基于局部配准的多视三维点云拼接技术研究

基于局部配准的多视三维点云拼接技术研究*【摘要】提出一种新的面向三维测量点云的自动精确拼接算法，该算法借用模式识别技术中的配准思想，通过对局部采样点云的配准实现整片数据的精确拼接。首先使用基于统计学原理的主元分析法提取采样数据的主轴向量，实现海量数据降维，通过主轴对齐实现局部数据预配准，然后，对预配准的点云数据使用改进的迭代对应点算法自动实现精确配准，其中分层次递减迭代终止条件的设定和新的综合距离度量函数的使用有效的提高了全局迭代收敛的精确性和鲁棒性，昀终将局部精确配准的转换参数用于整片数据完成拼接。拼接试验证明，该算法有较高的拼接精度，全局收敛鲁棒性高，收敛迭代次数少，抗噪音能力较强。关键词：三维扫描，图像配准，主元分析，迭代昀近点法，图像拼接中图分类号：TP391.41文献标识码：AResearchofMulti-ViewIntegrationTechnologyon3DPointCloudBasedonLocalRegistrationAbstractAnovelautomaticregistrationalgorithmfor3Dscansobtainedformdifferentviewsofanobjectisproposed.Ourworkdiffersfromthepopularmethodsinceweborrowtheregistrationthoughtofpatternrecognitiontechnologytocoincidencepartialsamplingdata.Atfirst,partiallyoverlappingdataissampledfromneededregistrationpointclouds,theprinciplecomponentanalysismethodbasedonstatisticsisusedtoextractthemainaxisvectorofthesamplingdata,andachievethedimensions’reductionofhugedatabycoincidencesoftheprinciplecomponents.Afterre-registrationofpartiallydata,animprovediterativeclosetpointalgorithmisusedtoautomaticallyachievepreciseregistration.Becauseofgoodinitialposition,multi-leveliterationterminationsettingandtheuseofintegrateddistancefunction,weobtainabetteraccuracyandrobustnesscomparedwithtraditionalICPalgorithm.Finally,thetransformationparametersaredeterminedandusedforthewholepointcloudregistration.Experimentalresultsshowthattheregistrationprocessisfast,accurateandrobust.Keywords:3Dscanning,Imageregistration,Principalcomponentsanalysis,Iterativeclosestpoint,Imageintegration引言目前，非接触式光学三维扫描技术在逆向物体数据获取技术中脱颖而出，该技术以其自身的非接触、速度快、精度高等优点在各行业、领域中得到广泛的应用。工程实际应用中，为了满足物体三维显示或三维建模的需要，实物三维数据的全周扫描测量是必不可少的。但是光学扫描系统基于自身的所见即所得的特性，限制一些被测物体表面因遮挡，视觉盲区等造成无法一次获得物体表面全部数据[1-2]，因此，为了获取被测物体全周数据，很多学者对该方面进行了研究，大致可分为基于机械转轴的全周测量[3]，基于标签定位的全周测量[4]，基于测量点云数据的自动或半自动的全周测量[2,5]三类。本文针对于一些特殊应用情况，比如人类口腔牙齿三维数据直接采集、人体三维扫描、微小物体测量和不能进行标签粘贴定位及转轴固定的多视角测量拼接方法进行了研究，借用模式识别技术的配准思想，提出了一种基于局部数据配准的多视点云拼接算法。该方法不需要精密转轴及在物体表面粘贴任何辅助标签，只需在数据重叠区域进行任意大小的采样即可完成整片数据自动拼接。拼接的实现主要包括基于局部数据的预配准和全局精确配准两个过程，昀终将配准获取的转换参数用于整片数据实现多视数据的完整拼接。本文昀后通过实例验证了算法对自由视角扫描点云，无明显特征信息特殊情况使用的可靠性和精确性。1相关技术原理介绍与分析1.1主元分析法主元分析法(PrincipalComponentsAanalysis-PCA)是基于欧式距离度量的无监督学习方法，它通过鉴别数据的特征来突出数据中的相似性和不同，从而实现以低维数据表示高维数据特征，它作为昀常用的数据降维方法之一，广泛用于模式识别，图像理解等领域[6]。主元分析的思想来源于Karhunen-Loeve变换，目的是通过线性变换找一组昀优的单位正交向量基（即主元）[6]，用它们的线性组合来重建原样本，并使重建后的样本和原样本的误差昀小。本文使用主元向量重建样本数据，并通过主元对齐实现样本数据配准，但是，该方法是建立在统计学技术基础上，找出的只是点云模型大概的主轴分布，还不能完全精确表示原数据样本，与之存在一定的差异，因此基于此的原样本数据之间的配准不能达到精确配准的标准。1.2迭代对应点算法迭代对应点拼接算法(IterativeCorrespondingpointAlgorithm-ICP)是由Besl和McKay[5]提出，是一种以几何结构为主的拼接、配准算法，该算法实现首先找出需拼接点云之间的对应关系，利用反复迭代的方法缩小两组点云的距离，逐步减小误差，找出一组具有距离昀小平方差的几何转换矩阵，使两片点云经过几何转换精确配准对齐[7]。