一种运动物体点云模型配准方法
阅读说明：本技术 一种运动物体点云模型配准方法 (Moving object point cloud model registration method ) 是由 邱鹏 李赛红 于 2021-07-27 设计创作，主要内容包括：本发明涉及机器视觉技术领域,一种运动物体点云模型配准方法,其特征在于：包括如下步骤,输入同一尺寸物体两次运动过程中扫描重建所得点云模型；分别提取同一尺寸物体两个模型中鲜明、且相同的若干局部点云,基于提取的相同局部点云,对两个物体模型做初次配准；基于配准结果调整物体模型得到初次匹配结果；分别提取两个物体模型主体的相同部分,基于提取物体的相同部分做最终配准。该方法适用于点云密度比较小的较为稀疏的物体点云模型,适用于两个存在较大差异部分的物体点云模型,同时可提高匹配速度。(The invention relates to the technical field of machine vision, in particular to a moving object point cloud model registration method, which is characterized by comprising the following steps: inputting a point cloud model obtained by scanning and reconstructing in the process of two movements of an object with the same size; respectively extracting a plurality of distinct and same local point clouds in two models of objects with the same size, and performing primary registration on the two object models based on the extracted same local point clouds; adjusting the object model based on the registration result to obtain a primary matching result; and respectively extracting the same parts of the two object model main bodies, and performing final registration based on the extracted same parts of the objects. The method is suitable for a relatively sparse object point cloud model with relatively small point cloud density, is suitable for two object point cloud models with relatively large difference, and can improve the matching speed.)
技术领域
本发明涉及机器视觉技术领域，特别是一种运动物体点云模型配准方法。
背景技术
目前点云模型配准主流方法主要有基于特征点的配准方法与基于ICP(IterativeClosest Point迭代最近点算法)方法，对点云模型进行一个全局整体的配准。目前主流方法普遍适用在点云比较稠密、尺寸较小、配准点云之间差异较小的场景。
其应用场景为差异大、尺寸大的运动物体稀疏点云配准。点云配准是指求解两个相似点云之间经过平移旋转后重合的参数。在3D计算机视觉领域中往往需要将不同传感器采集处理所得的点云模型进行融合，进行三维重建。
现有技术中的模型配准方法具有以下不足：
1、对于尺寸较大的物体点云模型适用性不高，精度难以满足。以大卡车为例，卡车点云尺寸大小范围可达2.5m x 3m x 20m，一般的点云配准算法难以适用。
2、对于密度较低、点云较为稀疏的物体点云模型适用性不高，精度难以满足。一些物体往往由于尺寸较大的原因导致传感器扫描重建得到的物体点云密度较为稀疏，扫描普通大卡车分辨率已达到5cm的坐标点间隔。
