论文部分内容阅读
点云配准(Point Cloud Registration, PCR)是为了完整地重构物体表面形状,将所有基于不同独立坐标系获取的点云转换至同一坐标系统的过程。PCR作为点云数据处理中非常重要的环节,配准的效率、精度与可靠性直接影响着后续数据处理的进行。PCR使用七参数相似变换模型表达坐标转换过程,再采用最小二乘法建立坐标转换参数求解模型。坐标转换参数的求解方法大致分为迭代解法和非迭代解法两类。迭代解法可求解协因数阵用于分析转换参数之间的相关性,但迭代的收敛性易受初始值的影响；非迭代解法较稳健,但无法用于分析转换参数之间的相关性,因此,论文提出了“基于非迭代与迭代法联合估计的转换参数求解方法”(简称“联合解法”)。联合解法使用非迭代解法获取转换参数初始值,再采用迭代解法估计最优转换参数。迭代最近点(Iterative Closest Point, ICP)算法是两视点云精确配准广泛使用的方法。KNN搜索是ICP算法的关键步骤,它的计算时间是影响ICP算法配准效率的主要因素。为提高KNN搜索的效率,在“树结构”和“格网划分”KNN搜索算法的基础上,论文提出了一种“正交轴格网划分”的KNN搜索算法。该算法首先沿方差最小的方向将点集投影至2D平面,然后在2D平面上进行格网分块存储,最后按照“格网划分”的搜索方法查找给定点的K近邻。在多视点云配准中,“基于约束的配准”算法可用于对“序贯配准”产生的误差累积进行分配,提高配准的精度与可靠性。已有“基于约束的配准”算法大多没有考虑尺度参数,而且将平移参数和旋转参数的闭合差分开求解再进行闭合差分配,配准精度较低。论文提出了一种“渐进式配准”算法,它的主要过程是以单站点云作为配准单元,根据ICP算法获得的坐标转换参数作为观测值构建闭合环条件,再进行平差计算获得最优坐标转换参数。通过实测扫描数据对提出的新方法和已有方法进行对比实验,验证新方法的有效性和优越性,结论如下：(1)将联合解法与SVD分解法、正交矩阵法、单位四元数法、对偶四元数法等四种非迭代解法和欧拉角形式、矩阵形式、四元素形式等三种迭代解法进行对比实验,结果表明,在大旋转角度下,四种非迭代解法的转换精度均一致；三种迭代解法均收敛至错误解；联合解法收敛至正确的解,在转换精度方面与非迭代解法一致。(2)在ICP收敛精度上,“正交轴格网划分”、”格网划分”和“树结构”算法的结果基本一致；在ICP收敛效率上,”正交轴格网划分”算法最优,”格网划分”算法次之,”正交轴格网划分”算法和”格网划分”算法都明显优于“树结构”算法。(3)在渐进式配准算法的配准精度与可靠性方面,对毫米级和厘米级平均采样间隔的点云数据,平移参数的中误差能够达到0.01mm级,旋转参数的中误差能够达到秒级,缩放参数的中误差能够达到10-6级坐标转换参数的中误差受采样间隔的影响很小,受相邻点云重叠度的影响较大；当相邻点云的重叠度增大时,可使旋转参数的中误差能够达到0.1秒级,缩放参数的中误差能够达到10-7级,配准精度提高一个数量级。