基于l
p 空间力学模型的三维点云配准算法
下载: 536次
1 引言
近年来,光学三维(3D)测量技术[1-4]与点云数据处理技术[5]不断发展,广泛应用于计算机视觉、遥操作[6]、大型曲面建模[7]、三维重构[8]等领域。在扫描测量过程中,受物体遮挡、环境因素或测量工具的误差等影响,需要在不同角度下对物体进行多次扫描[9],然后利用配准算法将若干组扫描数据配准拼接在一起,形成物体的完整点云表达。点云配准的本质就是将两组不同坐标下的具有重复区域的点云数据统一到同一个坐标系下。
目前,点云配准一般分为两步[10-11]:粗配准和精配准。粗配准[12]是为了缩小两点云间的初始位置差,为精确配准提供更好的初始参数;精配准是为了让两片点云的误差达到最小,得到理想配准效果。针对三维点云配准问题,国内外专家学者做了许多研究,其中,常见的初始配准算法包括:1)随机采样一致(RANSAC)算法;2)基于局部特征(法向量、曲率等)提取的配准算法[13-14];3)主成分分析(PCA)方法[15];4)点云重心重合法[16],即简单地将两个点云的重心重合在一起。精配准阶段最常见的自动配准方法就是最近点迭代(ICP)算法及其改进算法[17]。ICP算法是1992年Besl等[18]提出的,该方法基于四元素法,反复迭代寻求欧氏距离最小时的最优变换矩阵,实现方便且配准精度较高,但却存在以下问题:对点云的初始位置有一定要求,若两片点云基本不重合,算法容易陷入局部最优,且迭代时间较长。Rusu等[19]提出用点特征直方图(PFH)来提取点云一点处的16维局部几何特征的配准算法,该算法可以为迭代算法提供较好的初值,并可以有效处理噪声点云配准,但该算法特征描述子维度很高,计算复杂度很高[20]。卢章平等[21]提出通过基于共面4点集的RANSAC+ICP算法对点云进行配准,该算法对噪声的稳健性强,但计算量较大,且对点云匹配曲面类型有一定要求。罗楠等[22]提出一种基于刚体变换欧氏不变特征的距离差分矩阵算法,该算法可以剔除错误匹配点对,提高了二次配准的速度和精度。除了改善点云配准的初始参数外,很多学者也在ICP算法的基础上对最近点搜索策略进行了改进:李彩林等[23]提出point-point、point-to-plane、point-to-projection等方法搜索最近点,刘江等[24]提出基于KD树加速最近点的搜索,王育坚等[25]提出基于八叉树和KD树的多层索引结构。这些方法都能在一定程度上提高ICP算法的配准效率,但是由于KD树存在回溯搜索的过程,在数据维度较高时,搜索效率会逐渐下降。
为提高点云配准精度和速度,本文提出基于
2 基于lp空间力学模型的点云初始配准
2.1 点云重心化
激光扫描所得到的不同视角下的两组点云数据可能完全没有重叠区域,如果直接进行配准,难度较大。先对三维点云进行重心化[5],即求得源点云和目标点云各自相对于重心的平移矩阵,将两片点云的重心平移到同一个坐标系的原点上。设
式中
式中
2.2 利用lp空间力学模型寻找点云特征向量
由于高维特征计算复杂度高,单一低维特征信息量少,辨识度低[26],因此本文选取三个基本特征向量来表示点云数据,以此来计算初始配准参数。假设点云样本上的每个点受到相对于坐标原点
式中
假设点云中每个点的质量相同且为1,
式中
第三个特征向量是根据
点云
图 1. (a)目标点云P'特征向量集FP;(b)源点云Q'特征向量集FQ
Fig. 1. (a) Eigenvector set FP of target point cloud P'; (b) eigenvector set FQ of source point cloud Q'
在实际测量中,源点云与目标点云通常是不同的,存在非重叠区域,但是在三维空间中,任意一个三维向量都可以由三个线性无关的三维向量表示出来。据此,本文采用相同的准则分别找出三个线性无关的特征向量来表征两个待配准的点云,三个特征向量的大小和各自在点云中的相对位置是基本对应的。因此,
2.3 寻找旋转矩阵
寻找到源点云与目标点云的特征向量后,利用两个特征向量集的对应关系,寻找一个矩阵
式中
对于重心化后的两点云,要完成粗配准只须寻找一个旋转矩阵满足
式中
式中
2.4 初始配准算法步骤
前面已经分析说明算法的原理,下面总结基于
1) 点云重心化。求点云
2) 寻找特征向量。根据引力大小和距离大小的旋转平移不变性,寻找点云的三个特征向量,用3×3矩阵表示。
3) 寻找旋转矩阵。根据特征向量集对应关系,找出两组点云特征向量对应的旋转矩阵
4) 将重心化后的源点云
3 基于改进ICP算法的精确配准
经过粗配准后的源点云变为
3.1 加速搜索算法
在搜索最近点时,先对点云数据进行Delaunay三角网剖分,得到一组单纯形,其中每个单纯形对应点云数据集中的4个点,对于粗配准后的源点云
3.2 精配准算法步骤
使用基于Delaunay的ICP算法实现精确配准,具体步骤如下:
1) 设定迭代终止阈值
2) 为目标点云
3) 利用SVD法求解最近点对(
4) 将步骤3)中的配准参数应用于源点云
5) 检查步骤3)中的两次迭代误差,若
