基于ISS-3DSC特征的點(diǎn)云配準(zhǔn)方法

關(guān)鍵詞： 點(diǎn)云配準(zhǔn); 三維形狀上下文特征; 關(guān)鍵點(diǎn)的四點(diǎn)一致集; 迭代最近點(diǎn)

中圖分類號： TB9; TN249 文獻(xiàn)標(biāo)志碼： A 文章編號： 1674–5124（2025）02–0062–06

0 引言

三維激光設(shè)備的普及使得目標(biāo)物體的空間點(diǎn)云信息采集變得極其便利，由于受到設(shè)備精度、被測物形狀等各方面的限制，要對不同角度獲得的點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)。近年來，點(diǎn)云配準(zhǔn)在眾多領(lǐng)域都發(fā)揮著重要作用，因此研究高精度且耗時短的點(diǎn)云配準(zhǔn)方法具有重要意義。

目前，點(diǎn)云配準(zhǔn)[1] 分為粗配準(zhǔn)和精配準(zhǔn)兩部分。粗配準(zhǔn)分為特征點(diǎn)匹配和隨機(jī)采樣一致性算法。特征點(diǎn)匹配通過描述特征點(diǎn)，找到源點(diǎn)云與目標(biāo)點(diǎn)云中對應(yīng)點(diǎn)。傅靜雅等 [2] 提出一種融合曲率信息提取特征點(diǎn)的算法，但該種算法配準(zhǔn)時間略長?；陔S機(jī)采樣一致性的配準(zhǔn)算法，Nicolas Mellado等 [3]提出Super-4PCS 算法，對4PCS 進(jìn)行了改進(jìn)，降低了4PCS算法的時間復(fù)雜度，提高了配準(zhǔn)效率，但其在全局中尋找共面四點(diǎn)集的計算復(fù)雜度依然較高。精配準(zhǔn)采用迭代最近點(diǎn)算法，由于該算法容易出現(xiàn)局部最優(yōu)情況，同時該算法對點(diǎn)云的初始位置要求也較高，李仁忠等[4] 在此基礎(chǔ)上進(jìn)行改進(jìn)。曾俊飛等[5] 提出一種自適應(yīng)的列文伯格-馬夸爾特的點(diǎn)云配準(zhǔn)算法，將點(diǎn)云配準(zhǔn)轉(zhuǎn)化成非線性最優(yōu)化，引入列文伯格-馬夸爾特模型求解最優(yōu)解來改進(jìn)ICP算法，該算法提高了配準(zhǔn)精度但其耗時相對較長。XUG X[6] 提出一種將三維形狀上下文特征去描述特征點(diǎn)和隨機(jī)樣本一致性等算法改進(jìn)ICP 的算法，該算法在不同的點(diǎn)云樣本上都有較好的配準(zhǔn)精度且配準(zhǔn)誤差也有所降低。但上述方法由于關(guān)鍵點(diǎn)的提取缺少特征性等其他問題使得配準(zhǔn)性能較低。

本文針對點(diǎn)云配準(zhǔn)過程中計算復(fù)雜度較高和用時較長問題，提出一種基于ISS-3DSC 特征改進(jìn)的點(diǎn)云配準(zhǔn)方法。利用ISS 算法對采樣后的點(diǎn)云提取關(guān)鍵點(diǎn)，并由3DSC 描述符進(jìn)行描述，將4PCS 算法中的隨機(jī)點(diǎn)替換為ISS-3DSC 特征點(diǎn)進(jìn)行粗配準(zhǔn)，最后采用基于中值距離改進(jìn)的ICP 算法去除粗配準(zhǔn)中的錯誤點(diǎn)對完成精配準(zhǔn)。

1基本原理

本文利用改進(jìn)的體素濾波法對點(diǎn)云進(jìn)行下采樣，該方法使用原始數(shù)據(jù)中距離體素重心坐標(biāo)最近的點(diǎn)代表該柵格內(nèi)的若干點(diǎn)。提出ISS-3DSC算法檢測關(guān)鍵點(diǎn)特征， 根據(jù)檢測到的關(guān)鍵點(diǎn)特征采用K4PCS算法完成待配準(zhǔn)的兩個點(diǎn)云集的粗配準(zhǔn)。精配準(zhǔn)環(huán)節(jié)針對ICP 算法容易出現(xiàn)局部最優(yōu)的問題，對利用中值距離法去除錯誤點(diǎn)對，計算對應(yīng)點(diǎn)集中所有點(diǎn)到點(diǎn)距離的中值，去除錯誤點(diǎn)對后，根據(jù)正確點(diǎn)對的對應(yīng)關(guān)系，通過奇異值分解法計算兩個點(diǎn)云中的變換矩陣。具體方法流程如圖1所示。

