。初始配准后,两组点云可获得较好的初始位姿,但配准精度较差。为了得到良好的配准结果,在初始配准结果的基础上需进行精细配准。目前最常用到的精细配准算法为ICP算法,由于ICP算法在搜索最近点对时易出现多对一情况。为此,在k维树提高最近点搜索效率的基础上构建双向k维树,具体实现步骤如下。

1) 分别构建P和Q点云的k维树。

2) 在Q内搜索p_i的最近点q_i。

3) 若在P内搜索q_i的最近点为p_i,则说明p_i和q_i为一对具有一一对应关系的最近点。

4) 若在P内搜索q_i的最近点不为p_i,则继续寻找下一点q_i₊₁在Q内的最近点。

5) 遍历点云P内各点。

双向k维树的优势在于能够确定最近点的最佳对应关系,虽搜索时间是k维树的2倍,但一一对应的最近点对使得迭代时间得到大幅度缩减,因此构建双向k维树的搜索方式特别适用于数据量大的点云模型。配准算法的具体流程如图2所示。

图 2. 所提配准算法的具体流程

Fig. 2. Schematic of specific process of proposed registration algorithm

下载图片查看所有图片

3 配准实例与分析

3.1 阈值选取实验

以斯坦福大学的点云数据库中Bunny模型和Dragon模型作为实验对象,为了排除阈值对配准结果的影响,在精确配准实验开始前需对α和β值的选取进行大量实验。由于τ值是确定EISS特征点是否为EISCS特征点的关键,匹配点对的正确率是提高精确配准效率的前提,因此α和β值的选取尤为重要。Bunny模型和Dragon模型中α取值范围分别为0.95~0.99、0.93~0.97,β取值范围为0.1~0.9。阈值对初始配准误差的影响曲线如图3所示。

从图3可以看到,Bunny模型在α=0.98、β=0.3处存在最小值,为6.2799×10^-8 mm,Dragon模型在α=0.95、β=0.3处的初始配准误差最小,为8.8947×10^-8 mm。经分析可得,较少的特征点会造成初始匹配点对缺失,从而产生较大配准误差;较多的特征点会致使后续计算量增大,进而导致配准效率降低。

图 3. 阈值对初始配准结果的影响曲线。(a) Bunny模型;(b) Dragon模型

Fig. 3. Curves of threshold effect on initial registration results. (a) Bunny model; (b) Dragon model

下载图片查看所有图片

3.2 不同噪声环境下无数据丢失的精确配准

三维扫描过程中可能会出现噪声干扰、数据丢失和遮挡等情况^[18],为了分析所提方法(EISCS-DTICP)在不同噪声环境下的抗噪声性能,实验以Bunny模型作为实验对象,并采用配准后的方均根误差(RMSE)作为配准误差ξ的衡量指标^[19],ξ的表达式为

ξ = \sqrt[]{\frac{1}{N} \overset{N}{\sum_{i = 1}} [({x^{P}}_{i} - {x^{Q}}_{i})^{2} + ({y^{P}}_{i} - {y^{Q}}_{i})^{2} + ({z^{P}}_{i} - {z^{Q}}_{i})^{2}]}, (9)

式中:N为最近点对的数量;( ${x^{P}}_{i}$ , ${y^{P}}_{i}$ , ${z^{P}}_{i}$ )和( ${x^{Q}}_{i}$ , ${y^{Q}}_{i}$ , ${z^{Q}}_{i}$ )分别为一对最近点p_i和q_i各自的三维坐标。

将所提方法与引入k维树改进的迭代最近点(TCIP)算法、采用法向量(NV)特征点实现配准的TICP方法^[10]、采用ISS特征点实现配准的TICP方法^[20]以及采用多分辨率(MR)特征点^[21]实现配准的TICP方法进行对比,其中TICP算法是MATLAB R2018a提供的ICP算法。图4为Bunny模型的精确配准情况,精确配准结果如表1所示。

