结合尺度不变特征的Super 4PCS点云配准方法
第34卷第5期2019年10月
遥感信息
Remote Sensing Information
Vol.34,No.5
Oct.,2019
结合尺度不变特征的Super4PCS点云配准方法
鲁铁定3,袁志聪i,郑坤i
(1.东华理工大学，南昌330013；2,流域生态与地理环境监测国家测绘地理信息局重点实验室，南昌330013)
摘要：点云配准是三维模型重建中的关键步骤。针对传统初配准方法效率低等问题，提出一种结合点云特征的超四点快速鲁棒匹配算法(super four point fast robust matching algorithm,Super4PCS)。首先对点云数据进行尺度不变特征提取，凸显点云的局部特征；然后把提取的特征点作为Super4PCS算法的初始值，以便实现源点云与目标点云的初配准；最后在初配准的基础上利用最近点迭代(ICP)算法进行精确配准。通过斯坦福兔子点云及实测点云数据对比分析，表明该算法具有更好的配准性能。
关键词：点云配准；尺度不变特征；特征点；超四点快速鲁棒匹配算法；ICP算法
doi：10.3969/j.issn.1000-3177.2019.05.005
中图分类号:P232文献标志码：A文章编号：1000-3177(2019)165-0015-06
Super4PCS Point Cloud Registration Algorithm Combining
Scale Invariant Features
LU Tieding1'2,YUAN Zhicong1,ZHENG Kun1
(1.East China University of Science and Technology,Nanchang330013t China;
2.Key Laboratory Watershed Ecology and Geographical Environment Monitoring,
National Administration of Surveying^Mapping and Geoinformation,Nanchang3300131China}
Abstract:Point cloud registration is the key step in3D model reconstruction.In view of the low efficiency of the traditional initial registration methods,a super four point fast robust matching algorithm(Super4PCS)is proposed,which combines the feature of point cloud.Firstly,scale-invariant feature extraction is performed,to highlight the local features of the point cloud. Then,the extracted feature points are used as the initial values of the Super4PCS algorithm so as to realize initial registration between the source and the target point cloud?Finally,the closest point iteration(ICP)algorithm is used for accurate registration on the basis of the initial registration.By comparing and analyzing Stanford rabbit point cloud and measured point cloud data,the results show that the proposed algorithm has better registration performance.
Key words:point cloud registration；scale invariant feature；feature point；Super4PCS；ICP algorithm
0引言
随着三维激光扫描技术的快速发展，三维重建技术的应用越来越广泛。点云配准是三维模型重建中的关键环节，点云配准按配准步骤可分为初配准和精配准初配准能够很大程度上减小两点云的旋转和平移错位,为精配准提供一个好的初始位置，提高配准精度和效率。常用的初配准□切方法有主成分分析法、标签法、中心重合法、4PCS算法3等。精配准是在初配准的基础上对点云进行精确配准，使两点云尽可能地重合，即两点云的距离之和最小。应用最广的精配准方法是由Besl和Mkcya提出的最近点迭代金门(ICP)算法。
近年来，Nicolas Mellado等田切提出的Super
收稿日期:2018-04-28修订日期：2019-07-17
基金项目：国家自然科学基金(41464001);国家重点研发计划(2016YFB0501405);国家重点研发计划(2016YFB0502601-04);江西省自然科学基金(2017BAB203032)。
作者简介:鲁铁定(1974—),男，教授，主要研究方向为测绘数据处理。
E-mail:tdlu@https://www.360docs.net/doc/9318979126.html,
15
不变特征
不变特征 0引言 图像局部特征的研究已经有很长的历史，早期研究可以追溯到20世纪70年代的Momvec算子。文献中存在大量关于角点、边缘、blob和区域等局部特征的研究方法。近年来区分性强、对多种几何和光度变换具有不变性的局部不变特征在宽基线匹配、特定目标识别、目标类别识别、图像及视频检索、机器人导航、纹理识别和数据挖掘等多个领域内获得广泛的应用，是国内外的研究热点。 局部不变特征是指局部特征的检测或描述对图像的各种变化，例如几何变换、光度变换、卷积变换、视角变化等保持不变。局部不变特征的基本思想是提取图像内容的本质属性特征，这些特征与图像内容的具体表现形式无关或具有自适应性(即表现形式变化时特征提取自适应的变化以描述相同的图像内容)。局部不变特征通常存在一个局部支撑邻域，与经典的图像分割算法不同，局部支撑邻域可能是图像的任何子集，支撑区域的边界不一定对应图像外观(例如颜色或纹理)的变化。 局部不变特征不仅能够在观测条件变化大、遮挡和杂乱干扰的情况下获得可靠的匹配，而且能够有效的描述图像内容进行图像检索或场景、目标识别等。