基于SIFT算法及閾值篩選的點(diǎn)云配準(zhǔn)技術(shù)研究

顧旭波，張永舉，張 健，吳良成，郭 玲

(1.江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院 吳江分院,江蘇 蘇州 215200；2.南京理工大學(xué) 自動(dòng)化學(xué)院,南京 210094)

基于SIFT算法及閾值篩選的點(diǎn)云配準(zhǔn)技術(shù)研究

顧旭波1，張永舉1，張 健1，吳良成2，郭 玲2

(1.江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院 吳江分院,江蘇 蘇州 215200；2.南京理工大學(xué) 自動(dòng)化學(xué)院,南京 210094)

隨著三維測(cè)量技術(shù)應(yīng)用領(lǐng)域的逐漸拓寬，點(diǎn)云數(shù)據(jù)處理技術(shù)的需求日益迫切，而多視點(diǎn)點(diǎn)云配準(zhǔn)，是其中的基礎(chǔ)技術(shù)環(huán)節(jié);在此針對(duì)傳統(tǒng)ICP算法魯棒性差、對(duì)迭代初值敏感、計(jì)算效率低等缺點(diǎn)，提出一種SIFT算法與閾值篩選相結(jié)合的點(diǎn)云配準(zhǔn)算法;在參考點(diǎn)云和待配準(zhǔn)點(diǎn)云中，通過計(jì)算SIFT關(guān)鍵點(diǎn)及各點(diǎn)主曲率，獲得初始匹配點(diǎn)集；然后根據(jù)相似三角形閾值和法向量夾角閾值，進(jìn)一步優(yōu)化點(diǎn)對(duì)間的旋轉(zhuǎn)平移關(guān)系;實(shí)驗(yàn)結(jié)果證明，相對(duì)于傳統(tǒng)算法，改進(jìn)算法能夠以更短的時(shí)間來獲得準(zhǔn)確的配準(zhǔn)效果，并且其自動(dòng)化程度高以及能有效提高點(diǎn)云配準(zhǔn)的效率和精度。

關(guān)鍵點(diǎn)；SIFT算子；點(diǎn)云配準(zhǔn)；相似三角形

0 引言

近十年來，隨著電子、計(jì)算機(jī)技術(shù)的發(fā)展，三維測(cè)量設(shè)備的成本不斷降低、應(yīng)用領(lǐng)域不斷拓寬，涵蓋了工業(yè)生產(chǎn)、生物復(fù)制、醫(yī)療醫(yī)學(xué)、教育教學(xué)等各個(gè)領(lǐng)域。

不同的三維測(cè)量技術(shù)，有不同的適用范圍，主要有：1)接觸式測(cè)量，如三維坐標(biāo)測(cè)量機(jī)、多自由度測(cè)量臂等，適于少量關(guān)鍵點(diǎn)的測(cè)量；2)基于激光技術(shù)的測(cè)量，適于中長(zhǎng)距離、規(guī)模較大的被測(cè)對(duì)象，測(cè)量速度相對(duì)較慢、精度較低；3)基于結(jié)構(gòu)光技術(shù)的測(cè)量，適用于較近距離、較小物體的測(cè)量，測(cè)量速度較快、精度高[1]。

三維測(cè)量設(shè)備采集到的數(shù)據(jù)稱作點(diǎn)云，是物體表面采樣點(diǎn)、相對(duì)于測(cè)量設(shè)備內(nèi)部的坐標(biāo)原點(diǎn)和坐標(biāo)軸的三維坐標(biāo)，數(shù)據(jù)量大、且點(diǎn)之間沒有明確的拓?fù)潢P(guān)系，一般稱作散亂點(diǎn)云，必須經(jīng)過處理才能得到有用的信息。一般來說，測(cè)量過程往往要經(jīng)過多點(diǎn)測(cè)量，因此，點(diǎn)云數(shù)據(jù)處理首要的問題，就是將多個(gè)測(cè)量點(diǎn)得到的點(diǎn)云數(shù)據(jù)配準(zhǔn)至同一坐標(biāo)系下，也稱作點(diǎn)云拼接。

