HTML
-
采用两组点云进行算法验证实验。第一组采用PCL官网下载建筑物点云;第二组为采用激光雷达扫描建筑物获得。实验采用计算机硬件环境:处理器Intel(R) Core(TM) i5-8300H CPU @ 2.30 GHz,内存16.0 GB;操作系统ubuntu 16.04,64-bit,编程语言VC++。
-
图3(a)建筑物点云,目标点云(绿色)共112586个点,模板点云(红色)共112624个点,两原始点云经体素滤波后如图3(b)所示,滤波后分别含17677、17640个点。
从目标点云和模板点云中分别随机选取两个关键点进行特征提取并显示点特征直方图,如图4所示,A、C是模板点云的关键点,B、D是目标点云的关键点。其中,
$A$ 点和$D$ 点的FPFH特征基本一致,因此作为一组对应关系点对。Figure 4. FPFH eigenvalues and its comparison of key points. (a) Point A; (2) Point B; (3) Point C ; (4) Point D
当加入ISS算子后,比较了点云的配准效果。如表1所示,其中SAC-IA是进行传统FPFH特征提取进行的配准实验结果,SAC-IA+ISS是先提取ISS关键点、然后再进行FPFH特征提取进行配准的实验结果。表1的结果表明,采用ISS算子提取关键点后,配准欧拉评分近似相同,而配准时间却减少近一半,由12.061 s降为6.797 s,因此ISS算子的引入有效提高了点云的配准效率。
Experimental point clouds Algorithms Original points Down-sampling points Euclid score Time/s Building SAC-IA 112586 17677 0.0086 12.061 SAC-IA+ISS 112624 17640 0.0087 6.797 Table 1. Comparison of effect of ISS on point clouds registration
在特征提取过程中,嵌入了OpenMP多核多线程并行计算模式,加快特征提取速度,采用单线程pcl::FPFH Estimation特征提取耗时13.522 s,而采用OpenMP模式耗时3.058 s,仅为单线程的22.6%。基于提取的FPFH特征值进行粗配准,共耗时6.091 s,粗配准的点云效果如图5(a)所示,同时获得了两组点云的粗配准变换矩阵。两组点云基本重合,但仍有较明显错位,需进一步精配准。
Figure 5. Point cloud results with SAC-IA coarse registration and ICP fine registration respectively
完成粗配准后,再进行优化ICP配准,耗时0.895 s,共迭代5次,欧式适合度评分为0.0040。其中,欧式适合度评分是目标点云到模板点云对应关系点对的距离平方和。ICP精配准效果如图5(b)所示,同时获得了两组点云的精配准变换矩阵。
为比较,对两组点云进行常规ICP配准,共耗时8.297 s,迭代45次,欧式适合度评0.0041。
-
将激光雷达固定在三角支架上,获得不同站点实验室走廊的扫描点云。取两站点扫描的激光点云进行配准,第一组为红色点云,含290545点;第二组为绿色点,含290608点,如图6(a)所示。对两个原始点云进行体素网格滤波后分别含5938、5942个点,如图6(b)所示。
Figure 6. Corridor point clouds registration experiment.(a) Original point clouds pairs; (b) Filtered point clouds pairs; (c) SAC-IA coarse registration; (d) ICP fine registration
对走廊点云筛选关键点,提取FPFH特征,并进行SAC-IA粗配准,求取两组点云的变换矩阵,粗配准效果如图6(c)所示,耗时1.080 s,同时获得了两组点云的粗配准变换矩阵。
对粗配准获得的两组点云再进行优化ICP配准,耗时0.416 s,迭代7次,欧式适合度评分0.0057,如图6(d)所示,同时获得了两组点云的精配准变换矩阵。
为比较,对走廊点云进行常规ICP配准,共耗时2.042 s,迭代33次,欧式适合度评分0.0058。
-
点云配准结果的主要评估标准是迭代次数、欧式适合度评分和配准耗时。上述两个配准验证实验中,常规ICP算法和优化算法的评估参数如表2所示。另外,为了进一步说明所提出的优化组合方式的优越性,与参考文献[8]所采用的点云配准方法进行了实验比较,此方法记作SAC-IA+ICP,即采用采样一致性的粗配准和精配准的组合,实验结果也列入表2中。由表2可见,在欧拉评分近似相同的配准精度效果下,组合优化方法Optimized SAC-IA+ICP在迭代次数和配准时间上均有显著改善。
Experimental point clouds Algorithms Original points Down-sampling points Iteration number of ICP Euclid score Time/s Building Conventional ICP 112586 17677 45 0.0041 8.297 SAC-IA+ICP 112624 17640 12 0.0041 7.586 Optimized SAC-IA+ICP 5 0.0040 6.986 Corridor Conventional ICP 290545 5938 33 0.0058 2.042 SAC-IA+ICP 290608 5942 14 0.0057 1.566 Optimized SAC-IA+ICP 7 0.0057 1.496 Table 2. Comparison of registration evaluation parameters for three algorithms
由表2可见,优化的SAC-IA+ICP在两组实验中的迭代次数均远少于常规ICP,仅为其1/9~1/4。另外,优化的SAC-IA+ICP在两组实验中计算速度均快于常规ICP,在第一组实验中,优化的SAC-IA+ICP的计算速度为6.986 s,约占常规ICP的84.19%;在第二组实验中,优化的SAC-IA+ICP的计算速度为1.496 s,约占常规ICP的73.26%。优化SAC-IA+ICP在两组实验中得欧式适合度评分均略优于常规ICP。