本發(fā)明屬于攝影測量學(xué)與計算機(jī)視覺領(lǐng)域，具體涉及一種基于rgb-d相機(jī)數(shù)據(jù)的物體及室內(nèi)小場景恢復(fù)與建模方法。
背景技術(shù)：
：近年來，三維重建日益成為計算機(jī)視覺領(lǐng)域的研究熱點和重點，被廣泛應(yīng)用于工業(yè)測量、文物古跡保護(hù)、逆向工程、電子商務(wù)、計算機(jī)動畫、醫(yī)療解剖、顯微攝影、虛擬現(xiàn)實等諸多領(lǐng)域。常用的物體與室內(nèi)建模方法主要是利用激光掃描儀lidar獲取點云數(shù)據(jù)進(jìn)行建模，或者是利用相機(jī)獲取重疊影像基于雙目立體視覺的方法進(jìn)行建模，前者價格昂貴且儀器操作笨重；而后者數(shù)據(jù)處理復(fù)雜耗時，對光照條件有要求，且對相機(jī)也需要特別校正。便攜式rgb-d傳感器(如kinect2.0)價格低廉、結(jié)構(gòu)簡單、操作方便，能同時獲取場景的深度和彩色數(shù)據(jù)，且深度數(shù)據(jù)的獲取不受環(huán)境可見光的干擾。這些優(yōu)勢大大減低了三維建模的難度和成本，使得普通用戶也能將日常生活中的物體數(shù)字化，連接虛擬與真實世界。在利用rgb-d相機(jī)數(shù)據(jù)進(jìn)行物體及室內(nèi)小場景恢復(fù)與建模的點云建模中，深度數(shù)據(jù)(點云)配準(zhǔn)是三維物體重建和室內(nèi)小場景恢復(fù)的關(guān)鍵技術(shù)，涉及點云初始配準(zhǔn)位置的確定和在此基礎(chǔ)上的點云精確配準(zhǔn)。目前在點云配準(zhǔn)的粗配準(zhǔn)位置確定方面，采用靶標(biāo)球是最通用的方法，而如果沒有靶標(biāo)則多利用人工標(biāo)注粗位置的方法，點云精配準(zhǔn)是在粗配準(zhǔn)基礎(chǔ)上進(jìn)行的。1992年besl和mckay提出一種基于自由形態(tài)曲面的配準(zhǔn)算法——迭代最近點算法(iterativeclosestpoint,icp)，這是一種點集到點集的配準(zhǔn)方法，不需要對曲面進(jìn)行分割和特征提取，但算法的收斂速度慢，很容易迭代收斂到一個局部極值，導(dǎo)致配準(zhǔn)失敗?，F(xiàn)有的點云配準(zhǔn)算法基本都是基于icp算法并加以改進(jìn)，來提高點云匹配的正確率、效率和魯棒性等，以獲得重建結(jié)果。微軟針對rgb-d相機(jī)的代表kinect相機(jī)研發(fā)了kinectfusion技術(shù)，在支持gpu加速的機(jī)器上能夠?qū)ξ矬w進(jìn)行實時的三維幾何建模，快速創(chuàng)建足夠平滑的重建場景。但該方法不做環(huán)閉合檢測和優(yōu)化，重建模型會產(chǎn)生大的累積誤差，造成模型變形，且在場景趨于平坦時算法極易出現(xiàn)追蹤失敗。由于rgb-d相機(jī)能同時獲取光學(xué)與深度數(shù)據(jù)，人們研究在icp配準(zhǔn)中利用光學(xué)影像數(shù)據(jù)引入極線約束進(jìn)行rgb-d相機(jī)深度數(shù)據(jù)配準(zhǔn),并應(yīng)用于kinect相機(jī)數(shù)據(jù)，該方法的魯棒性較高，能夠基本恢復(fù)場景的整體模型，特別是在kinectfusion追蹤建模失敗的情況下，仍能取得較好的結(jié)果，但模型細(xì)節(jié)有時會出現(xiàn)失真。針對現(xiàn)有的利用rgb-d相機(jī)數(shù)據(jù)對物體及室內(nèi)小場景恢復(fù)與建模方法中存在的：對移動中相機(jī)位姿估計的精度不高，重建模型存在系統(tǒng)性的誤差累積，模型表面比較粗糙以及算法的實時性差等缺點，研究利用各種約束信息對icp算法進(jìn)行改進(jìn)獲得精度與魯棒性較高的點云配準(zhǔn)算法，實現(xiàn)基于rgb-d相機(jī)數(shù)據(jù)的物體及室內(nèi)小場景恢復(fù)與建模，使得不借助昂貴笨重的激光掃描儀可以進(jìn)行物體和小場景的快速建模，是現(xiàn)今計算機(jī)視覺、近景攝影測量領(lǐng)域人們研究的目標(biāo)之一。