4 配准实例与分析
为了验证本文方法的有效性,采用几组点云数据在实验平台Intel core CPU、4 GB内存的计算机上使用Matlab对算法进行编程,分为两种情况进行检验:经典例子配准和现场扫描数据配准。
本文经典数据来自于斯坦福大学计算机图形研究组的Bunny和Dragon多视角数据样本[5],现场扫描数据利用常州大学Creaform HandySCAN 700三维激光扫描仪获取的零件模型数据和实验扫描的牛奶&清洁剂点云数据。四组待配准点云的初始位置都是任意的,且重叠比例未知,其中,第4个点云是带颜色信息的数据。限于篇幅,每个模型中任意选取两组数据进行配准实验。
4.1 经典例子配准
当两组点云数据量相差较大时(至少相差5%的数据点),需要在本文初始配准算法的基础上结合ICP迭代算法进行精确配准。
图 2. Bunny配准图。(a)初始点云;(b)文献[ 26]算法初始配准;(c)文献[ 26]算法精确配准;(d)本文算法初始配准;(e)本文算法精确配准;(f)经典ICP算法直接配准
Fig. 2. Registration results of Bunny. (a) Original point cloud; (b) initial registration by algorithm in Ref. [26]; (c) precise registration by algorithm in Ref. [26]; (d) initial registration by proposed algorithm; (e) precise registration by proposed algorithm; (f) registration by classic ICP algorithm
图 3. Dragon配准图。(a)初始点云;(b)文献[ 26]算法初始配准;(c)文献[ 26]算法精确配准;(d)本文算法初始配准;(e)本文算法精确配准;(f)经典ICP算法直接配准
Fig. 3. Registration results of Dragon. (a) Original point cloud; (b) initial registration by algorithm in Ref. [26]; (c) precise registration by algorithm in Ref. [26]; (d) initial registration by the proposed algorithm; (e) precise registration by proposed algorithm; (f) registration by classic ICP algorithm
表 1. 点云配准数据比较
Table 1. Point cloud registration data comparison
|
由
4.2 实际数据配准
为了验证本文算法在实际应用中的可行性和可靠性,采用现场扫描的数据进行仿真验证。
由
图 5. 零件配准图。 (a)初始点云;(b)文献[ 26]算法初始配准;(c)文献[ 26]算法精确配准;(d)本文算法初始配准;(e)本文算法精确配准;(f)经典ICP算法直接配准
Fig. 5. Registration results of part. (a) Original point cloud; (b) initial registration by algorithm in Ref. [26]; (c) precise registration by algorithm in Ref. [26]; (d) initial registration by proposed algorithm; (e) precise registration by proposed algorithm; (f) registration by classic ICP algorithm
表 2. 点云配准数据比较
Table 2. Point cloud registration data comparison
|
图 6. 牛奶&清洁剂配准图。 (a)初始点云;(b)本文算法初始配准;(c)本文算法精确配准
Fig. 6. Registration result of milk & cleanser. (a) Original point cloud; (b) initial registration by proposed algorithm; (c) precise registration by proposed algorithm
5 结论
点云配准是逆向工程、机器视觉[28]方面的重要基础。在激光扫描采集数据的时候,收集的数据点可能是散乱的,针对散乱点云提出一种基于
附录
(16)式是源点云
式中
{
将(18)式代入(17)式:
(19)式可拆为
当且仅当下式成立时,
才能求出满足(17)式的
[1] 陈茂霖, 卢维欣, 万幼川, 等. 无附加信息的地面激光点云自动拼接方法[J]. 中国激光, 2016, 43(4): 0414003.
