自適應Harris角點提取的點云粗配準算法

近年來,隨著激光雷達技術的日趨成熟和成本降低,三維點云配準技術在三維重建、場景語義分割、無人駕駛等領域發揮著無可替代的作用

。目前,采用的點云配準技術一般分成粗配準和精細配準兩部分。粗配準的核心目的是為了提取點云的特征信息,然后計算特征的相似度,以相似度信息配準點云。特征提取在處理大型三維點云數據時可以起到降采樣的作用,減小點云平移和旋轉等誤差,從而提升配準效率。點云特征提取主要分為局部特征提取、全局特征提取和基于深度學習的點云特征提取共3類。

點云的局部特征使用點云空間分布特征或者幾何結構特性來量化計算。在幾何特征提取算法中,快速點特征直方圖算法

以點云數據關鍵點的快速特征直方圖相似性對點云進行初始匹配,然后使用采樣一致性初始配準算法求得初始轉換矩陣,最后使用迭代最近點(ICP)算法

精確匹配得到點云變換矩陣。Li等保留了點特征直方圖(SPFH)中對點描述的主要幾何特性,并分別計算查詢點的鄰域中每一個點的簡化點特征直方圖,再將SPFH加權形成最后的快速點特征直方圖,從而降低了算法復雜度

。Mellado等提出Super-4PCS,通過角度約束減少四點法(4PCS)

在尋找匹配對時產生的無效對,從而減少點云中產生的候選對數目

。同時,柵格化點云數據,降低計算距離的二次復雜度。當點云幾何結構沒有明顯特征或者局部相似度較高時,局部特征提取算法不能很好地識別并加以區分。……