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種基于rgb-d相機(jī)數(shù)據(jù)的物體及室內(nèi)小場景恢復(fù)與建模方法。本發(fā)明需要保護(hù)的技術(shù)方案表征為：一種基于rgb-d相機(jī)數(shù)據(jù)的物體及室內(nèi)小場景恢復(fù)與建模方法，其特征在于，概括為:該方法在進(jìn)行rgb-d深度數(shù)據(jù)(點云)配準(zhǔn)建模中，將點到面和點到投影的約束條件綜合起來應(yīng)用于rgb-d相機(jī)所獲得的序列深度數(shù)據(jù)(點云)的精確配準(zhǔn)，最后得到物體或者小場景的點云模型(.ply格式)，該模型可用于物體的量測及進(jìn)一步cad建模。本發(fā)明中的配準(zhǔn)方法既考慮了點到投影算法的速度優(yōu)勢，也綜合了點到切平面算法的精度優(yōu)勢，克服了傳統(tǒng)點云配準(zhǔn)方法速度慢、場景精度低的問題，可以快速、準(zhǔn)確的找到源點云上某點在目標(biāo)點云上的對應(yīng)點，實現(xiàn)多視點云拼接。本發(fā)明技術(shù)方案，具體說明如下：設(shè)sp、sq為rgb-d相機(jī)從不同的視點p、q獲得的兩幀相鄰幀點云數(shù)據(jù)。因為rgb-d進(jìn)行點云獲取時，采樣頻率較高且相機(jī)移動速度比較慢，因此相鄰幀點云數(shù)據(jù)間的配準(zhǔn)值平移量接近0向量、旋轉(zhuǎn)陣接近e陣，可以利用0、e作為點云配準(zhǔn)的初始值。sp、sq是經(jīng)過粗略配準(zhǔn)的點云參數(shù)化的局部表面，p0是sp上一點，是p0點的法向量，qs是過p0點的法線與sq的交點，過qs做sq的切平面，q′s為p0點在該切平面的投影。利用p0和q′s作為點云配準(zhǔn)參數(shù)解算的配準(zhǔn)點。點到面的配準(zhǔn)方法的關(guān)鍵是求得交點qs，常用的求交點的方法是通過找到目標(biāo)點云表面的三角形，利用三角形的3個頂點內(nèi)插出交點，但這種方法的計算量大，耗時長。為避免此問題，在本發(fā)明中首先利用點到投影的方法求得交點，然后基于求出的交點得到過交點的切平面并進(jìn)一步確定配準(zhǔn)點候選點對，再利用剛性運動一致性約束對前面確立的候選點對進(jìn)行錯誤點對剔除，最后利用錯誤點剔除后的配準(zhǔn)點對進(jìn)行sp、sq兩點云的icp精配準(zhǔn)，得到的精確的配準(zhǔn)參數(shù)。根據(jù)上面方法得到連續(xù)幀點云間的精配準(zhǔn)參數(shù)后，再利用點云精配準(zhǔn)參數(shù)對連續(xù)幀點云進(jìn)行配準(zhǔn)建模得到物體或者小場景的點云模型(.ply格式)。進(jìn)一步給出實施例技術(shù)方案，過程如下：首先進(jìn)行rgb-d數(shù)據(jù)獲取(后續(xù)采用微軟發(fā)布的kinect2.0作為深度數(shù)據(jù)的采集裝置為例進(jìn)行說明)，數(shù)據(jù)采集前對rgb-d數(shù)據(jù)采集的軟、硬件平臺環(huán)境進(jìn)行適當(dāng)配置滿足采集要求；采集時，對固定目標(biāo)或場景，在rgb-d相機(jī)深度識別范圍內(nèi)，手持相機(jī)以較平穩(wěn)且低移動速度繞物體或場景旋轉(zhuǎn)一周，形成一個閉合的圓環(huán)，且采集過程中應(yīng)避免較大的抖動，防止幀間配準(zhǔn)產(chǎn)生較大的偏差。得到序列幀數(shù)據(jù)后，進(jìn)行物體場景建模，方法如下：1.