[發(fā)明專利]一種基于多尺度描述子篩除誤匹配的三維圖像配準(zhǔn)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811169910.7
• 申請(qǐng)日: 2018-10-08
• 公開（公告）號(hào): CN109389625B
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計(jì)）人: 王耀南;田吉委;吳昊天;彭偉星;賈林;姚盼盼
• 申請(qǐng)（專利權(quán)）人: 湖南大學(xué)
• 主分類號(hào): G06T7/30
• 分類號(hào): G06T7/30
• 代理公司: 長沙市融智專利事務(wù)所(普通合伙) 43114
• 代理人: 龔燕妮

本發(fā)明公開了一種基于多尺度描述子篩除誤匹配的三維圖像配準(zhǔn)方法，該方法通過構(gòu)造一種新型的多尺度描述子，更好的描述對(duì)應(yīng)關(guān)鍵點(diǎn)的特征，并初步獲得對(duì)應(yīng)匹配點(diǎn)；并以此為特征遍歷待配準(zhǔn)點(diǎn)云中與之有相似多尺度描述子的點(diǎn)云集，極大的提高了點(diǎn)云粗配準(zhǔn)的運(yùn)行效率，減小了計(jì)算機(jī)的計(jì)算量，為點(diǎn)云配準(zhǔn)帶來了極大的便利；該方法能夠在更短的時(shí)間里獲得更加準(zhǔn)確的配準(zhǔn)效果，且魯棒性更好，適用于存在噪聲、結(jié)構(gòu)復(fù)雜、對(duì)配準(zhǔn)要求高的精密測量領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像配準(zhǔn)領(lǐng)域，特別涉及一種基于多尺度描述子篩除誤匹配的三維圖像配準(zhǔn)方法。

背景技術(shù)

隨著電子、計(jì)算機(jī)技術(shù)的飛速發(fā)展，以及人們對(duì)高質(zhì)量產(chǎn)品的需求，國外機(jī)器視覺在20世紀(jì)90年代進(jìn)入高速發(fā)展期，并廣泛運(yùn)用于工業(yè)控制領(lǐng)域。機(jī)器視覺是實(shí)現(xiàn)工業(yè)自動(dòng)化和智能化的必要手段，相當(dāng)于人類視覺在機(jī)器上的延伸。機(jī)器視覺具有高度自動(dòng)化、高效率、高精度等優(yōu)點(diǎn)，其也必將在我國自動(dòng)化領(lǐng)域發(fā)揮重大的作用。相比于傳統(tǒng)的二維機(jī)器視覺，三維機(jī)器視覺的精度更高、檢測效果更好，能滿足更加苛刻的生產(chǎn)工藝。但是三維機(jī)器視覺獲取的點(diǎn)云數(shù)據(jù)量大、且點(diǎn)與點(diǎn)之間沒有明顯的拓?fù)潢P(guān)系，因此我們在配準(zhǔn)的過程中容易出現(xiàn)誤配準(zhǔn)對(duì)，這將會(huì)使我們的配準(zhǔn)精度降低，影響對(duì)目標(biāo)物的測量以及檢測效果。

在航空航天，汽車交通、橋梁船舶等智能制造工藝中，都會(huì)遇到復(fù)雜異形曲面的加工及檢測，其曲面復(fù)合彎曲并在空間任意積疊，邊緣曲率復(fù)雜，二維機(jī)器視覺難以滿足其高精度、高效率的生產(chǎn)加工要求。但是現(xiàn)有的點(diǎn)云配準(zhǔn)算法準(zhǔn)確率并不高，大量誤配準(zhǔn)對(duì)的存在影響了配準(zhǔn)的精度和效率，對(duì)目標(biāo)物的檢測和重建也造成了嚴(yán)重影響。

目前針對(duì)這一問題，應(yīng)用最廣泛的解決方案是RANSAC算法，盡管RANSAC算法在大多數(shù)情況下效果良好，但是它的運(yùn)行時(shí)間會(huì)隨著異常點(diǎn)對(duì)的比率η而呈指數(shù)增長，因此該算法對(duì)點(diǎn)云配準(zhǔn)中樣本點(diǎn)的選擇非常敏感，魯棒性較差。在配準(zhǔn)的過程中，點(diǎn)云密度的分布是不規(guī)則的并且其結(jié)構(gòu)也缺乏規(guī)律性，使得三維圖像配準(zhǔn)的準(zhǔn)確率比二維圖像低很多。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于多尺度描述子篩除誤匹配的三維圖像配準(zhǔn)方法，該方法利用配準(zhǔn)點(diǎn)對(duì)之間的空間幾何關(guān)系進(jìn)行篩選，進(jìn)而可以直接剔除誤配點(diǎn)，提高配準(zhǔn)效率和配準(zhǔn)精度。

一種基于多尺度描述子篩除誤匹配的三維圖像配準(zhǔn)方法，包括以下步驟：

步驟1：獲取視角相鄰場景的三維點(diǎn)云X和Y，并為三維點(diǎn)云X和Y中的每個(gè)點(diǎn)構(gòu)造多尺度描述子(Q_i，N_i)；

其中，l表示三維點(diǎn)云X或Y中點(diǎn)的鄰域搜索半徑標(biāo)記，取值依次為1，2，…，L，L表示鄰域搜索半徑總數(shù)，L≥2；T_l表示歸一化向量，λ_l1，λ_l2，λ_l3為矩陣C_l進(jìn)行SVD分解后的特征值，λ_l1≥λ_l2≥λ_l3，n_l1，n_l2，n_l3分別為λ_l1，λ_l2，λ_l3對(duì)應(yīng)的特征向量，S_l＝{p_i|||p_i-p₀||≤r_l}，|S_l|表示S_l的最大值，p_i表示三維點(diǎn)云X或Y中某一點(diǎn)p₀的鄰域點(diǎn)，r_l表示點(diǎn)p₀的第l個(gè)鄰域搜索半徑，r_L為設(shè)定的最大鄰域搜索半徑，n_l分別表示三維點(diǎn)云中的點(diǎn)與點(diǎn)的搜索鄰域半徑l對(duì)應(yīng)的法向量，取值為n_l3；

|S_l|即為以p₀為球心，r_l為球心的球內(nèi)的所有點(diǎn)到球心的距離中的最大值；