1.1體素濾波預(yù)處理

由于三維激光掃描方法[7] 獲取的點(diǎn)云數(shù)據(jù)存在大量冗余數(shù)據(jù)，使得配準(zhǔn)時間較長，因此選擇體素濾波法[8] 進(jìn)行濾波。由于濾波過程中需要盡量保留點(diǎn)云數(shù)據(jù)原有特征，而體素濾波法應(yīng)用重心點(diǎn)可能會使原始點(diǎn)位置發(fā)生移動，因此為保留原始點(diǎn)云的細(xì)小特征，應(yīng)用距離體素重心點(diǎn)最近的點(diǎn)代替體素重心點(diǎn)。

2實(shí)驗(yàn)結(jié)果與分析

本文的實(shí)驗(yàn)數(shù)據(jù)來自斯坦福大學(xué)的Bunny 數(shù)據(jù)集、Armadillo 數(shù)據(jù)集和Dragon 數(shù)據(jù)集。實(shí)驗(yàn)平臺為 Intel（R）Core （TM）i5-7200U@2.50 GHz 2.70 GHz處理器，16G 運(yùn)行內(nèi)存，操作系統(tǒng)為Windows10，64 位操作系統(tǒng)，在VS2019 開發(fā)環(huán)境下結(jié)合PCL1.10.1點(diǎn)云資源庫完成實(shí)驗(yàn)。

為了驗(yàn)證本文算法的合理性和有效性，將本文算法與相同環(huán)境下的基于方向向量約束的改進(jìn)的ICP算法、傳統(tǒng)K4PCS 算法、ISS-3DSC+RANSAC+ICP 算法進(jìn)行對比（以下簡寫為RANSAC+ICP）。配準(zhǔn)精度衡量標(biāo)準(zhǔn)采用配準(zhǔn)時間和配準(zhǔn)效果以及旋轉(zhuǎn)誤差、平移誤差和總誤差來評價。

2.1配準(zhǔn)效果對比

為了驗(yàn)證本文算法，設(shè)置待配準(zhǔn)的兩片點(diǎn)云點(diǎn)數(shù)相同和不同為對比實(shí)驗(yàn)。選取源點(diǎn)云點(diǎn)數(shù)為29 885，目標(biāo)點(diǎn)云點(diǎn)數(shù)為32385的Armadillo數(shù)據(jù)集進(jìn)行配準(zhǔn)；再選取源點(diǎn)云和目標(biāo)點(diǎn)云點(diǎn)數(shù)都為35947的Bunny數(shù)據(jù)集作為對比實(shí)驗(yàn)，不同算法的配準(zhǔn)結(jié)果如圖4所示。

圖4中，圖（a）綠色點(diǎn)云是源點(diǎn)云，藍(lán)色點(diǎn)云是目標(biāo)點(diǎn)云；圖4（b）、圖4（c）、圖4（d）紅色點(diǎn)云為經(jīng)過旋轉(zhuǎn)矩陣、平移矩陣變換后的點(diǎn)云。點(diǎn)云重合越多，配準(zhǔn)效果越好。圖4 中第一行圖是兩個點(diǎn)數(shù)相同數(shù)據(jù)集之間的配準(zhǔn)效果，圖4 中第二行圖是兩個點(diǎn)數(shù)不相同的數(shù)據(jù)集之間的配準(zhǔn)效果。可以看出，無論待配準(zhǔn)的兩個數(shù)據(jù)集的點(diǎn)數(shù)是否相同，本文算法都具有較高的重合率。

由于真實(shí)場景中待配準(zhǔn)的兩個數(shù)據(jù)集之間點(diǎn)云數(shù)量未必相同，待配準(zhǔn)的點(diǎn)云中的點(diǎn)也未必完全對應(yīng)。為了驗(yàn)證本文所提方法通用性，選取點(diǎn)云點(diǎn)數(shù)較多的Dragon數(shù)據(jù)集進(jìn)行配準(zhǔn)，源點(diǎn)云數(shù)量為437645，目標(biāo)點(diǎn)云數(shù)量為437 645。Dragon數(shù)據(jù)集配準(zhǔn)結(jié)果如圖5所示。

