一种新的三维点云兴趣点提取算法_郭建华.pdf

第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023一种新的三维点云兴趣点提取算法郭建华吕常魁(南京航空航天大学机电学院江苏 南京 210016)收稿日期:2020 06 26。国家自然科学基金项目(61671240)。郭建华，硕士生，主研领域:机器视觉及其工业应用，三维点云数据分析。吕常魁，副教授。摘要现有的三维点云兴趣点提取算法容易漏检和误检兴趣点，针对该问题，提出一种新的三维点云兴趣点提取算法。假设锥体为三维物体边角基元特征，根据各点与其 k 个近邻点的差向量集，构建突出度特征值描述点的局部锥度特征。基于点云突出度特征值的全局阈值得到初始兴趣点集，按照局部最大原则获取候选兴趣点集，依据每个候选兴趣点被重复选中的次数进行投票，获取最终兴趣点。在单位圆上模拟点云的突出度相关参数特征，检验了算法的鲁棒性。以人工标注统计确定的兴趣点作为真实值评估算法的性能，结果表明，该算法能准确提取到大部分真实兴趣点，整体性能优于传统算法。关键词点云兴趣点锥体突出度特征中图分类号TP391文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 038A NOVEL ALGOITHM FO INTEEST POINT EXTACTION OF 3D POINT CLOUDSGuo JianhuaL Changkui(College of Mechanical and Electrical Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，Jiangsu，China)AbstractThe existing interest point extraction algorithms of 3D point clouds are prone to misdetection and omissionTo solve this problem，we proposed a novel algorithm for interest point extraction of 3D point clouds Under theassumption that cone was the primitive feature of the edges and corners of a 3D object，salience degree was constructed todescribe the local cone feature of the object based on the difference vectors set calculated by each point and its k nearestneighbors The initial set of interest points was obtained based on the global threshold of the salience degree of pointcloud data The set of candidate interest points was obtained based on the local maximum principle The final interestpoints were selected by voting according to the number of times that each candidate interest point was repeatedlyselected The parameters related to salience degree of the point clouds were simulated on the unit circle to test therobustness of the algorithm The performance of the proposed algorithm was evaluated using manually labeled real interestpoints as discriminating criterion The results show that the proposed algorithm can accurately detect most real interestpoints，and outperformed traditional algorithms in terms of overall performanceKeywordsPoint cloudsInterest pointConeSalience degree0引言与2D 视觉相比，3D 视觉具有信息更为丰富全面、光照变化鲁棒性强、目标空间信息更为直观准确等优势。随着 3D 数据获取传感器技术的迅猛发展，以及机器学习、机器视觉等领域算法技术的进一步成熟，基于 3D 视觉的物体识别、场景理解等方面研究热度与年俱增，其成果在自动化作业、工业检测、机器人导航、虚拟现实、人机交互、遥感测量等领域逐渐得以普及应用1 3。兴趣点(Interest Point)也称关键点(Key Point)，兴趣点提取是 3D 视觉核心基础技术之一。3D 点云数据兴趣点提取即通过一定的检测算法，从目标点云数据第 3 期郭建华，等:一种新的三维点云兴趣点提取算法249中提取稳定的、标志性的特征点，为后续的物体跟踪4、目标配准5、目标建模6、空间结构描述7、物体识别8 等高层视觉算法服务。针对三维模型兴趣点的提取，研究人员做了大量的相关工作。Lee 等9 提出了 Mesh Saliency 算法，模型中每个顶点的显著性特征是基于由高斯滤波器加权得到的平均曲率，根据所有模型顶点的显著性特征的局部最大值选择兴趣点。