基于改進ICP算法的人體靜態建模

劉偉偉，童立靖

（北方工業大學 信息學院，北京 100144）

0 引言

在三維建模領域，三維點云數據的配準技術是相當關鍵的。袁華[1]等人用利用濾波去除噪點，再利用曲率估計，最終基于改進的雙邊濾波完成對小尺度噪聲進行去除，降低了點云誤差。吳[2]等人提出了一種基于點云中點的特征信息的分類的去噪辦法。在點云配準中較為經典的點云配準算法有迭代最近點（ICP）算法[3]，閆利[4]等人提出結合遺傳算法的自動點云配準方法。魏[5]等人利用ICP算法配準不同時刻獲取的點云降采樣數據來完成目標的特征點進行重建。

為此，本文提出一種基于曲率信息特征點改進的迭代最近點點云配準建模的算法。首先，在配準之前最小二乘去噪對于初始模型進行去噪處理減少離群噪點對后期配準的影響。提取特征點時再進行一步采樣一致性的處理，從而縮小了對應點的尋找范圍，減少算法計算量;然后通過根據點云的曲率信息分辨凹凸點從而提取部分點云的特征點;在利用ICP算法不斷迭代得到待配準點云之間的空間最優變換完成人體建模。

1 點云數據的獲取與處理

1.1 利用Kinect獲取存儲數據

在本文研究中采用Kinect設備掃描人體一周，通過不同角度獲得不同的人體的掃描點云數據。根據多次試驗表明，測量距離范圍保持在0.6～0.8m是掃描時最優的掃描測量距離，掃描后的結果受外部等因素影響較小，缺失部分點云的情況也很少出現了。方便了后續配準建模操作。本文利用PCD文件格式存儲數據，該文件格式處理n維下的點數據類型機制一些擴展存儲，支持描儀獲取的3D點云數據文件類型。

1.2 采樣一致性

采樣一致性參數的估計算法，一般用來減少并去除錯誤的樣本點云。利用RANSAC隨機參數估計算法，主要方法是從點云數據小范圍的樣本中再隨機選出一個子樣本，利用最小方差估計的辦法可以快速的計算出人體點云模型的各個參數，然后計算比較樣本與原來模型的偏差誤差值，并在實驗中設定一個閾值與之前計算好的偏差值進行數值大小的比較，如果小于就是點云模型里面的樣本點，相反大于就是點云模型的外面的樣本點。不斷重復上述過程并記錄好每次的樣本數，并且每次重復迭代之前都記錄好當前模型的各個參數值，當生成的點云模型內樣本點個數最多時就是最佳的采樣狀態。此時獲得的最佳點云模型的各個參數就是我們最后掃描采樣一致性后的最終模型的各個參數估計值。在利用采樣一致性處理后可以篩選明顯不匹配的特征點噪點，減少后期尋求特征點對的時間。

1.3 點云最小二乘去噪

最小二乘二次去噪主要是對一些點云數據進行微切平面擬合去噪，從而減少對后面配準的影響，最大的還原物體的原本形狀。主要有以下步驟：

設x，y，z為點云三維數據坐標，在包含誤差的情況下求解平面參數。對于在掃描建模時的三維形式，利用最小二乘法擬合，其平面模型為：式中a、b、c為擬合平面待求參數。具體步驟如下：

（1）在最小二乘準則 下，可得擬合平面未知參數估計值

（2）計算點云數據集到擬合平面距離

兩次去噪后重建的模型效果也是相對較好且有利于接下來的配準。

2 點云初始配準

2.1 曲率計算

點云中任一點處都存在一平面逼近該點鄰域點云，某點處的曲率可近似使用該點及其鄰域點的最佳擬合平面來計算曲率。本文通過最小二乘擬合來表示局部擬合平面。

點k鄰域的擬合切平面方程可設為：

通過最小二乘原理獲得最佳擬合平面后，求解微切平面方程問題從而可轉換為求解協方差矩陣M的最小特征值及其對應的特征向量問題，并且最小特征值對應的特征向量即為微切平面方程的單位法向量N（A，B，C）。

k鄰域擬合切平面方程求出后記為 ，由切平面方程可以求解主曲率、平均曲率及高斯曲率。

2.2 點云曲率信息的特征點提取

基于這一特征點p的提取方法主要是利用的每一點的曲率信息公式：

2.3 點云精細配準

經過曲率信息的特征點提取，已經有了較好的特征點對，在此基礎上在繼續使用ICP算法完成源點云與目標點云的精確配準。ICP算法主要原理是結合源點云和目標配準點云之間相應的幾何關系來計算變換矩陣的各個參數，從而可以計算出旋轉矩陣和平移矩陣來完成特征點云的配準,得到變換后最優的配準點云位置，然后不斷迭代以上過程，等到滿足配準所需的收斂條件，就是滿足曲率信息的凹凸性一致，即的計算結果一致，就是選擇到最優的特征點對來進行配準，完成人體的精確建模。

3 實驗結果及分析

3.1 三維點云數據采集與實驗配置

配準實驗所用三維點云模型分別為Kinect掃描后的點云模型。掃描的點云模型都是隨機選取了兩個不同視角下掃描得到的兩片點云。實驗采用計算機硬件配置為Intel-i5處理器，主頻3.6GHz，內存8GB。操作系統為Windows10，所有算法均由c++語言結合PCL點云庫在Microsoft Visual Studio 2015軟件下編程實現。

3.2 實驗結果分析

在配準前進去噪處理，最小二乘去噪過程中對于閾值參數 設置為0.5后，進行了整體去噪處理。實驗過程中對于多個數據模型去噪處理時噪點數進行了統計，源點云數量是高達35000多，經過最小二乘去噪后的點云數量為16471。

改進后的ICP配準算法人體建模在時間方面與NDT配準建模相當，但是明顯優于FPFH配準算法的人體建模。精度方面兩個配準點之間的距離差利用改進后的ICP配準算法的人體建模明顯優于其他兩種算法的建模，而且改進后的ICP配準算法的人體建模有著很好的穩定性與魯棒性。因此改進后的ICP配準算法在人體建模方面，無論時間與精度都達到了實驗之前預期的效果。

圖1 使用NDT、FPFH、改進ICP配準算法建立人體建模的效果圖

4 結語

為解決利用Kinect設備采集后的點云數據噪聲較多，配準效率低的問題，提出了一種最小二乘去去噪算法和基于曲率信息凹凸性的迭代配準算法，最小二乘算法極大的減少了點云數量，改進后的ICP算法更有利于特征點的尋找與匹配，優化過程中根據點云曲率信息所屬范圍的不同，減小尋找對應點的范圍，以此來減少配準算法的迭代次數，最終完成物體三維模型的重建。

通過實驗結果表明，本文提出的配準算法能夠在盡可能確保Kinect采集后的的物體基本形態特征不變的情況下，減少噪聲點云的數量，進一步提高點云配準的精度。但是本文算法在提取特征點時迭代的范圍較大計算耗時，使配準的效率變低，因此這也是該配準算法以后需要進一步提升的方向。