基于特征相似性的RGBD點(diǎn)云配準(zhǔn)

盛 敏，彭玉升，蘇本躍，王廣軍

基于特征相似性的RGBD點(diǎn)云配準(zhǔn)

盛 敏1,2，彭玉升3，蘇本躍2,4，王廣軍2,4

(1. 安慶師范大學(xué)數(shù)學(xué)與計(jì)算科學(xué)學(xué)院，安徽 安慶 246011；2.安徽省智能感知與計(jì)算重點(diǎn)實(shí)驗(yàn)室，安徽 安慶 246011；3. 合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230601；4. 安慶師范大學(xué)計(jì)算機(jī)與信息學(xué)院，安徽 安慶 246011)

三維點(diǎn)云數(shù)據(jù)的配準(zhǔn)是計(jì)算機(jī)視覺領(lǐng)域的重要研究課題，也是三維重建的關(guān)鍵步驟。針對(duì)RGBD點(diǎn)云數(shù)據(jù)的配準(zhǔn)問(wèn)題，提出一種基于特征相似性的初始配準(zhǔn)方法。首先需要計(jì)算待配準(zhǔn)的RGBD點(diǎn)云模型的曲率和顏色特征度(CFD)，并對(duì)CFD進(jìn)行統(tǒng)計(jì)分析，若模型顏色特征足夠豐富優(yōu)先采用顏色相似性策略，反之嘗試曲率相似性策略。通過(guò)特征點(diǎn)提取精簡(jiǎn)點(diǎn)云模型，利用確定的對(duì)應(yīng)點(diǎn)選擇策略選擇候選對(duì)應(yīng)點(diǎn)對(duì)。在候選對(duì)應(yīng)點(diǎn)對(duì)上采用優(yōu)化樣本一致性算法獲得初始配準(zhǔn)變換矩陣，實(shí)現(xiàn)兩片點(diǎn)云的初始配準(zhǔn)。針對(duì)不同顏色紋理的RGBD點(diǎn)云模型，本文方法可以自適應(yīng)選擇合適的特征點(diǎn)選擇策略，實(shí)現(xiàn)點(diǎn)云間良好的初始配準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，對(duì)于幾何特征不明顯的RGBD模型，本文方法能夠自適應(yīng)選擇顏色相似性策略來(lái)較好地完成初始配準(zhǔn)。對(duì)于不同類型的模型配準(zhǔn)結(jié)果較好，算法效率更高。

RGBD點(diǎn)云；初始配準(zhǔn)；特征相似性；顏色相似性；曲率相似性

三維掃描點(diǎn)云數(shù)據(jù)的配準(zhǔn)是計(jì)算機(jī)視覺領(lǐng)域的重要研究課題。點(diǎn)云數(shù)據(jù)也廣泛應(yīng)用于三維重建[1]、對(duì)象識(shí)別[2-3]、姿態(tài)估計(jì)[4]等研究方向。為了進(jìn)行模型重建和姿態(tài)估計(jì)，需要將各種視圖中獲取的數(shù)據(jù)轉(zhuǎn)換到公共坐標(biāo)系下。其作為具有挑戰(zhàn)性的研究課題，主要難點(diǎn)在于：輸入點(diǎn)云數(shù)據(jù)的初始位置未知、原始數(shù)據(jù)具有噪聲、點(diǎn)云密度各不相同并且模型之間的重合程度難以估計(jì)。因此，如何提高點(diǎn)云配準(zhǔn)算法效率是實(shí)際應(yīng)用中亟需解決的問(wèn)題。

一般來(lái)說(shuō)，點(diǎn)云配準(zhǔn)方法包括初始配準(zhǔn)和精確配準(zhǔn)。初始配準(zhǔn)的目的是估計(jì)兩點(diǎn)云之間的初始變換，主要是通過(guò)特征匹配尋找對(duì)應(yīng)點(diǎn)對(duì)來(lái)實(shí)現(xiàn)的。通常會(huì)采用迭代最近點(diǎn)算法[5]及其改進(jìn)算法[6-7]來(lái)實(shí)現(xiàn)進(jìn)一步的精確配準(zhǔn)，初始配準(zhǔn)的必要性有2方面：①如果初始階段就采用ICP算法估計(jì)坐標(biāo)變換，2片點(diǎn)云空間位置差異較大時(shí)ICP算法會(huì)陷入局部最優(yōu)化；②良好的初始變換可以顯著提高ICP算法的計(jì)算效率。

