結(jié)合圖像信息的快速點(diǎn)云拼接算法

王瑞巖，姜　光，高全學(xué)

西安電子科技大學(xué)通信工程學(xué)院綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071

Fast Registration Method for Point Clouds Using the Image Information

WANG Ruiyan,JIANG Guang,GAO Quanxue

State Key Laboratory of Integrated Services Networks, School of Telecommunications Engineering, Xidian University, Xi’an 710071, China

?

結(jié)合圖像信息的快速點(diǎn)云拼接算法

王瑞巖，姜光，高全學(xué)

西安電子科技大學(xué)通信工程學(xué)院綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071

Foundation support： The National Natural Science Foundation of China (Nos. 61271296；61403292)；The Program of Introducing Talents of Discipline to Universities (No. B08038)

摘要：現(xiàn)有三維激光掃描設(shè)備通常配有一個(gè)同軸相機(jī)，它可以對掃描場景進(jìn)行拍攝。針對帶有同軸相機(jī)的激光掃描設(shè)備，本文提出了一種結(jié)合圖像信息的快速點(diǎn)云拼接算法。與傳統(tǒng)拼接算法同時(shí)計(jì)算點(diǎn)云間的旋轉(zhuǎn)和平移變換不同，本文對這兩種變換分別進(jìn)行求解。其中，不同掃描點(diǎn)云間的旋轉(zhuǎn)變換是利用視覺幾何知識由同軸相機(jī)在不同掃描站點(diǎn)下拍攝的圖像直接獲得，而平移變換是由本文提出的改進(jìn)ICP 算法得到。在改進(jìn)的ICP算法中，只有平移變換的3個(gè)未知量被迭代計(jì)算，其輸入是去除旋轉(zhuǎn)變換后的點(diǎn)云。試驗(yàn)結(jié)果表明利用圖像獲得的點(diǎn)云旋轉(zhuǎn)變換具有很高的準(zhǔn)確性；并且由于本文算法中迭代過程只針對平移變換的3個(gè)變量進(jìn)行計(jì)算，因此與需要迭代計(jì)算6個(gè)變量的傳統(tǒng)ICP算法相比，本文算法計(jì)算復(fù)雜度大幅降低，同時(shí)更易收斂于全局最優(yōu)值且收斂速度有所提高。

關(guān)鍵詞：點(diǎn)云拼接；圖像信息；視覺幾何；ICP算法

近年來隨著地面激光掃描技術(shù)的日益進(jìn)步，獲取任意物體或區(qū)域的空間數(shù)據(jù)即三維點(diǎn)云變得越來越容易。為了獲得一個(gè)物體或區(qū)域的完整覆蓋，必須用激光掃描設(shè)備從不同掃描站點(diǎn)對其進(jìn)行掃描。然而不同站點(diǎn)的點(diǎn)云數(shù)據(jù)都處于各自獨(dú)立的坐標(biāo)系，因此還需將它們進(jìn)一步整合到同一坐標(biāo)系，也就是進(jìn)行三維點(diǎn)云的拼接。點(diǎn)云拼接是點(diǎn)云處理流程中的重要步驟，拼接的精度與速度也會直接影響整個(gè)點(diǎn)云處理的效果與效率[1]。

點(diǎn)云拼接算法是通過尋找不同點(diǎn)云間的同名特征來計(jì)算它們之間的變換矩陣，然后將點(diǎn)云拼接在同一坐標(biāo)系下的。目前普遍使用的點(diǎn)云拼接算法為文獻(xiàn)[2]提出的ICP(iterated closest point)算法，它選取最近點(diǎn)作為同名點(diǎn)來估計(jì)變換矩陣，并用同名點(diǎn)間的距離建立目標(biāo)函數(shù)，然后通過迭代方式使建立的目標(biāo)函數(shù)收斂到最小值，完成點(diǎn)云的精細(xì)拼接。對于包含海量數(shù)據(jù)的掃描點(diǎn)云數(shù)據(jù)，ICP算法計(jì)算復(fù)雜度通常較高以致運(yùn)算時(shí)間較長。此外在很多情況下它總會收斂到局部最優(yōu)值從而得到錯(cuò)誤拼接結(jié)果。為了提高ICP算法的收斂速度與穩(wěn)健性，很多學(xué)者對其進(jìn)行了改進(jìn)，如設(shè)計(jì)不同的策略選取最近點(diǎn)[3-4]，或構(gòu)建不同的目標(biāo)函數(shù)[5]，但是這些改進(jìn)算法仍不能處理兩個(gè)點(diǎn)云變換過大，尤其是旋轉(zhuǎn)變換很大的情況。因此ICP算法通常需要其他尋找同名點(diǎn)的方法提供一個(gè)粗略的拼接結(jié)果，如4PCS[6]，RANSAC-Based DARCES[7]，基于特定標(biāo)靶的方法[8]等，這些粗拼接算法在對大數(shù)據(jù)點(diǎn)云處理時(shí)也需耗費(fèi)較長時(shí)間。

