本發(fā)明屬于三維(3d)激光點云數(shù)據(jù)處理技術(shù)領(lǐng)域，涉及3d點云配準應(yīng)用技術(shù)領(lǐng)域，具體涉及一種專門用于3drgb點云數(shù)據(jù)的快速全局配準技術(shù)。

背景技術(shù)：

隨著激光掃描設(shè)備的快速發(fā)展，3d激光點云數(shù)據(jù)的獲取變得越來越容易，同時針對3d點云數(shù)據(jù)處理的研究也更加的廣泛，例如：3d點云配準、3d對象識別、3d建模等。其中，3d點云配準是將多次測得的3d點云數(shù)據(jù)拼接成相同坐標系下的完整數(shù)據(jù)集，而由于點云配準是點云數(shù)據(jù)處理的首要步驟，其配準結(jié)果的精度直接影響著點云分割、特征提取、對象重建等后續(xù)工作，因此是整個點云數(shù)據(jù)處理流程中重要的內(nèi)容。

3d點云配準最常見的方式是臨近點迭代法(icp)，基于icp技術(shù)的點云配準能夠獲取很高的精度。然而，icp方法具有兩個方面的缺點，一是算法時間較長，需要進行多次的迭代；二是對兩個點云數(shù)據(jù)的初始位置要求具有一定的重疊，若相距較遠則有可能會陷入局部最小化的陷阱中，導(dǎo)致兩幅點云數(shù)據(jù)停止不變。

針對icp技術(shù)的弊端目前最常見的解決辦法是將點云配準分為兩步：全局配準和局部配準，即首先通過全局配準將兩幅點云大致配準到一起，使其具有一定的重合區(qū)域，而后再利用icp方法進行局部配準進而完成最終的點云數(shù)據(jù)拼接。因此，出現(xiàn)了很多針對全局配準的技術(shù)，例如：隨機采樣一致性(ransac)、主成分分析(pca)、四點共面(4pcs)等。另一方面，從點云配準的實現(xiàn)過程來說，全局配準主要有兩種實現(xiàn)方式：一種是先計算3d點的特征描述符，并根據(jù)特征的差異性提取3d特征點，這種方法減少了后期同名特征點的搜索時間但也增加了特征描述符的計算時間，第二種是直接在兩幅點云數(shù)據(jù)集中進行同名點對搜索。

雖然增加全局配準這一步驟可以解決icp方法中陷入局部最小陷阱的問題，但由于點云配準被拆分成兩個步驟以及全局配準本身的時間復(fù)雜度較長的缺陷，因此上述這些技術(shù)仍然無法解決算法時間長的問題。另一方面，若為了提高點云配準的效率、降低點云配準時間復(fù)雜度，則省略icp局部配準的步驟而采用快速的全局配準方法，但這種策略雖然提高了效率卻犧牲了配準精度。

總體而言，目前3d點云配準的方法大都只能解決配準效率與精度兩者其中之一，而無法同時解決點云配準的效率與精度問題。因此，一種能夠同時提高配準效率與結(jié)果精度的3d點云配準方法具有極大的必要性。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有3d點云配準的技術(shù)主要存在以下問題：1)傳統(tǒng)的3d點云配準步驟主要包括：關(guān)鍵點提取、特征描述符計算、對應(yīng)點對的搜索策略以及icp精配準，這些步驟稍顯過多，使得點云配準過于復(fù)雜。2)現(xiàn)有的配準技術(shù)中，特征描述符的計算環(huán)境因為要考慮每個點與其鄰域內(nèi)所有點的位置關(guān)系，其計算復(fù)雜度為o(kn)甚至o(k²n)，這使得配準效率較低。本發(fā)明提出一種針對具有顏色信息的三維點云數(shù)據(jù)快速配準方法。

本發(fā)明采用的技術(shù)方案如下：

一種針對具有顏色信息的三維點云數(shù)據(jù)快速配準方法，包括如下步驟：

步驟s1，統(tǒng)計目標點集和配準點集中的顏色值以及具有相同顏色的點的數(shù)量分布，并對這兩個點集中的rgb點云的顏色進行濾波；

步驟s2，篩選目標點集與配準點集中具有相同rgb值的點，然后對配準點集設(shè)置一定的顏色容差：

其中，為配準點集中點qj的rgb值，rgbj表示第j個顏色，σc為顏色容差閾值，和分別為點qi的r、g和b的整數(shù)值，rj、gj和bj分別為第j個顏色中r、g和b的整數(shù)值；