从图4可以看到,所提方法和MR-TICP方法均能在不同噪声环境下完成精确配准。从表1可以看到,虽TICP算法的配准效率较高,但配准精度最差;NV-TICP方法和ISS-TICP方法受噪声影响较为严重,两者的配准精度分别在噪声超过30 dB和25 dB时出现大幅度下降;EISCS-DTICP方法和MR-TICP方法的配准精度和效率随着噪声的减小而逐渐提高,并与其他几种方法相比,EISCS-DTICP方法的配准精度最高。

图 4. Bunny模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 4. Registration results of Bunny model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

下载图片查看所有图片

3.3 不同数据丢失情况下有噪声干扰的精确配准

在数据随机丢失的情况下,两组点云中点的排列顺序发生改变,为了便于对比4种算法的配准性能,引入另一种配准误差的评价方法^[18],即

ξ' = \sqrt[]{\frac{1}{N - m} \overset{N - m}{\sum_{i = 1}} \overset{N}{\min_{j}} [({x^{P}}_{i} - {x^{Q}}_{j})^{2} + ({y^{P}}_{i} - {y^{Q}}_{j})^{2} + ({z^{P}}_{i} - {z^{Q}}_{j})^{2}]}, (10)

式中:m为丢失的点数量;N-m为重叠点的数量。当m=0时,(10)式与(9)式相等。

表 1. Bunny模型在不同噪声情况下的精确配准结果

Table 1. Accurate registration results of Bunny model under different noise conditions

Algorithm	Registration error /(10^-4 mm)			Registration time /s
Algorithm	25 dB	30 dB	35 dB	25 dB	30 dB	35 dB
TICP	64.8090	63.3140	65.8800	0.21	0.28	0.35
NV-TICP	45.3250	45.5238	5.3005	52.91	40.03	11.84
ISS-TICP	44.2087	6.5982	5.3004	20.21	22.14	11.93
MR-TICP	7.6317	6.6079	5.3005	41.50	39.49	38.34
EISCS-DTICP	0.1616	0.1051	0.0059	32.21	28.13	23.16

查看所有表

在40 dB的高斯白噪声环境下,对Dragon模型分别进行10%,20%,30%的数据随机丢失处理。图5为Dragon模型的精确配准情况,精确配准结果如表2所示。

从图5可以看到,EISCS-DTICP方法和MR-TICP方法的配准效果最好,其余三种方法较差。结合表2可以看到,NV-TICP方法受噪声干扰和数据丢失程度的影响较大,ISS-TICP方法的配准精度在数据丢失程度大于10%时出现下降;MR-TICP方法与所提方法的配准效果相近,但所提方法的配准精度比MR-TICP方法高出1~2个量级,并且配准效率也提高了50%以上。

图 5. Dragon模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 5. Registration results of Dragon model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

下载图片查看所有图片

表 2. Dragon模型在不同数据丢失情况下的精确配准结果

Table 2. Accurate registration results of Dragon model under different data loss situations

Algorithm	Registration error /(10^-4 mm)			Registration time /s
Algorithm	10%	20%	30%	10%	20%	30%
TICP	77.1000	76.7330	76.6850	1.19	0.88	0.79
NV-TICP	63.6743	69.5212	61.8752	210.24	98.64	101.82
ISS-TICP	3.7032	63.8209	88.4215	34.85	182.20	70.93
MR-TICP	3.7033	3.3238	3.7356	85.98	73.21	64.62
EISCS-DTICP	0.0213	0.0203	0.0244	69.06	46.88	33.62

查看所有表

3.4 实际物体的精确配准

为了讨论配准算法在实际应用中的效果,以常州大学Creaform Handy SCAN 700高精度工业级手持式三维激光扫描仪获得的沐浴露瓶(Bottle)点云^[18]作为实验样本。为了模拟点云在实际情况下的配准过程,实验选择在40 dB的高斯白噪声、数据丢失程度为5%的非理想环境下验证所提算法的配准效果。图6为Bottle模型的精确配准效果,Bottle模型在不同环境下的精确配准效果如表3所示。

