(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210425882.0 (22)申请日 2022.04.22 (71)申请人 中国人民解 放军战略支援 部队航天 工程大学 地址 101407 北京市怀柔区八一路1号 航天 工程大学 (72)发明人 刘磊　孙光德　王珏　王帅　 彭思卿　贾雨童　 (74)专利代理 机构 北京挺立专利事务所(普通 合伙) 11265 专利代理师 韩畅 (51)Int.Cl. G06V 10/75(2022.01) G06V 10/74(2022.01) G06V 10/80(2022.01)G06K 9/62(2022.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/46(2022.01) (54)发明名称 基于几何与纹理映射的异源点云粗匹配方 法 (57)摘要 本发明公开了基于几何与纹理映射的异源 点云粗匹配方法， 包括以下步骤， S1： 根据源点 云 和模型点云生成点 云映射影像； S2： 使用RGB通道 映射影像提取特征点； S3： 基于点云RGB、 法向量 Dip分量、 粗糙度与曲率属性映射的多通道影像， 生成融合点 云几何与RGB属性的特征描 述子； S4： 点云映射影像特征点匹配； S5： 根据3D ‑2D的映射 关系获取对应的三维匹配点， 完成点云的粗匹 配。 本发明中的异源点云粗匹配方法通过融合几 何与纹理的特征描述子， 可以克服现有的基于映 射影像的点云匹配方法在异源点云映射影像纹 理相似性较低时无法完成点云匹配的问题。 权利要求书3页 说明书9页 附图9页 CN 114882256 A 2022.08.09 CN 114882256 A 1.基于几何与纹 理映射的异源点云粗匹配方法， 其特 征在于， 包括以下步骤， S1： 根据源点云和模型点云生成点云映射影 像； S2： 使用RGB通道映射影 像提取特征点； S3： 基于点云RGB、 法向量Dip分量、 粗糙度与曲率属性 映射的多通道影像， 生成融合点 云几何与RGB属性的特 征描述子； S4： 点云映射影 像特征点匹配； S5： 根据3D ‑2D的映射关系获取对应的三维匹配点， 完成点云的粗匹配。 2.根据权利要求1所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S1的具体操作包括以下步骤， S101： 建立 点云的有向包围盒； S102： 对有向包围盒进行正方体 体素分割； S103： 基于体素进行点云映射获取点云的多通道影 像。 3.根据权利要求2所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S2的具体操作包括以下步骤， S201： 基于GP S辅助获取影 像的粗略重 叠区域； S202： 提取兴趣纹 理区域的影 像； S203： 生成兴趣纹 理区域的梯度增强影 像； S204： 基于尺度空间建立Har ris与SIFT的特 征点集。 4.根据权利要求3所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S202中使用Grab  Cut算法与图像掩膜Mask进行兴趣纹 理区域提取。 5.根据权利要求4所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S203的具体操作包括以下步骤， S2031： 使用can ny算子获取兴趣纹 理区域的梯度影 像； S2032： 将梯度影 像图像与原 始图像进行叠加， 得到梯度增强影 像； 假设梯度影像图像的像素值为{Hi}， 原始图像的像素值为{Ji}， 梯度增强影像的像素值 为{Pi}， 则 式中， Hmax与Hmin分 别为像素{Hi}中的最大值和最小值； max{Pixi}和min{Pixi}分别为{Pixi}中的最大值和最 小值。 6.根据权利要求5所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S204的具体操作包括以下步骤， S2041： 使用高斯卷积核G(x， y， σi)建立高斯尺度空间， 计算不同尺度下的M矩阵， 其中， A( σi)＝G(x， y， σi)*(Ix)2， B( σi)＝G(x， y， σi)*(Iy)2， C( σi)＝G(x， y， σi)*(Ix·Iy)2， 式中， Ix与Iy分别表示 图像在x和y轴方向上的一阶偏导数， *代表卷积操 作； 在此基础上， 计算梯度增强影像的角点相应的R(σi)， R(σi)＝det(M(σi))‑τ·tr2(M ( σi))， 式中， τ∈[0.04 ‑0.06]为权重系数； S2042： 在每一个尺度里， 使用非最大值抑制获取相应R(σi)， 当R(σi)大于阈值， 且在给权　利　要　求　书 1/3 页 2 CN 114882256 A 2定邻域范围内是最大值时， 将对应的此点作为备选 Harris角点； S2043： 在尺度空间沿从小到大的尺度方向过滤备选Harris角点， 若一个备选Harris角 点在尺度空间中连续存在， 则 此角点为Harris特征点， 累积所有尺度空间的Harris特征点 作为最终的Har ris特征点集； S2044： 在相同的尺度空间内， 对梯度增强影 像图像提取SIFT特 征点。 7.根据权利要求6所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S3的具体操作包括以下步骤， S301： 使用与步骤S2中特征点提取时相同的高斯卷积核函数建立点云映射多通道影像 的尺度空间， 所述多通道影 像包括RGB通道、 Dip通道、 曲率 通道、 粗糙度通道； S302： 统计兴趣纹理区域梯度增强影像的RGB通道特征点邻域的梯度分布， 建立特征点 的基准方向， 确定每 个通道影 像图像的区域； S303： 将步骤S302中确定的各通道影像图像区域， 根据特征点基准方向进行坐标轴旋 转， 旋转后邻域内采样点的新 坐标为 S304： 特征点邻域旋转后， 邻域的子区域内各个像素的梯度分配到8个统计方向上， 计 算权值进行柱状图统计； S305： 计算128维融合 点云几何与RGB属性的特 征描述子 。 8.根据权利要求7所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S302的具体操作包括以下步骤， S3021： 在 特征点对应的尺度图像中搜索3σ 邻域范围内的像素的梯度幅值与方向， 3σ ＝ 3×1.5×σoct， 式中， σoct为每一个尺度空间内生成相邻尺度图像所用的高斯 参数； 式中， L为特征点所在尺度空间； m( x， y)和θ (x， y)分别为梯度的幅值和梯度的方向； S3022： 使用直方图统计邻域内像素梯度分布， 使用像素的梯度 方向确定所在的柱状图 区间， 幅值乘以权 重叠加到对应柱状区间完成最终的统计； S3023： 在特征点对应的尺度空间上， 确定描述子所需的各通道影像区域； 将特征点附 近邻域划分成2 ×2个子区域， 每个子区域作为一个种子点， 统计8方向的梯度特征， 每个子 区域中含有12 ×σoct个子像素， 即子 区域边长为 最终每个通道图像对应的区域 半径radius为 9.根据权利要求8所述的基于几何与纹理映射的异源点云粗匹配方法， 其特征在于， 步 骤S304的具体操作包括以下步骤，权　利　要　求　书 2/3 页 3 CN 114882256 A 3