雙重下采樣增強(qiáng)的點(diǎn)云改進(jìn)配準(zhǔn)算法研究 *

陳仲生，李潮林，左 旺，侯幸林

（1.常州工學(xué)院汽車工程學(xué)院，常州 213032；2.湖南工業(yè)大學(xué)電氣與信息工程學(xué)院，株洲 417002）

前言

目前自動駕駛的4 大關(guān)鍵技術(shù)包括感知技術(shù)、決策技術(shù)、路徑規(guī)劃和運(yùn)動控制，其中環(huán)境感知是智能車輛自主行駛的基礎(chǔ)和前提。特別是在自動駕駛環(huán)境感知系統(tǒng)中，如何獲取高精度實(shí)時(shí)路況數(shù)據(jù)是決定自動駕駛系統(tǒng)行車安全的關(guān)鍵。近年來，激光雷達(dá)、毫米波雷達(dá)等先進(jìn)傳感器技術(shù)正成為汽車自動駕駛領(lǐng)域的重要感知手段，其輸出的點(diǎn)云已成為描述車輛所處三維世界的主要數(shù)據(jù)格式［1］。但是實(shí)際應(yīng)用中，受傳感器視場角限制，單個傳感器往往只能獲得有限視野范圍內(nèi)的點(diǎn)云，需要采用配準(zhǔn)算法才能生成完整場景的三維點(diǎn)云，以便支持后續(xù)的物體識別、分類及路徑規(guī)劃。點(diǎn)云配準(zhǔn)就是估計(jì)兩幀掃描點(diǎn)云之間的變換矩陣，將不同條件下采集的點(diǎn)云數(shù)據(jù)變換到同一坐標(biāo)系下，實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的拼接或融合以獲得完整的3D 數(shù)字模型，它是自動駕駛點(diǎn)云數(shù)據(jù)處理不可缺少的重要前序步驟［2］。

點(diǎn)云配準(zhǔn)也是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一。Huang 等［3］對點(diǎn)云配準(zhǔn)研究進(jìn)展進(jìn)行了綜述與展望，根據(jù)采集設(shè)備類型分為同源點(diǎn)云配準(zhǔn)和跨源點(diǎn)云配準(zhǔn)，根據(jù)發(fā)展階段分為傳統(tǒng)的配準(zhǔn)方法和基于學(xué)習(xí)的配準(zhǔn)方法。傳統(tǒng)點(diǎn)云配準(zhǔn)方法主要基于優(yōu)化思想，包含粗配準(zhǔn)和精配準(zhǔn)兩個階段：點(diǎn)云粗配準(zhǔn)目的是對任意初始位置的兩個點(diǎn)云進(jìn)行粗略的配準(zhǔn)使其大致對齊，為后續(xù)精配準(zhǔn)提供良好的初始位置，主要包括基于全局搜索思想的配準(zhǔn)和基于幾何特征描述的配準(zhǔn)兩大類算法；精配準(zhǔn)是在粗配準(zhǔn)的基礎(chǔ)上，進(jìn)行更精確、更細(xì)化的配準(zhǔn)?；趯W(xué)習(xí)的配準(zhǔn)方法是從點(diǎn)云數(shù)據(jù)中學(xué)習(xí)出三維特征實(shí)現(xiàn)配準(zhǔn)，其不足是需要大量訓(xùn)練數(shù)據(jù)，對于未知場景配準(zhǔn)性能較差［3］，這在自動駕駛這種實(shí)時(shí)性要求高、未知場景多的應(yīng)用場合中存在較大的局限性。