深度圖像濾波在實際量測過程中，傳感器受強(qiáng)光條件以及待測物體表面材質(zhì)的影響，深度數(shù)據(jù)含有大量的噪聲，尤其在物體邊緣處，會出現(xiàn)無效數(shù)據(jù)，因此將深度數(shù)據(jù)轉(zhuǎn)換成三維點云之前，采用雙邊濾波對深度圖像降噪平滑的同時保留物體的深度圖像上邊緣信息，在考慮像素在空間位置距離上的關(guān)系的同時，也考慮了像素間的相似程度。ws＝wg×wh式(1)為雙邊濾波的計算式。當(dāng)空間域的標(biāo)準(zhǔn)差δg不變，灰度閾的權(quán)值δh逐漸增大的過程中，不同灰度值對應(yīng)的權(quán)值wh都很大，利用深度圖像灰度(深度信息)的變化保留邊緣信息的作用越來越弱，雙邊濾波器退化為高斯濾波器。在δh不變，δg逐漸增大的過程中，圖像的模糊越來越明顯。對物體與小場景反復(fù)實驗后，本發(fā)明中雙邊濾波的模板大小為3×3，空域和值域高斯函數(shù)的標(biāo)準(zhǔn)差分別為10、15。2.彩色影像特征點檢測與圖像匹配為了生成與場景一致的三維模型，在幾何重建的同時進(jìn)行紋理重建，就需要利用特征檢測算子找到彩色影像特征點并對相鄰兩幀彩色進(jìn)行匹配，由于數(shù)據(jù)量較大，采用orb(orientedbrief)算法提取彩色影像特征點，orb算法相比sift(scale-invariantfeaturetransform)和surf(speed-uprobustfeatures)算子運行的時間短，算法匹配的正確率高，采用二進(jìn)制編碼方式描述提取的特征大大節(jié)省了計算機(jī)內(nèi)存。彩色影像匹配完成后，根據(jù)標(biāo)定得到的彩色鏡頭與深度鏡頭之間的相對位姿，實現(xiàn)彩色影像與深度數(shù)據(jù)對齊，生成場景不同視角下的彩色化點云。3.改進(jìn)的icp精配準(zhǔn)方法a.利用back-project法，將待配準(zhǔn)的第n幀上某一點p0按下一幀((n+1)幀)的視點方向投影得到它的像素坐標(biāo)pq，計算公式為式(2)中，mq為中心投影矩陣(相機(jī)標(biāo)定后得到的內(nèi)參矩陣)，tq為將q視點獲得的點云轉(zhuǎn)換到同一世界坐標(biāo)系下的變換矩陣。由于式(2)的計算結(jié)果不一定為整數(shù)，對式(2)結(jié)果進(jìn)行取整(四舍五入)操作，得到深度影像格網(wǎng)點上的值pq。b.利用forward-project法，將pq坐標(biāo)帶入式(3)等式右端，得到新的三維點坐標(biāo)的計算公式為：式(3)中，為相機(jī)標(biāo)定后得到的內(nèi)參數(shù)矩陣，zc為pq在第(n+1)深度圖像上的深度值，通過式(3)計算得到c.利用式(4)將投影在p0處的法向量上，得到p1點的坐標(biāo)式(4)中，為p0處的單位法向量。d.得到p1后，將p1作為新的p0值參與上述a、b、c三個步驟，進(jìn)行投影，遞歸迭代得到p2。不斷迭代，第i次投影得到的點將迭代收斂于交點qs，且當(dāng)i趨于無窮大時，有在實際情況中，受投影次數(shù)的限制，迭代的終止條件為：其中εc為一個給定的閾值，大小為10-6。得到收斂后的交點qs，確定過點qs的切平面，將p0投影在該切平面上，得到投影點q′s。e.將通過步驟1預(yù)處理后深度圖像上每個點都進(jìn)行上述步驟a～d，得到每個點的q′s，最終構(gòu)成匹配點對集合{p0}和{q′s}。f.受迭代初值和點云表面光滑度的影響，采用上述方法確立的匹配點對{p0}和{q′s}中仍然存在錯誤的對應(yīng)點，這種情況在迭代初期尤為明顯，因此，本發(fā)明中采用剛性運動一致性約束對錯誤點對進(jìn)行剔除。假設(shè)(p1,q1)與(p2,q2)為候選的對應(yīng)點對，則有剛性運動一致性約束：式(6)中，t是預(yù)先定義的閾值，對所有候選點(pi,qi)，i＝1,2,…,n，判斷彼此的兼容性，并對不兼容的點進(jìn)行剔除。g.將剔除錯誤候選點對得到的新對應(yīng)點序列{p0}和{q′s}作為精確匹配點，利用奇異值分解法求得矩陣最大特征值對應(yīng)的單位特征向量，計算第n幀與相鄰第(n+1)幀點云間的旋轉(zhuǎn)矩陣r和平移向量t，實現(xiàn)相鄰幀間精配準(zhǔn)。