来源:厦门大学 电子科学与工程学院
期刊:Journal of Physics: Conference Series
摘要:
基于RGB-D图像的ICP算法是目前应用最广泛、最有效的点云配准算法之一。如何提高ICP算法的配准精度、配准速度和鲁棒性已成为目前重要的研究热点。然而,现有算法在大规模点云数据下计算效率较低,当点云之间重叠较小时,配准精度较低。针对这些问题,本文提出了一种基于SIFT特征点邻域的半密集ICP算法。首先,算法选择SIFT特征点匹配算法作为ICP粗配准方法,因为SIFT特征点具有旋转不变性、光照不变性和尺度不变性的优点;然后基于SIFT特征点,选取其邻域作为匹配范围。实验结果表明,该算法具有较好的配准精度和计算效率。
具体的:
针对经典的ICP算法和基于SIFT特征点的ICP算法的不足,提出了一种基于SIFT特征点邻域的ICP迭代算法。该算法筛选了ICP算法中参与迭代计算的参考点云,是一种半密集的ICP算法。此外,该算法改进了目标点云匹配搜索区域的选择方法,大大减少了计算量和迭代次数。当重叠部分相对较小时,算法具有较好的鲁棒性和准确性。
在匹配操作的每次迭代中,在搜索最接近的点匹配时都会有一定的异常值,需要外点去除算法将其去除。本文采用一种动态阈值去除算法,根据匹配点对的三维欧氏距离和SIFT点对的空间距离(其中k表示ICP算法的第k次迭代)计算一个动态阈值tk。匹配点对的三维欧几里得距离大于动态阈值tk双失配点,需要消除,不参与计算的变换矩阵R和t。与3 d点的欧氏距离大于5倍的动态阈值tk,认为该点属于点云非重叠区域内的点。这样的一个点不会找到正确的匹配点,所以在后续的迭代过程中,这个点不再参与寻找最近的匹配点。
实验结果:
从实验结果看的确能够提高配置精度,该策略适合近距离小范围的RGB-D点云配准。