應(yīng)用最廣的點(diǎn)云精配準(zhǔn)算法是Besl 和Mckay［4］提出的迭代最近點(diǎn)（iterative closest point，ICP）算法，但它對點(diǎn)云初始位置要求較高，需要兩個點(diǎn)云的重疊度高且數(shù)據(jù)量相近，否則容易陷入局部最優(yōu)解，而且存在迭代速度慢、配準(zhǔn)時(shí)間長等不足；Magnusson等［5］提出了另一種經(jīng)典的正態(tài)分布變換（normal distributions transform，NDT）配準(zhǔn)算法，NDT 算法的配準(zhǔn)效果與ICP 算法相似，其改進(jìn)實(shí)質(zhì)等同于將ICP算法柵格化?？梢钥闯觯琁CP、NDT 算法及其變體大多需要點(diǎn)云初始位置大致對齊，這種簡單的點(diǎn)與點(diǎn)對應(yīng)導(dǎo)致魯棒性較差，為此人們開始研究更加魯棒的對應(yīng)，比如點(diǎn)對面、面對面和特征對特征，常見的點(diǎn)云特征描述有快速點(diǎn)特征直方圖（fast point feature histograms，F(xiàn)PFH）描述子、內(nèi)部形狀描述子（intrinsic shape signature，ISS）［6］、三維Harris 描述子（harris 3D，H3D）［7］等，其中ISS是一種表示立體幾何形狀的算法，具有豐富的幾何信息，用于關(guān)鍵點(diǎn)提取時(shí)具有快速、高效、穩(wěn)定等優(yōu)點(diǎn)。同時(shí)，人們研究了不同的粗配準(zhǔn)算法，比如Aiger 等［8］提出的全等四點(diǎn)集（4-points congruent sets，4PCS）經(jīng)典粗配準(zhǔn)算法，不需要提供初始位姿就能為精配準(zhǔn)提供良好的初始位姿，缺點(diǎn)是計(jì)算速度慢；為此Mellado 等［9］提出了一種Super4PCS 算法，它在提取四點(diǎn)集的同時(shí)去除錯誤的點(diǎn)集，降低了一定的時(shí)間復(fù)雜度。Super4PCS算法的特點(diǎn)是不需要初始位姿，但計(jì)算速度仍然不快，可以作為粗配準(zhǔn)算法為ICP 等精配準(zhǔn)算法提供良好的初始位姿。為了提高點(diǎn)云配準(zhǔn)的速度和正確率，近年來人們提出了不同的點(diǎn)云配準(zhǔn)增強(qiáng)方法。李仁忠等［10］將ISS 與ICP 算法結(jié)合，提高了ICP 算法的配準(zhǔn)精度，但仍然依賴初始位姿；宗曉萍和吳巖［11］提出一種基于FPFH 特征的ICP 改進(jìn)算法，可以提高配準(zhǔn)的精確度；單麗杰等［12］利用法向量夾角提取特征點(diǎn)，提高ICP 算法的配準(zhǔn)速度；王月海等［13］采用自適應(yīng)體素網(wǎng)格濾波法對點(diǎn)云進(jìn)行處理，一定程度上提升了配準(zhǔn)效率；范強(qiáng)等［14］將H3D 與NDT 相結(jié)合，提升了配準(zhǔn)精度，但魯棒性不高。綜合來看，已有改進(jìn)ICP 配準(zhǔn)算法雖然在一定程度上提高了配準(zhǔn)精度和速度，但目前大多數(shù)4PCS 和ICP 變體算法仍無法滿足自動駕駛等實(shí)時(shí)性要求高的應(yīng)用場合［15］。

進(jìn)一步分析可知，限制4PCS 和ICP 及其變體算法配準(zhǔn)速度的主要原因在于尋找?guī)缀涡螤钕嗨频狞c(diǎn)集以及驗(yàn)證其變換矩陣均比較費(fèi)時(shí)。為此，本文引入點(diǎn)云雙重下采樣來快速減少點(diǎn)云數(shù)目，并融合ISS、Super4PCS 和ICP 算法的優(yōu)點(diǎn)，研究一種改進(jìn)的快速點(diǎn)云配準(zhǔn)方法，其特點(diǎn)是采用雙重下采樣快速降低點(diǎn)云數(shù)據(jù)，同時(shí)利用ISS 算法來優(yōu)化Super4PCS算法，降低時(shí)間復(fù)雜度，同時(shí)提供良好的初始位姿，以提高整個算法的配準(zhǔn)速度和精度，最后利用斯坦福點(diǎn)云數(shù)據(jù)集和自動駕駛點(diǎn)云數(shù)據(jù)集進(jìn)行驗(yàn)證。