分別判斷點qj在r、g、b三個顏色通道上的誤差是否小于閾值σc，只有均小于閾值σc，該點才歸為候選點集，構(gòu)建目標點集與配準點集中顏色相近的候選點集：

其中，cp和cq分別目標點集和配準點集中所有具有相同顏色的點集合，和分別為目標點集和配準點集中第i個顏色的點集，pik和qil分別為目標點集和配準點集中第i個顏色的第k個點和第l個點，m和n表示目標點集和配準點集中第i個顏色的點集的數(shù)量；

步驟s3，從目標點集中隨機選取l個點，并確保這l個點兩兩距離滿足公式：

其中，為目標點集中點pi的坐標值，為目標點集中點pj的坐標值，d為設(shè)定的兩點最小距離；

步驟s4，從上述l個點中每次提取4個初始點，在配準點集中構(gòu)建與4個初始點特征相似的候選點集；然后計算4個初始點兩兩之間的距離，并計算配準點集中對應(yīng)的候選點組合中點之間的距離；當候選點組合中兩點之間的距離與所對應(yīng)的4個初始點之間的距離之差小于設(shè)定的閾值時，則判斷候選點組合是4個初始點的同名點，反之則不是，其判斷公式如下：

其中，為配準點集中點qi的坐標值，為配準點集中點qj的坐標值，σd為距離差的閾值；

步驟s5，遍歷所有的候選點組合，若滿足判斷公式的候選點組合數(shù)大于1，則選取距離差最小的候選點組合作為4個初始點對應(yīng)的同名點，若都不滿足則返回步驟s4；若l個點中所有選取的4個初始點的候選點組合都不滿足判斷公式，則返回步驟s3；

步驟s6，將4個初始點和其對應(yīng)的4個同名點組成4個點對，利用整體最小二乘算法計算剛體變換矩陣，并完成配準點集的全局配準；

步驟s7，利用臨近點迭代法完成最終的局部配準。

本發(fā)明專門針對具有rgb信息的3d點云數(shù)據(jù)配準，將點云的rgb值作為特征進行點與點對應(yīng)關(guān)系的搜索依據(jù)，在特征描述階段由于不需要考慮每個點與其鄰域點的位置關(guān)系，因此其計算復(fù)雜度為o(kn)。與現(xiàn)有技術(shù)相比，本發(fā)明可以在保持高精度的前提下極大地提高點云配準的效率、縮短配準時間。

附圖說明

圖1是本發(fā)明實施例中目標點集rgb顏色統(tǒng)計圖；

圖2是本發(fā)明實施例中配準點集rgb顏色統(tǒng)計圖；

圖3是本發(fā)明實施例中顏色濾波后目標點集rgb顏色統(tǒng)計圖；

圖4是本發(fā)明實施例中顏色濾波后配準點集rgb顏色統(tǒng)計圖；

圖5是本發(fā)明實施例中兩幅數(shù)據(jù)集中具有相同顏色點的對比；

圖6是本發(fā)明實施例中基于容差的兩幅點集中相同顏色的點數(shù)對比；

圖7是本發(fā)明實施例中兩幅點云中初始4點對選取結(jié)果示意圖，其中(a)為目標點集中基于步驟s3隨機選取出的l個點，(b)為目標點集中最終選取出的4個初始點，(c)為配準點集中最終選取出的4個同名點；

圖8是本發(fā)明實施例中基于rgb信息的全局配準結(jié)果，其中(a)顯示了兩幅數(shù)據(jù)集的初始相對位置，(b)為全局配準后正視圖，(c)為全局配準后側(cè)視圖，(d)為全局配準后俯視圖；

圖9是本發(fā)明實施例中最終局部配準結(jié)果，其中(a)為正視圖，(b)為側(cè)視圖，(c)為俯視圖；

圖10是本發(fā)明基于顏色信息的方法和fpfh方法用于立體像對點云整體配準時間的對比圖；

圖11是本發(fā)明基于顏色信息的方法和fpfh方法用于深度點云整體配準時間的對比圖；

圖12是本發(fā)明實施步驟流程圖。

具體實施方式

下面結(jié)合附圖和具體實施例對本發(fā)明做進一步詳細的說明。

1、具有相同顏色的點信息統(tǒng)計與顏色濾波

假定兩個點云數(shù)據(jù)集p和q，其中p為目標點集，q為配準點集。理論上來說，不同數(shù)據(jù)集中的同名點應(yīng)當具有相同或相似的顏色，因此兩幅數(shù)據(jù)集中存在一些顏色相同的點。分別統(tǒng)計兩幅數(shù)據(jù)集中的rgb數(shù)量，并將所有的點歸類到相同顏色中，圖1和2分別表示目標點集和配準點集中不同rgb值的點數(shù)量統(tǒng)計圖。

