面向RGBD深度数据的快速点云配准方法
目的 真实物体的3维重建一直是计算机图形学、机器视觉等领域的研究热点.针对基于RGBD数据的非匀速非固定角度旋转物体的3维重建问题,提出一种利用旋转平台重建物体3维模型的配准方法.方法 首先通过Kinect采集位于旋转平台上目标物的深度数据和颜色数据,对齐融合并使用包围盒算法去除背景噪声和不需要的外部点云,获得带有颜色信息的点云数据.并使用基于标定物不同角度上的点云数据标定出旋转平台中心轴的位置,从而获得Kinect与旋转平台之间的相对关系;然后通过曲率特征对目标点云进行特征点提取并寻找与相邻点云的对应点;其中对于特征点的选取,首先针对点云中的任意一点利用kd-tree搜寻其k个邻近点,对这些点进行曲面拟合,进而计算其高斯曲率,将高斯曲率绝对值较大的n个点作为点云的特征点.n的取值由点云的点个数、点密度和复杂度决定,具体表现为能反映物体的大致轮廓或表面特征信息即可.对于对应点的选取,考虑到欧氏距离并不能较好反映点云中的点对在旋转过程中的对应关系,在实际配准中,往往会因为点云重叠或距离过远等原因找到大量错误的对应点.由于目标物在扫描过程中仅绕旋转轴进行旋转,因此采用圆弧最小距离寻找对应点可有效减少错误点对.随后,使用二分迭代寻找绕中心轴的最优旋转角度以满足点云间的匹配误差最小;最后,将任意角度获取的点云数据配准到统一的坐标系下并重建模型.结果 使用斯坦福大学点云数据库和自采集数据库分别对该方法和已有方法在算法效率和配准结果上进行对比实验,实验结果显示在拥有平均75 000个采样点的斯坦福大学点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少86.5％、57.5％,算法运行时间分别平均减少87％、60.75％,欧氏距离误差平方和分别平均减少70％、22％;在具有平均57000个采样点的自采集点云数据库上与传统ICP算法和改进ICP算法相比,迭代次数分别平均减少94％、75％,算法运行时间分别平均减少92％、69％,欧氏距离误差平方和分别平均减少61.5％、30.6％;实验结果显示使用该方法进行点云配准效率较高且配准误差更小;和KinectFusion算法相比在纹理细节保留上也表现出较好的效果.结论 本文提出的基于旋转平台标定的点云配准算法,利用二分迭代算法能够有效降低算法复杂度.与典型ICP和改进的ICP算法的对比实验也表明了本文算法的有效性.另外,与其他方法在具有纹理的点云配准对比实验中也验证了本文配准方法的优越性.该方法仅采用单个Kinect即可实现对非匀速非固定角度旋转物体的3维建模,方便实用,适用于简单快速的3维重建应用场合.
RGBD数据、3维扫描、点云配准、Kinect、深度数据
22
TP391(计算技术、计算机技术)
国家自然科学基金项目11471093;安徽省教育厅自然科学研究项目KJ2014A142;情感计算与先进智能机器安徽省重点实验室开放课题ACAIM160102National Natural Science Foundation of China11471093
2017-06-19（万方平台首次上网日期，不代表论文的发表时间）
共13页
643-655