初始配準(zhǔn)通常依賴于局部幾何特征描述符建立3D剛性形狀之間的點(diǎn)對(duì)應(yīng)關(guān)系，其目的是通過(guò)特征向量全面地表示局部表面內(nèi)包含的幾何和空間信息。相關(guān)研究人員基于局部參考系(local reference frame)建立局部特征描述符[8-10]進(jìn)行初始配準(zhǔn)。GUO等[8]提出的旋轉(zhuǎn)投影統(tǒng)計(jì)(rotational projection statistics, RoPS)描述符，是第一個(gè)基于“旋轉(zhuǎn)和投影”機(jī)制的方法，目的是捕獲由多個(gè)2D點(diǎn)分布圖表示的多視圖信息。QUAN等[9]提出一種局部體素化結(jié)構(gòu)(local voxelized structure, LoVS)，使用點(diǎn)空間位置簡(jiǎn)單地將由點(diǎn)云表示的局部形狀結(jié)構(gòu)編碼為位串，而不計(jì)算復(fù)雜的幾何在特征表示階段屬性，例如法線和曲率。LoVS描述符是在周圍的局部立方體積內(nèi)提取的關(guān)鍵點(diǎn)以實(shí)現(xiàn)旋轉(zhuǎn)不變性。QUAN等[10]提出利用來(lái)自多個(gè)視點(diǎn)的輪廓線索來(lái)表示局部幾何形狀以解決該問(wèn)題，形成一種稱為旋轉(zhuǎn)輪廓圖(rotational silhouette maps, RSM)的新二元特征。

相關(guān)學(xué)者提出一些基于直方圖的特征描述符，不依賴于局部參考系。文獻(xiàn)[11]提出了一種通過(guò)使用點(diǎn)特征直方圖(point feature histograms, PFH)表征局部幾何結(jié)構(gòu)的新方法，具有很高的辨識(shí)力且對(duì)點(diǎn)云配準(zhǔn)非常有效但是計(jì)算比較復(fù)雜。為了提高時(shí)間效率，文獻(xiàn)[12]采用鄰域點(diǎn)的簡(jiǎn)化點(diǎn)特征直方圖(simplified point feature histogram, SPFH)來(lái)獲得快速點(diǎn)特征直方圖(fast point feature histograms, FPFH)描述符。文獻(xiàn)[13]提出了一種新型的局部點(diǎn)特征直方圖描述符(local feature statistics histogram, LFSH)，融合了3種局部幾何特征去定義描述符，具有很強(qiáng)的抗噪能力。而且提出了一種優(yōu)化采用一致性算法可以克服高自相似模型的匹配問(wèn)題。但3種局部幾何特征之間可能會(huì)有冗余，而且算法中為給定經(jīng)驗(yàn)參數(shù)，均會(huì)影響算法的時(shí)間和效率。趙夫群等[14]利用局部深度、法線偏角和點(diǎn)云密度等局部特征生成特征描述子，通過(guò)特征描述子的相關(guān)性進(jìn)行初始配準(zhǔn)，進(jìn)而通過(guò)改進(jìn)的ICP算法實(shí)現(xiàn)點(diǎn)云的精確配準(zhǔn)，對(duì)低覆蓋率的點(diǎn)云具有良好的配準(zhǔn)效果。

目前的特征匹配方法都是基于幾何特征的，針對(duì)RGBD點(diǎn)云數(shù)據(jù)，本文提出一種基于特征相似性的點(diǎn)云配準(zhǔn)方法，定義的特征相似性策略中包含了幾何曲率約束和顏色約束，通過(guò)雙重約束確定的對(duì)應(yīng)關(guān)系有較高的準(zhǔn)確率，本文針對(duì)不同類型的RGBD點(diǎn)云模型提出的2種特征相似性策略均具有較好的配準(zhǔn)效果。

1 特征估計(jì)

1.1 曲率特征估計(jì)

曲率和法向是常用的幾何特征，估算曲率和法向的常用方法是主成分分析法(principal component analysis, PCA)法，該方法是一種主元分析法，其對(duì)噪聲點(diǎn)具有極強(qiáng)的魯棒性。點(diǎn)云的曲率估算方法如下。

1.2 顏色特征估計(jì)

RGBD點(diǎn)云數(shù)據(jù)包含了點(diǎn)云的3D坐標(biāo)和RGB顏色信息。針對(duì)RGBD點(diǎn)云數(shù)據(jù)的顏色信息，本章引入了顏色特征度(color feature degree, CFD)的概念，通過(guò)CFD刻畫RGBD點(diǎn)云數(shù)據(jù)的顏色特征。

