双重下采样增强的点云改进配准算法研究

doi:10.19562/j.chinasae.qcgc.2023.04.005

摘要/Abstract

摘要：

自动驾驶领域对点云配准实时性要求高，而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此，本文提出了一种改进的快速点云配准方法，首先采用双重下采样方法对初始点云数据进行预处理，在保留原始特征的同时快速降低点云数据量，然后引入内部形状描述子（ISS）来优化超级全等四点集（Super4PCS）算法，降低其时间复杂度，最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证，结果表明：该算法具有良好的鲁棒性，且配准精度和配准速度均比已有算法有明显提高。

关键词: 点云配准, 双重下采样, ISS特征, Super4PCS, ICP算法

Abstract:

In the field of autonomous driving， the real-time requirement of point cloud registration is high. Existing ICP algorithm and its variants have such problems as high requirements for initial pose and slow registration speed. In order to deal with the above-mentioned problems， an improved fast point cloud registration algorithm is proposed in this paper. Firstly， a double down-sampling method is used to preprocess point cloud data. By this way， the amount of point cloud data can be greatly reduced rapidly， while retaining the original features. Then the Intrinsic Shape Signature （ISS） is introduced to optimize the Super 4-Points Congruent Sets （Super4PCS） algorithm to reduce its time complexity. Finally， the linear least squares optimization-based iterative closest point （ICP） algorithm is used for fast and precise registration. The effectiveness of the algorithm is tested and compared by using the Stanford and autonomous driving Kitti point cloud data. The results show that the proposed algorithm has good robustness， and the registration accuracy and speed are significantly increased compared with the existing algorithms.

Key words: point cloud registration, double down-sampling, ISS, Super4PCS, ICP

陈仲生,李潮林,左旺,侯幸林. 双重下采样增强的点云改进配准算法研究[J]. 汽车工程, 2023, 45(4): 572-578.

Zhongsheng Chen,Chaolin Li,Wang Zuo,Xinglin Hou. Study on Improved Point Cloud Registration Algorithm Enhanced by Double Down-sampling[J]. Automotive Engineering, 2023, 45(4): 572-578.

