一种复杂3D点云的优化匹配方法

技术领域

本发明涉及3D视觉领域，尤其涉及一种复杂3D点云的优化匹配方法。

背景技术

3D点云匹配是指给出两组3D点云，计算出一组点云的转移矩阵以达到移动后的点云间有最小欧式距离值，基于点云匹配的关键性，在通信领域及很多其他领域已经涉及到该技术的使用，如目标检测，目标跟踪，数据融合，图像处理，医学，机器人学及生物结构学等，国际计算机视觉与图像处理领域的顶级会议如ICCV、CVPR、ECCV、ICIP、ICPR等几乎每一届都有关于3D视觉的研究成果发表，充分说明该研究领域在国际范围内的热度及重要性。

现在已经开发出了很多3D点云匹配方法，经过我们大量的检索与参考，发现现有的匹配方法有如公开号为US20170046845A1，JP2016161569A和KR1020130037996A所公开的方法，包括如下步骤：计算相机的内参矩阵及畸变参数以及该图像的旋转矩阵；根据预设的相邻图像的重叠宽度及每一幅图像的宽度计算相机采集图像时每次的移动间隔，并据此采集图像序列；对图像序列中的每一幅图像进行校正和旋转；计算图像序列中各相邻图像间的平移矩阵，并据此对各图像进行平移，平移后保存平移参数，形成配置文件；根据配置文件及预设重叠宽度对图像序列中的各图像进行拼接及融合，形成整幅图像。但该方法在复杂的视觉场景中受图像中噪音、杂波的影响较大，不能建立完美的3D点云模型。

发明内容

本发明的目的在于，针对在所存在的不足，提出了一种能在复杂视觉场景中建立良好3D点云并进行匹配的方法，

为了克服现有技术的不足，本发明采用如下技术方案：

一种复杂3D点云的优化匹配方法，包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；

进一步的，所述步骤一中计算描述向量至的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；

进一步的，计算x点在所述圆柱坐标系中的坐标公式为：

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

其中，R为尺度值；

进一步的，所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；

进一步的，所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；

进一步的，所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；

进一步的，所述稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

进一步的，所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点。

本发明所取得的有益效果是：

本发明采用稀疏主成分分析方法，能有效的去除图像中的噪音和杂波，减小3D模型建立时的误差；

本发明利用轮廓提取的方法来提取特征状态，增强了后续匹配中的鲁棒性；

本发明使用对偶分解的方式，解决了图像中存在多个相似物体时的匹配困难的问题。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。

图1为本发明的3D点云匹配流程示意图。

图2为本发明的兔子点云及随机选取关键点示意图。

图3为本发明的关键点的空间几何相关结构示意图。

图4为本发明的不同尺度值计算的关键点描述向量汇总示意图。

图5为本发明的一个防浪块匹配示意图。

图6为本发明的一对防浪块匹配示意图。

图7为本发明的匹配示例示意图。

具体实施方式

为了使得本发明的目的.技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统.方法.特征和优点都包括在本说明书内.包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位，以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例一。

一种复杂3D点云的优化匹配方法，包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；

所述步骤一中计算描述向量至的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；

计算x点在所述圆柱坐标系中的坐标公式为：

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

其中，R为尺度值；

所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；

所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；

所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；

所述稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点。

实施例二。

一种复杂3D点云的优化匹配方法，其特征在于包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；

所述步骤一中计算描述向量值的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；

计算x点在所述圆柱坐标系中的坐标公式为：

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

其中，R为尺度值；

所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；

所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；

所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；

所述稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点；

如图2所示，随机选取3D点云关键点，并给出3个不同的的尺度值0.001、0.1和1.0，分别计算出3D关键点的描述向量值，计算描述向量值的方法如下：

如图3所示，p为3D关键点，P为p点的切面，n为p点的法向量，x为p点附近的另一个顶点，α为x点在P上投影与p的距离，β为x点与P切面的垂直距离；

记尺度值为R，以n向量为轴，生成一个圆柱坐标系，计算图中的其余点作为x点在该圆柱坐标系中的坐标：

将坐标系分割成R*R的网格，x点的描述向量为：

将所有x点的描述向量汇总得到如图4所示的图像，从图中可知，当尺度值为0.1时，此点云的关键点描述向量值之间的相似度最低可以达到最好的匹配效果，相反，当尺度值特别小或者特别大的时候，关键点描述向量几乎一样，所以，可将0.1作为尺度值；