RGBD點(diǎn)云數(shù)據(jù)的顏色存儲(chǔ)方式與二維圖像的顏色存儲(chǔ)方式不同，彩色圖像處理中常用的特征提取方法均難以直接應(yīng)用于RGBD點(diǎn)云數(shù)據(jù)中。3D點(diǎn)云數(shù)據(jù)是沒有方向性的，考慮到拉普拉斯算子是具有旋轉(zhuǎn)不變性的最簡(jiǎn)單的各向同性微分算子，因此將其應(yīng)用于點(diǎn)云的顏色特征提取。對(duì)于點(diǎn)云的每個(gè)點(diǎn)，需要8個(gè)最近鄰點(diǎn)的顏色信息，然后分別在3個(gè)顏色通道上應(yīng)用拉普拉斯算子可以得到3個(gè)顏色通道上的CFD，并進(jìn)行組合計(jì)算獲得最終的CFD。具體描述如下：

2 對(duì)應(yīng)點(diǎn)選擇策略

點(diǎn)云配準(zhǔn)的關(guān)鍵步驟是對(duì)應(yīng)點(diǎn)的選擇。初始配準(zhǔn)主要是通過(guò)特征或描述符的相似性確定對(duì)應(yīng)關(guān)系。根據(jù)點(diǎn)云曲率和顏色的旋轉(zhuǎn)不變性特征，提出2種對(duì)應(yīng)點(diǎn)選擇方式：①顏色相似性策略，首先通過(guò)搜索顏色相似的點(diǎn)作為對(duì)應(yīng)點(diǎn)，獲得初始對(duì)應(yīng)點(diǎn)對(duì)，然后通過(guò)曲率約束，刪除對(duì)應(yīng)點(diǎn)之間曲率差異較大的點(diǎn)對(duì)，確定候選點(diǎn)集；②曲率相似性策略，首先通過(guò)搜索曲率接近的點(diǎn)作為對(duì)應(yīng)點(diǎn)構(gòu)造初始對(duì)應(yīng)點(diǎn)集，比較對(duì)應(yīng)點(diǎn)之間的顏色差異，將色差較大的對(duì)應(yīng)點(diǎn)對(duì)刪除得到候選對(duì)應(yīng)點(diǎn)對(duì)。

2.1 顏色相似性策略

同一點(diǎn)在不同視角點(diǎn)云中應(yīng)該具有相同的顏色和曲率，但由于光照和采集設(shè)備的原因，2個(gè)視角下點(diǎn)云對(duì)應(yīng)點(diǎn)的顏色和曲率可能會(huì)有偏差，但是對(duì)應(yīng)點(diǎn)之間的顏色和曲率仍具有很高的相似性，所以顏色和曲率仍可作為對(duì)應(yīng)點(diǎn)判別的一個(gè)準(zhǔn)則?；陬伾嗨菩缘膶?duì)應(yīng)點(diǎn)選擇策略，主要是首先采用顏色相似性確定初始對(duì)應(yīng)點(diǎn)對(duì)，然后采用曲率約束，獲得候選對(duì)應(yīng)點(diǎn)對(duì)。

2.2 曲率相似性策略

θ取值為對(duì)應(yīng)點(diǎn)對(duì)之間顏色差的均值。*中的點(diǎn)對(duì)不僅曲率比較接近而且在顏色上也具有極高的相似性，因此點(diǎn)對(duì)之間具有正確對(duì)應(yīng)關(guān)系的概率也比較大，正確匹配的可能性也很高。

3 本文算法結(jié)構(gòu)

對(duì)于大多數(shù)模型，2種對(duì)應(yīng)點(diǎn)選擇策略均可得到良好的配準(zhǔn)效果。對(duì)于顏色特征足夠豐富的點(diǎn)云模型，基于顏色特征相似性的初始配準(zhǔn)魯棒性較高，因此本文提出一種簡(jiǎn)單的決策方法，只要模型的顏色特征滿足要求，均可優(yōu)先采用顏色相似性策略進(jìn)行對(duì)應(yīng)點(diǎn)選擇。