局部不变特征可以克服语义层次图像分割的需要。从复杂背景中分割出前景目标是十分困难的课题，基于低层特征的方法很难实现有意义的分割，把图像内容表示为局部不变区域的集合(多个区域可能存在重合，图像中一些部分也可能不存在局部不变区域)，可以回避分割问题。基于局部不变特征的方法本质上是对图像内容进行隐式分割，局部不变特征既可能位于感兴趣的前景目标上也可能位于背景或目标边界上，后续的高层处理需要基于局部不变特征提取感兴趣的信息。 局部不变特征的研究包含3个基本问题：一是局部不变特征的检测，二是局部不变特征的描述，三是局部不变特征的匹配。根据不同的准则，局部不变特征的研究方法可以分为不同的类别，按照使用的色调空间的不同可以分为局部灰度不变特征和局部彩色不变特征；按照特征层次的不同可以分为角点不变特征、blob不变特征和区域不变特征；按照几何变换不变性的自由度可以分为平移不变特征、旋转不变特征、尺度不变特征、欧氏不变特征、相似不变特征、仿射不变特征和投影不变特征；按照处理思路的不同可以分为基于轮廓曲率的不变特征、
尺度不变特征变换(Scale-invariant feature transform,SIFT
SIFT SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。该方法于1999年由David Lowe 首先发表于计算机视觉国际会议(International Conference on Computer Vision，ICCV)，2004年再次经David Lowe整理完善后发表于International journal of computer vision(IJCV) 。截止2014年8月，该论文单篇被引次数达25000余次。 算法介绍 SIFT由David Lowe在1999年提出，在2004年加以完善。SIFT在数字图像的特征描述方面当之无愧可称之为最红最火的一种，许多人对SIFT进行了改进，诞生了SIFT的一系列变种。SIFT 已经申请了专利。 SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 算法的特点 SIFT算法具有如下一些特点: 1.SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性; 2. 区分性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配; 3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量; 4.高速性，经优化的SIFT匹配算法甚至可以达到实时的要求; 5.可扩展性，可以很方便的与其他形式的特征向量进行联合。 特征检测 SIFT特征检测主要包括以下4个基本步骤: 1尺度空间极值检测:搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。 2. 关键点定位 在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。 3. 方向确定 基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。 4. 关键点描述 在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。 特征匹配 SIFT特征匹配主要包括2个阶段: 第一阶段:SIFT特征的生成，即从多幅图像中提取对尺度缩放、旋转、亮度变化无关的特征向量。第二阶段:SIFT特征向量的匹配。 SIFT特征的生成一般包括以下几个步骤:
图像处理特征不变算子系列之DoG算子(五)
图像处理特征不变算子系列之DoG算子（五） 时间 2013-09-12 00:24:07 CSDN博客原 文https://www.360docs.net/doc/9318979126.html,/kezunhai/article/details/11403733 图像处理特征不变算子系列之DoG算子（五） kezunhai@https://www.360docs.net/doc/9318979126.html, https://www.360docs.net/doc/9318979126.html,/kezunhai 在前面分别介绍了：图像处理特征不变算子系列之Moravec算子（一）、图像处理特征不变算子系列之Harris算子（二）、图像处理特征不变算子系列之SUSAN算子（三）和图像处理特征不变算子系列之FAST算子（四）。今天我们将介绍另外一个特征检测算子---DoG算子，DoG算子是 由 Lowe D.G. 提出的，对噪声、尺度、仿射变化和旋转等具有很强的鲁棒性，能够提供更丰富的局部特征信息，本文将对DoG算子进行详细地分析。 在开始介绍DoG之前，有必要对尺度空间有一定的了解。尺度空间最早是由Tony Lindeberg提出的，并不断的发展和完善。日常生活中，我们自觉或不自觉的在使用尺度的概念。举个我们个人自觉的经历，当我们读小学的时候，同学间互相询问来自哪个组；当我们读中学的时候，同学们互相询问自哪个村；当我们读高中的时候，同学们互相询问来自哪个镇；当读大学的时候，同学们互相询问来自哪个省？这里的组、村、镇、省就是我们不自觉使用的尺寸。还有一个例子，当我们打开google地图的时候，随着鼠标的滚动，地图会由五大洲逐渐定位到国家--》省---》市---》区---》街道办等，这也是尺度的表现。 1）尺度空间 在尺度空间中，尺度越大图像就越模糊，尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟目标由远及近人对目标的感知过程。那为什么要讨论尺度空间呢？因为在用机器视觉系统分析未知场景时，机器并不知道图像中物体的尺度，只有通过对图像的多尺度描述，才能获得对物体感知的最佳尺度。如果在不同尺度上，对输入的图像都能检测到相同的关键点特征，那么在不同尺度下也可以实现关键点的匹配，从而实现关键点的尺度不变特性。尺度空间描述的就是图像在不同尺度下的描述，如果对尺度空间有兴趣，请参考Tony Lindeberg的论文：Scale-Space。 2）金字塔多分辨率 常常有人会将DoG与图像金字塔弄混，从而导致对SIFT算法第一步构造DoG不甚理解。这里首先介绍下金字塔多分辨率。金字塔是早起图像多尺度的表示形式，图像金字塔一般包括2个步骤，分别是使用低通滤波平滑图像；对图像进行降采样（也即图像缩小为原来的1/4，长宽高缩小为1/2），从而得到一系列尺寸缩小的图像。金字塔的构造如下所示：