現(xiàn)有的地面激光掃描儀通常會配有同軸的紅外或可見光相機(jī)，其拍攝的掃描場景圖像可為點(diǎn)云拼接提供輔助信息。文獻(xiàn)[9—10]即利用掃描設(shè)備形成的反射強(qiáng)度柱狀全景圖像對點(diǎn)云進(jìn)行拼接，其中使用了SIFT算子[11-12]檢測圖像特征點(diǎn)，但由于柱狀全景圖改變了圖像結(jié)構(gòu)，使用SIFT算子并不能得到很好的拼接效果。文獻(xiàn)[13]提出了一種基于共線方程的改進(jìn)丹麥法選權(quán)迭代法，可實(shí)現(xiàn)任意角度光學(xué)影像和點(diǎn)云的精確配準(zhǔn)。文獻(xiàn)[14]先由已知的控制點(diǎn)獲得可見光圖像中二維點(diǎn)與點(diǎn)云中三維點(diǎn)的對應(yīng)關(guān)系，然后通過檢測圖像中對應(yīng)特征點(diǎn)直接找到三維點(diǎn)云中的同名點(diǎn)從而完成點(diǎn)云拼接。文獻(xiàn)[15]也是通過圖像信息獲得相機(jī)的相對旋轉(zhuǎn)變換，但它仍舊需要先對相機(jī)和激光掃描設(shè)備坐標(biāo)系之間的關(guān)系進(jìn)行標(biāo)定，才能獲得點(diǎn)云間的旋轉(zhuǎn)平移變換從而將點(diǎn)云進(jìn)行拼接。

本文針對帶有同軸相機(jī)的激光掃描設(shè)備，在ICP算法的基礎(chǔ)上，提出了一種結(jié)合圖像信息的快速點(diǎn)云拼接算法。不同于以往拼接算法需要同時(shí)計(jì)算點(diǎn)云間的旋轉(zhuǎn)和平移變換，本文對這兩種變換分別進(jìn)行求解：即首先對同軸相機(jī)在不同掃描站點(diǎn)拍攝的圖像進(jìn)行特征提取和匹配，然后利用視覺幾何中的本質(zhì)矩陣計(jì)算出相機(jī)在不同掃描站點(diǎn)間的相對旋轉(zhuǎn)變換。由于同軸相機(jī)坐標(biāo)系與掃描儀坐標(biāo)系之間的變換是已知的，所以從相機(jī)的相對旋轉(zhuǎn)變換可以直接得到掃描儀的相對旋轉(zhuǎn)變換，即掃描點(diǎn)云間的旋轉(zhuǎn)變換。對于點(diǎn)云間平移變換的求解，本文提出一種改進(jìn)的ICP算法。該算法在迭代過程中僅需更新平移變換中的3個(gè)變量，而不是如傳統(tǒng)ICP算法同時(shí)更新迭代旋轉(zhuǎn)和平移6個(gè)變量，所以此算法降低了迭代過程中的計(jì)算復(fù)雜度，加快了收斂速度，同時(shí)也減小了收斂到錯(cuò)誤局部最優(yōu)值的可能性。

1地面激光掃描儀與同軸相機(jī)

現(xiàn)有的地面激光掃描儀通常都配備有一個(gè)同軸的可見光相機(jī)，它可以在掃描儀采集三維點(diǎn)云的同時(shí)對該場景進(jìn)行拍攝。一般情況下，同軸相機(jī)與激光掃描儀坐標(biāo)系之間存在固定的變換關(guān)系，而同軸相機(jī)在不同掃描站點(diǎn)拍攝的圖像之間也包含著相機(jī)在不同掃描站點(diǎn)之間的變換關(guān)系。