通過(guò)對(duì)點(diǎn)云模型中所有點(diǎn)的顏色特征進(jìn)行統(tǒng)計(jì)分析，提出一種簡(jiǎn)單的決策方法，即

大多數(shù)情況下，原始輸入的點(diǎn)云數(shù)量龐大，需采用提取特征點(diǎn)實(shí)現(xiàn)點(diǎn)云精簡(jiǎn)。曲率特征和顏色特征均可提取特征點(diǎn)。顏色特征點(diǎn)對(duì)于顏色相似性更具魯棒性，曲率對(duì)曲率相似性更具魯棒性，因此通過(guò)在選定的選擇策略中采用相應(yīng)的特征提取特征點(diǎn)集。通過(guò)選擇策略獲得候選對(duì)應(yīng)點(diǎn)對(duì)后，利用優(yōu)化樣本一致性策略(optimized sample consensus, OSAC)[13]獲得初始坐標(biāo)變換。

本文算法的主要步驟如下：

步驟5.通過(guò)相應(yīng)的對(duì)應(yīng)點(diǎn)選擇策略，確定特征點(diǎn)集中的候選對(duì)應(yīng)點(diǎn)集*；

步驟6.在候選對(duì)應(yīng)點(diǎn)集*上采用OSAC策略，確定初始坐標(biāo)變換；

步驟7.對(duì)源點(diǎn)云進(jìn)行坐標(biāo)變換，實(shí)現(xiàn)初始配準(zhǔn)；

步驟8.通過(guò)改進(jìn)ICP算法進(jìn)行精確配準(zhǔn)。

4 實(shí)驗(yàn)結(jié)果與分析

當(dāng)點(diǎn)云初始位置差異較大時(shí)也需要用初始配準(zhǔn)做初始估計(jì)，為精確配準(zhǔn)提供比較好的初始位置。實(shí)驗(yàn)中的模型來(lái)自于Kinect采集獲取，包括大衛(wèi)1、大衛(wèi)2和抱枕模型。Kinect采集獲得的RGBD數(shù)據(jù)集具有低質(zhì)高噪聲的特點(diǎn)。本文還采用了一組高精度Bunny點(diǎn)云進(jìn)行人工添加顏色構(gòu)造RGBD點(diǎn)云進(jìn)行配準(zhǔn)實(shí)驗(yàn)。本文算法均在MATLAB環(huán)境實(shí)現(xiàn)，實(shí)驗(yàn)均在具有8 GB RAM的2.8 GHz Intel(R) Xeon?處理器上進(jìn)行。點(diǎn)云配準(zhǔn)效果采用MeshLab軟件進(jìn)行可視化展示。

4.1 本文方法實(shí)驗(yàn)效果

首先在高精度點(diǎn)云模型上進(jìn)行配準(zhǔn)實(shí)驗(yàn)。實(shí)驗(yàn)?zāi)Ｐ蛠?lái)源于斯坦福3D圖形庫(kù)，由于斯坦福3D圖形庫(kù)中的點(diǎn)云模型是純幾何結(jié)構(gòu)的，沒有顏色紋理，因此本文對(duì)1個(gè)視角下的Bunny點(diǎn)云模型人工添加了1組顏色紋理，然后將其進(jìn)行旋轉(zhuǎn)和平移操作，獲得目標(biāo)點(diǎn)云，從而進(jìn)行驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖1所示。對(duì)比圖1(b)，(c)可以發(fā)現(xiàn)本文方法的初始配準(zhǔn)效果更好，誤差更小，在Bunny模型耳部和臉部的錯(cuò)位情況明顯小于LFSH[13]方法的粗配準(zhǔn)結(jié)果。

圖1 兔子模型粗配準(zhǔn)結(jié)果

本文均采用Kinect自采集模型進(jìn)行配準(zhǔn)實(shí)驗(yàn)。如圖2所示，每列自上而下依次為大衛(wèi)1模型、大衛(wèi)2模型、抱枕1模型和抱枕2模型。第1列是每組模型配準(zhǔn)前空間分布的可視化結(jié)果；第2列是經(jīng)過(guò)本文基于特征相似性方法進(jìn)行初始配準(zhǔn)的可視化效果；由于初始配準(zhǔn)算法并不能實(shí)現(xiàn)模型的精準(zhǔn)對(duì)齊，實(shí)驗(yàn)過(guò)程，采用改進(jìn)ICP算法[6]進(jìn)行精確配準(zhǔn)，配準(zhǔn)結(jié)果如圖2(c)所示。經(jīng)過(guò)精確配準(zhǔn)后的模型實(shí)現(xiàn)了更精確地對(duì)齊，由于不同視角的光照不同，因此仔細(xì)觀察可以發(fā)現(xiàn)配準(zhǔn)后的模型有些許的顏色差現(xiàn)象。