1 改進(jìn)配準(zhǔn)算法的基本框架

針對已有點(diǎn)云配準(zhǔn)算法存在速度低的問題，本文提出的改進(jìn)型雙重下采樣增強(qiáng)的點(diǎn)云快速配準(zhǔn)算法基本框架如圖1 所示，主要包括以下3 個步驟：點(diǎn)云數(shù)據(jù)雙重下采樣、ISS-Super4PCS粗配準(zhǔn)和線性最小二乘優(yōu)化ICP 精配準(zhǔn)。在雙重下采樣階段，首先使用體素下采樣對原始點(diǎn)云數(shù)據(jù)進(jìn)行粗采樣，快速減少點(diǎn)云數(shù)目，然后使用基于法向量的鄰域夾角進(jìn)行精采樣，充分保留點(diǎn)云數(shù)據(jù)的原始特征；在粗配準(zhǔn)階段，首先提取雙重下采樣后兩個點(diǎn)云的ISS 特征點(diǎn)，減少Super4PCS 算法的一致性4 點(diǎn)搜索范圍，然后基于ISS 特征點(diǎn)利用Super4PCS 算法求出粗配準(zhǔn)變換矩陣；在精配準(zhǔn)階段，利用線性最小二乘優(yōu)化ICP 配準(zhǔn)算法對粗配準(zhǔn)的結(jié)果進(jìn)一步優(yōu)化，實(shí)現(xiàn)精配準(zhǔn)。

圖1 改進(jìn)型配準(zhǔn)算法基本框架

上述點(diǎn)云配準(zhǔn)改進(jìn)算法的優(yōu)點(diǎn)在于：通過雙重下采樣操作可以快速減少點(diǎn)云的數(shù)據(jù)量，從而大大降低后續(xù)配準(zhǔn)過程的時(shí)間復(fù)雜度；同時(shí)，保留了Super4PCS算法的魯棒性。因此，該算法同時(shí)具有魯棒性好、配準(zhǔn)精度高、配準(zhǔn)速度更快的優(yōu)點(diǎn)。

2 點(diǎn)云數(shù)據(jù)雙重下采樣

實(shí)際應(yīng)用中點(diǎn)云的數(shù)據(jù)量往往很大，直接進(jìn)行處理不僅計(jì)算量大，而且配準(zhǔn)效率低。為此本文提出對點(diǎn)云數(shù)據(jù)進(jìn)行雙重下采樣，包括粗采樣和精采樣，以降低后續(xù)點(diǎn)云配準(zhǔn)的時(shí)間復(fù)雜度。

2.1 基于體素下采樣的粗采樣

已有研究表明，體素格濾波器在進(jìn)行向下采樣的同時(shí)不會破壞點(diǎn)云的數(shù)據(jù)結(jié)構(gòu)［16］，故采用體素下采樣方法進(jìn)行粗采樣。體素下采樣是根據(jù)輸入點(diǎn)云數(shù)據(jù)創(chuàng)建一個三維的體素柵格，每個體素柵格用柵格內(nèi)全部點(diǎn)的質(zhì)心來表示，其計(jì)算表達(dá)式為

式中：Xi、Yi、Zi分別是第i點(diǎn)的3 個坐標(biāo)；m是體素柵格內(nèi)點(diǎn)的數(shù)量。

2.2 基于鄰域點(diǎn)云法向夾角下采樣的精采樣

體素下采樣雖然不破壞點(diǎn)云的數(shù)據(jù)結(jié)構(gòu)，但是如果體素柵格過大就會損失點(diǎn)云的特征。為此，采用基于鄰域點(diǎn)云法向夾角的下采樣方法對粗采樣點(diǎn)進(jìn)行精采樣，進(jìn)一步減少點(diǎn)云數(shù)量，且保留點(diǎn)云原始特征。

