基于3D点云FPFH特征实时三维空间定位 ，张剑华，邱叶强，机器人实时定位是计算机视觉领域中的一个备受关注和富有挑战性的研究课题。在过去几年有许多基于纹理特征的定位方法被提出，然而国武技记文在线本文方法我们提出的算法框架是根据算法,计算点云关键点,再计算关键点处的由面法线然后估计曲面特征描述子。利用采样一致性初始配准算法对两片点云进行初始配准。最后,运用算法对点云进行初始配准结果进行二次配准,进步优化配准结果,从而实现点云的精确配准。在我们的方法中,从相机获取的连续场景的点云或者间隔的点云,通过点云的配准方法,来获得坐标的变化矩阵。然后再将当前点云的坐标通过变换矩阵转换到初始位置。按此过程达代,随着机器人的移动可以计算得到相对于初始位置的机器人的坐标。实吋定位算法框架如图所示。关键帧点云数据序列帧点云数据分割分割降采样滤波去噪降采样滤波去噪预处理区域过滤区域过滤区域配对…二∴二∴-∴-:=:二:…二:…二:…二…二二…二二::二二…二…二…算法求关键点算法求关键点特征描述获取关键点特征获取关健点特征配准迭代配准估计转换矩阵换算原点换算图基丁点云几何特征实时定位算法框架图国武技记文在线关键帧选取在点云序列的处理过稈中,配准是以点云对的形式进行处理的。通常情况下可以采用相邻两帧进行配准,然后将计算得到的变换矩阵将后一帧的点云换算到前一帧坐标系下,以此方法迭代,将最新的一帧点厶换算到初始状态。该方法将导致内存空冋消耗过大。为了解决此问题,我们引入关键帧方法。我们根据下一小节中点云精确阢配后,兀配到的对应点的个数,通过阈值进行过滤。随着视场的变化,当前点云与关键帧之间能够匹配上的对应点的个数是呈减少的趋势:但是对于计算变换矩阵而言,计算得到的结果误差需要保证在·定的范围之内。因此在配准过程中需要保证足够多的配准点。假设最新点云与关键帧配准的对应点个数为,当时,通过对应点计算得到的转换矩阵误差在可接受范围之内。当,将当前帧作为关键帧,其中表小波动范围,和作为先验值给出。图关键点配准个数示意图从图中我们可以发现,在三个不同场景中随着机器人的移动,当前帧和关键唢之间能够配准的点的个数都是呈下降趋势(实验中采用的是关键点和特征描述子),三个场景都设置了帧,根据配准效果,我们将设置在个配准点,波动范围为,当配准点在至之间时,更新关键帧,将当前帧设置为关键帧。同时在不同的场景下,关键帧更换的频率是不一致的。该问题是依赖于配准的数量和关键点的丰富程度点云预处理为」在后续的环节中,能够高效执行,需要对点云进行顶处理。首先对点云进行分割处。我们采用依赖于存储位置关系的采样方法,采用像素邻域代榃空间领域的局部平面估计方法,最后采用基于多条什约束聚类快速分割平面的方法进行平面分割。该方法能够实时精确的给出点云中所有可能的平面,设第C1个关键帧点云中分割的区域集合为Rc将当前点云分割得到的区域集合R与Rc进行匹配,将未能匹配上的区域从R中剔除。区域匹配规则表示如下其中Pk衣示在R区域集合内的其中个点云了集,同埋P也是Rc,区域集合内点云了集;p表示平面P对应的平面法线,同理S为平面P的面积。五p,为平面对应的平面法线,Sk表示平面P的平面大小,通过点的个数表示;同理t和ts通过先验给出。计算各自区域内的平面法线方向的欧式距离,将法线的欧式距离和面积差在给定阈值内的平面作为匹配对。这样做可以提高配准的速度和准确性,因为在点云配准的过程中,只在限定的对应区域内进行匹配点的扫措。尽管这样做的后果是区域与区域之间边界上的关键点会丢失,但通过实验发现,丢失的关键点对匹配的影响不大在获取对应区域序列之后,各个区域内对平面进行降采样和滤波。