1、第 50 卷 第 2 期2 0 2 3 年 2 月Vol.50，No.2Feb.2 0 2 3湖 南 大 学 学 报（自 然 科 学 版）Journal of Hunan University（Natural Sciences）一种基于PVDAC描述子的RGB-D三维点云配准方法白创，陈立，闫昱（长沙理工大学 物理与电子科学学院，湖南 长沙410114）摘 要：利用RGB-D数据进行三维点云配准时容易陷入局部最优.针对这个难题，提出了一种基于多维特征的PVDAC描述子实现三维点云配准的方法.该方法首先通过ORB特征检测算法提取二维数据的关键点，并计算关键点在2D下的灰度特征，然后构建关键点在3
2、D下的局部像素值距离、点云法线角度以及曲率特征，接着将 2D特征和 3D特征联合生成全新的PVDAC像素描述子，并利用PVDAC像素描述子描述关键点实现三维点云的粗配准，最后基于ICP算法完成三维点云的精细化配准.实验表明，本文算法在大场景点云配准时总体均方误差约为0.05 m2，在小场景单物体点云配准时达到了0.000 2 m2的较小误差，实现了三维点云的精确配准.关键词：三维视觉；3D建模；配准；描述子中图分类号：TP391 文献标志码：AA RGB-D 3D Point Cloud Registration Method Based on PVDAC DescriptorBAI Chua
3、ng，CHEN Li，YAN Yu（School of Physics and Electronic Science，Changsha University of Science and Technology，Changsha 410114，China）Abstract：Aiming at solving the problem that it is easy to fall into the local optimum when using RGB-D data to perform 3D point cloud registration，a 3D point cloud registrat
4、ion method based on a multi-dimensional-feature PVDAC descriptor is proposed.Firstly，the key-points of the two-dimensional data are extracted through the ORB feature detection algorithm.Secondly，the gray features of the key-points in 2D，the local pixel value distances，point cloud normal angles，and c
5、urvature features of the key-points in 3D are calculated，respectively.Thirdly，the 2D feature and 3D feature are combined to generate a new PVDAC pixel descriptor，which is used to describe the key-points to achieve the coarse registration of the 3D point cloud.Finally，the fine registration of the 3D
6、point cloud is completed based on the ICP algorithm.Experiment results show that overall mean square error of this method is about 0.05 m2 when registering a point cloud in a large scene，and it reaches a small error of 0.0002 m2 when registering a single-object point cloud in a small scene.收稿日期：2022
7、-01-12基金项目：中国-黑山科技合作委员会第三届例会交流项目（3-7），China-Montenegro 3rd Science&Technology Exchange and Cooperation Project（3-7）；长沙理工大学“双一流”科学研究国际合作拓展项目（2019ic18），Double First-class Scientific Research International Cooperation Expansion Project of Changsha University of Science and Technology（2019ic18）；柔性电子材料基因
8、工程湖南省重点实验室开放基金项目（202005），Open Research Fund of Hunan Provincial Key Laboratory of Flexible Electronic Materials Genome Engineering（202005）作者简介：白创（1983），男，陕西延安人，长沙理工大学讲师，博士 通信联系人，E-mail：文章编号：1674-2974（2023）02-0095-07DOI：10.16339/ki.hdxbzkb.2023262湖南大学学报（自然科学版）2023 年 Key words：3D vision；3D modeling；re