常用的點(diǎn)云配準(zhǔn)方法有：1)在被測(cè)表面預(yù)置標(biāo)記點(diǎn)，測(cè)量時(shí)，需保證兩次測(cè)量數(shù)據(jù)中至少有3個(gè)以上不共面的公共標(biāo)記點(diǎn)，從而解算出兩坐標(biāo)系間的變換關(guān)系；2)基于ICP(Iterative Closest Point，最近點(diǎn)迭代)算法，利用兩幅點(diǎn)云中重疊部分的數(shù)據(jù)進(jìn)行迭代，直至距離最小。可見，依靠算法的點(diǎn)云配準(zhǔn)優(yōu)勢(shì)體現(xiàn)在，無需在物體表面布置標(biāo)記點(diǎn)，工作量小、且適用于不允許表面粘貼的被測(cè)物；但其弊端在于，傳統(tǒng)ICP算法對(duì)初值的要求較高，即兩幅待配準(zhǔn)點(diǎn)云的初始位置要較為接近，一般通過手工方式實(shí)現(xiàn)，因而影響了算法的自動(dòng)化程度。

本文從初始匹配入手，首先依據(jù)SIFT算法提取關(guān)鍵點(diǎn)集，并計(jì)算其中各點(diǎn)主曲率，進(jìn)而得到初始匹配點(diǎn)對(duì)；然后通過法向量夾角閾值以及相似三角形閾值去除錯(cuò)誤的對(duì)應(yīng)點(diǎn)對(duì)，而后運(yùn)用最小二乘法以及SVD(Singular Value Decomposition)法進(jìn)行點(diǎn)云變換矩陣的求解。實(shí)驗(yàn)證明，本文的算法能更好的滿足實(shí)際應(yīng)用需求。

1 點(diǎn)云的粗配準(zhǔn)

點(diǎn)云配準(zhǔn)的主要目的就是得到參考點(diǎn)云與待配準(zhǔn)點(diǎn)云之間的對(duì)應(yīng)關(guān)系，從而求取兩點(diǎn)云間的旋轉(zhuǎn)矩陣R和平移矩陣T。為降低兩個(gè)點(diǎn)云之間的旋轉(zhuǎn)錯(cuò)位以及平移錯(cuò)位，減少精確配準(zhǔn)的計(jì)算量，點(diǎn)云的粗配準(zhǔn)是配準(zhǔn)技術(shù)不可或缺的一個(gè)環(huán)節(jié)。粗配準(zhǔn)是在沒有估計(jì)兩個(gè)點(diǎn)云初始位置關(guān)系的前提下，粗略地估算出點(diǎn)云之間的旋轉(zhuǎn)平移參數(shù)。

目前粗配準(zhǔn)的研究技術(shù)，Chua[2]等提出一種點(diǎn)簽名法，該方法首先計(jì)算得到每個(gè)點(diǎn)的特征描述，然后比對(duì)兩片點(diǎn)云的點(diǎn)特征從而完成點(diǎn)云的初始配準(zhǔn)。這種方法需要計(jì)算每個(gè)點(diǎn)的特征，使其計(jì)算過程龐大而且復(fù)雜，不利于大數(shù)據(jù)點(diǎn)云的配準(zhǔn)。Feldmar[3]等提出一種基于主曲率的粗配準(zhǔn)，該算法計(jì)算點(diǎn)的主曲率，然后通過點(diǎn)云之間主曲率相似的點(diǎn)來進(jìn)行點(diǎn)云的粗配準(zhǔn)。這個(gè)算法不僅容易受到噪聲點(diǎn)的影響，而且由于邊緣點(diǎn)的存在，容易得到錯(cuò)誤的初始匹配。鐘瑩[4]等提出一種基于PCA(Principal Components Analysis)的粗配準(zhǔn)，該算法對(duì)點(diǎn)云計(jì)算均值以及協(xié)方差矩陣，并以均值點(diǎn)為原點(diǎn)，以協(xié)方差矩陣的特征向量為坐標(biāo)軸構(gòu)建新的坐標(biāo)系，把兩點(diǎn)云轉(zhuǎn)換到新坐標(biāo)系下完成粗配準(zhǔn)。許斌[5]等提出一種基于特征的配準(zhǔn)方法，首先估算出點(diǎn)云的點(diǎn)法矢量，然后把點(diǎn)云以點(diǎn)云密度的不同來劃分區(qū)段，再以不同區(qū)段的主曲率的極值為條件來得到點(diǎn)云的初始配準(zhǔn)參數(shù)。