4.步驟3中得到相鄰點云幀間的精確配準(zhǔn)結(jié)果都是以第一幀點云所在的坐標(biāo)系為參考坐標(biāo)系，對其他所有相鄰幀點云都利用上面步驟1～3進(jìn)行處理，得到各相鄰幀間的旋轉(zhuǎn)矩陣r與平移向量t，最后利用式(7)將所有幀點云統(tǒng)一到參考坐標(biāo)系下。生成統(tǒng)一坐標(biāo)系下的物體和場景點云模型，格式為.ply文件。該文件可在meshlab或者geomagicstudio等通用的三維幾何處理系統(tǒng)中顯示并進(jìn)行進(jìn)一步數(shù)據(jù)處理。與現(xiàn)有方法相比，聯(lián)合點到面和點到投影、并加上剛性運動一致性約束的精配準(zhǔn)方法，兼顧了現(xiàn)有算法的速度和精度優(yōu)勢，算法執(zhí)行的時間更短，點云配準(zhǔn)的精度更高，所建模型的結(jié)構(gòu)特征比較清晰，算法的魯棒性較強(qiáng)，精度可靠，能滿足物體及室內(nèi)小場景恢復(fù)與建模。本發(fā)明可以應(yīng)用于基于rgb-d相機(jī)數(shù)據(jù)的物體與室內(nèi)小場景恢復(fù)與建模，在目標(biāo)物與小場景的量化恢復(fù)與建模方面發(fā)揮作用。附圖說明圖1為本發(fā)明算法的整體流程圖。圖2為本發(fā)明中改進(jìn)的icp算法的詳細(xì)流程圖。圖3為本發(fā)明提出的聯(lián)合點到面約束和點到投影約束的點云配準(zhǔn)方法的原理圖。圖4為rgb-d傳感器(利用kinect相機(jī))獲得的會議室場景中第41幀數(shù)據(jù)，其中圖4(a)為對應(yīng)的彩色影像(灰度顯示)，圖4(b)為紅外影像，圖4(c)為深度數(shù)據(jù)。圖5為圖4相鄰的下一幀(42幀)的數(shù)據(jù)，其中圖5(a)為彩色影像(灰度顯示)，圖5(b)為紅外影像，圖5(c)為深度數(shù)據(jù)。圖6(a)、圖6(b)分別為雙邊濾波對圖4、圖5中會議室場景的深度數(shù)據(jù)降噪平滑的結(jié)果。圖7為圖4、圖5相鄰兩幀彩色影像匹配結(jié)果(灰度顯示)。圖8為彩色化點云(灰度顯示)。圖9為本發(fā)明方法配準(zhǔn)后建立的場景模型的效果圖，其中右圖中的灰色三角錐表示kinect相機(jī)獲取點云時的位置與視軸方向。具體實施方式以下結(jié)合一個實施例子對具體實現(xiàn)方法進(jìn)行說明，即對一有代表性的rgb-d相機(jī)——微軟的kinect2.0——獲得物體或室內(nèi)小場景的序列彩色與深度數(shù)據(jù)，生成能被meshlab、geomagicstudio等通用三維幾何處理系統(tǒng)支持的三維模型數(shù)據(jù)，格式為.ply文件。數(shù)據(jù)采集前對kinect數(shù)據(jù)采集的軟、硬件平臺環(huán)境進(jìn)行配置，采用window8(64位)、接口為usb3.0的筆記本一臺，軟件平臺環(huán)境需要預(yù)裝微軟自主研發(fā)的開發(fā)工具包sdk，并安裝配置開源的跨平臺計算機(jī)視覺庫opencv3.0。采集時，對固定目標(biāo)或場景，在kinect相機(jī)深度識別范圍內(nèi)，手持相機(jī)以較平穩(wěn)且低移動速度繞物體或場景旋轉(zhuǎn)一周，形成一個閉合的圓環(huán)，采集過程中應(yīng)避免較大的抖動，防止幀間配準(zhǔn)產(chǎn)生較大的偏差。實施例1：對于實施例子中的會議室場景，共采集了151幀數(shù)據(jù)，數(shù)據(jù)采樣的時間間隔為3s。實驗數(shù)據(jù)為kinect2.0獲得的數(shù)據(jù)包括會議室場景的彩色影像、紅外影像和深度數(shù)據(jù)，其中彩色影像的分辨率為1920×1080，深度和紅外影像的分辨率為512×424。下面為第41幀原始深度影像部分灰度值(深度值)，范圍為行號209～224，列號為192～220.