尺度不变特征
SIFT特征分析与源码解读 分类：机器视觉与模式识别2013-11-19 22:28 10人阅读评论(0) 收藏举报 目录(?)[+] SIFT（Scale-invariant feature transform）是一种检测局部特征的算法，该算法通过求一幅图中的特征点（interest points,or corner points）及其有关scale 和orientation 的描述子得到特征并进行图像特征点匹配，获得了良好效果，详细解析如下： 算法描述 SIFT特征不只具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够得到好的检测效果。整个算法分为以下几个部分：1. 构建尺度空间 这是一个初始化操作，尺度空间理论目的是模拟图像数据的多尺度特征。 高斯卷积核是实现尺度变换的唯一线性核，于是一副二维图像的尺度空间定义为： 其中G(x,y,σ) 是尺度可变高斯函数 （x，y）是空间坐标，是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间（DOG scale-space）。利用不同尺度的高斯差分核与图像卷积生成。 下图所示不同σ下图像尺度空间： 关于尺度空间的理解说明：2kσ中的2是必须的，尺度空间是连续的。在 Lowe的论文中，将第0层的初始尺度定为1.6（最模糊），图片的初始尺度定为0.5（最清晰）. 在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息，所以Lowe 建议在建立尺度空间前首先对原始图像长宽扩展一倍，以保留原始图像信息，增加特征点数量。尺度越大图像越模糊。
尺度不变的额特征提取代码
function [ pos, scale, orient, desc ] = SIFT( im, octaves, intervals, object_mask, contrast_threshold, curvature_threshold, interactive ) % 功能：提取灰度图像的尺度不变特征（SIFT特征） % 输入: % im - 灰度图像，该图像的灰度值在0到1之间（注意：应首先对输入图像的灰度值进行归一化处理） % octaves - 金字塔的组数：octaves (默认值为4). % intervals - 该输入参数决定每组金字塔的层数(默认值为2). % object_mask - 确定图像中尺度不变特征点的搜索区域，如果没有特别指出，则算法将搜索整个图像 % contrast_threshold - 对比度阈值(默认值为0.03). % curvature_threshold - 曲率阈值（默认值为10.0）. % interactive - 函数运行显示标志，将其设定为1,则显示算法运行时间和过程的相关信息；% 如果将其设定为2，则仅显示最终运行记过(default = 1). % 输出: % pos - Nx2 矩阵，每一行包括尺度不变特征点的坐标(x,y) % scale - Nx3 矩阵，每一行包括尺度不变特征点的尺度信息(第一列是尺度不变特征点所在的组， % 第二列是其所在的层, 第三列是尺度不变特征点的sigma). % orient - Nx1 向量，每个元素是特征点的主方向，其范围在[-pi,pi)之间. % desc - Nx128 矩阵，每一行包含特征点的特征向量. % 参考文献: % [1] David G. Lowe, "Distinctive Image Features from Sacle-Invariant Keypoints", % accepted for publicatoin in the International Journal of Computer % Vision, 2004. % [2] David G. Lowe, "Object Recognition from Local Scale-Invariant Features", % Proc. of the International Conference on Computer Vision, Corfu, % September 1999. % % Xiaochuan ZHAO;zhaoxch@https://www.360docs.net/doc/9318979126.html, % 设定输入量的默认值 if ~exist('octaves') octaves = 4; end if ~exist('intervals') intervals = 2; end if ~exist('object_mask') object_mask = ones(size(im)); end if size(object_mask) ~= size(im)
结合尺度不变特征的Super 4PCS点云配准方法
第34卷第5期2019年10月 遥感信息 Remote Sensing Information Vol.34,No.5 Oct.,2019 结合尺度不变特征的Super4PCS点云配准方法 鲁铁定3,袁志聪i,郑坤i (1.东华理工大学，南昌330013；2,流域生态与地理环境监测国家测绘地理信息局重点实验室，南昌330013) 摘要：点云配准是三维模型重建中的关键步骤。针对传统初配准方法效率低等问题，提出一种结合点云特征的超四点快速鲁棒匹配算法(super four point fast robust matching algorithm,Super4PCS)。首先对点云数据进行尺度不变特征提取，凸显点云的局部特征；然后把提取的特征点作为Super4PCS算法的初始值，以便实现源点云与目标点云的初配准；最后在初配准的基础上利用最近点迭代(ICP)算法进行精确配准。通过斯坦福兔子点云及实测点云数据对比分析，表明该算法具有更好的配准性能。 