1.1激光掃描儀坐標(biāo)系與同軸相機(jī)坐標(biāo)系

激光掃描儀坐標(biāo)系可記為OS-xSySzS，相機(jī)坐標(biāo)系可記為OC-xCyCzC。當(dāng)相機(jī)固定于掃描儀之上時(shí)，這兩個(gè)坐標(biāo)系之間存在固定的剛性變換關(guān)系，可以表示為旋轉(zhuǎn)變換RE和平移變換tE，這個(gè)剛性變換可通過基于標(biāo)定物的標(biāo)定方法[15]求解。對于空間中任一點(diǎn)，它在兩個(gè)坐標(biāo)系下的坐標(biāo)分別用XS和XC表示，則

XS=REXC+tE

(1)

現(xiàn)有地面激光掃描儀配備的相機(jī)都與激光掃描儀同軸放置，如圖1所示，此時(shí)掃描儀坐標(biāo)系與其同軸相機(jī)坐標(biāo)系中的xS軸與zC軸，yS軸與xC軸，zS軸與yC軸分別互相平行。針對這種情況，無須通過標(biāo)定就能推導(dǎo)出同軸相機(jī)坐標(biāo)系到掃描儀坐標(biāo)系的旋轉(zhuǎn)變換RE為

圖1　掃描儀坐標(biāo)系與相機(jī)坐標(biāo)系相互關(guān)系Fig.1　Relationship between the coordinates systems of the scanner and the camera

(2)

1.2圖像對極幾何

如圖2所示，圖像I1與I2為同一相機(jī)在C1、C2兩個(gè)位置對同一場景拍攝得到的圖像，x1、x2分別為空間點(diǎn)X在I1與I2上的投影，被稱為一對對應(yīng)點(diǎn)。假設(shè)相機(jī)由C1位置運(yùn)動到C2位置的相對旋轉(zhuǎn)、平移變換分別為RC、tC，則由對極幾何[16]可知

(3)

式中，K為相機(jī)內(nèi)參數(shù)矩陣，其表達(dá)形式為

式中，fx、fy分別為相機(jī)在圖像平面橫軸x方向和縱軸y方向的焦距；s為歪斜因子；(u,v)為相機(jī)光心在圖像平面上的投影坐標(biāo)。而E被稱為本質(zhì)矩陣，它僅與相機(jī)拍攝兩幅圖像時(shí)的變換RC、tC有關(guān)， 即

E=[tC]xRC

(4)

式中，[tC]x為平移向量tC的反對稱陣

(5)

圖2　圖像恢復(fù)運(yùn)動Fig.2　Motion from images

因此，在事先對相機(jī)進(jìn)行標(biāo)定獲得相機(jī)的內(nèi)參數(shù)矩陣K后，圖像間的本質(zhì)矩陣E[17-18]可以通過圖像間的若干對應(yīng)點(diǎn)由式(3)計(jì)算出，而E被分解為如式(4)的形式[16]后，即得到相機(jī)在兩個(gè)位置間的相對變換RC、tC。但是由于E具有齊次性，從它分解得到的平移向量tC與真實(shí)的平移向量存在著尺度變換，所以本質(zhì)矩陣只能提供兩個(gè)位置的準(zhǔn)確相對旋轉(zhuǎn)變換RC。

2快速點(diǎn)云拼接算法

ICP算法是使用非常廣泛的點(diǎn)云拼接算法，計(jì)算復(fù)雜度高，運(yùn)算時(shí)間長，并且在很多情況下都不能收斂到正確的拼接結(jié)果?？紤]到掃描儀配有的同軸相機(jī)所拍攝的圖像可以提供關(guān)于掃描點(diǎn)云之間的輔助信息，本文在ICP算法的基礎(chǔ)上，提出一種結(jié)合圖像信息的快速點(diǎn)云配準(zhǔn)方法。

2.1圖像信息獲取旋轉(zhuǎn)變換R

設(shè)XS,1和XS,2為掃描儀在兩個(gè)位置獲得兩個(gè)點(diǎn)云中的對應(yīng)點(diǎn)坐標(biāo)，XC,1和XC,2分別為XS,1和XS,2在相應(yīng)同軸相機(jī)坐標(biāo)系下的坐標(biāo)，則

(6)