本文與LFSH[13]和文獻(xiàn)[14]方法進(jìn)行對(duì)比，實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)結(jié)果見表1。本文方法在兔子模型、大衛(wèi)1模型、抱枕1和抱枕2模型上都具有最小的配準(zhǔn)誤差，保持明顯的優(yōu)勢(shì)。但在大衛(wèi)2模型上，本文方法粗配準(zhǔn)效果不如LFSH方法和文獻(xiàn)[14]方法。由于本文設(shè)計(jì)的曲率特征和CFD計(jì)算復(fù)雜度較低，因此在算法耗時(shí)上具有明顯的優(yōu)勢(shì)，相比于LFSH和文獻(xiàn)[14]，算法耗時(shí)分別提高了約70.45%和67.95%，保持明顯的時(shí)間優(yōu)勢(shì)。

圖2 自采集模型配準(zhǔn)結(jié)果

表1 不同方法配準(zhǔn)結(jié)果統(tǒng)計(jì)表

4.2 特征選擇實(shí)驗(yàn)驗(yàn)證與分析

為了驗(yàn)證不同的特征選擇對(duì)于初始配準(zhǔn)效果的影響，本文在自采集模型上做了幾組對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)數(shù)據(jù)見表2。對(duì)于每組模型，分別采用5種方式確定對(duì)應(yīng)點(diǎn)：LFSH描述符、曲率特征、顏色特征、曲率相似性策略和顏色相似性策略。通過(guò)觀察發(fā)現(xiàn)，在大衛(wèi)1、抱枕1和抱枕2模型上，顏色相似性策略的配準(zhǔn)誤差最小，配準(zhǔn)結(jié)果最好。在大衛(wèi)2模型上，曲率相似性策略配準(zhǔn)效果最好，LFSH描述符、顏色相似性策略次之?？傊?，將顏色特征引入到對(duì)應(yīng)點(diǎn)選擇任務(wù)可以提高對(duì)應(yīng)關(guān)系的準(zhǔn)確性及配準(zhǔn)精度。

5 結(jié)束語(yǔ)

本文提出了一種基于特征相似性的RGBD點(diǎn)云初始配準(zhǔn)方法。且提供了2種特征相似性策略用于對(duì)應(yīng)點(diǎn)選擇，分別是曲率相似性策略和顏色相似性策略，每個(gè)對(duì)應(yīng)點(diǎn)選擇策略中都是通過(guò)一個(gè)特征的相似性獲得初始對(duì)應(yīng)點(diǎn)集，通過(guò)另一個(gè)特征進(jìn)行約束，去除可能的錯(cuò)誤對(duì)應(yīng)關(guān)系。經(jīng)過(guò)雙重約束獲得的候選對(duì)應(yīng)點(diǎn)對(duì)具有極高的正確性，對(duì)于初始剛性變換的計(jì)算會(huì)更加有效。實(shí)驗(yàn)結(jié)果也證明本文算法的有效性，對(duì)于不同類型的RGBD點(diǎn)云模型均有較好的配準(zhǔn)結(jié)果。本文只是將曲率跟顏色相結(jié)合，在配準(zhǔn)方法進(jìn)行初步探索，后續(xù)將嘗試將現(xiàn)有的高效的幾何特征描述符與顏色信息進(jìn)行結(jié)合，希望能夠提高RGBD點(diǎn)云的配準(zhǔn)精度。

[1] 林曉, 王燕玲, 朱恒亮, 等. 基于自適應(yīng)權(quán)值的點(diǎn)云三維物體重建算法研究[J]. 圖學(xué)學(xué)報(bào), 2016, 37(2): 143-148.

[2] LIANG R H, SHEN W J, LI X X. et al. Bayesian multi-distribution-based discriminative feature extraction for 3D face recognition [J]. Information Sciences, 2015, 320: 406-417.

[3] WANG J H, LINDENBERGH R, MENENTI M. SigVox - A 3D feature matching algorithm for automatic street object recognition in mobile laser scanning point clouds [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 111-129.

[4] GUO Y L, BENNAMOUN M, SOHEL F, et al. An integrated framework for 3D modeling, object detection, and pose estimation from point-clouds [J]. IEEE Transactions on Instrumentation and Measurement, 2015, 64(3): 683-693.