由圖5（b）～（c）得，在點(diǎn)云點(diǎn)數(shù)較多的情況下，本文算法全局和局部配準(zhǔn)效果都較為良好?？梢詰?yīng)用在工業(yè)場景點(diǎn)云數(shù)據(jù)量較大的情況下，具有一定實(shí)用性。

2.2實(shí)驗(yàn)結(jié)果對比

為了更加直觀對比三個算法配準(zhǔn)效果，不同數(shù)據(jù)集在三個算法中配準(zhǔn)結(jié)果的量化結(jié)果如表1、表2所示，其中本文算法總時長包括下采樣、提取關(guān)鍵點(diǎn)、粗配、精配等步驟。

由表1可知，在Bunny數(shù)據(jù)集上，相較于傳統(tǒng)K4PCS 算法， 本文算法粗配準(zhǔn)所用時間縮短約83.37%，總時長縮短約21.37%；相較于改進(jìn)的ICP算法本文算法精配準(zhǔn)所用時間縮短約99.77%，總時長縮短76.54%；相較于RANSAC+ICP算法本文算法配準(zhǔn)總時間縮短約15.45%，在Armadillo數(shù)據(jù)集上的粗配、精配時間都明顯縮短。由表2可知，本文算法在點(diǎn)云數(shù)據(jù)量較大的情況下，配準(zhǔn)用時依然較短，故本文算法可應(yīng)用在工業(yè)工程中點(diǎn)云數(shù)據(jù)量較大的情況下，驗(yàn)證了本文算法的實(shí)用性。

2.3誤差對比

源點(diǎn)云經(jīng)過指定變換關(guān)系后得到目標(biāo)點(diǎn)云。本文算法與傳統(tǒng)的K4PCS算法、改進(jìn)的ICP算法完成配準(zhǔn)后將會生成變換矩陣，將生成的變換矩陣通過相應(yīng)的函數(shù)計算出旋轉(zhuǎn)角度和平移距離作為測量值。計算各個算法的測量值與真實(shí)值之間的旋轉(zhuǎn)誤差和平移誤差（旋轉(zhuǎn)、平移誤差取X、Y、Z 三個方向的誤差），對應(yīng)點(diǎn)之間的均方根誤差。

RMSE 越小，配準(zhǔn)誤差越小，精度越高。Bunny數(shù)據(jù)集和Armadillo 數(shù)據(jù)集在不同算法下的旋轉(zhuǎn)誤差、平移誤差、均方根誤差如表3、表4所示。

通過上述實(shí)驗(yàn)，對旋轉(zhuǎn)誤差、平移誤差以及總誤差的確定，比較四種算法在不同數(shù)據(jù)集上的誤差大小。從實(shí)驗(yàn)結(jié)果中可以看出本文算法在Bunny數(shù)據(jù)集上的各項(xiàng)誤差值都相對傳統(tǒng)的K4PCS算法相對較小；而在Armadillo數(shù)據(jù)集下平移誤差和旋轉(zhuǎn)誤差都相對較小。整體來說，本文算法在誤差方面表現(xiàn)較為良好。

由表5可知，在點(diǎn)云點(diǎn)數(shù)較多的Dragon數(shù)據(jù)集上，本文算法各項(xiàng)誤差值也較為良好，可見本算法有較好的配準(zhǔn)精度。

3結(jié)束語

本文針對傳統(tǒng)K4PCS算法粗配準(zhǔn)過程中計算復(fù)雜度較高、配準(zhǔn)用時較長等問題進(jìn)行研究和實(shí)驗(yàn)，提出一種基于ISS-3DSC特征的點(diǎn)云配準(zhǔn)方法。該方法選用點(diǎn)云中距離體素重心點(diǎn)最近的點(diǎn)代替體素重心點(diǎn)對進(jìn)行下采樣，能夠最大程度保留點(diǎn)云的微小特征；利用ISS提取關(guān)鍵點(diǎn)并由3DSC進(jìn)行描述，為粗配準(zhǔn)階段的K4PCS算法提供特征更明顯的對應(yīng)點(diǎn)，最后采用基于中值距離改進(jìn)的ICP算法完成精配準(zhǔn)，距離大于中值乘系數(shù)的點(diǎn)對被視為錯誤點(diǎn)對剔除。通過實(shí)驗(yàn)對比得出，本文算法配準(zhǔn)重合效果較好、配準(zhǔn)時間總時長縮短、誤差各項(xiàng)表現(xiàn)相當(dāng)。