表1通過標(biāo)定得到的彩色鏡頭與深度鏡頭之間的相對位姿參數(shù)為：旋轉(zhuǎn)矩陣為平移向量為根據(jù)圖1所示的具體流程，整個實施過程如下：1、深度圖像濾波在將kinect相機(jī)獲取的圖像形式的深度數(shù)據(jù)轉(zhuǎn)換為(x，y，z)形式的三維點云格式之前，考慮到實際數(shù)據(jù)獲取過程中，深度傳感器受外界光照條件以及待測物體表面材質(zhì)的影響，所獲得的深度數(shù)據(jù)含有大量的噪聲，尤其在物體邊緣處，會出現(xiàn)無效數(shù)據(jù)。因此在轉(zhuǎn)換前，利用式(1)先對深度圖像進(jìn)行降噪平滑，同時保留物體的邊緣信息。本發(fā)明雙邊濾波模板的大小為3×3，空域和值域高斯函數(shù)的標(biāo)準(zhǔn)差分別為10、15。則定義域核為：0.99000.99500.99000.99501.00000.99500.99000.99500.9900值域核為：由于深度數(shù)據(jù)量較大，這里只列出第41幀深度數(shù)據(jù)某3×3范圍內(nèi)的原始灰度值為：177177177177176178175179180對該幀數(shù)據(jù)雙邊濾波后該3×3范圍內(nèi)的值為175176175176176176173175172圖6(a)為雙邊濾波對圖4(第41幀)中深度數(shù)據(jù)降噪平滑的結(jié)果，圖6(b)為雙邊濾波對圖5(第41幀相鄰的下一幀(第42幀))中深度數(shù)據(jù)降噪平滑的結(jié)果。2、彩色影像特征點檢測與圖像匹配為了生成與場景一致的三維模型，在幾何重建的同時進(jìn)行紋理重建，利用特征檢測算子找到彩色影像特征點并對相鄰兩幀彩色進(jìn)行匹配，由于數(shù)據(jù)量較大，采用orb算法提取彩色影像特征點，orb算法相比sift和surf算子運行的時間短，算法匹配的正確率高，同時采用二進(jìn)制編碼方式描述提取的特征來節(jié)省計算機(jī)內(nèi)存。對第41幀和第42幀的彩色影像進(jìn)行匹配，匹配完成，結(jié)果如圖7。根據(jù)標(biāo)定得到的彩色鏡頭與深度鏡頭之間的相對位姿，進(jìn)行彩色影像與深度數(shù)據(jù)對齊，生成物體、場景不同視角下的彩色化點云，對第41幀和第42幀分別進(jìn)行彩色影像與深度數(shù)據(jù)對齊，生成的彩色化點云結(jié)果分別見圖8(a)、圖8(b)。3、改進(jìn)的icp精配準(zhǔn)方法首先對深度濾波后的第41幀深度數(shù)據(jù)進(jìn)行轉(zhuǎn)換，得到點云數(shù)據(jù)，包含8475個點，下面為該點云數(shù)據(jù)前72個點的信息為：表2利用聯(lián)合點到面和點到投影的點云配準(zhǔn)算法對物體或室內(nèi)小場景曝光時刻的的位置和姿態(tài)進(jìn)行估計并優(yōu)化，以第一幀點云所在的坐標(biāo)系為參考坐標(biāo)系，將其余各幀點云經(jīng)坐標(biāo)轉(zhuǎn)換都變換到參考坐標(biāo)系下。a.利用back-project法，將第41幀點云上的某點p0，坐標(biāo)為(-0.432926，-0.383050，1.971088)，根據(jù)式(2)按照第42幀點云的視點方向投影得到它的像素坐標(biāo)pq，像素坐標(biāo)為(348,270)。其中，b.利用forward-project法，將pq坐標(biāo)帶入式(3)等式右端，得到新的三維點坐標(biāo)為(0.261255，0.179193，1.000000)。c.利用式(4)將投影第41幀點云p0處的法向量上，得到p1點的坐標(biāo)為(-0.308091，-0.357967，2.012104)。d.得到p1后，根據(jù)式(5)，得到這里閾值εc大小取10-6。在值大于閾值εc時，將p1點坐標(biāo)作為p0新的坐標(biāo)，回到步驟a，重復(fù)上面a、b、c三個步驟，進(jìn)行投影，遞歸迭代得到p2；此時如果小于εc，得到qs。得到收斂后的交點qs后，確定過42幀上點qs的切平面，將p0投影在該切平面上，得到投影點q′s，坐標(biāo)為(-0.432665，-0.387157，1.975511)。