欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022100743757
申请人: 武汉称象科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于邻域栅格高斯加权俯视图的点云配准方法,其特征在于,包括以下步骤:步骤一:点云俯视图的生成;具体包括以下步骤:A)遍历点云,找到点云中X,Y,Z三个方向上的最小点数值(minX,minY,minZ)和最大数值(maxX,maxY,maxZ),并给定栅格大小VoxelSize,建立[(maxX‑minX)/VoxleSize]×[(maxY‑minY)/VoxleSize]×[(maxZ‑minZ)/VoxleSize]个栅格;

B)遍历x,y面上的栅格,即x,y相同z不同的所有栅格在俯视图上认为是一个栅格,取每个栅格中心点的加权密度作为对应到图像中的像素值;

步骤二:图像匹配;生成点云灰度图像后,在图像上进行特征点查找、特征描述和特征匹配;具体包括以下步骤:

C)首先利用opencv中的SIFT特征检测、描述和匹配得到同名点,接着采用在使用Lowe’s算法筛选出优秀的匹配同名点,然后利用RANSAC框架以及最小二乘法得到图像变换;

D)需要筛选正确的匹配;在图像上利用霍夫变换检测线段,接下来用向量来判断角度相近的线段:将近似平行的线段分为一类,然后将各类线段按照它们的数量进行排序,数量较少的线段为定是错误检测的情况;对于平行的线段,则计算出线段之间的距离,取出距离较近的直线端点进行线段拟合,解决线段重叠问题;根据检测出来的线段,得到它们的端点,以及利用它们的交点来获得墙角点;使用I_target检测出红色的端点,I_source检测出绿色的端点,将步骤B)中计算出结果应用到I_source的端点上,然后计算红色端点和变换后绿色端点的距离dist,如果dist<两个像素,则认为是匹配的端点,如果找到至少两个端点是匹配的,则认为是正确的变换;

步骤三:点云配准;点云投影到图像的尺度缩放,将图像变换转到点云变换,要建立点云和图像的联系,结合α、β以及位移参数得到点云变换;设两站点云的一组对应点为P1:(x1,y1,z1),P2:(x2,y2,z2),它们满足关系:P1=R_cloud·P2+T_cloud;P1和P2在投影灰度图上的对应点分别为I1:(u1,v1),I2:(u2,v2),它们满足关系:

I1=R_Image·I2+T_Image;

((u1@v1))=((r11&r12@r21&r22))·((u2@v2))+((t1@t2));

其中R_Image和T_Image可以步骤二中的计算结果来确定;

根据点云和图像的坐标关系我能够得到它们的缩放关系和位移量,令X上缩放为α,位移为tx,Y上的缩放为β,位移为ty三维上3×3的旋转和3×1的平移变换矩阵可以写成2×2和2×1的平面变换矩阵了;P1到I1的变换公式为:((u1@v1))=((α1&0@0&β1))((x1@y1))+((tx1@ty1));

P2到I2的变换公式为:

((u2@v2))=((α2&0@0&β2))((x2@y2))+((tx2@ty2));

将两式代入公式

((u1@v1))=((r11&r12@r21&r22))·((u2@v2))+((t1@t2))中得到:((α1x1+tx1@β1y1+ty1))=((r11&r12@r21&r22))((α2x2+tx2@β2y2+ty2))+((t1@t2))化简得到:

((x1@y1))=((α2r11/α1&β2r12/α1@α2r21/β1&β2r22/β1))((x2@y2))+(((tx2r11+ty2r12+t1‑tx1)/α1@(tx2r21+ty2r22+t2‑ty1)/β1))从而通过求出的图像变换转换到点云变换;

步骤四:全局优化;通过位姿优化的方式进行全局配准优化,以减小整体误差;具体包括以下步骤:

E)首先将多站点云两两之间通过步骤一到步骤三得到它们之间的变换关系;

F)将多站点云两两之间通过步骤一到步骤三得到它们之间的变换关系;

G)将所有能够配准的点云构建一个图优化的问题,图的顶点为每站点云的位姿,边为每两站能够配准点云之间的变换矩阵;

H)通过整体优化使得误差最小,最后采用ICP点云精配准算法来进一步缩小误差。

2.根据权利要求1所述的基于邻域栅格高斯加权俯视图的点云配准方法,其特征在于,所述步骤C)具体包括以下步骤:

(1)对于源图像I_target和目标图像I_source,采用SIFT算法提取到n组对应点对,如果n小于2则无法求得匹配,直接退出;

(2)在n对点中,我每次只取两组对应点,首先通过这两组对应点首先计算旋转角度θ,并将I_source旋转θ得到I_(source‑θ);

(3)然后通过两组对应点的中点计算I_target和I_(source‑θ)之间的距离Δd,并将I_(source‑θ)平移Δd得到I_(source‑θ‑d);

(4)从步骤(2)和步骤(3)中获得的角度和位移,根据下式计算出变换T_(i,j),T_(i,j)=((cosθ&‑sinθ&Δd_x@sinθ&cosθ&Δd_y))(5)将变换T_(i,j)运用到I_source的n个特征点上,计算这n个点和其对应于I_target的n个对应点的距离,距离小于阈值的点为内点,统计内点的数量m;

(6)重复步骤(2)‑(5),得到内点最多m_max的变换被认为是最佳的变换,然后把这m_max个内点一起用来计算最终的图像变换T_final。

3.根据权利要求1所述的基于邻域栅格高斯加权俯视图的点云配准方法,其特征在于,所述步骤四中使用g2o库中的Levenberg‑Marquadt方法进行全局配准优化。