激光点云初始配准的surf算法.docxVIP

激光点云初始配准的surf算法 0 基于图像的点云初始配准 地面激光技术是目前最重要的三维信息获取技术之一，其中点云合成技术在激光点云数据处理中发挥着重要作用。点云配准过程可分为两步:初始配准和精确配准。其中初始配准是为了缩小点云之间的平移距离和旋转角度, 以便给精确配准提供良好的初值, 提高配准的精度和效率。针对点云初始配准的问题, 学术界提出各种解决方案。比较经典的算法有Cheung等提出的点云特征点匹配, 在三维点云中有哪些信誉好的足球投注网站特征点并进行匹配, 配准精度较高, 但由于在三维下有哪些信誉好的足球投注网站, 其运算时间长。郭慧等提出的利用多种群遗传算法完成配准, 也提高了初配精度, 但由于遗传算法本身运算时间长, 增加了匹配时间。另外, 通过提取颜色信息等方法配准, 也提高初配精度, 但这类方法要求点云必须有明显的颜色特征。从另一角度看, 相比于点云配准, 二维图像的配准方法相对成熟, 特别是特征提取算法, 例如, SIFT算法, SURF算法等都已经取得很好的研究, 对光照变换、局部遮挡、尺度变换有很强的鲁棒性。因此, 利用图像成熟配准方法完成点云初配, 为点云配准技术提供了一条新的思路。本实验室邵杰等就结合数码影像和三维点云, 应用共线方程完成点云配准。其运算速度有了很大提高, 但此方法必须借助于数码相机, 并且数码影像和点云之间的外方位元素误差大。 综上所述, 本文提出一种“基于图像的点云初始配准”算法。该算法不借助额外装置, 由点云直接生成二维图像, 从而结合图像和点云完成点云的初始配准。 1 点云初始配准 该算法的基本思路是:首先把不同分辨率的点云均匀重采样, 再根据点云深度值把三维点云转化成二维图像, 建立点云和图像之间的一一映射关系;利用SURF算法完成二维图像中特征提取和匹配, 并利用SC-RANSAC算法剔除错误特征匹配点对;根据点云和图像的映射关系, 将二维图像中的特征点对映射到三维点云中, 获取了点云的特征点对;利用单位四元数法完成点云的初始配准。 该算法的工作流程图如图1所示, 其中scan1和scan1分别是2个站点的三维点云, image1和image2分别是2个站点的二维图像。 2 二维图像的生成 2.1 维体素化模型数据转化 对于不同分辨率的点云, 文中通过对点云均匀体素化完成均匀滤波, 从而实现点云均匀重采样。通过这种方式, 一方面使得点云均匀分布, 为点云和图像之间建立一一映射关系做好准备;另一方面是对数据进行压缩, 也能很好的提高运算速度。三维模型均匀体素化是以体素的方式描述几何物体, 具有的简单、稳点和不需要拓扑信息等特点, 可以将模型数据转化为规则信息表示, 从而有利于高效特征描述符的提取。文中首先根据点云的大小, 创建一个均匀的三维体素栅格, 即三维立方体的集合, 其大小近似于点云平均距离;然后在每个三维体素单元内用深度值最大的点近似表示体素中的所有点。其工作过程如图2所示。 设p是体素内深度值最大的点云, 计算公式如式 (1) 所示, 其中n表示单位体素内点云个数, pi=1, …, n表示单位体素内所有点云,表示pi的深度值 2.2 点云位置的确定 根据均匀重采样结果, 建立点云空间和图像空间的映射关系。将三维点云数据投影到二维平面上, 再根据深度值以获取点云数据的二维图像。具体方法如下: (1) 确定平面坐标系。设创建xoz平面的二维图像。其坐标系中, 横轴为x轴, 范围是0-- (maxx-minx) , 其中maxx, minx分别为点云x轴的最大值和最小值;纵轴为z轴, 范围是0-- (maxz-minz) , 其中maxz, minz分别为点云z轴的最大值和最小值。坐标系的间隔等同于体素单元的大小, 这样一个平面网格内对应一个点云, 二维图像与三维点云之间的映射关系达到一对一关系。 (2) 确定点云在平面坐标系中的位置。根据每个点云在x轴和z轴的值, 确定其在二维平面的位置, 如图3所示。 (3) 图像值的确定。根据每个点云的y轴的值确定每个网格的值, 即灰度值, 如式 (2) 所示 式中:color(i, j)——— (i, j) 网格内的灰度值, 其范围在0-255之间;y(i, j)——— (i, j) 网格内的y轴的值;maxy和miny分别表示点云数据中y轴最大值和最小值。 当网格内没有点云时, 其灰度值赋予255。 通过这种重采样, 即得到了基于深度值的点云二维灰度图。 3 二维图像的特性 3.1 小图4研究几种特征点 SURF算法是一种特征提取方法, 与SIFT算法一样, 都是尺度空间的特征描述算法, 但是其运算速度是SIFT的3倍, 在各方面都优于SIFT算法, 因此本文应用SURF算法完成二维图像的特征匹配。 SURF算法是利用积分图像和盒子滤波建立尺度空间, 使用Hess