基于法向夾角的下采樣是計(jì)算一個點(diǎn)在一個鄰域內(nèi)與其他所有點(diǎn)法向夾角的平均值，如果該均值大于設(shè)置的閾值，則認(rèn)為該點(diǎn)是特征點(diǎn)，需要保留，計(jì)算公式為

式中：θ是平均夾角；m是鄰域內(nèi)所有點(diǎn)的數(shù)量；α是選取點(diǎn)的法向量；β是鄰域內(nèi)其他點(diǎn)的法向量。需要指出的是，這里閾值的選取是精采樣中的重要環(huán)節(jié)，需要考慮兩個因素：一是后續(xù)配準(zhǔn)速度要求精采樣后的點(diǎn)數(shù)不能太多，故閾值不能過大；二是后續(xù)配準(zhǔn)精度要求精采樣后的點(diǎn)數(shù)不能太多，故閾值不能過小。但目前如何具體設(shè)置閾值仍缺乏統(tǒng)一標(biāo)準(zhǔn)，往往需要針對實(shí)際點(diǎn)云數(shù)據(jù)大小及其配準(zhǔn)性能要求采用嘗試方式來確定。

3 改進(jìn)配準(zhǔn)算法設(shè)計(jì)

3.1 ISS-Super4PCS粗配準(zhǔn)

由于Super4PCS 算法對初始位姿具有很好的魯棒性，故選用它進(jìn)行粗配準(zhǔn)。但為了保留點(diǎn)云的原始特征信息，雙重下采樣后的點(diǎn)云數(shù)據(jù)不可能降到最低，直接進(jìn)行配準(zhǔn)計(jì)算量仍然較大。針對此問題，常用的解決方法是提取特征點(diǎn)集后再進(jìn)行配準(zhǔn)，可以大幅減少點(diǎn)云數(shù)量、降低時(shí)間復(fù)雜度。特別是在常見的幾種特征描述子中，ISS 具有豐富的幾何信息，有利于提高點(diǎn)云配準(zhǔn)精度。為此本文提出將ISS和Super4PCS 結(jié)合起來進(jìn)行粗配準(zhǔn)，其改進(jìn)之處在于引入ISS 算法將下采樣后的初始點(diǎn)云縮減到ISS特征點(diǎn)集，使得Super4PCS 粗配準(zhǔn)在特征點(diǎn)集上進(jìn)行，可以大大縮短四點(diǎn)對提取和匹配時(shí)間。

3.1.1 ISS特征點(diǎn)提取

針對雙重下采樣后的點(diǎn)云數(shù)據(jù)，ISS特征點(diǎn)提取的主要步驟如下。

（1）對每一個點(diǎn)Pi設(shè)定一個搜索半徑r。

（2）計(jì)算查詢點(diǎn)Pi與鄰域內(nèi)各點(diǎn)的歐氏距離，并設(shè)定權(quán)值Wij，權(quán)值表達(dá)式為

（3）計(jì)算每個查詢點(diǎn)Pi與鄰域內(nèi)所有點(diǎn)的協(xié)方差矩陣cov(Pi)：

3.1.2 Super4PCS粗配準(zhǔn)

與已有方法不同，這里Super4PCS 粗配準(zhǔn)是在ISS特征點(diǎn)集上進(jìn)行的。記點(diǎn)云P、Q分別為源ISS特征點(diǎn)集和目標(biāo)ISS 特征點(diǎn)集，則Super4PCS 粗配準(zhǔn)主要步驟如下。

（1）在源ISS 特征點(diǎn)集中選取4 個共面不共線的4 個點(diǎn)a、b、c、d作為點(diǎn)基（必須是P、Q重疊區(qū)域中的點(diǎn)），且ab和cd相交于點(diǎn)e，夾角為θ，利用式（6）計(jì)算兩個比率和兩個點(diǎn)距。