本文首先使用SIFT算法來提取點(diǎn)云的關(guān)鍵點(diǎn)，從而方便后續(xù)點(diǎn)云主曲率的計(jì)算，并比對(duì)主曲率的極值來得到初始的配準(zhǔn)點(diǎn)對(duì)，完成點(diǎn)云之間的粗配準(zhǔn)。

1.1 關(guān)鍵點(diǎn)提取

SIFT特征匹配算法是David G.Lowe教授基于現(xiàn)有不變量技術(shù)特征檢測(cè)方法提出的，是一種基于尺度空間并對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的特征匹配算法[6]。

關(guān)鍵點(diǎn)又叫興趣點(diǎn)，它是3D點(diǎn)云上通過定義檢測(cè)標(biāo)準(zhǔn)從而獲取到的具有穩(wěn)定性、區(qū)別性的點(diǎn)集。依技術(shù)而言，關(guān)鍵點(diǎn)相比于原始點(diǎn)云來說，其包含的數(shù)據(jù)量大大減少。而且結(jié)合關(guān)鍵點(diǎn)與局部特征描述形成的關(guān)鍵點(diǎn)描述子，可以一定程度上代表原始點(diǎn)云，這就為后續(xù)點(diǎn)云的主曲率計(jì)算提供相當(dāng)大的便利。

SIFT算法提取關(guān)鍵點(diǎn)的主要步驟如下：

1)關(guān)鍵點(diǎn)的檢測(cè)。對(duì)輸入點(diǎn)云，構(gòu)造尺度高斯金字塔LOG(Laplacian of Gaussian)；依據(jù)DOG(Difference of Gaussian)算子，構(gòu)造高斯差分金字塔DOG；差分金字塔中的每一個(gè)像素點(diǎn)與周圍的26個(gè)像素點(diǎn)進(jìn)行灰度值比較；若該點(diǎn)為極點(diǎn)，則把該點(diǎn)作為候選極值點(diǎn)，也就是關(guān)鍵點(diǎn)。

2)關(guān)鍵點(diǎn)的篩選。通過三維二次函數(shù)精確定位關(guān)鍵點(diǎn)，然后分析并除去低對(duì)比度關(guān)鍵點(diǎn)和邊緣響應(yīng)關(guān)鍵點(diǎn)，最終篩選出關(guān)鍵點(diǎn)集。

假設(shè)參考點(diǎn)云為A，待配準(zhǔn)點(diǎn)云為B，經(jīng)過上述算法的提取，可以得到A、B關(guān)鍵點(diǎn)的集合Al={a1,a2,a3,…,am′}和Bl={b1,b2,b3,…,bn′}，其中m′和n′是A、B點(diǎn)云中關(guān)鍵點(diǎn)數(shù)。

1.2 初始匹配點(diǎn)對(duì)搜索

點(diǎn)的曲率表示該點(diǎn)的局部領(lǐng)域曲面的變化趨勢(shì)，是點(diǎn)的一種重要的幾何特征。而且曲率作為二次導(dǎo)數(shù)，很容易就受到噪聲的干擾，所以用曲率來搜索匹配點(diǎn)對(duì)能有效地抑制噪聲，提高點(diǎn)云配準(zhǔn)的效率[7]。