图 6. Bottle模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 6. Registration results of Bottle model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

下载图片查看所有图片

表 3. Bottle模型在不同环境下的精确配准效果

Table 3. Accurate registration results of Bottle model under different environments

Algorithm	Registration error /(10^-4 mm)		Registration time /s
Algorithm	Ideal	Non-ideal	Ideal	Non-ideal
TICP	43.0950	44.8670	1.12	0.69
NV-TICP	3.5682	5.5839	3.95	4.70
ISS-TICP	3.5682	31.4097	4.34	11.42
MR-TICP	3.7578	5.5835	22.21	62.24
EISCS-DTICP	0.0446	0.0677	5.79	30.83

查看所有表

观察图6并结合表3可以看到,所提方法的配准精度在非理想情况下比TICP算法、NV-TICP方法、ISS-TICP方法及MR-TICP方法分别提高了99.9%、98.8%、97.2%、98.8%,并且配准效率比MR-TICP算法提高了50.4%。

4 结论

为了解决特征形式单一导致ICP算法鲁棒性差、配准精度低等问题,提出一种基于邻域形状变化信息加权的点云配准方法。从实际物体的配准结果来看,所提方法的配准精度比TICP算法提高了99.8%,并且更适用于特征复杂点云的配准。从配准结果来看,较采用单一特征进行配准的NV-TICP方法、ISS-TICP方法及MR-TICP方法,在非理想情况下所提方法具有更好的鲁棒性和更高的配准精度。

参考文献

[1] 伍龙华, 黄惠. 点云驱动的计算机图形学综述[J]. 计算机辅助设计与图形学学报, 2015, 27(8): 1341-1353.

Wu L H, Huang H. Survey on points-driven computer graphics[J]. Journal of Computer-Aided Design & Computer Graphics, 2015, 27(8): 1341-1353.

[2] 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.

[3] LiuB, Gao XH, Liu HD, et al. A fast weighted registration method of 3D point cloud based on curvature feature[C]∥Proceedings of the 3rd International Conference on Multimedia and Image Processing-ICMIP 2018, March 16-18, 2018, Guiyang, China. New York: ACM, 2018: 83- 87.

[4] 张彬, 熊传兵. 基于体素下采样和关键点提取的点云自动配准[J]. 激光与光电子学进展, 2020, 57(4): 041008.

Zhang B, Xiong C B. Automatic point cloud registration based onvoxel downsampling and key point extraction[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041008.

[5] 马忠玲, 周明全, 耿国华, 等. 一种基于曲率的点云自动配准算法[J]. 计算机应用研究, 2015, 32(6): 1878-1880, 1887.

Ma Z L, Zhou M Q, Geng G H, et al. Automatic registration algorithm for scattered point clouds based on curvature feature[J]. Application Research of Computers, 2015, 32(6): 1878-1880, 1887.

[6] 王帅, 孙华燕, 郭惠超. 适用于激光点云配准的重叠区域提取方法[J]. 红外与激光工程, 2017, 46(s1): s126002.

Wang S, Sun H Y, Guo H C. Overlapping region extraction method for laser point clouds registration[J]. Infrared and Laser Engineering, 2017, 46(s1): s126002.

[7] 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: Springer, 2010, 6313: 356- 369.

[8] 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.

[9] 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.

Zeng F X, Li L, Diao X P. Terative closest point algorithm registration based on curvature features[J]. Laser & Optoelectronics Progress, 2017, 54(1): 011003.

[10] 张哲, 许宏丽, 尹辉. 一种基于关键点选择的快速点云配准算法[J]. 激光与光电子学进展, 2017, 54(12): 121002.

Zhang Z, Xu H L, Yin H. A fast point cloud registration algorithm based on key point selection[J]. Laser & Optoelectronics Progress, 2017, 54(12): 121002.