Castellani 等10 提出的 Sali-ent Points 算法则直接对模型顶点的三维位置进行高斯滤波，其显著性特征取决于经高斯滤波后的顶点与原模型顶点的位移量。Novatnack 等11 提出了尺度依赖(Scale-Depended)的特征检测方法 SD-corner，将三维网格嵌入到二维平面，在二维平面上进行特征检测后再将特征映射回三维模型，最终识别出模型特征角点，该角点即为兴趣点。Sun 等12 提出基于热量扩散理论的多尺度特征描述算法 HKS(Heat Kernel Signa-ture)，在模型上采用 Laplace-Beltrami 算子计算其热核特征。Sipiran 等13 将经典的 Harris 角点检测算法扩展到三维上，通过在当前顶点及其邻域上构建局部坐标系并拟合二次曲面来计算该顶点的 Harris 响应，之后根据局部最大原则选择兴趣点。Godil 等14 也提出了 3D Sift 算法，该算法首先将 3D 模型体素化，然后通过高斯差分(Difference of Gaussian，DoG)检测极值点，最后选择合适的极值点后将其映射到原模型上作为兴趣点。这些算法中常用于点云兴趣点检测的算法是3D Harris 和 3D Sift 算法。为了评价这些算法的性能，Dutagaci 等15 提出了一种评估策略，将算法检测到的兴趣点集与人工标注的真实兴趣点集相比较。评估结果表明，3D Sift 算法会检测到许多偏离物体的重要位置的兴趣点;HKS 算法检测的兴趣点过少;3D Harris、Mesh Saliency、SD-corners、Salient Points 等算法则会漏检一些重要兴趣点。为了设计一种更加符合人眼视觉注意力机制的兴趣点提取算法，提出一种新的三维点云模型兴趣点提取算法。参考人眼识别物体的一些特点，我们认为，锥体是物体边角的基元特征，点云物体局部几何特征均可近似表达为该局部区域的锥度特征:对于物体的型面特征，平面可认为是局部锥度特征为 0 的特征体，曲面则可认为是由等值或不等值的局部锥度特征集组成的特征体;对于物体的边角特征，物体的边缘、棱角、拐角等，均可认为是系列假想椎体(面)的组合，这些椎体(面)可以是规则的，也可以是不规则的(图 1)。基于这个思想，本文:1)提出一种新的三维点云数据点特征的表达算法，并命名为突出度特征(Saliency Degree，SD)。该特征算法计算点云数据中心点与其 k 近邻归一化向量集的平均合向量，搜索归一化向量集中与合向量最大的夹角，应用该夹角与平均合向量二范数联合表达突出度特征，来描述三维点云物体的局部区域的锥度特征。2)提出一种新的兴趣点选取算法。算法全局与局部相结合，分为三步:(1)基于全局阈值的一次筛选:在突出度特征服从高斯分布的假设下，设置经验阈值为均值与标准差的和，突出度特征大于阈值的点为初始兴趣点。(2)基于局部最大原则的二次筛选:基于初始兴趣点，选取当前点及其 k 近邻点中具有最大突出度特征的点，作为代表当前点的候选兴趣点。每次候选兴趣点提取操作后给予该兴趣点 1 次投票。(3)基于投票数的最终筛选:设定票数阈值，按得票数量进行最终兴趣点筛选。(a)平面(b)曲面(c)边缘和拐角(d)圆锥面顶点图 1物体的锥度特征1算法描述1 1计算点的突出度特征设点云数据集 P=pm，m=0，1，n 1，当前点为 Pi，首先使用 KD-Tree 算法16 获得其 k 个近邻点，设其近邻点集合为 N(i)，则分三步计算该点的突出度特征:第 1 步计算点 Pi与其近邻点的平均合向量，对于N(i)中每一点 Pj，设点Pj指向当前点Pi的向量为vji，将vji归一化为单位向量 uji，获得向量集 V=uji，pjN(i)，ji，设当前点 Pi的 k 个近邻点的平均合向量为 vi(如图 2 所示)，则:vi=1kkj=1jiuji(1)250计算机应用与软件2023 年图 2合向量示意图第 2 步计算点 Pi的局部锥度特征，将 vi归一化为单位向量 ui，分别计算 V 中各向量与 ui的内积(即 V中各向量与 ui的夹角余弦值)，获得内积集合 I=cji，pjN(i)，ji。选择 I 中的最小值 ci:ci=minjN(i)cji=minjN(i)uiujici1，1(2)ci为点 Pi与其近邻点的差向量中偏离其平均合向量的最大夹角的余弦值(见图 2)。称 ci为点 Pi的局部锥度特征(Local Conicity，LC)。ci是一个重要的特征，其大小近似反映了锥面锥度的大小，其正负则反映了锥面的外凸或内凹特征，如果 ci 0 表示 Pi点附近区域具有外锥面特征，如果 ci 0 则表示 Pi点附近区域具有内锥面特征。第 3 步计算点 Pi的突出度特征，定义点 Pi的突出度特征(Saliency Degree)Sdpi为:Sdpi=vi2 eci(3)突出度特征(Sd)综合考虑了当前点的平均合向量与锥度特征，由以 ci的值为变量的 e 指数函数 eci与平均合向量 vi的二范数 vi2相乘得到，并且 Sd 0。其中，vi2是惩罚系数，具有突出锥度特征和抑制平面特征的作用。在点云局部分布相对均匀的情况下，对于具有较大锥度特征的局部区域如物体的凹凸点处，vi2的值较大，而对于平面 vi2则趋近于 0。1 2选择兴趣点按上述步骤计算所有点的 Sd 值后，从全局和局部两方面比较各点 Sd 值选择最终的兴趣点。首先计算全局阈值，确定初始兴趣点。由于兴趣点是那些几何特征比较明显的点，所以先从全局考虑，选择那些突出度特征值(Sd)较大的点作为初始的兴趣点。假设三维点云物体各点 Sd 值近似服从高斯分布 N(，2)，计算整个点云中 Sd 值的均值 与标准差，定义全局阈值 t 为:t=+(4)获得初始的兴趣点集合:S1=pmpmP，Sdpmt(5)然后按局部最大原则，确定候选兴趣点。对于 S1中每一点