對于Q中每個點(diǎn)qi，以它為球心分別以λ1、λ2半徑做球面，設(shè)置閾值ε、qi與球面[λ1-ε，λ1+ε]范圍內(nèi)的點(diǎn)滿足S1，qi與球面[λ2-ε，λ2+ε]范圍內(nèi)的點(diǎn)滿足S2。

（3）針對S1和S2中的每個對點(diǎn)，連線并存儲對應(yīng)的方向向量角，再基于仿射不變性原理分別計(jì)算由比率r1、r2確定的交點(diǎn)e1、e2。

（4）在S1和S2中搜索與e1、e2近似對等的點(diǎn)，且兩點(diǎn)對連線的夾角近似等于θ，則在目標(biāo)ISS 特征點(diǎn)集中找到點(diǎn)基對應(yīng)的四點(diǎn)集。

（5）根據(jù)對應(yīng)點(diǎn)集和點(diǎn)基計(jì)算變換矩陣T，利用T對源ISS 特征點(diǎn)進(jìn)行變換，統(tǒng)計(jì)變換后的點(diǎn)云與目標(biāo)ISS 特征點(diǎn)集中最近點(diǎn)距離小于某個閾值δ的點(diǎn)的數(shù)目，該數(shù)目表征T的質(zhì)量。迭代進(jìn)行上述4個步驟，直至找到最優(yōu)的T使得兩個ISS特征點(diǎn)集足夠接近，此時(shí)T即是粗配準(zhǔn)的結(jié)果。

3.2 線性最小二乘優(yōu)化ICP精配準(zhǔn)

經(jīng)過ISS-Super4PCS粗配準(zhǔn)后，源點(diǎn)云和目標(biāo)點(diǎn)云具有良好的初始位姿，再采用點(diǎn)到面ICP 算法進(jìn)行精配準(zhǔn)，可以減少對點(diǎn)云初始位姿的依賴，提高配準(zhǔn)精度。具體來說，就是將雙重下采樣后的點(diǎn)云（以下稱D-源點(diǎn)云和D-目標(biāo)點(diǎn)云）和粗配準(zhǔn)變換矩陣T輸入到ICP 配準(zhǔn)算法中，用于源點(diǎn)云與目標(biāo)點(diǎn)云的精配準(zhǔn)。

經(jīng)典的點(diǎn)到面ICP 配準(zhǔn)算法中常使用非線性最小二乘法來求解，但當(dāng)兩個點(diǎn)云之間相對旋轉(zhuǎn)角度小于30°時(shí)，可以采用線性最小二乘優(yōu)化逼近非線性最小二乘優(yōu)化。本文中經(jīng)過上述粗配準(zhǔn)后，D-源點(diǎn)云與D-目標(biāo)點(diǎn)云之間的位置已經(jīng)非常接近，相對旋轉(zhuǎn)角度可近似為0，為此本文采用了線性最小二乘優(yōu)化求解方法，它不但可以加快ICP 配準(zhǔn)速度，而且可以進(jìn)一步提高配準(zhǔn)精度。具體步驟如下。

（1）利用粗配準(zhǔn)變換矩陣T對D-源點(diǎn)云進(jìn)行變換，得到精配準(zhǔn)的初始D-源點(diǎn)云。

（2）對D-源點(diǎn)云中的任意點(diǎn)pi，在D-目標(biāo)點(diǎn)云中搜索與pi相應(yīng)的最近點(diǎn)qi，pi與qi構(gòu)成對應(yīng)點(diǎn)對，從而形成對應(yīng)點(diǎn)對集。

（3）以對應(yīng)點(diǎn)對平均距離最小為目標(biāo)函數(shù)，采用線性最小二乘優(yōu)化計(jì)算得到D-源點(diǎn)云與D-目標(biāo)點(diǎn)云之間的旋轉(zhuǎn)矩陣R和平移矩陣Γ，由R和?？梢缘玫絼傮w變換矩陣M。