3、对于两个存在较大差异部分的物体点云模型适用性不高，精度难以满足。物体在二次扫描时可能携带其他多余物体，从而造成两次扫描结果存在较大差异，一般点云配准算法难以适用。
4、效率较低，配准耗时长。基于PCL库内置的相关点云配准算法，物体点云规模规模为6万点的点云，进行严格一对一条件的ICP配准时耗时多达两分钟。
发明内容
为解决上述问题，本发明提出一种运动物体点云模型配准方法，该方法适用于点云密度比较小的较为稀疏的物体点云模型，适用于两个存在较大差异部分的物体点云模型，同时可提高匹配速度。
为解决上述问题，本发明采用的技术方案是：
一种运动物体点云模型配准方法，包括如下步骤，
步骤1、输入同一尺寸物体两次运动过程中扫描重建所得点云模型；
步骤2、分别提取同一尺寸物体两个模型中鲜明、且相同的若干局部点云，基于提取的相同局部点云，对两个物体模型做初次配准；
步骤3、基于配准结果调整物体模型得到初次匹配结果；
步骤4、分别提取两个物体模型主体的相同部分，基于提取物体的相同部分做最终配准。
作为优选的，在步骤1中，输入的点云模型配准对象为大尺寸、存在一定程度差异的稀疏点云模型。
作为优选的，在步骤2中，输入的点云模型的匹配，以两个物体模型的显著相同部分作为首次匹配输入基准，该部分可由占整体结构比例等方法提取，再以首次匹配结果为基准，以两个物体特征差异较小的主体部分作为二次匹配的输入基准，该主体部分可基于八叉树分割后体素差异大小获取，结合PCL的条件滤波，可以准确获取两次配准所需的相同部分结构。
作为优选的，在步骤2中，计算显著相同部分结构的质心位置坐标，并且以质心为坐标系原点调整点云,将两个显著相同部分结构的质心位置坐标重合后，做ICP配准，实现两个物体模型初次配准。
作为优选的，在步骤2中，在显著相同部分结构配准完成后得到两个点云的刚性变换矩阵，该矩阵描述了其中一个显著相同部分结构在三维空间中经过旋转平移得到另一个显著相同部分结构位置的参数，基于该刚性变换矩阵，其中一个物体模型点云位置经过刚性变换至该物体另一个模型点云位置。
作为优选的，在步骤4中，提取除了显著相同部分结构之外的其他局部的相同部分点云，计算求解点云法向量，根据法向量判断剔除法向量垂直于特定平面的部分点云，将处理后的部分点云经过滤波处理，采用八叉树进行体素分割，对比两个点云每个体素，保留相同的部分点云，并得到两个经过初次粗配准的相似点云，点云之间差异较小，而且空间位置已粗略重合，基于PCL库内置的ICP算法框架，对于物体点云模型尺寸与稀疏点云密度，ICP收敛条件根据点云密度进行动态调整。
作为优选的，基于Google开源的Ceres凸优化算法库，对ICP算法流程中目标函数解算效率进行优化。
本发明的有益效果是：
1、本方法支持、适用于点云密度比较小的较为稀疏的物体点云模型。参考卡车模型配准，本发明可适用于点云中点与点之间距离多达5cm的稀疏程度的点云配准。
2、本方法支持、适用于两个存在较大差异部分的物体点云模型。参考卡车模型配准，本发明可适应类似卡车装载空载时车厢部分达30％-40％的差异模型配准。
3、本方法提升配准效率，耗时时间减少。本发明基于分段式、仅提取相同部分点云做配准，同时基于Ceres做效率优化。在点云数量大小为6万点规模卡车点云下测试，从PCL内置ICP配准两分钟耗时降至半分钟。
附图说明
图1为本发明运动物体点云模型配准方法的流程图。
图2为本发明运动物体点云模型配准方法中空载卡车点云模型。
图3为本发明运动物体点云模型配准方法中装载卡车点云模型。
具体实施方式
以下结合附图对本发明进行详细的描述。
如图1所示，一种运动物体点云模型配准方法，包括如下步骤，步骤1、输入同一尺寸物体两次运动过程中扫描重建所得点云模型；步骤2、分别提取同一尺寸物体两个模型中鲜明、且相同的若干局部点云，基于提取的相同局部点云，对两个物体模型做初次配准；步骤3、基于配准结果调整物体模型得到初次匹配结果；步骤4、分别提取两个物体模型主体的相同部分，基于提取物体的相同部分做最终配准。
如图2和图3所示，在步骤1中，输入的点云模型的配准对象为大尺寸运动物体在运动过程中经激光雷达扫描后进行三维重建所得。
在步骤2中，输入的点云模型的匹配，以两个物体模型的显著相同部分结构占整体结构的比例为首次匹配基准，再以显著相同部分结构在整体模型中的区别特征差为二次匹配基准，经过基于PCL(Point Cloud Library)的条件滤波，准确地在点云模型中得到该显著相同部分结构。