對(duì)于給定點(diǎn)云A，計(jì)算其中任意一點(diǎn)ai的曲率，由于曲面和由ai的法向量和某一切向量所確定的平面的交集是一個(gè)平面曲線，如此就有一個(gè)曲率；若選擇不同的切向量，這個(gè)曲率會(huì)發(fā)生變化，并且有兩個(gè)極值即最大和最小曲率，稱為主曲率k1和k2，極值方向即為主方向。通過兩個(gè)主曲率可以得到點(diǎn)ai處的另外兩種曲率形式：高斯曲率和平均曲率。高斯曲率K反映了某一點(diǎn)處曲面的一般彎曲程度，而平均曲率H在微分幾何中是一個(gè)“外在的”彎曲測(cè)量標(biāo)準(zhǔn)，局部描述了該曲面嵌入在周圍三維空間中的曲率。

目前，曲率的估算方法中最常用的是二次曲面擬合方法。假設(shè)二次曲面S(u,v)用式表示：

S(u,v)=au2+buv+cv2+du+ev

(1)

(2)

(3)

(4)

由此可以得出，主曲率k1和k2的計(jì)算公式：

(5)

以ai點(diǎn)的主曲率為判斷條件遍歷待配準(zhǔn)點(diǎn)云，則可得到與ai點(diǎn)曲率相差不大的匹配點(diǎn)。由于實(shí)際測(cè)量以及曲率計(jì)算不可避免地產(chǎn)生誤差，需要建立約束條件來得到匹配點(diǎn)對(duì)：

(6)

式中,δ1為誤差閾值，bj為待匹配點(diǎn)云中的任意一點(diǎn)。當(dāng)bj滿足上式時(shí)，(ai,bj)記為一對(duì)匹配點(diǎn)；否則，舍棄；依此方法遍歷待匹配點(diǎn)云中的所有點(diǎn)。

2 點(diǎn)云的精配準(zhǔn)

通過前面的粗配準(zhǔn)，已得到一些初始匹配點(diǎn)對(duì)，但由于有很多相似曲率的點(diǎn)以及誤差的存在，使得配準(zhǔn)的效率遠(yuǎn)遠(yuǎn)達(dá)不到實(shí)際應(yīng)用的要求。因此，仍需進(jìn)行精配準(zhǔn)。

本文基于前述方法獲得的初始匹配點(diǎn)集，采用相似三角形閾值以及法向量夾角閾值等特征，對(duì)點(diǎn)對(duì)進(jìn)一步進(jìn)行篩選，從而提高配準(zhǔn)的精度及效率，最后運(yùn)用最小二乘法以及SVD法求解剛體變換矩陣。

2.1 相似三角形閾值篩選

對(duì)于任意一個(gè)三角形，在經(jīng)過比例放大、旋轉(zhuǎn)、平移變換之后，總是與原三角形相似的。可在點(diǎn)云配準(zhǔn)中應(yīng)用此特性，在參考點(diǎn)云與待配準(zhǔn)點(diǎn)云中分別構(gòu)建三角形，依據(jù)相似原理，明確點(diǎn)集的對(duì)應(yīng)關(guān)系。

假設(shè)在A中任意3個(gè)不共線的點(diǎn)ai、aj、ak，在B中找到各自的對(duì)應(yīng)點(diǎn)bu、bv、bw，假設(shè)(ai,bu)和(aj,bv)是確定的對(duì)應(yīng)點(diǎn)，判斷(ak,bw)是否為對(duì)應(yīng)點(diǎn)。由上述原理可知，不管兩個(gè)點(diǎn)集之間存在怎樣的旋轉(zhuǎn)和平移，由二者構(gòu)成的的三角形總是相似的。兩三角形的各邊長(zhǎng)如下表示：

Δaij=ai-aj、Δaik=ai-ak、Δajk=aj-ak

(7)

Δbuv=bu-bv、Δbuw=bu-bw、Δbvw=bv-bw

(8)

由相似原理，可以得到下列對(duì)應(yīng)關(guān)系：

(9)

定義兩個(gè)三角形的相似度ω的過程如下：

(10)

(11)

(12)