（4）利用剛體變換矩陣M對初始D-源點(diǎn)云進(jìn)行變換，得到新的D-源點(diǎn)云，再重復(fù)步驟（2）。

（5）設(shè)定閾值ε與迭代次數(shù)k，當(dāng)對應(yīng)點(diǎn)相對平均距離小于閾值或總迭代次數(shù)大于k時(shí)，則迭代結(jié)束；否則依次執(zhí)行步驟（2）～步驟（5），直至獲得最優(yōu)的剛體變換矩陣M，從而完成精配準(zhǔn)。

4 基于標(biāo)準(zhǔn)點(diǎn)云數(shù)據(jù)集的算法驗(yàn)證

為了驗(yàn)證本文提出的點(diǎn)云改進(jìn)配準(zhǔn)算法，分別選取公開的斯坦福點(diǎn)云數(shù)據(jù)集和自動駕駛場景Kitti數(shù)據(jù)集作為目標(biāo)點(diǎn)云。硬件環(huán)境為Intel（R）Core（TM）i5-10400F CPU@ 2.90GHz 處理器/8GB 內(nèi)存/64位win10操作系統(tǒng)，軟件環(huán)境為Visual Studio2019/開源點(diǎn)云庫PCL1.11.1/C++語言。

4.1 基于斯坦福點(diǎn)云數(shù)據(jù)的配準(zhǔn)算法驗(yàn)證

采用的斯坦福點(diǎn)云數(shù)據(jù)包括兔子（bunny）點(diǎn)云模型、龍（dragon）點(diǎn)云模型和犰狳（armadillo）點(diǎn)云模型，再人工對上述點(diǎn)云模型進(jìn)行變換作為源點(diǎn)云。兔子點(diǎn)云模型1 為沿X軸平移0.4 m、繞Y軸旋轉(zhuǎn)45°；兔子點(diǎn)云模型2 為沿X軸反方向平移0.2 m，繞Y軸旋轉(zhuǎn)30°；龍點(diǎn)云模型1 為沿Y軸平移0.4 m、繞X軸旋轉(zhuǎn)45°；龍點(diǎn)云模型2 為沿X軸反方向平移0.2 m，繞Y軸旋轉(zhuǎn)30°；犰狳點(diǎn)云模型1 為沿X軸平移0.4 m、繞Y軸旋轉(zhuǎn)45°；犰狳點(diǎn)云模型2 為沿X軸反方向平移0.2 m，繞Y軸旋轉(zhuǎn)30°。

為了評價(jià)點(diǎn)云配準(zhǔn)算法的性能，這里選取對應(yīng)點(diǎn)相對距離的均方根（RMSE）作為配準(zhǔn)誤差度量指標(biāo)，RMSE越小，表明配準(zhǔn)精度越高；同時(shí)計(jì)算配準(zhǔn)過程所用的時(shí)間，用于度量配準(zhǔn)的速度。3 種斯坦福點(diǎn)云模型的最終配準(zhǔn)結(jié)果如表1 所示（紅色是目標(biāo)點(diǎn)云、綠色是源點(diǎn)云），且粗配準(zhǔn)和精配準(zhǔn)結(jié)果分別如表2 和表3 所示，其中精采樣的閾值設(shè)為10°。從表1～表3可以看出：對于不同初始位姿的源點(diǎn)云，均獲得了較好的配準(zhǔn)結(jié)果，驗(yàn)證了本文算法的魯棒性；針對不同的點(diǎn)云模型，均獲得了很好的配準(zhǔn)結(jié)果，從而驗(yàn)證了本文算法的配準(zhǔn)精度。