[11] He Y, Liang B, Yang J, et al. Aniterative closest points algorithm for registration of 3D laser scanner point clouds with geometric features[J]. Sensors, 2017, 17(8): 1862.

[12] ElbazG, AvrahamT, FischerA. 3D point cloud registration for localization using a deep neural network auto-encoder[C]∥2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, HI, USA. New York: IEEE, 2017: 2472- 2481.

[13] Jauer P, Kuhlemann I, Bruder R, et al. Efficient registration of high-resolution feature enhanced point clouds[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(5): 1102-1115.

[14] 陆军, 范哲君, 王婉佳. 点邻域信息加权的点云快速拼接算法[J]. 计算机辅助设计与图形学学报, 2019, 31(7): 1238-1246.

Lu J, Fan Z J, Wang W J. Fast point cloud splicing algorithm based on weighted neighborhood information of points[J]. Journal of Computer-Aided Design & Computer Graphics, 2019, 31(7): 1238-1246.

[15] 葛宝臻, 周天宇, 陈雷, 等. 基于改进ISS特征点与人工蜂群算法的点云拼接方法[J]. 天津大学学报, 2016, 49(12): 1296-1302.

Ge B Z, Zhou T Y, Chen L, et al. Point clouds registration algorithm based on improved ISS feature points and artificial bee colony algorithm[J]. Journal of Tianjin University, 2016, 49(12): 1296-1302.

[16] 陶海跻, 达飞鹏. 一种基于法向量的点云自动配准方法[J]. 中国激光, 2013, 40(8): 0809001.

Tao H J, Da F P. Automatic registration algorithm for the point clouds based on the normal vector[J]. Chinese Journal of Lasers, 2013, 40(8): 0809001.

[17] 袁志聪, 鲁铁定, 邓小渊. 点云的刚体运动参数估计方法的比较[J]. 测绘工程, 2018, 27(4): 34-40.

Yuan Z C, Lu T D, Deng X Y. Comparison of parameter estimation methods for rigid motion of point cloud[J]. Engineering of Surveying and Mapping, 2018, 27(4): 34-40.

[18] 唐志荣, 蒋悦, 苗长伟, 等. 基于因子分析法的三维点云配准算法[J]. 激光与光电子学进展, 2019, 56(19): 191503.

Tang Z R, Jiang Y, Miao C W, et al. Three-dimensional point cloud registration algorithm based on factor analysis[J]. Laser & Optoelectronics Progress, 2019, 56(19): 191503.

[19] 陈旭, 何炳蔚. 一种基于校正点云主成分坐标系的快速全局配准算法[J]. 激光与光电子学进展, 2018, 55(6): 061003.

Chen X, He B W. A fast global registration algorithm based on correcting point cloud principal component coordinate system[J]. Laser & Optoelectronics Progress, 2018, 55(6): 061003.

[20] 李仁忠, 杨曼, 田瑜, 等. 基于ISS特征点结合改进ICP的点云配准算法[J]. 激光与光电子学进展, 2017, 54(11): 111503.

Li R Z, Yang M, Tian Y, et al. Point cloud registration algorithm based on the ISS feature points combined with improved ICP algorithm[J]. Laser & Optoelectronics Progress, 2017, 54(11): 111503.

[21] 王勇, 邹辉, 何养明, 等. 多分辨率配准点的ICP算法[J]. 小型微型计算机系统, 2018, 39(3): 406-410.

Wang Y, Zou H, He Y M, et al. ICP algorithm based on multi-resolution registration point[J]. Journal of Chinese Computer Systems, 2018, 39(3): 406-410.

3.2 不同噪声环境下无数据丢失的精确配准

3.3 不同数据丢失情况下有噪声干扰的精确配准

3.4 实际物体的精确配准

4 结论

李新春, 闫振宇, 林森. 基于邻域表面形变信息加权的点云配准[J]. 激光与光电子学进展, 2020, 57(14): 141102. Xinchun Li, Zhenyu Yan, Sen Lin. Point Cloud Registration Based on Weighting Information of Neighborhood Surface Deformation[J]. Laser & Optoelectronics Progress, 2020, 57(14): 141102.