若二者組成的三角形的相似度ω大于給定閾值δ2，則剔除ak和bw對(duì)應(yīng)點(diǎn)對(duì)，否則保留。

2.2 法向量夾角閾值篩選

相似三角形閾值篩選能夠去除部分誤匹配點(diǎn)，但對(duì)于存在噪聲的點(diǎn)云，基于一種特征的篩選往往達(dá)不到穩(wěn)定的效果。因此，本文通過法向量夾角閾值法進(jìn)一步進(jìn)行篩選。

目前，點(diǎn)云的法向量估計(jì)方法中使用最廣泛的是局部表面擬合法，即將任意點(diǎn)ɑi的鄰域所擬合的最小二乘曲面的法向量，作為ɑi的法向量。但該方法只能得到法向量所在的直線，無法確定其內(nèi)、外指向。本文使用文獻(xiàn)[8]中的算法解決上述問題。該算法以法向距離閾值為判斷條件，可以將點(diǎn)云劃分為平坦點(diǎn)和非平坦點(diǎn)，在進(jìn)行法矢量方向調(diào)整時(shí)，依據(jù)點(diǎn)的種類的不同選擇不同的調(diào)整順序，加快了調(diào)整路徑的選擇速率，提高法矢方向調(diào)整的效率，而且還用了三次最近距離法解決了死鎖問題。

以經(jīng)過相似三角形閾值篩選的點(diǎn)集為研究對(duì)象，計(jì)算各點(diǎn)的法向量，設(shè)定夾角閾值θ進(jìn)行篩選。步驟如下：

Step1:選取經(jīng)過主曲率判斷的初始匹配點(diǎn)集A′和B′。通過K鄰域協(xié)方差分析法計(jì)算各點(diǎn)集中點(diǎn)的法向量。

協(xié)方差公式如下：

(13)

Step2:歸一化各對(duì)應(yīng)點(diǎn)的法向量，計(jì)算夾角β，若β小于設(shè)定的閾值θ，保留此對(duì)應(yīng)點(diǎn)對(duì)，否則剔除。

2.3 改進(jìn)的點(diǎn)云配準(zhǔn)算法

點(diǎn)云配準(zhǔn)算法的基本原理是使用最小二乘法的優(yōu)化思想，通過計(jì)算下列函數(shù)，獲得使其取得最小值的R和T，也就是剛體變換矩陣[3-5，9]。

(14)

式(7)中,Ai為參考點(diǎn)集；Bi為待配準(zhǔn)點(diǎn)集中對(duì)應(yīng)Ai的最近點(diǎn)；R為3×3的旋轉(zhuǎn)矩陣；T為3×1的平移矢量。f(R,T)是參考點(diǎn)集經(jīng)過變換后，其中任意點(diǎn)與其在待配準(zhǔn)點(diǎn)集中的對(duì)應(yīng)點(diǎn)的距離平方和。只有當(dāng)f(R,T)達(dá)到最小時(shí)，此時(shí)的R和T才是最終的剛體變換矩陣。

基于上文的總結(jié)，本文提出了一種改進(jìn)算法，步驟如下：

Step1：在點(diǎn)集A和B中，根據(jù)SIFT算子，選擇關(guān)鍵點(diǎn)集Ai0和Bi0。

Step2：對(duì)關(guān)鍵點(diǎn)集Ai0和Bi0，依據(jù)主曲率搜索初始匹配點(diǎn)集Ai1和Bi1。

Step3：對(duì)點(diǎn)集Ai1和Bi1應(yīng)用相似三角形閾值進(jìn)行篩選，剔除錯(cuò)誤的匹配點(diǎn)對(duì)，得到對(duì)應(yīng)點(diǎn)集Ai2和Bi2。

Step4：對(duì)點(diǎn)集Ai2和Bi2應(yīng)用法向量夾角閾值進(jìn)一步的篩選，選定需要計(jì)算的初值對(duì)應(yīng)點(diǎn)集Ai3和Bi3。