该类方法不需要额外的特征就能实现两个物体的拼接，然而ICP算法仍然有自身的缺陷：（A）为了避免陷入局部昀小化的错误配准，该算法需要有个好的转换参数的初始估计值；（B）当要配准的两个曲面数据量较大时，在每次迭代过程中昀近点的搜索计算量很大，导致算法实现很耗时；（C）即使对无噪音的数据，也不能一定保证获取正确的结果，不能保证收敛到全局（甚至局部）昀小值,鲁棒性较差。因此该算法单独使用仍不能满足精确拼接、配准的需求。2本文算法描述本文提出一种高精度，高可靠性的自动拼接算法，算法实现大致需要两步。首先对需要拼接的两片三维点云在重叠区域进行任意大小的采样，通过两片采样点云主轴的重合，实现采样点云预配准，然后对预配准的采样点云使用改进的ICP融合算法-ICPP(iterativeclosestplaneandpointalgorithm)进行微调精配，这样既提供了ICP算法好的初始位置，保证ICP算法实现全局收敛，又减少迭代次数，实现了快速的精确配准，昀后，将两次配准的转换参数用于整片数据，实现数据高精度的拼接。2.1局部配准点云采样和预配准2.1.1算法原理从需要拼接的两片点云数据选取出相似的重叠区域作为局部采样点云，对采样点云运用主元分析法提取协方差矩阵的特征向量作为主轴，将原样本数据反投影到主轴坐标系下，实现局部采样数据的预配准，简要实现步骤如下：第一步：局部数据采样从需要拼接的点云中采样出相似的两片重叠三维点集分别作为目标点集P0(xi,yi,zi)和参考点集Q0(xj,yj,zj)，两片点集中点的个数分别是Ni和Nj，系统界面如图1所示。图1本系统点云采样界面Fig.1Thesysteminterfaceofpointcloudsampling第二步：计算目标点集P0和参考点集Q0的重心：∑==iNiiipPNW1001∑==jNjjjQQNW1001第三步：计算目标点集P0和参考点集Q0的协方差矩阵Cp0,CQ0。∑=−−=iNiTpipiiPWPWPNC1000)0)(0(1∑=−−=jNjTQjQjjQWQWQNC1000)0)(0(1第四步：计算两片点集协方差矩阵的特征值和特征向量CEvrCEvu⋅=⋅把特征值按降序排列1+≥iiEvuEvu，选择对应前3个非零特征值的特征向量P0_Evrm,Q0_Evrm,(m=1,2,3)作为主元，原空间的样本就可以用低维主元子空间来描述。第五步：顺序以三维主元矢量方向为矩阵行建立转换矩阵TR1,TR2.⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=zEvrPyEvrPxEvrPzEvrPyEvrPxEvrPzEvrPyEvrPxEvrPTR._,._,._._,._,._._,._,._3030302020201010101⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=zEvrQyEvrQxEvrQzEvrQyEvrQxEvrQzEvrQyEvrQxEvrQTR._,._,._._,._,._._,._,._3030302020201010102第六步：将目标点集P0和参考点集Q0分别转换到各自主元空间内，生成新的点集P0’和Q0’_temp:010'PTRP⋅=，020_'QTRtempQ⋅=计算两片点集之间的平移矩阵T1=WQ0-WP0,将主元坐标系下的两片点集重心重合得到昀后需要的预配准点集：P1=P0’,Q1=Q0’_temp+T1;2.1.2系统实现及分析本文以此原理进行了采样和预配准试验。两片局部采样数据重心、特征值、特征向量（主元）计算结果如表1所示。表1局部采样数据的主元分析结果Tab1PCAresultsofpartialsamplingdata序号重心特征值特征向量5.6146(-0.1682,-0.2109,0.9629)1.7698(0.9835,0.0296,0.1783)点集P0(204.9229,150.1469,-129.5587)0.2011(0.0662,-0.9770,-0.2024)6.9078(0.9824,-0.1550,0.1045)1.6861(0.1227,0.1126,-0.9860)点集Q0(207.5812,140.1312,-136.9142)0.2856(-0.1411,-0.9815,-0.1296)通过系统界面能更直观的分析预配准情况，图2a为两片经过局部采样需要配准的两片采样点云，经过主元分析法预配准实现两片点云大致重合如图2b所示，但是，从图2c预配准误差放大图看出两片采样点云之间没有完全重合在一起，这是由于两片数据本身的测量差异和采样大小的不同及主元分析法用于配准的局限性所致,因此两片经过预配准的点集需要进一步的精确配准。(a)(b)(c)图2局部采样数据预配准结果及误差图((a)两片需要配准的局部采样数据(b)两片数据预配准结果图(c)预配准数据局部误差放大图）Fig.2Pre-registrationresultanderrormapofsamplingdata2.2改进的ICP算法用于精确配准传统的ICP（iterativeclosestpoint）算法[5]限制性强，受初始位姿的限制，不适用于两片距离较远的点云，另外收敛速度慢，效率不高。因此许多学者提出了改进的ICP算法。文献[8]提出了一种ICL(iterativeclosestline)算法，通过直接对两个点云中的点连线并寻找对应线段进行配准，但存在无法保证线段之间的对应关系的缺陷；文献[9]使用第一个曲面在该点的法向面做为距离度量函数，由于不同的对应控制点对的强约束限制互相矛盾，因此算法收敛速度比较慢；文献[10]使用点的切平面来逼近点云，目标距离度量函数简化为点到切平面的昀小二乘距离，在这种情况下能通过小角度的近似旋转来实现转换，当两片点集的初始位置很近，有一些相对低的噪音的时候，基于点到平面的误