本申請公開了一種基于主成分分析的平面點云匹配方法及裝置，所述方法包括：對兩個特征點云的主要成分進行提取，得到所述兩個特征點云的主方向；使用PCA主成分分析法對所述兩個特征點云的主方向進行初始配準；截取所述兩個特征點云周圍單位長度的像素輸入到CNN神經網絡進行對比，確定所述兩個特征點云的匹配結果。所述裝置包括：主成分分析模塊、初始配準模塊和卷積神經網絡模塊。本申請對大數據量的點云數據的配準處理能力較強，算法時間和空間復雜度可控。利用利用了PCA的特征提取以及CNN的模式匹配，實現了高效、高分辨率的點云學習。

技術領域

本申請涉及計算機數據處理技術領域，特別是涉及基于主成分分析的平面點云匹配方法及裝置。

背景技術

在計算機視覺和SLAM(Simultaneous Localization and Mapping，同步定位與地圖構建)等領域中，由于深度相機采集的點云數據存在不完整、旋轉平移錯位等情況，要得到完整的三維點云，就需要對局部點云進行配準，將各個視角得到的點集合并到統一的坐標系下形成完整的三維點云數據的配準就一直是研究的熱點，已經成為包括物體位姿估計、場景三維重建和視覺SLAM在內的許多應用的首要任務。

現有的點云幾何特征配準的方法有:1)基于構建幾何特性的直方圖，如基于快速點特征直方圖(FPFH)的計算方法通過多維直方圖來描述查詢點與鄰域點之間的空間差異；2)基于距離度量的ICP(Iterative Closest Point,迭代最近點算法)，通過最小二乘的方法重復選擇對應關系點對，計算最優剛體變換，直到滿足正確配準的收斂精度要求。該方法對角度和尺度變化較大的待匹配點云容易產生錯誤的對應點，或陷入局部最優而導致配準失敗。此外，還有基于幾何形狀的配準算法，如4PCS(4-Points Congruent Sets，點云粗配準方法)通過查找兩個點集上全等且共面的四邊形建立對應關系，但對于重疊區域較小的點集，通常難以找到對應關系。基于4PCS方法的Super4PCS算法改善了這一問題，但其時間復雜度遠高于同類算法。以上算法對場景簡單的點云數據的配準能得到較好的效果；但在實際應用場景中，如SLAM應對幀間配準解決環閉合問題時，從深度相機獲取的點云數據往往存在只有部分局部點云重合、旋轉平移變換角度大等情況，這些算法往往難以取得較為理想的效果。

發明內容

本申請的目的在于克服上述問題或者至少部分地解決或緩減解決上述問題。

根據本申請的一個方面，提供了一種基于主成分分析的平面點云匹配方法，包括：

對兩個特征點云的主要成分進行提取，得到所述兩個特征點云的主方向；

使用PCA主成分分析法對所述兩個特征點云的主方向進行初始配準；

截取所述兩個特征點云周圍單位長度的像素輸入到CNN神經網絡進行對比，確定所述兩個特征點云的匹配結果。

優選地，所述的方法，還包括：

當所述兩個特征點云被正確匹配時，繼續進行所述兩個特征點云的相似度計算；

當所述兩個特征點云未被正確匹配時，輸出匹配結果：所述兩個特征點云不相似。

優選地，使用PCA主成分分析法對所述兩個特征點云的主方向進行初始配準包括：

對所述兩個特征點云的協方差信息進行特征值分解，得到所述兩個特征點云對應的特征向量矩陣；

對所述特征向量矩陣進行矩陣變換將所述兩個特征點云的主方向進行配準。

優選地，對所述兩個特征點云的協方差信息進行特征值分解，得到所述兩個特征點云對應的特征向量矩陣包括：

分別計算源點云X和目標點云Y的質心坐標，表示為xmean和ymean；

分別計算源點云X和目標點云Y的協方差矩陣，表示為Xcovar和Ycovar；