Step5：應(yīng)用SVD(Singular Value Decomposition)法求得點(diǎn)集Ai3和Bi3之間的旋轉(zhuǎn)矩陣R和平移矢量T。

Step6：計(jì)算Ai4=R1Ai3+T1，也即是點(diǎn)云點(diǎn)集Ai3經(jīng)過變換后所得到點(diǎn)集Ai4，然后重復(fù)Step4到Step6，直到滿足條件：

(15)

其中,Rk和Tk為第k-2次迭代所得到的旋轉(zhuǎn)矩陣和平移矩陣；δ3表示大于零的誤差閾值，也是收斂判斷條件。

3 實(shí)驗(yàn)結(jié)果與分析

本文算法在VS2013平臺(tái)上使用C++語言實(shí)現(xiàn)，并調(diào)用點(diǎn)云處理函數(shù)庫PCL 1.8.0實(shí)現(xiàn)[9-11]，電腦主頻2.3 GHz，內(nèi)存8 G，操作系統(tǒng)為Windows 10 64位。

為了驗(yàn)證本文改進(jìn)ICP算法的精度以及效率，與傳統(tǒng)ICP算法相比較，進(jìn)行了三維點(diǎn)云配準(zhǔn)實(shí)驗(yàn)。原始點(diǎn)云數(shù)據(jù)來源于DAVID SLS-3結(jié)構(gòu)光3D掃描儀所采集的貓模型和吊鉤數(shù)據(jù)。前者包含約1萬個(gè)數(shù)據(jù)點(diǎn)，后者約26萬個(gè)。

圖1為貓模型的實(shí)驗(yàn)結(jié)果。其中圖1(a)為原始數(shù)據(jù)，因兩次分別從不同位置采集數(shù)據(jù)，導(dǎo)致數(shù)據(jù)在各自的局部坐標(biāo)系下，因此在視圖上是分離的；圖1(b)為使用傳統(tǒng)ICP算法的配準(zhǔn)結(jié)果，配準(zhǔn)精度差強(qiáng)人意，但無法滿足高精建模和測(cè)量的要求；圖1(c)為本文算法的結(jié)果，可見，配準(zhǔn)的精細(xì)度有顯著提高，尤其在耳朵、腿等部位效果尤其明顯。

圖1 貓模型點(diǎn)云的配準(zhǔn)

圖2為吊鉤點(diǎn)云的實(shí)驗(yàn)結(jié)果。圖2(a)為原始數(shù)據(jù)；圖2(b)為傳統(tǒng)ICP算法的結(jié)果，匹配出現(xiàn)了明顯的錯(cuò)誤；圖2(c)為本文算法的實(shí)驗(yàn)結(jié)果，能夠較好地滿足應(yīng)用需求。此外，算法精度的定量化描述及時(shí)間效率如表1所示，通過與原始算法的比較，體現(xiàn)了本文改進(jìn)算法的優(yōu)勢(shì)。

圖2 吊鉤點(diǎn)云的配準(zhǔn)

被測(cè)物體點(diǎn)數(shù)量/個(gè)時(shí)間/ms誤差傳統(tǒng)ICP算法本文算法傳統(tǒng)ICP算法本文算法貓模型10000673514116550.00730.0006吊鉤2693271.042e61.263e40.27390.0011

4 結(jié)語

點(diǎn)云配準(zhǔn)在三維測(cè)量技術(shù)中的作用舉足輕重，精確、高效的配準(zhǔn)是對(duì)后續(xù)建模、測(cè)量等處理的有力保證。本文提出的改進(jìn)點(diǎn)云配準(zhǔn)算法，先利用SIFT算子找到關(guān)鍵點(diǎn)集，使用主曲率進(jìn)行粗配準(zhǔn)，運(yùn)用閾值改進(jìn)的點(diǎn)云配準(zhǔn)算法進(jìn)行精確配準(zhǔn)，提高了算法效率。經(jīng)過實(shí)驗(yàn)表明：與傳統(tǒng)ICP算法相比較，本文算法在計(jì)算速率以及配準(zhǔn)效果上都有明顯的優(yōu)勢(shì)，滿足了實(shí)際應(yīng)用的要求。

[1] 鄭南寧.計(jì)算機(jī)視覺與模式識(shí)別[M].北京：國防工業(yè)出版社，1998.