由2.2節(jié)可知，通過同軸相機(jī)拍攝圖像間的本質(zhì)矩陣，可以獲得同軸相機(jī)在兩個(gè)不同位置的相對旋轉(zhuǎn)和平移變換RC、λtC，即

XC,2=RCXC,1+λtC

(7)

由式(6)、(7)可得

(8)

因此掃描儀在兩個(gè)掃描站點(diǎn)獲得的點(diǎn)云間旋轉(zhuǎn)平移變換分別為

(9)

式中，RE為已知；RC可由圖像信息計(jì)算得到，所以通過式(9)可以計(jì)算出在兩個(gè)掃描站點(diǎn)獲得的點(diǎn)云間旋轉(zhuǎn)變換R。然而對于點(diǎn)云間的平移向量t，由于λ和tE無法確定，所以它并不能從圖像信息中得到。一般情況下，若圖像之間含有較大的對應(yīng)部分，則現(xiàn)有的圖像特征點(diǎn)檢測匹配算法，如SIFT算法[11-12]，可以自動且快速地獲得它們之間的匹配特征點(diǎn)，并可達(dá)到亞像素精度。此外，由文獻(xiàn)[18]可知在寬基線及大景深的情況下，從圖像信息獲得相機(jī)的相對旋轉(zhuǎn)變換誤差僅在0.02°左右。因此，由圖像信息獲取旋轉(zhuǎn)變換的準(zhǔn)確度十分高且可以自動處理。

2.2改進(jìn)ICP算法

由2.1節(jié)可知，從同軸相機(jī)拍攝的圖像可以直接獲得相應(yīng)待拼接點(diǎn)云間的旋轉(zhuǎn)變換，將其代入待拼接的點(diǎn)云，即可獲得去除旋轉(zhuǎn)變換后的兩個(gè)點(diǎn)云，此時(shí)只需使用ICP算法對這兩個(gè)點(diǎn)云間的平移變換進(jìn)行求解。在本文中，為了快速獲得點(diǎn)云間平移向量，本文對傳統(tǒng)ICP算法進(jìn)行了改進(jìn)，即對迭代過程進(jìn)行約束，使其僅對平移向量進(jìn)行計(jì)算并更新。

已知源點(diǎn)云數(shù)據(jù)集為P，目標(biāo)點(diǎn)云數(shù)據(jù)集為Q，它們之間只包含平移變換。k表示迭代次數(shù)， Pk為P經(jīng)過第k次更新后的數(shù)據(jù)集，Dk為第k次迭代時(shí)Pk中的每一點(diǎn)在Q中尋找到的對應(yīng)最近點(diǎn)所形成的點(diǎn)集，tk為第k次迭代計(jì)算出的平移向量，dk代表第k次迭代的估計(jì)誤差。改進(jìn)ICP算法的具體步驟描述如下：

(1) 初始化。令P0=RP，R=I，t0=0，k =0。I為3×3的單位陣，這是認(rèn)為兩個(gè)待拼接點(diǎn)云之間無旋轉(zhuǎn)變換；0為3×1的零向量。

(2) 計(jì)算最近點(diǎn)集。計(jì)算數(shù)據(jù)點(diǎn)集Pk在Q中對應(yīng)的最近點(diǎn)集Dk，其中Pk={Pk,1,Pk,2, …,Pk,N}, Dk={Dk,1,Dk,2, …,Dk,N}。

(3) 計(jì)算平移向量tk和估計(jì)誤差dk

(10)

(11)

(4) 更新源數(shù)據(jù)集。使用tk對數(shù)據(jù)集Pk進(jìn)行更新，有

Pk+1=Pk+tk

(12)

(5) 重復(fù)迭代。當(dāng)兩次迭代間的估計(jì)誤差變化小于某一閾值δ，即dk-dk+1<δ時(shí)，停止迭代過程。

橡膠圈外觀質(zhì)量應(yīng)符合以下要求：顏色均勻，表面不應(yīng)有游離硫；材質(zhì)致密，無肉眼可見的雜質(zhì)、氣孔、裂縫及其他有礙使用的缺陷；單個(gè)橡膠圈上凹凸不超過1 mm，面積不超過6 mm2，且不多于3處；飛邊須除凈，其厚度不應(yīng)超過0.4 mm，剪損寬度應(yīng)不超過0.8 mm；無平面扭曲現(xiàn)象，帶接頭的橡膠圈，接頭處應(yīng)平順無分離跡象，接頭處錯(cuò)位不應(yīng)超過0.5 mm；每個(gè)橡膠圈只容許有1個(gè)接頭。