在本小节中,采用网格降釆呆样,该方法的特点就是能够真实的反映情况,保持失真程度降到最低,同时能够剔除噪声区域过滤是进一步剔除某些区域,这些区域可能存在关键点,但是关键点数量很少,忽略这些关键点不影响最终结算结果。这样能尽可能减少不必要关键点和特征描述的计算。因此,我们的方法是将小于给定面积的区域直接舍弃。如图所示为连续点云数据集合中的其中相邻两帧,将第一帧作为关键帧,将后面作为当前帧,道过将当前点云进行分割,再将分割后的区域集合与关键帧进行匹配,并进行区域过滤,获得图配对结果。为展示清晰,只展小∫地面匹配成功的结果。图相邻两帧熄始点厶图图点云分割区域,降采样和过滤实验结果基于关键点检测由于我们能够聚焦的以是视野中的一部分,因此能够充分利用物体的边界来获得关键点。我们将和关键点检测方法,在相同点云数量和场景的状态下,分别进行提取,从三个不同角度进行观察,结果在图中显示,其中第一行是检测结果,第二行是检测结果,第三行是检测结果。从图中可以看出,方法检测到的关键点比其它两种方法的数量更多,分布更为均匀;同时发现方法提取的关键点数量虽然没有方汯多,但是关键点分布更为全面,如图第一行和第二行,显然在方泫的关键点上要集屮在坐标的值较小的地面和侧面墙上,而方法关键点分布在远处的墙上,关键点分布是否仝面直接影响计算旋转平移矩阵的精确程度。虽然关键点从分布层面上分析优与方法,但是方法在同样的点云处理下,需要左右而则只需要几十亳秒,因此方法更符合我们的应用实时性需求国科技论文在线出图关键点检测结果基于特征优化提取在本文中,我们需要实现基于光照无关,完全依赖于特征描述子的实时定位系统。通过实验对比我们发现,对于动态环境以及动态视角来说基于直方图的局部描述了更加稳定同时纹理是依赖于光照的,会随着光照的明暗变化,导致基于纹理的关键点提取不准确,甚至进一步导致对应关键点描述子的提取识別或者配匹配率低。依赖于形状特征描述子的特征在同一场景下能够配准的点的个数史多。为了将提取特征描述了所需要的时间代价降到最小,文献对提取方案进行了优化,过程如下:假设点云的关键点个数特征计算半径为。对点云构建一个并寻找一个关键点P的半径范围的所有点,假没点的个数为mn2)计算n2个点的法向量。)根据n个点计算关键点P的特征。并存储。上述过程重复此这样点云的个关键点的特征描述子就求出来了。过程中只结算了=Σ1n个法向量简化计算过程,提高了计算效率。基于特征配准在上节中,我们已经获得∫关键点的描述,通过该描述子利用采样一致性以及最邻近达代方法进行配准。实验证明该方法性能满足应用需求。通过前面几个小节,假设我们已经得到了关键帧点云的每一个区域中的关键点序列的特征描述子。同样,在当前帧点云中也需要提取相应的特征描述子。在配准过稈中,本文融合目前常用两中配准算法:用采样一致性进行初始配准,再用迭代最近点算法进行精确配准。采样·致性初始配准算法()内部分为两部分:贪婪的初始对准方法和采样一致性方法。贪婪的初始对准方法使用点云内部旋转不变性的特征,因此具有非常强的鲁棒性。贪婪的初始对准算法计算复杂度较高并且有可能只能得到局部最有解,因此采样一致性方法,试图保持相同的对应的儿何关系而不必尝试求解有限个对应关系的所有组合。采样一致性初始配准算法(从点云中选择个样本点,同时确定他们的配对距离人于用户设定的最小值 d对个样本点,在点云中分别找到满足相似条件的点存入个列表中。随机选择些代表采样点的对应关系。根据点云中关键点的对应关系计算刚体变换矩阵,并通过计算度量来评价转换矩阵的质量。度量可由评价公式决定ell≤teLn(eite(2 lei ll -te) eill > te重复这三个步骤直至达到最佳度量结果。最后使用个算法进行非线性局部优化。