[2] Chua C S, Jarvis R. Point Signatures: A new representation for 3D object recognition[J]. International Journal of Computer Vision, 1997, 25(1):63-85.

[3] Feldmar J, Ayache N. Rigid, affine and locally affine registration of free-form surfaces[M]. Kluwer Academic Publishers, 1996.

[4] 鐘 瑩, 張 蒙. 基于改進(jìn)ICP算法的點(diǎn)云自動(dòng)配準(zhǔn)技術(shù)[J].控制工程, 2014, 21(1):37-40.

[5] 許 斌, 李忠科, 呂培軍,等. 基于特征的點(diǎn)云精確配準(zhǔn)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2013(11):112-114.

[6] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2): 91-110.

[7] 歐陽江帆. 基于幾何特征向量的三維人臉識(shí)別研究[D].廈門：廈門大學(xué), 2009.

[8] 劉大峰, 戴 寧, 孫全平,等. 面向曲面重構(gòu)的切平面法矢方向調(diào)整算法[J]. 機(jī)械科學(xué)與技術(shù), 2008, 27(2):192-197.

[9] Saad K R, Colombo A S, Ribeiro A P, et al. Reliability of photogrammetry in the evaluation of the postural aspects of individuals with structural scoliosis[J]. Journal of Bodywork & Movement Therapies, 2012, 16(2):210-216.

[10] Senin N, Colosimo B M, Pacella M. Point set augmentation through fitting for enhanced ICP registration of point clouds in multisensor coordinate metrology[J]. Robotics and Computer-Integrated Manufacturing, 2013, 29(1):39-52.

[11] Point cloud library website.Point cIoud data[EB/OL].[2014—10—06].http://www.pointclouds.org/(in Chinese).[PCL點(diǎn)云庫官網(wǎng)．點(diǎn)云數(shù)據(jù)庫[EB/0L]．[2014—10—06]．http://www.pointcIouds.org/.

Research on Point Cloud Registration Technology Based on SIFT Algorithm and Threshold Filter

Gu Xubo1,Zhang Yongju1,Zhang Jian1,Wu Liangcheng1,Guo Ling2

(1.Special Equipment Safety Supervision Inspection Institute of Jiangsu Province, Wujiang Branch, Suzhou 215200,China; 2.School of Automation, Nanjing university of science and technology, Nanjing 210094,China)

With widening application of 3D measurement technology, the demand for cloud point data processing technology is becoming more and more urgent, and the multi view point cloud registration is one of the fundamental technologies.A point cloud registration algorithm combining SIFT algorithm with threshold selection is proposed to overcome the disadvantages of the traditional ICP algorithm, such as poor robustness, sensitive to iterative initial value and low computational efficiency.Firstly, the initial matching set between the reference point cloud and the point cloud to be registered is obtained by calculating the SIFT key points and their main curvatures;then rotation and translation between corresponding are optimized based on the similar triangle threshold and the vector angle threshold.Experiments show that, compared with the traditional algorithm, the improved algorithm can achieve accurate registration results in shorter time, and it is highly automated and can effectively improve the efficiency and accuracy of point cloud registration.

key point；SIFT operator；point cloud registration；similar triangles

2017-05-22；

2017-06-08。

江蘇省質(zhì)監(jiān)局2016年度科研項(xiàng)目(KJ168357)。

顧旭波(1970-)，男，江蘇無錫人，碩士，主要從事特種設(shè)備安全方向的研究。

郭 玲(1976-)，女，江蘇南京人，副教授，碩士生導(dǎo)師，主要從事三維點(diǎn)云數(shù)據(jù)處理方向的研究。

1671-4598(2017)12-0247-04

10.16526/j.cnki.11-4762/tp.2017.12.064

TP391.7

A