在傳統(tǒng)ICP算法中，進(jìn)行迭代更新的變量為旋轉(zhuǎn)矩陣和平移向量含有的6個(gè)未知量，計(jì)算復(fù)雜度相對較高，且其中主要的運(yùn)算量都集中于旋轉(zhuǎn)矩陣的計(jì)算[19-20]。而上述的改進(jìn)ICP算法只對平移向量t的3個(gè)變量進(jìn)行迭代計(jì)算，因此算法計(jì)算復(fù)雜度降低且運(yùn)算量大量減少，從而減少了運(yùn)算時(shí)間并加快了收斂速度。此外由于所求未知量的減少，也降低了算法收斂到錯(cuò)誤局部最優(yōu)值的可能性。

3試驗(yàn)結(jié)果與分析

使用真實(shí)點(diǎn)云數(shù)據(jù)對本文拼接算法進(jìn)行了試驗(yàn)。真實(shí)點(diǎn)云數(shù)據(jù)如圖3所示，其中圖3(a)為用激光掃描儀在兩個(gè)掃描站點(diǎn)對某雕塑采集的數(shù)據(jù)，圖中點(diǎn)云分別包含10.6萬和4.8萬個(gè)點(diǎn)；圖3(b)為在某教學(xué)樓前兩個(gè)掃描對教學(xué)樓采集的數(shù)據(jù)，圖中點(diǎn)云分別包含254.6萬和176.2萬個(gè)點(diǎn)。在每個(gè)掃描站點(diǎn)，相機(jī)都會在整個(gè)掃描設(shè)備處于穩(wěn)定狀態(tài)時(shí)對掃描場景進(jìn)行拍攝。本試驗(yàn)用相機(jī)單幅圖像分辨率為3588×2368像素，水平視場角為73°，垂直視場角為53°。因此其水平及垂直角度分辨率分別可達(dá)0.020 3°及0.022 4°。該相機(jī)已事先進(jìn)行了標(biāo)定，其內(nèi)參數(shù)矩陣為其畸變參數(shù)為(-0.08， 0.16， -0.002， -0.001，0)。

圖3　點(diǎn)云數(shù)據(jù)Fig.3　Original point clouds

3.1配準(zhǔn)結(jié)果

在實(shí)際情況下，相機(jī)拍攝的圖像都存在一定的畸變，畸變圖像中對應(yīng)點(diǎn)之間并不嚴(yán)格滿足式(3)的關(guān)系。但是在對相機(jī)標(biāo)定時(shí)，相機(jī)的畸變參數(shù)已經(jīng)測得，所以拍攝圖像首先按照畸變參數(shù)進(jìn)行了去畸變處理，然后再在圖中尋找特征點(diǎn)并匹配。圖4和圖5分別為掃描儀在采集圖3(a)和(b)中數(shù)據(jù)時(shí)相機(jī)拍攝的圖像，并且已去除了圖像畸變，圖中檢測到的匹配點(diǎn)已由黑線所連接。其中，圖4雕塑圖片由SIFT算法進(jìn)行特征點(diǎn)提取匹配，對圖片的處理時(shí)間為5.3s，并得到144對匹配特征點(diǎn)。由于兩幅圖視角相差太大，所以匹配點(diǎn)對中有一定的錯(cuò)誤率。圖5教學(xué)樓圖片由于拍攝照片的視角旋轉(zhuǎn)角度過大且圖像對應(yīng)部分較小，SIFT算法不能有效地檢測出匹配點(diǎn)，所以試驗(yàn)中采用Harris算法檢測角點(diǎn)并手動配準(zhǔn)，共獲得10對匹配特征點(diǎn)，這兩幅圖片的處理有人工參與，但耗時(shí)也不超過10s。

圖4　雕塑圖像的匹配特征點(diǎn)Fig.4　Matched correspondences between the statueimages

圖5　教學(xué)樓圖像的匹配特征點(diǎn)Fig.5　Matched correspondences between the teachingbuilding images