統(tǒng)計每種顏色擁有的點數(shù)的分布情況，得到表1。

表1兩幅點云數(shù)據(jù)集中具有相同顏色的點的數(shù)量分布

為提高候選點中存在同名點的概率，通過設(shè)定一個數(shù)量閾值將擁有較少數(shù)量的rgb刪除，公式如下：

其中，rgbi為點集中第i個rgb值，為一個點數(shù)據(jù)集中顏色為rgbi的點的數(shù)量，σn為顏色濾波的閾值。如果大于σn，則該顏色以及擁有該顏色的點均保留，反之則刪除。顏色濾波的目的是減少點對點對應(yīng)關(guān)系搜索時被考慮的數(shù)量，這樣可以提高搜索效率。圖3和4為目標點集和配準點集濾波后的顏色信息統(tǒng)計。

經(jīng)過顏色濾波后兩幅點數(shù)據(jù)集中的顏色類型數(shù)分別降低至2113和2401，均約等于濾波錢的11％。經(jīng)過顏色濾波不但降低了搜索數(shù)量，同時濾波后的每種顏色擁有的點數(shù)均為多數(shù)點，這也提高了搜索效率。

2、具有rgb顏色容差的候選點集構(gòu)建

基于濾波后的點云數(shù)據(jù)，兩幅數(shù)據(jù)集中具有相同顏色的點可暫時認為具有潛在的對應(yīng)關(guān)系，其計算公式如下：

其中，pi和qj分別為目標點集中第i個以及配準點集中第j個點，和分別為點pi和點qj的rgb值，rgbp和rgbq分別為兩個數(shù)據(jù)集中第p和q個顏色，m和n分別為兩個數(shù)據(jù)集中顏色的數(shù)量。只有當點pi和點qj的rgb值相等時才認為這兩個點具有對應(yīng)關(guān)系，均標注為true且保留點和顏色，否則無對應(yīng)關(guān)系，如果某點其rgb值與另一個數(shù)據(jù)集中的所有點的rgb均不相同，則該點刪除。圖5顯示了兩個數(shù)據(jù)集中具有相同rgb值的點對點的對應(yīng)關(guān)系，其中深色線為目標點集，淺色線為配準點集。

對配準點集設(shè)置一定的顏色容差，同時保持目標點集不變，這樣可以增加每種顏色候選點的數(shù)量，進而提高點對點對應(yīng)關(guān)系的可能性。顏色容差的設(shè)定如下：

其中，為配準點集中點qj的rgb值，rgbj表示第j個顏色，σc為顏色容差閾值，和分別為點qi的r、g和b的整數(shù)值，rj、gj和bj分別為第j個顏色中r、g和b的整數(shù)值。分別判斷點qj在r、g、b三個顏色通道上是否小于閾值σc，只有三個顏色通道的誤差均小于σc，該點才歸為候選點集。圖6顯示了設(shè)置顏色容差之后兩個數(shù)據(jù)集相同顏色點的數(shù)量的對比，其中深色線為目標點集，淺色線為配準點集。

為了將rgb值應(yīng)用于fipp算法進行點對點對應(yīng)關(guān)系的搜索，以便完成最終的點云配準，對目標點集及其候選點集的構(gòu)建進行了如下改進：

其中，cp和cq分別目標點集和配準點集中所有具有相同顏色的點集合，和分別為兩幅數(shù)據(jù)集中第i個顏色的點集，pik和qil分別為兩幅數(shù)據(jù)集中第i個顏色的的第k和l個點，m和n表示兩幅數(shù)據(jù)集中第i個顏色的點集的數(shù)量。傳統(tǒng)的候選點集是僅僅是針對目標點集中的一個點，而將rgb值作為點特征進行對應(yīng)關(guān)系搜索，則出現(xiàn)同一個顏色在兩個數(shù)據(jù)集里分別由兩個候選點集組成的情況，不過在使用fipp算法進行對應(yīng)關(guān)系搜索時，目標點集中還是僅從單個點考慮，配準點集則是與該點顏色相同的候選點集。