在步骤2中，计算显著相同部分结构的质心位置坐标，并且以质心为坐标系原点调整点云,将两个显著相同部分结构的质心位置坐标重合后，做ICP配准，实现两个物体模型初次配准。在显著相同部分结构配准完成后得到两个点云的刚性变换矩阵，该矩阵描述了其中一个显著相同部分结构在三维空间中经过旋转平移得到另一个显著相同部分结构位置的参数，基于该刚性变换矩阵，其中一个物体模型点云位置经过刚性变换至该物体另一个模型点云位置。
在步骤4中，提取除了显著相同部分结构之外的其他局部的相同部分点云，计算求解点云法向量，根据法向量判断剔除法向量垂直于特定平面的部分点云，将处理后的部分点云经过滤波处理，采用八叉树进行体素分割，对比两个点云每个体素，保留相同的部分点云，并得到两个经过初次粗配准的相似点云，点云之间差异较小，而且空间位置已粗略重合，基于PCL库内置的ICP(Iterative Closest Point)算法框架，对于物体点云模型尺寸与稀疏点云密度，ICP收敛条件根据点云密度进行动态调整。基于Google开源的Ceres凸优化算法库，对ICP算法流程中目标函数解算效率进行优化。
实施例1
本实施例详细说明本匹配方法的过程。以卡车为例，本方法的流程如下。
输入物体点云模型数据：本发明适用的配准对象为大尺寸运动物体在运动过程中经激光雷达扫描后进行三维重建所得。两次扫描过程中其中一次可能物体携带包含额外的物体，因此输入数据为两个主体部分比较相似、包含较大差异部分的大尺寸稀疏点云。以常见的大卡车为例，卡车在装载状态下经过扫描携带了多余的货物部分，空载和装载卡车点云模型存在较大的差异部分。
提取点云主体相同小部分：基于物体虽然包含差异部分较大，但仍会保留特征明显的相同的小部分这一条件，可以将其提取出来做初次配准以解决直接整体配准受差异部分影响的问题。仍然以大卡车为例，经分析可以发现大卡车无论在装载或空载的情况下，所得车头部分都是不变的。因此可以分别提取输入空载、装载模型的车头部分，具体原理为基于车头所占整体车身比例可以找到车头与车厢相连处附近，再基于车头车厢相接处高度变化明显这一性质可以找到分割车头车厢位置，最后基于PCL的条件滤波即可成功从卡车模型中提取车头。
相同小部分配准：以上一步骤所提取的车头为例，车头作为物体一部分无论装载亦或空载都是刚性不变的部分，车头配准结果可以作为物体整体配准的参考。车头配准过程为，计算两个车头质心位置坐标，并且以质心为坐标系原点调整点云,将两个质心重合后，做ICP配准，车头部分点云数量较小可直接调用PCL库中ICP算法的相关实现。基于小部分配准结果调整物体模型得到初次配准结果：车头配准完成后得到两个点云的刚性变换矩阵，该矩阵描述了其中一个车头在三维空间中经过如何旋转平移得到另一个车头位置的参数。基于该矩阵，整体空载点云经过刚性变换至装载点云位置。
提取物体主体相同部分：物体尺寸较大，除了比较明显的小部分点云以外，在主体中任然存在许多其他局部的相同部分。将其全部提取，完成最终的点云配准。仍以卡车为例，卡车在空载与装载的时候车厢部分差异较大，包含车厢整体部分做配准差异部分将影响配准精度。因此提取相同部分车身做最终配准，具体提取步骤为计算求解点云法向量，根据法向量判断，剔除法向量垂直于地面部分点云。经过处理剔除大部分车厢底部与货物部分，再经过滤波处理，最后用八叉树进行体素分割，对比两个点云每个体素，保留相同的部分点云。
基于提取物体的相同部分做最终配准：经过上一步骤处理，已经得到两个经过初次粗配准的相似点云，点云之间差异较小，而且空间位置已粗略重合。此时最后一步可基于ICP配准算法框架进行精细的点云配准。配准算法的实现基于PCL库内置的ICP算法框架，对于物体点云模型尺寸与稀疏点云密度，ICP收敛条件根据点云密度进行动态调整。与此同时针对耗时问题，基于Google开源的Ceres凸优化算法库，对ICP算法流程中目标函数解算效率进行优化。
本发明先提取特征明显的小部分做初次配准，再提取物体的主体相同部分做分段二次配准，其他方法普遍基于物体点云整体做配准。本发明基于针对大尺寸、稀疏点云配准优化，其他点云配准方法普遍只适用于小范围小尺寸的稠密点云配准。本发明提取物体主体相同部分点云做最终配准，可规避点云包含较大差异部分，优于其他配准方法普遍只适用于点云相似程度很高的场景。
以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围上可以作出许多变化，只要这些变化未脱离本发明的构思，均属于本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：SAR卫星图像与光学图像自动匹配检索方法