圖6(a)和圖7(a)分別顯示了兩組點(diǎn)云數(shù)據(jù)用計(jì)算得到的旋轉(zhuǎn)矩陣對點(diǎn)云進(jìn)行變換后的頂視圖及前視圖。從圖中可以看出，兩個(gè)點(diǎn)云之間幾乎不再存在旋轉(zhuǎn)變換。這說明本文提出的通過圖像信息獲得點(diǎn)云旋轉(zhuǎn)變換的方法穩(wěn)健性很強(qiáng)，即使在提取匹配點(diǎn)對有一定錯(cuò)誤率或匹配點(diǎn)對很少的情況下，依然可以獲得準(zhǔn)確的旋轉(zhuǎn)變換。然后使用本文改進(jìn)的ICP算法分別對圖6(a)和圖7(a)中的兩個(gè)點(diǎn)云數(shù)據(jù)進(jìn)行迭代配準(zhǔn)，最終拼接結(jié)果如圖6(b)、圖7(b)所示，其相應(yīng)的拼接中誤差分別為5.01cm與5.26cm。為了更加清楚地顯示本文算法的拼接結(jié)果，圖6(c)和圖7(c)分別顯示了圖6(b)和圖7(b)拼接結(jié)果的局部放大圖，從圖中可以看出兩個(gè)點(diǎn)云很好地拼接在一起，驗(yàn)證了本文算法的可行性。

圖6　雕塑數(shù)據(jù)拼接結(jié)果Fig.6　Registration results of the statue

圖7　教學(xué)樓數(shù)據(jù)拼接結(jié)果Fig.7　Registration results of the teaching building

3.2與傳統(tǒng)ICP算法的對比分析

為了對比本文拼接算法與傳統(tǒng)ICP算法的性能，本文也將兩組點(diǎn)云用傳統(tǒng)ICP算法進(jìn)行拼接。圖8(a)、(b)中分別顯示了用傳統(tǒng)ICP算法將原始雕塑點(diǎn)云(圖3(a))以及去除旋轉(zhuǎn)變換后的兩個(gè)雕塑點(diǎn)云(圖6(a))進(jìn)行拼接的結(jié)果?？梢钥吹?，對于這兩組待拼接點(diǎn)云，傳統(tǒng)ICP算法都沒有把它們很好地拼接。這是由于這兩個(gè)點(diǎn)云重疊部分較小，且重疊部分的數(shù)據(jù)點(diǎn)大多位于一個(gè)平面上，所以很容易落入局部的最優(yōu)值。

圖8　雕塑數(shù)據(jù)的傳統(tǒng)ICP算法拼接結(jié)果Fig.8　Registration results of the statue by traditional ICP algorithm

表1分別列舉了傳統(tǒng)ICP算法對教學(xué)樓原始點(diǎn)云數(shù)據(jù)、去除旋轉(zhuǎn)變換后點(diǎn)云數(shù)據(jù)，以及改進(jìn)ICP算法對去除旋轉(zhuǎn)變換后點(diǎn)云數(shù)據(jù)進(jìn)行拼接時(shí)算法迭代次數(shù)、運(yùn)算時(shí)間及拼接中誤差。從拼接精度上來看，3組拼接結(jié)果的中誤差相差無幾，都在5cm左右，這證明了本文算法的精度可以達(dá)到ICP算法的精度。由算法分析可知，從圖像中獲取點(diǎn)云相對旋轉(zhuǎn)變換具有相當(dāng)高的精度，因此可以認(rèn)為本文算法系統(tǒng)誤差主要存在于改進(jìn)的ICP算法中。在迭代次數(shù)及運(yùn)算時(shí)間上，本文改進(jìn)的ICP算法是最少的，其次是傳統(tǒng)ICP算法對去除旋轉(zhuǎn)變換后點(diǎn)云數(shù)據(jù)的處理。這一方面證明了由圖像信息獲得的旋轉(zhuǎn)變換給傳統(tǒng)ICP算法提供了很好的初值以致其收斂速度及運(yùn)算時(shí)間都有所降低，另一方面也證明了本文改進(jìn)的ICP算法可以大幅提高算法的收斂速度并降低運(yùn)算時(shí)間?？紤]到當(dāng)同軸相機(jī)拍攝的圖像之間有較大對應(yīng)部分時(shí)，利用圖像信息計(jì)算掃描點(diǎn)云間的旋轉(zhuǎn)變換僅需5s左右時(shí)間，與后續(xù)改進(jìn)ICP算法迭代過程相比可忽略不計(jì)，因此本文提出的結(jié)合圖像信息ICP點(diǎn)云拼接算法可以有效地提高點(diǎn)云拼接效率。在實(shí)際應(yīng)用中，三維場景是多種多樣的，尚需要加大試驗(yàn)量，以驗(yàn)證該方法的應(yīng)用有效性。