图/表 7

图1

表1

表2

表3

表4

图2

表5

参考文献 19

1	王海，李洋，蔡英凤，等. 基于激光雷达的 3D 实时车辆跟踪［J］. 汽车工程， 2021， 43（7）： 1013-1021.
	WANG Hai，LI Yang，CAI Yingfeng，et al. 3D real-time vehicle tracking based on lidar［J］. Automotive Engineering， 2021， 43（7）： 1013-1021.
2	黄润辉，胡立坤，苏鸣方，等. 基于三维锥形栅格的激光点云语义分割方法［J］. 汽车工程， 2022， 44（8）： 1173-1182.
	HUANG Runhui，HU Likun，SU Mingfang，et al. Semantic segmentation method of LiDAR point cloud based on 3D conical grid［J］. Automotive Engineering， 2022， 44（8）： 1173- 1182.
3	HUANG X S， MEI G F， ZHANG J， et al. A comprehensive survey on point cloud registration ［J］. arXiv Preprint arXiv： 2103.02690v2， 2021.
4	BESL P J， MCKAY N D. Method for registration of 3-D shapes［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14（2）：239-256.
5	MAGNUSSON M， LILIENTHAL A， DUCKETT T. Scan registration for autonomous mining vehicles using 3D-NDT ［J］. Journal of Field Robotics， 2007， 24（10）： 803-827.
6	ZHONG Y. Intrinsic shape signatures： a shape descriptor for 3D object recognition ［C］. Proceedings of the 12^th IEEEInternational Conference on Computer Vision Workshops， Kyoto， Japan， 2009： 689-696.
7	SIPIRAN I， BUSTOS B. Harris 3D： a robust extension of the harris operator for interest point detection on 3D meshes ［J］. The Visual Computer， 2011， 27（11）：963-976.
8	AIGER D， MITRA N J， COHEN-OR O. 4-Points congruent sets forrobust pairwise surface registration ［J］. ACM Transactions on Graphics， 2008， 27（3）： 1-10.
9	MELLADO N， AIGER D， MITRA N J. Super 4PCS fast global point cloud registration via smart indexing ［J］. Computer Graphics Forum， 2014， 33（5）： 205-215.
10	李仁忠，杨曼，田瑜，等. 基于ISS特征点结合改进ICP的点云配准算法［J］.激光与光电子学进展， 2017， 54（11）： 312-319.
	LI Renzhong， YANG Man， TIAN Yu， et al. Point cloud registration algorithm based on the ISS feature points combined with improved ICP algorithm［J］. Laser & Optoelectronics Progress， 2017， 54（11）：312-319.
11	宗晓萍，吴岩. 基于FPFH特征的ICP点云配准的改进算法［J］. 工业控制计算机，2021（7）： 106-108.
	ZONG Xiaoping， WU Yan. Improved point cloud registration algorithm based on FPFHF features［J］. Industrial Control Computer， 2021（7）： 106-108.
12	单丽杰，岳建平，钱炜. 基于特征点的ICP点云配准算法［J］.甘肃科学学报， 2022， 34（4）：1-4.
	SHAN Lijie， YUE Jianping， QIAN Wei. ICP point cloud registration algorithm based on feature points［J］. Journal of Gansu Sciences， 2022， 34（4）：1-4.
13	王月海，庄志鹏，邢娜. 改进的采样一致性点云配准算法［J］.计算机工程与设计， 2022， 43（5）：1382-1388.
	WANG Yuehai， ZHUANG Zhipeng， XING Na. Improved sampling consistent point cloud registration algorithm［J］. Computer Engineering and Design， 2022， 43（5）：1382-1388.
14	范强，刘鹏，杨俊，等. 基于3D-Harris与FPFH改进的3D-NDT配准算法［J］. 图学学报， 2020， 41（4）：567-575.
	FAN Qiang， LIU Peng， YANG Jun， et al. Improved 3D-NDT point cloud registration algorithm based on 3D-Harris and FPFH［J］. Journal of Graphics， 2020， 41（4）：567-575.
15	李建微，占家旺. 三维点云配准方法研究进展［J］. 中国图像图形学报， 2022， 27（2）： 349-367.
	LI Jianwei， ZHAN Jiawang. Review on 3D point cloud registration method［J］. Journal of Image and Graphics， 2022， 27（2）： 349-367.
16	XIONG B， JIANG W Z， LI D K， et al. Voxel grid-based fast registration of terrestrial point cloud ［J］. Remote Sensing， 2021， 13（10）： 1905.
17	杨宜林，李积英，王燕，等. 基于NDT和特征点检测的点云配准算法研究［J］.激光与光电子学进展， 2022， 59（8）：198-204.
	YANG Yilin， LI Jiying， WANG Yan， et al. Point cloud registration algorithm based on NDT and feature point detection［J］. Laser & Optoelectronics Progress， 2022， 59（8）： 198-204.
18	宋成航，李晋儒，刘冠杰. 利用特征点采样一致性改进ICP算法点云配准方法［J］. 北京测绘， 2021， 35（3）： 317-322.
	SONG Chenghang，LI Jinru，LIU Guanjie. Point cloud registration method using feature point sampling consistency initial alignment and improved ICP algorithm［J］. Beijing Surveying and Mapping， 2021， 35（3）： 317-322.
19	ANDREAS G， PHILIP L， CHRISTOPH S， et al. Vision meets robotics： the KITTI dataset［J］. International Journal of Robotics Research， 2013， 32（11）： 1231-1237.

类别	点云模型1	点云模型2
兔子
龙
犰狳

点云模型	精配准时间/s	RMSE/m
兔子1	6.353	8.72214×10^-8
兔子2	5.891	5.02143×10^-8
龙1	11.995	3.35157×10^-8
龙2	8.730	5.0376×10^-8
犰狳1	8.353	1.82126×10^-5
犰狳2	1.056	9.4796×10^-5

配准方法	配准时间/s	RMSE/m
ISS+ICP	15.098	1.212×10^-5
Super4PCS+ICP	17.15	1.70865×10^-6
NDT+ICP	21.586	2.5843×10^-6
SAC-IA+ICP	64.527	1.918×10^-7
本文改进算法	7.196	4.724×10^-8