基于Harris3D關鍵點提取和RANSAC算法的改進ICP算法研究

沈陽理工大學自動化與電氣工程學院 華宇寧 劉永俊

ICP在點云精配準方面有著重要的作用，與其他配準方法相比，它可以直接通過對應匹配點進行配準，但相應的ICP算法存在匹配速度慢、誤匹配率高等不足，針對這些不足，本文提出了結合Harris3D關鍵點提取和RANSAC算法解決配準速度和誤匹配問題，通過斯坦福數據進行傳統ICP和改進ICP算法對比實驗驗證，實驗結果表明，改進ICP算法有效提高了傳統ICP算法的配準性能。

1 傳統ICP的不足

在三維重建方法研究中，點云配準是關鍵技術之一，點云配準就是將不同坐標系下的點云數據通過旋轉、平移剛性坐標變換之后得到在同一坐標系下幾何拓撲信息較為完整的點云數據，其實質是獲取較為合適的旋轉平移矩陣，點云配準根據目的不同分為粗配準和精配準，粗配準是在不清楚兩個點云的相對位置的情況下，找到這兩個點云近似的旋轉平移矩陣，主要是為精配準提供初始變換矩陣；精配準在已知旋轉平移矩陣的情況下，通過多次迭代優化進一步得到更加精確的旋轉平移矩陣。

ICP算法在點云精配準中有著重要作用，與其他配準方法相比，它可以直接通過對應匹配點進行配準，其核心思想是，已知兩個代配準點云P和Q，匹配兩點云中歐氏距離最近的點來獲取變換矩陣，通過不斷迭代，，來得到最優變換矩陣。

傳統ICP算法在實際應用中存在很大的局限性，不能達到所需要求，具體ICP算法主要存在以下幾點不足之處：

（1）首先一點，ICP算法在進行點云精配準時需要一個初始的點云位置，需要初始點云和配準點云在同一坐標系下，如果兩個待配點云歐式距離較遠，會造成匹配錯誤，影響最終匹配效果。

（2）一般實際應用中，需要兩配準點云僅僅是部分重疊關系，而ICP算法無法確保兩點云的重疊區域，會造成誤匹配問題。

（3）ICP算法進行點云配準時需要將所有的點云進行查找匹配，如果點云個數較多，那查找時間會較長，嚴重影響配準效率。

2 基于Harris3D關鍵點提取和RANSAC算法的改進ICP算法

針對以上ICP算法的不足之處，本文提出了一些改進措施，針對點云數過多問題和誤匹配問題，本文提出了結和Harris3D關鍵點提取和RANSAC算法的改進方法。改進ICP算法基本步驟如圖1所示。

圖1 改進ICP算法基本步驟

2.1 Harris3D關鍵點提取

Harris算法是Chris Harris等提出的一種基于信號的點特征提取算法，主要應用于數字圖像角點提取，原理是利用窗口在圖像上進行移動。Harris3D算法是在Harris算法基礎上直接提取點云特征點，借助離散點云的法線進行特征提取。

首先求解離散點云的法線，構造法線協方差矩陣。

然后角點響應函數計算點云中每個點的角點響應值。

最后根據角點響應閾值判斷當前點是否為角點，若大于給定閾值，同時為局部極大值點，則判定該點為點云的角點，否則不是角點。

我們精配準之前通過Harris3D關鍵點提取作為點云中的對應點，通匹配特征點加快了配準速度。

2.2 RANSAC算法

RACSAC算法估計模型數據。落在模型內的點稱為內部樣本點，落在模型誤差范圍之外的點稱為外部樣本點。RACSAC算法首先從數據中隨機抽取一個子集，使用最小方差估計算法對該子集進行建模，然后將剩余的數據點代入模型中，并用模型計算誤差。當誤差小于預設閾值時，則該點為內采樣點，否則為外采樣點。通過比較每個估計模型中的樣本點數，確定最優模型參數。

圖2是使用二維數據集對RACSAC算法的描述。

圖2 RACSAC算法在二維空間的描述圖

3 實驗驗證

為驗證本文提出的ICP算法的科學性，我們使用了斯坦福大學點云庫中的bunny數據集為實驗數據集，將傳統ICP算法和改進ICP算法進行對比。

圖3為點云bunny原始數據在兩種算法下配準效果圖，從圖3中可以看出，原圖經傳統ICP算法的配準后，配準點較多，配準誤匹配率較大，導致配準時間較長，不過配準效果非常好，達到了配準精度；從改進ICP算法的配準效果圖來看，兩者相差不大，紅綠兩種點云完美融合到一起，配準效果非常好。

圖3 bunny點云配準效果圖

我們通過分析表1參數結果來對比兩種算法精配準結果。

表1 bunny點云配準結果

由表1知改進ICP算法配準誤差與傳統ICP算法相差不多，但配準時間大大縮短，僅用0.453s可達到配準效果。本文改進ICP算法可以在保證配準精度的前提下，大大提高配準效率，充分證明了本文的改進算法具有一定的實用性和有效性。