e.將通過步驟1預(yù)處理后該幀深度圖像生成點云上的每個點都進(jìn)行上述步驟a～d，得到每個點的q′s，最終構(gòu)成初始匹配點對集合{p0}和{q′s}。由于兩幀點云間匹配點數(shù)目很多，表3中只顯示了第41幀和相鄰第42幀處理后初始匹配點對集合中的部分對應(yīng)匹配點：表3f.受迭代初值和點云表面光滑度的影響，采用上述方法確立的候選匹配點對{p0}和{q′s}中仍然存在錯誤的匹配對應(yīng)點，本發(fā)明中采用剛性運動一致性約束對錯誤點對進(jìn)行剔除。假設(shè)(p1,q1)與(p2,q2)為候選的匹配對應(yīng)點對，根據(jù)式(6)對上面確定的第41幀和第42幀所有匹配點進(jìn)行剛性運動一致性約束，其中t是預(yù)先定義的閾值(本方法中取10％)，對所有候選點(pi,qi)，i＝1,2,…,n，判斷彼此的兼容性，并對不兼容的點進(jìn)行剔除。下面為上表3前兩對點，計算點對兼容性的結(jié)果：該結(jié)果表明這兩對點不兼容，應(yīng)該剔除。對上面步驟e得到所有匹配點對，利用上面方法剔除錯誤點對后，得到更準(zhǔn)確的匹配點對。表4為經(jīng)過這一處理后得到的匹配點對集合中的部分對應(yīng)匹配點的列表：表4p0-3.57807110.548076871.6893054qs0’-3.57384160.5471962651.6887584p1-3.66562440.514112591.7566197qs1’-3.66764490.515090921.7566626p2-3.71463680.500283241.8223131qs2’-3.71417470.500616251.8230906p3-2.21151690.998328210.29833382qs3’-2.21173550.99574250.29692292p4-2.24303361.00235140.41302541qs4’-2.24319771.00261560.41257041p5-2.29546710.988810060.49076268qs5’-2.29556920.98810030.50018574p6-2.41280080.944958450.58901qs6’-2.41255450.944728010.57922614p7-3.01110770.599951740.41161895qs7’-3.01115040.5997623930.4117605561p8-2.74427370.808493380.79625237qs8’-2.74822910.797230130.80870435p9-2.88550730.775642691.0258969qs9’-2.88635970.775639191.0290474p10-3.02371360.739816131.2300546qs10’-3.02453290.739074771.2307017g.將剔除錯誤候選點對得到的新對應(yīng)點序列{p0}和{q′s}作為匹配點利用奇異值分解法求得矩陣最大特征值對應(yīng)的單位特征向量，來計算得到第41幀與相鄰第42幀點云間的三維剛體變換的6個自由度，用旋轉(zhuǎn)矩陣r和平移向量t表示為：其他相鄰幀點云均采用以上步驟a～g依次求得各幀間轉(zhuǎn)換參數(shù)，即旋轉(zhuǎn)矩陣r和平移向量t。4、物體與場景模型的生成利用步驟3中得到的各相鄰幀點云間的精確配準(zhǔn)結(jié)果r和t，根據(jù)式(7)將這151幀點云數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的坐標(biāo)系(第一幀點云深度相機(jī)所在的坐標(biāo)系)，并進(jìn)行數(shù)據(jù)疊合，得到.ply格式的場景三維點云(在meshlab、geomagicstudio等軟件中可顯示)。生成的物體或場景的模型如圖9所示，生成的.ply文件中部分?jǐn)?shù)據(jù)如表5所示：表5當(dāng)前第1頁12