关键词：点云配准；尺度不变特征；特征点；超四点快速鲁棒匹配算法；ICP算法 doi：10.3969/j.issn.1000-3177.2019.05.005 中图分类号:P232文献标志码：A文章编号：1000-3177(2019)165-0015-06 Super4PCS Point Cloud Registration Algorithm Combining Scale Invariant Features LU Tieding1'2,YUAN Zhicong1,ZHENG Kun1 (1.East China University of Science and Technology,Nanchang330013t China; 2.Key Laboratory Watershed Ecology and Geographical Environment Monitoring, National Administration of Surveying^Mapping and Geoinformation,Nanchang3300131China} Abstract:Point cloud registration is the key step in3D model reconstruction.In view of the low efficiency of the traditional initial registration methods,a super four point fast robust matching algorithm(Super4PCS)is proposed,which combines the feature of point cloud.Firstly,scale-invariant feature extraction is performed,to highlight the local features of the point cloud. Then,the extracted feature points are used as the initial values of the Super4PCS algorithm so as to realize initial registration between the source and the target point cloud?Finally,the closest point iteration(ICP)algorithm is used for accurate registration on the basis of the initial registration.By comparing and analyzing Stanford rabbit point cloud and measured point cloud data,the results show that the proposed algorithm has better registration performance. Key words:point cloud registration；scale invariant feature；feature point；Super4PCS；ICP algorithm 0引言 随着三维激光扫描技术的快速发展，三维重建技术的应用越来越广泛。点云配准是三维模型重建中的关键环节，点云配准按配准步骤可分为初配准和精配准初配准能够很大程度上减小两点云的旋转和平移错位,为精配准提供一个好的初始位置，提高配准精度和效率。常用的初配准□切方法有主成分分析法、标签法、中心重合法、4PCS算法3等。精配准是在初配准的基础上对点云进行精确配准，使两点云尽可能地重合，即两点云的距离之和最小。应用最广的精配准方法是由Besl和Mkcya提出的最近点迭代金门(ICP)算法。 近年来，Nicolas Mellado等田切提出的Super 收稿日期:2018-04-28修订日期：2019-07-17 基金项目：国家自然科学基金(41464001);国家重点研发计划(2016YFB0501405);国家重点研发计划(2016YFB0502601-04);江西省自然科学基金(2017BAB203032)。 作者简介:鲁铁定(1974—),男，教授，主要研究方向为测绘数据处理。 E-mail:tdlu@https://www.360docs.net/doc/9318979126.html, 15
SIFT尺度不变特征变换匹配算法详解
尺度不变特征变换匹配算法详解 Scale Invariant Feature Transform(SIFT) Just For Fun zdd zddmail@https://www.360docs.net/doc/9318979126.html, or (zddhub@https://www.360docs.net/doc/9318979126.html,) 对于初学者，从David G.Lowe的论文到实现，有许多鸿沟，本文帮你跨越。 如果你学习SIFI得目的是为了做检索，也许OpenSSE更适合你，欢迎使用。 1、SIFT综述 尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影 像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe 在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D 模型建立、手势辨识、影像追踪和动作比对。此算法有其专利，专利拥有者为英属哥伦比亚大学。 局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。 SIFT算法的特点有： 1. SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性； 2. 独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配； 3. 多量性，即使少数的几个物体也可以产生大量的SIFT特征向量； 4. 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求； 5. 可扩展性，可以很方便的与其他形式的特征向量进行联合。 SIFT算法可以解决的问题： 目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决： 1. 目标的旋转、缩放、平移（RST） 2. 图像仿射/投影变换（视点viewpoint） 3. 光照影响（illumination） 4. 目标遮挡（occlusion） 5. 杂物场景（clutter） 6. 噪声 SIFT算法的实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。 Lowe将SIFT算法分解为如下四步： 1. 尺度空间极值检测：搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。