表1傳統(tǒng)ICP及改進(jìn)ICP算法對教學(xué)樓數(shù)據(jù)處理性能對比

Tab.1Comparison of the traditional and improved ICP algorithm on point clouds of teaching building

點(diǎn)云拼接算法迭代次數(shù)運(yùn)算時(shí)間/s拼接結(jié)果中誤差/m傳統(tǒng)ICP(圖2點(diǎn)云)255519.89正確0.0522傳統(tǒng)ICP(圖6(a)點(diǎn)云)205342.46正確0.0510改進(jìn)ICP(圖6(a)點(diǎn)云)168256.04正確0.0526

4結(jié)束語

本文針對帶有同軸相機(jī)的三維激光掃描設(shè)備，提出了一種結(jié)合圖像信息的快速點(diǎn)云拼接算法。本算法適用于可以拍到清晰可見光圖像的情景下，并且要求兩個(gè)站點(diǎn)拍攝的可見光圖像必須有對應(yīng)重疊部分。在圖像信息有一半以上重疊時(shí)，此方法可以自動進(jìn)行；否則，圖像的視角差異大會導(dǎo)致特征點(diǎn)匹配算法無法自動提供準(zhǔn)確匹配點(diǎn)，此時(shí)該方法還需人工干預(yù)。與傳統(tǒng)ICP拼接算法相比，本文算法減少了迭代過程求解的未知量個(gè)數(shù)，降低了迭代算法的計(jì)算復(fù)雜度以及收斂到局部最優(yōu)解的可能性，從而使得拼接效率大幅提高。最后文中兩組地面激光點(diǎn)云數(shù)據(jù)的拼接試驗(yàn)表明本方法可以更穩(wěn)健且更快速地對點(diǎn)云進(jìn)行拼接。

參考文獻(xiàn)：

[1]浦石, 李京偉, 郭四清. 融合語義特征與GPS位置的地面激光點(diǎn)云拼接方法[J]. 測繪學(xué)報(bào), 2014, 43(5): 545-550.

PU Shi, LI Jingwei, GUO Siqing. Registration of Terrestrial Laser Point Clouds by Fusing Semantic Features and GPS Positions[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 545-550.

[2]BESL P J, MCKAY N D.A Method for Registration of 3-D Shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.

[3]BLAIS G, LEVINE M D. Registering Multiview Range Data to Create 3D Computer Objects[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1995, 17(8): 820-824.

[4]RUSINKIEWICZ S, LEVOY M. Efficient Variants of the ICP Algorithm[C]∥Proceedings of the 3rd International Conference on 3-D Digital Imaging and Modeling. Quebec City: IEEE, 2001: 145-152.

[5]BAE K H, LICHT D D. A Method for Automated Registration of Unorganised Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(1): 36-54.

[6]AIGER D, MITRA N J, COHEN-OR D. 4-Points Congruent Sets for Robust Pairwise Surface Registration[J]. ACM Transactions on Graphics, 2008, 27(3): 85.

[7]CHEN C S, HUNG Y P, CHENG J B. RANSAC-based DARCES: A New Approach to Fast Automatic Registration of Partially Overlapping Range Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1999, 21(11): 1229-1234.

[8]姚吉利, 馬寧, 賈象陽, 等. 光束法區(qū)域網(wǎng)平差的地面激光掃描多站點(diǎn)云自動定向方法[J]. 測繪學(xué)報(bào), 2014, 43(7): 711-716, 723.

YAO Jili, MA Ning, JIA Xiangyang, et al. Auto-registration for Terrestrial Laser Scanning Multi-stations Point Clouds with Bundle Block Adjustment Method[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(7): 711-716, 723.

[9]KANG Zhizhong, LI J, ZHANG Liqiang, et al. Automatic Registration of Terrestrial Laser Scanning Point Clouds Using Panoramic Reflectance Images[J]. Sensors, 2009, 9(4): 2621-2646.

[10]WEINMANN M, JUTZI B. Fully Automatic Image-based Registration of Unorganized TLS Data[J]. International Archives Photogrammetry, Remote Sensing and Spatial Information Sciences, 2011, 38(5/W12): 55-60.