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

[6] 戴靜蘭, 陳志楊, 葉修梓. ICP算法在點(diǎn)云配準(zhǔn)中的應(yīng)用[J]. 中國(guó)圖象圖形學(xué)報(bào), 2007, 12(3): 517-521.

[7] 王森, 王璐, 洪靖惠, 等. 基于Sparse ICP的三維點(diǎn)云耳廓識(shí)別[J]. 圖學(xué)學(xué)報(bào), 2015, 36(6): 862-867.

[8] GUO Y L, SOHEL F, BENNAMOUN M, et al. Rotational projection statistics for 3D local surface description and object recognition [J]. International Journal of Computer Vision, 2013, 105(1): 63-86.

[9] QUAN S W, MA J, HU F Y, et al. Local voxelized structure for 3D binary feature representation and robust registration of point clouds from low-cost sensors [J]. Information Sciences, 2018, 444: 153-171.

[10] QUAN S W, MA J, MA T, et al. Representing local shape geometry from multi-view silhouette perspective: A distinctive and robust binary 3D feature [J]. Signal Processing: Image Communication, 2018, 65: 67-80.

[11] JOHNSON A E, HEBERT M. Surface matching for object recognition in complex three-dimensional scenes [J]. Image and Vision Computing, 1998, 16(9-10): 635-651.

[12] RUSU R B, BLODOW N, BEETZ M. Fast point feature histograms (FPFH) for 3D registration [C]//2009 IEEE International Conference on Robotics and Automation. New York: IEEE Press, 2009: 3212-3217.

[13] YANG J Q, CAO Z G, ZHANG Q. A fast and robust local descriptor for 3D point cloud registration [J]. Information Sciences, 2016, 346: 163-179.

[14] 趙夫群, 周明全, 耿國(guó)華. 基于局部特征的點(diǎn)云配準(zhǔn)算法[J]. 圖學(xué)學(xué)報(bào), 2018, 39(3): 389-394.

RGBD Point Cloud Registration Based on Feature Similarity

SHENG Min1,2, PENG Yu-sheng3, SU Ben-yue2,4, WANG Guang-jun2,4

(1. School of Mathematics and Computational Science, Anqing Normal University, Anqing Anhui 246011, China; 2. The Key Laboratory of Intelligent Perception and Computing of Anhui Province, Anqing Anhui 246011, China; 3. School of Computer Science and Information Engineering, Hefei University of Technology, Hefei Anhui 230601, China; 4. School of Computer and Information, Anqing Normal University, Anqing Anhui 246011, China)

The registration of 3D point cloud data is an important research topic in the field of computer vision and a key step in 3D reconstruction. Aiming at the registration problem of RGBD point cloud data, a coarse registration method based on feature similarity is proposed. Firstly, the curvature and color characteristics of the RGBD point cloud model to be registered should be calculated. Through the statistical analysis of color characteristics, if the color features of the model are rich enough, the color similarity strategy will be adopted first, otherwise, the curvature similarity strategy will be tried. The feature point extraction can simplify the point cloud model. And we will use the corresponding point selection strategy to select all corresponding point pairs. The coarse registration matrix is obtained by adopting the optimized sample consensus algorithm on the candidate corresponding pairs, and the coarse registration of the two point clouds is realized. For the RGBD point cloud model with different colors and texture, this method can adaptively select the appropriate feature point selection strategy to realize the good coarse registration between point clouds. For different models, we can adaptively select the corresponding selection strategy to calculate the transformation matrix and complete the coarse registration. The experimental results show that the proposed method can adaptively select the color similarity strategy to complete the coarse registration for the RGBD model with less geometric features. For different types of model, the registration results are better, and the algorithm is more efficient.

RGBD point cloud; coarse registration; feature similarity; color similarity; curvature similarity

TP 391

10.11996/JG.j.2095-302X.2019050829

A

2095-302X(2019)05-0829-06

2019-06-13；

2019-07-02

國(guó)家自然科學(xué)基金項(xiàng)目(11475003，61603003，11471093)；教育部“云數(shù)融合科教創(chuàng)新”基金項(xiàng)目(2017A09116)；安徽省科技重大專項(xiàng)(18030901021)；安徽省高校優(yōu)秀拔尖人才培育資助項(xiàng)目(gxbjZD26)

盛 敏(1975-)，女，安徽安慶人，教授，博士，碩士生導(dǎo)師。主要研究方向?yàn)閳D形圖像處理、虛擬現(xiàn)實(shí)、行為識(shí)別等。E-mail：msheng0125@aliyun.com