[2] 肖杨, 胡少兴, 肖深, 等. 从三维激光点云中快速统计树木信息的方法[J]. 中国激光, 2018, 45(5): 0510007.
[3] 吕江昭, 达飞鹏, 郑东亮. 基于Sierra Lite抖动算法的散焦投影光栅测量[J]. 光学学报, 2014, 34(3): 0312004.
[4] 安冬, 盖绍彦, 达飞鹏. 一种新的基于条纹投影的三维轮廓测量系统模型[J]. 光学学报, 2014, 34(5): 0512004.
[5] 李准, 潘幸子, 董方敏, 等. 泰勒级数准则函数鲁棒性点云配准算法[J]. 计算机辅助设计与图形学报, 2017, 29(4): 784-790.
[9] 陆军, 彭仲涛, 夏桂华. 点云多法向量邻域特征配准算法[J]. 光电子·激光, 2015, 26(4): 780-787.
[10] ChoiS, Zhou QY, KoltunV. Robust reconstruction of indoor scenes[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2015: 5556- 5565.
[13] WilkowskiA, StefańczykM. Detection and recognition of compound 3D models by hypothesis generation[M]. Warsaw: Springer, 2016: 659- 668.
[14] 陈凯, 张达, 张元生. 采空区三维激光扫描点云数据处理方法[J]. 光学学报, 2013, 33(8): 0812003.
[15] 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.
[16] LiuJ, ZhuJ, YangJ, et al. Three-dimensional point cloud registration based on ICP algorithm employing KD tree optimization[C]∥Eighth International Conference on Digital Image Processing, 2016, 10033: 100334D.
[18] 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.
[19] Rusu RB, BlodowN, Marton ZC, et al. Aligning point cloud views using persistent feature histograms[C]∥ IEEE/RSJ International Conference on Intelligent Robots and Systems, 2008: 3384- 3391.
[20] 黄戈, 李晓峰. 基于CEGI和Fourier变换的全自动点云配准算法[J]. 四川大学学报(工程科学版), 2014, 46(5): 104-109.
[21] 卢章平, 郑航, 沙春发, 等. 基于自由曲面的点云配准算法[J]. 江苏大学学报(自然科学版), 2015, 36(3): 319-323.
[22] 罗楠, 王泉. 点云配准中初始变换的快速优化求解算法[J]. 西安电子科技大学学报(自然科学版), 2017, 44(5): 69-74.
[23] 李彩林, 郭宝云, 季铮. 多视角三维激光点云全局优化整体配准算法[J]. 测绘学报, 2015, 44(2): 183-189.
[24] 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.
[25] 王育坚, 廉腾飞, 吴明明, 等. 基于八叉树与KD树索引的点云配准方法[J]. 测绘工程, 2017, 26(8): 35-40.
[26] 黄源, 达飞鹏, 陶海跻. 一种基于特征提取的点云自动配准算法[J]. 中国激光, 2015, 42(3): 0308002.
[27] 牛顿. 自然哲学的数学原理[M]. 赵振江, 译. 3版. 北京: 商务印书馆, 2006: 205- 237.
NewtonI. Philosophiae naturalis principia mathematica[M]. Zhao Z J, Transl. 3rd ed. Beijing: The Commercial Press, 2006: 205- 237.
[28] 舒程珣, 何云涛, 孙庆科. 基于卷积神经网络的点云配准方法[J]. 激光与光电子进展, 2017, 54(3): 031001.
Article Outline
赵敏, 舒勤, 陈蔚, 杨赟秀. 基于