3、同名點對搜索策略

從目標點集p中選取l個點，并確保這l個點盡可能的均勻分布在整個數(shù)據(jù)集中，l的大小可以與最終參與計算變換矩陣的點對數(shù)相同。為此，在選取l個點時，所有的點兩兩之間的距離滿足公式(5)。

其中，為目標點集中點pi的坐標值，為目標點集中點pj的坐標值，d為設(shè)定的兩點最小距離。

接著，從選取的l個點中每次提取4個初始點，并從配準點集q中構(gòu)建與初始4點特征相似的候選點集，目標點集p中初始4點的候選點可以認為是該點在配準點集q中潛在的同名點，具體見公式(4)。

候選點集構(gòu)建完成，則計算目標點集p中初始4點兩兩之間的距離，同時遍歷初始4點的候選點所有組合，并計算各自距離。當候選點組合中兩點的距離與所對應(yīng)的初始4點之間的距離之差大于設(shè)定的閾值時，則認為該候選點組合不是初始4點的同名點，反之則是。判斷條件見公式(6)。若滿足公式(6)的候選點組合數(shù)大于1，則選取距離差最小的組合。

其中，為配準點集中點qi的坐標值，為配準點集中點qj的坐標值，σd為距離差的閾值。

此外，為提高候選點的穩(wěn)健性，增加一個方向的約束條件。從3d點云數(shù)據(jù)采集來看，三維激光掃描儀在垂直方向上都是一致的，因此兩個點云數(shù)據(jù)集中同名點的z值方向是一致的，即若目標點集p中第一個點大于第二個點則配準點集q中的順序與大小關(guān)系相同。因此，若配準點集q中的點滿足與目標點集p中點的方向一致，則認為該點有可能是其同名點，否則為非同名點，公式如下：

其中，和分別為目標點集和配準點集中潛在的第一組同名點對，和為另一組潛在的同名點對。

當配準點集q中4個點同時滿足rgb值相似(公式(2))、距離相近(公式(6))和位置相同(公式(7))時，則認為這4個點是目標點集p中初始4點的同名對應(yīng)點，進而組成初始的4個點對(初始4點對的選取結(jié)果見圖7)。當4個點對選取完成時，則可以利用這些點對計算剛體變換矩陣，進而完成點云全局配準。剛體變換矩陣的計算方法目前比較成熟，例如：最小二乘法、整體最小二乘法等。本發(fā)明主要側(cè)重于如何確定兩幅點云中的同名點對，一旦同名點對確定則可以利用前面現(xiàn)有的方法計算變換矩陣并完成最終的3d點云配準，全局配準的結(jié)果分別見圖7。而在全局配準結(jié)束后為提高配準精度再借助icp算法進行最終的局部配準(精配準)，其配準結(jié)果見圖8。

點云配準評價最為關(guān)鍵的是配準效率和配準時間，為了驗證本發(fā)明提出的點云配準方法的有益效果，選取其中一個運行速度最快的特征描述符，快速點特征描述符(fastpointfeaturehistogram，fpfh)，同時保持其他配準步驟不變。在相同的計算機軟硬件環(huán)境下分別執(zhí)行這兩種方法并就計算時間進行對比分析，且兩種方法的程序代碼中不使用任何加速和并行處理機制。為保證對比結(jié)果可靠性選取了兩種不同的數(shù)據(jù)進行驗證，深度點云數(shù)據(jù)和立體像對點云數(shù)據(jù)。由于本發(fā)明最后需要使用icp算法用于全局配準之后的局部配準，而icp算法具有非常高的配準精度，因此這里只對比配準時間。對比實驗分別執(zhí)行4組，兩組用于立體像對數(shù)據(jù)集，兩組用于深度點云數(shù)據(jù)集。圖10和11分別顯示了對比的結(jié)果。

兩幅圖中，不論是立體像對點云還是深度點云數(shù)據(jù)集，使用fpfh作為特征描述符其運行時間均大于rgb。其中，立體像對的對比試驗中，fpfh方法的運行時間從130秒到210秒，而本發(fā)明rgb方法的時間范圍為53至63秒，同時fpfh方法的穩(wěn)定性也不如rgb；深度點云數(shù)據(jù)中，fpfh法的時間范圍為35至38秒而本發(fā)明rgb方法為15至17秒。由此可以看出，本發(fā)明以rgb作為點特征描述符進行3d點云數(shù)據(jù)的全局配準不但速度快于fpfh法，同時穩(wěn)定性也更好。