由得到的刚体变换矩阵使得两个点云数据大致重合,但是配准精确度远远达不到实际工程应用的要求,因此在初始配准的基础上冉精确配准。迭代最近点()算法是常用的精确的配准算法,它要求待配准的点云数据与较近的初始位置相比较。每次迭代过程中,首先根据一定的准则来对应点集与,其中∝,∝,对应点对的个数为。然后通过最小二乘法迭代计算最优的坐标变换,即旋转矩阵和平移矢量,使得误差函数最小。E(R,t)=∑k=11k-(RP+t)‖直至达到满意的误差要求。迭代过程分为个主要步骤:)对原始点云进行采样;)确定初始对应点集;)去除误对应点对;)坐标变化求解实时定位定位过程完仝依赖于点云的配准过程,假设点云配准的精确和实时性要求能够完仝满足移动札器人的动态定位精确的。在木小节中,我们将通过设立关键帧,对实时定位算法进行优化。假设在点云数据集合中{P},存在个关键帧点云P1°由于点云配对是成对的,因此关键帧点云与当前帧点云之间按时间顺序存在个旋转变換矩阵T,如图所示,关键帧处在连续场景中的某一个视点,如果场景足够大,这种大规模的膨胀过程,将消耗巨大的计算资源。通过设定关键帧,将旋转平移矩阵的个数压缩到最小,充分利用视场之问关联部分从而实现实时定位的目的。………………图关键帧匹配示意图定位方案如下描述:)首选需要确定世界坐标系,正如上文中提到,我们将用传感器的第帧坐标系作为世界坐标系,将相机坐标原点定义为世界坐标系原点。同时将第一帧作为关键帧,记为P6在第二个关键帧确定之前中间所有点云通过配准计算得到的旋转平移矩阵换算到世界坐标系下。)通过关键帧选取规则,产生第帧关键帧,记为P;,计算P和Ph的旋转平移矩阵T1,那么Pn和P之间的所有点云记为P,先计算与P之间的旋转平移矩阵,将P点云换算到P坐标系下,记为P,再将P通过旋转平移矩阵T1,换算到世界标系下。该过程的依次迭代表达式如下其中表示三维点P的集合,表示点云数量,T表示矩阵。将当前场景的坐标全部转换到世界坐标系中,从而得到定位的效果。实验结果及分析为证明我们的方法是有效的,我们在实验中与)方法进行对比,如图中所示为方法在是在真实坯境中,定位结果,将定位结果进行拟合,图中粉色线条为拟合结果,蓝色线条为定位失败的情况下的结果在此情况下,该方法需要回退到最后定位的位置,才能继续进行后续定位。而我们的方法则不会发生定位失败的问趨。观察基于定位的效果,也能在精度可控制的范围内达到定位的效果,图中是在同一场景和光照条件下进行得到的结果,绿点为在行驶过程中产生的国科技论文在线定位点。两者相比之下,并没有太大的差别。在时间效率方面,方法处理能力为每秒,而我们所提出的方法处理一帧约需要秒钟,相比之下要慢很多,但我们的方法对光照的要求并不敏感,而方法则不行,在光线不足的情况下,则不能完成定位,这是由于其本身所依赖的特征所决定的。所依赖的是基于纹理信息的或者特征,这两种特征对于光照的要求是很扃的。在这种情况下,我们的方法是有其独特的优势的,能够更加适用于光照恶劣或者完全黑暗的条件下。同时秒钟左右的处理能力,随着硬件的升级和算法的优化,具有很大的提升空间。因此我们的方法具有更广的应用领域。图定位图基于特征描述定位结论在本文中,我们实现了基于特征实时三维空间定位。该算法樵架通过对关键点提取,特征描述子以及配准方法的优化组合,最终实现了实吋定位。同吋在优化组合过程巾,我们对原始点云进行预处理时,将全局关键点提取改进为先对点云进行区域分割,然后对区域进行筛选和匹配,最后在关键点提取特征描述子,这样大大提高了配准的时间效率和精确度。通过对基」特征进行建图定位的方法的实验对比,我们的方法是完全依赖于目标形状特征的,对光照并不做要求的情况下,本文的方法更加可靠,更具有实际应用