基于邻域表面形变信息加权的点云配准下载： 717次

1 引言

2 基本原理

2.1 EISCS特征点提取算法

图 1. p_i邻域中不同邻近点数量。(a)邻近点数量为8;(b)邻近点数量为7

Fig. 1. Number of different closest points in p_i neighborhood. (a) Number of closest points is 8; (b) number of closest points is 7

2.2 对应关系估计及筛选

2.3 点云配准算法

图 2. 所提配准算法的具体流程

Fig. 2. Schematic of specific process of proposed registration algorithm

3 配准实例与分析

3.1 阈值选取实验

图 3. 阈值对初始配准结果的影响曲线。(a) Bunny模型;(b) Dragon模型

Fig. 3. Curves of threshold effect on initial registration results. (a) Bunny model; (b) Dragon model

3.2 不同噪声环境下无数据丢失的精确配准

图 4. Bunny模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 4. Registration results of Bunny model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

3.3 不同数据丢失情况下有噪声干扰的精确配准

表 1. Bunny模型在不同噪声情况下的精确配准结果

Table 1. Accurate registration results of Bunny model under different noise conditions

图 5. Dragon模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 5. Registration results of Dragon model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

表 2. Dragon模型在不同数据丢失情况下的精确配准结果

Table 2. Accurate registration results of Dragon model under different data loss situations

3.4 实际物体的精确配准

图 6. Bottle模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 6. Registration results of Bottle model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

表 3. Bottle模型在不同环境下的精确配准效果

Table 3. Accurate registration results of Bottle model under different environments

4 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

基于邻域表面形变信息加权的点云配准 下载： 717次

1 引言

2 基本原理

2.1 EISCS特征点提取算法

图 1. pi邻域中不同邻近点数量。(a)邻近点数量为8;(b)邻近点数量为7

Fig. 1. Number of different closest points in pi neighborhood. (a) Number of closest points is 8; (b) number of closest points is 7

2.2 对应关系估计及筛选

2.3 点云配准算法

图 2. 所提配准算法的具体流程

Fig. 2. Schematic of specific process of proposed registration algorithm

3 配准实例与分析

3.1 阈值选取实验

图 3. 阈值对初始配准结果的影响曲线。(a) Bunny模型;(b) Dragon模型

Fig. 3. Curves of threshold effect on initial registration results. (a) Bunny model; (b) Dragon model

3.2 不同噪声环境下无数据丢失的精确配准

图 4. Bunny模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 4. Registration results of Bunny model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

3.3 不同数据丢失情况下有噪声干扰的精确配准

表 1. Bunny模型在不同噪声情况下的精确配准结果

Table 1. Accurate registration results of Bunny model under different noise conditions

图 5. Dragon模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 5. Registration results of Dragon model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

表 2. Dragon模型在不同数据丢失情况下的精确配准结果

Table 2. Accurate registration results of Dragon model under different data loss situations

3.4 实际物体的精确配准

图 6. Bottle模型的配准效果。(a) TICP;(b) NV-TICP;(c) ISS-TICP;(d) MR-TICP;(e) EISCS-DTICP

Fig. 6. Registration results of Bottle model. (a) TICP; (b) NV-TICP; (c) ISS-TICP; (d) MR-TICP; (e) EISCS-DTICP

表 3. Bottle模型在不同环境下的精确配准效果

Table 3. Accurate registration results of Bottle model under different environments

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于邻域表面形变信息加权的点云配准下载： 717次

图 1. p_i邻域中不同邻近点数量。(a)邻近点数量为8;(b)邻近点数量为7

Fig. 1. Number of different closest points in p_i neighborhood. (a) Number of closest points is 8; (b) number of closest points is 7