[11]LOWE D G. Distinctive Image Features from Scale-invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[12]楊化超, 姚國標(biāo), 王永波. 基于SIFT的寬基線立體影像密集匹配[J]. 測繪學(xué)報(bào), 2011, 40(5): 537-543.

YANG Huachao, YAO Guobiao, WANG Yongbo. Dense Matching for Wide Base-line Stereo Images Based on SIFT[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(5): 537-543.

[13]王晏民, 胡春梅. 一種地面激光雷達(dá)點(diǎn)云與紋理影像穩(wěn)健配準(zhǔn)方法[J]. 測繪學(xué)報(bào), 2012, 41(2): 266-272.

WANG Yanmin, HU Chunmei. A Robust Registration Method for Terrestrial LiDAR Point Clouds and Texture Image[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(2): 266-272.

[14]HAN J Y, PERNG N H, CHEN Huangjie. LIDAR Point Cloud Registration by Image Detection Technique[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 746-750.

[15]AL-MANASIR K, FRASER C S. Registration of Terrestrial Laser Scanner Data Using Imagery[J]. The Photogrammetric Record, 2006, 21(115): 255-268.

[16]HARTLEY R, ZISSERMAN A. Multiple View Geometry in Computer Vision[M]. Cambridge: Cambridge University Press, 2003.

[17]HARTLEY R. In Defense of the Eight-point Algorithm[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(6): 580-593.

[18]NISTER D. An Efficient Solution to the Five-point Relative Pose Problem[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(6): 756-770.

[19]HORN B K P. Closed-form Solution of Absolute Orientation Using Unit Quaternions[J]. Journal of the Optical Society of America A, 1987, 4(4): 629-642.

[20]ARUN K S, HUANG T S, BLOSTEIN S D. Least-squares Fitting of Two 3-D Point Sets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, 9(5): 698-700.

(責(zé)任編輯：張艷玲)

修回日期： 2015-08-18

First author： WANG Ruiyan(1986—)，female, PhD candidate，majors in computer vision and 3D reconstruction.

E-mail： ruiyanwang@xidian.edu.cn

Corresponding author： JIANG Guang

E-mail： gjiang@mail.xidian.edu.cn

Fast Registration Method for Point Clouds Using the Image Information

WANG Ruiyan,JIANG Guang,GAO Quanxue

State Key Laboratory of Integrated Services Networks, School of Telecommunications Engineering, Xidian University, Xi’an 710071, China

Abstract：On the existing laser scanners, there usually is a coaxial camera, which could capture images in the scanning site. For the laser scanners with a coaxial camera, we propose a fast registration method using the image information. Unlike the traditional registration methods that computing the rotation and translation simultaneously, our method calculates them individually. The rotation transformation between the point clouds is obtained by the knowledge of the vision geometry and the image information, while their translation is acquired by our improved ICP algorithm. In the improved ICP algorithm, only the translation vector is updated iteratively, whose input is the point clouds that removing the rotation transformation. Experimental results show that the rotation matrix obtained by the images has a high accuracy. In addition, compared with the traditional ICP algorithm, our algorithm converges faster and is easier to fall into the global optimum.

Key words：point clouds registration; image information; vision geometry; ICP algorithm

通信作者：姜光

作者簡介：第一 王瑞巖(1986—)，女，博士生，研究方向?yàn)橛?jì)算機(jī)視覺和三維重建。

收稿日期：2014-12-03

基金項(xiàng)目：國家自然科學(xué)基金(61271296；61403292)；高等學(xué)校科學(xué)創(chuàng)新引智計(jì)劃基金(B08038)

中圖分類號：P237

文獻(xiàn)標(biāo)識碼：A

文章編號：1001-1595(2016)01-0096-07

引文格式：王瑞巖，姜光，高全學(xué).結(jié)合圖像信息的快速點(diǎn)云拼接算法[J].測繪學(xué)報(bào)，2016,45(1)：96-102.DOI:10.11947/j.AGCS.2016.20140627.

WANG Ruiyan, JIANG Guang, GAO Quanxue.Fast Registration Method for Point Clouds Using the Image Information[J]. Acta Geodaetica et Cartographica Sinica,2016,45(1):96-102.DOI:10.11947/j.AGCS.2016.20140627.