表1 3類斯坦福點(diǎn)云模型

表2 3類斯坦福點(diǎn)云模型粗配準(zhǔn)結(jié)果

表3 3類斯坦福點(diǎn)云模型精配準(zhǔn)結(jié)果

為了進(jìn)一步驗(yàn)證本文算法的優(yōu)越性，這里將本文算法與已有文獻(xiàn)中的改進(jìn)點(diǎn)云配準(zhǔn)算法進(jìn)行對比。驗(yàn)證數(shù)據(jù)集為斯坦福兔子點(diǎn)云模型，對比的算法既包括與本文算法相近的ISS+ICP 算法和Super4PCS+ICP 算法，又包括其他文獻(xiàn)里的NDTICP 算法［17］和SAC-IA+ICP 算法［18］，對比驗(yàn)證計(jì)算結(jié)果如表4所示。

由表4 可以看出：本文算法的配準(zhǔn)精度明顯高于ISS+ICP 和Super4PCS+ICP，分別提高了約2 個和3 個數(shù)量級，配準(zhǔn)速度分別約為ISS+ICP、Super4 PCS+ICP 的47.66%和41.96%，配準(zhǔn)速度顯然更快；本文算法的配準(zhǔn)精度也明顯高于NDT+ICP 和SAC-IA+ICP，分別提高了2 個和1 個數(shù)量級，配準(zhǔn)速度分別 約 為NDT+ICP 和SAC-IA+ICP 的33.33% 和11.11%，配準(zhǔn)速度也更快。上述對比結(jié)果充分驗(yàn)證了本文算法的優(yōu)越性。

表4 與已有配準(zhǔn)算法對比結(jié)果

4.2 基于自動駕駛Kitti數(shù)據(jù)集的配準(zhǔn)算法驗(yàn)證

Kitti數(shù)據(jù)集由德國卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院聯(lián)合制作的，也是目前國際上自動駕駛場景下常用的評測數(shù)據(jù)集［19］。Kitti數(shù)據(jù)集的采集平臺裝配有2臺灰度攝像機(jī)、2臺彩色攝像機(jī)、1臺Velodyne 64 線3D 激光雷達(dá)、4 個光學(xué)鏡頭以及1 個GPS導(dǎo)航系統(tǒng)。這里選用Kitti數(shù)據(jù)集的街道點(diǎn)云數(shù)據(jù)集作為目標(biāo)點(diǎn)云，再將其沿X軸正方向移動5 m、繞Y軸轉(zhuǎn)動30°變換作為源點(diǎn)云，如圖2所示（其中綠色為源點(diǎn)云，紅色是目標(biāo)點(diǎn)云），然后利用本文提出的算法進(jìn)行配準(zhǔn)（其中精采樣的閾值設(shè)為15°），結(jié)果如表5 所示，可以看出在街道點(diǎn)云數(shù)據(jù)集上同樣驗(yàn)證了該算法的配準(zhǔn)速度快。

圖2 街道源點(diǎn)云和目標(biāo)點(diǎn)云數(shù)據(jù)集

表5 自動駕駛街道點(diǎn)云模型配準(zhǔn)結(jié)果

5 結(jié)論

針對當(dāng)前ICP 及其變體配準(zhǔn)算法存在的對初始位姿要求較高、配準(zhǔn)速度慢等問題，本文提出了一種雙重下采樣方法對初始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，在保留點(diǎn)云原始特征的同時(shí)大大減少了點(diǎn)云數(shù)據(jù)量；然后集成ISS、Super4PCS 和ICP 算法的優(yōu)點(diǎn)，研究了ISS-Super4PCS粗配準(zhǔn)方法和線性最小二乘優(yōu)化ICP精配準(zhǔn)算法，并利用斯坦福點(diǎn)云數(shù)據(jù)集和自動駕駛Kitti 點(diǎn)云數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)測試和對比驗(yàn)證，結(jié)果表明本文算法具有更高的配準(zhǔn)精度和更快的配準(zhǔn)速度，更適用于自動駕駛領(lǐng)域的點(diǎn)云配準(zhǔn)。今后，將進(jìn)一步對本文算法中的閾值設(shè)定問題進(jìn)行研究，降低閾值對算法配準(zhǔn)性能的影響。