9、gistration；descriptors.三维点云配准技术是工业制造中逆向工程、古文物修复以及医学三维图像构建、三维地图构建勘测1等领域应用的关键技术，其目的是求解同一坐标下不同姿态三维点云的刚体变换矩阵，利用该矩阵实现多视角点云的精确配准，最终获得完整的三维数字模型与场景.Besl和Mckay在1992年提出了经典的迭代最近点算法（Iterative Closest Point，ICP）2.该算法虽然具有简单、收敛性好等优点，但其收敛速度和配准精度依赖于点云初始位置与算法迭代过程中的对应关系，因而算法计算量大且容易陷入局部最优 3-5.为了解决这些问题，一般将三维点云的配准过程分为“粗”
10、配准和“精”配准两部分，首先通过粗配准算法对点云原始位姿进行粗调，得到良好的初始位置，然后利用ICP算法或其改进型算法6-7对点云位姿进行微调，完成三维点云的配准.其中粗配准是业界研究的重点，常用的方法是基于特征匹配的配准方法.Kumar等人8利用A-KAZE进行特征检测匹配，并利用二维下的良好匹配点对映射到三维空间中获得3D稀疏点来进行点云的配准.Ran和王鹏等人9-10分别通过SIFT算子和几何信息、光度信息进行特征检测描述与匹配，来完成点云粗配准.赵明富等人11通过一种改进型的FPFH算子实现了点云的粗配准.这些基于特征匹配原理实现点云粗配准的方法虽然都取得了较好的效果，但复杂的特征计算
11、很难兼顾算法的效率，且仅利用了单一的二维特征或者三维特征，RGB-D数据特征并没有得到充分的利用.除了利用特征匹配的方法进行点云粗配准外，Ji等人还提出了一种利用遗传算法将点云转换到3D形状附近的全局特征粗配准算法12，该方法在对单一模型进行粗配准时效果较好，但当场景较为复杂时便很难保证算法的准确性.RGB-D数据同时包含 RGB图像数据和深度图像数据，在此基础上本文构建了一种二维特征和三维特征相结合的全新 PVDAC（Pixel Value Distance Angle and Curvature，PVDAC）特征描述子，根据深度图像数据生成的三维点云，利用PVDAC特征描述子完成未知姿态下
12、的点云粗配准并将粗配准后具有良好初始位置的点云通过 ICP算法进行精细化配准.相比现有方法，本文提出的算法不仅充分利用了RGB-D数据特征，而且在保证点云配准精度的同时拥有更高效的算法效率.1 算法原理基于PVDAC描述子的RGB-D三维点云配准算法根据点云配准的“粗+精”策略分为两部分完成.首先利用ORB算子13对二维数据中的RGB图像进行关键点的提取，同时根据数据对齐的原理确定三维数据中的对应关键点，然后计算关键点的二维灰度特征、三维空间分布特征以及曲率特征，生成由多维特征联合描述的PVDAC描述子，并利用全新的描述子完成点云的粗配准.最后采用ICP算法对点云之间的位姿进行微调完成点云之间
13、的精细化配准，如图1所示.2 粗配准2.1 关键点提取对于大规模数据的点云配准，选取良好的特征点不仅能够提高算法效率，还能提高配准的精度.为了保证数据的一致性和算法效率，首先，利用ORB算子对RGB数据进行一定数量关键点的检测与提取，得 到 初 始 的 关 键 点 点 集Kpi kp1，kp2，kp3，kpi和Kpi kp1，kp2，kp3，kpi.但原始关键点集中的部分关键点可能位于图像的边界处，不利于后续描述子的计算，因此，需要对原始关键点集中的关键点进行初步筛选.假设描述子计算模板大小为S S(S=2n-1；n=1，2，n)，则边界的定义为：|(x-S-12)W(y-S-12)H（1）式
14、中，x和y分别表示关键点的像素坐标，W和H则表示图像的宽度和高度.若原始点集中的关键点超出计算边界，则不计入描述子的计算得到新的关键点点集K?pi和K?pi.96第 2 期白创等：一种基于PVDAC描述子的RGB-D三维点云配准方法2.2 特征描述子构建2.2.1 二维灰度特征计算PVDAC描述子以BRIEF算法14的思想为核心，构建关键点二维下基于灰度的特征.首先，以关键点为中心确定一个S S大小的采样区域，选取n对符合(0，S2/25)高斯分布的像素点ai、bi(i=1，2，n)，为了满足算法的旋转不变性，通过t灰度质心法计算关键点的主方向：Mpq=x，yxpyqI(x，y)（2）式中，I
15、(x，y)为图像灰度表达式，则质心可表示为Cm=(m10/m00，m01/m00).假设关键点的坐标为O，则通过公式（3）计算向量的角度v，得到特征点的主方向.v=arctan2(m01，m10)（3）以关键点的主方向建立新坐标系，将原始n对像素点变换到新坐标系下得到全新的像素点对ai、bi(i=1，2，n).通过逐一比较新的像素点对灰度值的大小，得到关键点二维下基于灰度特征的描述.2.2.2 三维邻域平均距离特征计算与二维下关键点的邻域不同，三维下关键点与其邻域点之间的平均距离反映了该点的局部空间分布特征.当该点与其邻域点之间的平均距离较大时，表示该点的局部点云分布密度较大，反之则表示该点的
16、局部点云分布密度较小.当局部点云分布较稀疏时通常会形成点云的平滑区域，而关键点在点云中无论采样是否规则，只要在关键点的邻域数相同，则邻域点的个数是一致的.根据关键点在三维下的坐标，利用kd树对关键点进行K邻域搜索，如图2中右侧图所示.假 设 关 键 点 三 维 下K邻 域 点 的 集 合 为G gj，j=1，K，(xk，yk，zk)为关键的三维坐标，那么关键点与其K邻域点之间的平均距离可表示为：Di=(xk-xi)2+(yk-yi)2+(zk-zi)2（4）D=1Ki=0KDi（5）以关键点的K邻域平均欧氏距离D为距离阈值Td，将邻域点到关键点的欧式距离与Td进行逐一比较，得到关键点三维下基于邻域平均距离特征的描述.2.2.3 三维邻域角度特征计算表面法线作为几何表面的重要属性，其角度的变化反映出了点云表面的平坦程度或者光滑程度.点云采样于物体的表面，物体表面的法线即为点云的法线，因此可以先对物体的表面进行几何估计即可计算出点云法线.一般利用低阶多项式拟合的方法对曲面进行拟合，如图3（a）所示，但如果点云分布均匀，那么可以利用平面进行局部拟合加速计算，此时平面的法线即为点云法线，如图3