对于待处理图像中的每一个点，以该点为圆心，所述尺度值为半径的范围作圆，该圆内的图像作为描述该点的图像块，对待处理图像上的每一个点执行上述操作，若所作圆超出图像范围，则自动略去超出的范围；

获取所有图像块的灰度值，并对所述图像块的灰度值作降维处理，对图像块内每一行的像素点的灰度值求其平均值作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点，按上述操作后，所述图像块的灰度值降维成列向量表示，计算所有图像块的列向量的方差，若方差小于设定阈值，则将该方差对应的图像块作为样本块，计算样本块与周围图像块的欧氏距离，再根据欧式距离从周围图像块中获取相似图像块与所述样本块组成样本训练集；

对样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛得到最终的稀疏主成分表达基和稀疏主成分表达系数；

其中，进行稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

式中，y为中心化矩阵，B为稀疏主成分表达基，α为稀疏主成分表达系数，λ为信号的重建残差和表达系数之间的平衡因子；

对所有的样本块及其相似图像块作上述处理后，所有的图像块都被进行了去噪处理，由新的图像块构成了不含噪声的图像，以新的去噪图像为基础构建得到新的3D模型。

实施例三。

一种复杂3D点云的优化匹配方法，其特征在于包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；

所述步骤一中计算描述向量至的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；

计算x点在所述圆柱坐标系中的坐标公式为：

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

其中，R为尺度值；

所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；

所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；

所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；

所述稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点；

如图2所示，随机选取3D点云关键点，并给出3个不同的的尺度值0.001、0.1和1.0，分别计算出3D关键点的描述向量值，计算描述向量值的方法如下：

如图3所示，p为3D关键点，P为p点的切面，n为p点的法向量，x为p点附近的另一个顶点，α为x点在P上投影与p的距离，β为x点与P切面的垂直距离；

记尺度值为R，以n向量为轴，生成一个圆柱坐标系，计算图中的其余点作为x点在该圆柱坐标系中的坐标：

将坐标系分割成R*R的网格，x点的描述向量为：

将所有x点的描述向量汇总得到如图4所示的图像，从图中可知，当尺度值为0.1时，此点云的关键点描述向量值之间的相似度最低可以达到最好的匹配效果，相反，当尺度值特别小或者特别大的时候，关键点描述向量几乎一样，所以，可将0.1作为尺度值；

对于待处理图像中的每一个点，以该点为圆心，所述尺度值为半径的范围作圆，该圆内的图像作为描述该点的图像块，对待处理图像上的每一个点执行上述操作，若所作圆超出图像范围，则自动略去超出的范围；

获取所有图像块的灰度值，并对所述图像块的灰度值作降维处理，对图像块内每一行的像素点的灰度值求其平均值作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点，按上述操作后，所述图像块的灰度值降维成列向量表示，计算所有图像块的列向量的方差，若方差小于设定阈值，则将该方差对应的图像块作为样本块，计算样本块与周围图像块的欧氏距离，再根据欧式距离从周围图像块中获取相似图像块与所述样本块组成样本训练集；

对样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛得到最终的稀疏主成分表达基和稀疏主成分表达系数；

其中，进行稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

式中，y为中心化矩阵，B为稀疏主成分表达基，α为稀疏主成分表达系数，λ为信号的重建残差和表达系数之间的平衡因子；

对所有的样本块及其相似图像块作上述处理后，所有的图像块都被进行了去噪处理，由新的图像块构成了不含噪声的图像，以新的去噪图像为基础构建得到新的3D模型；

选取3D模型中的一个关键点，计算该点的法向量，方法如下：

记该关键点坐标为A(α，β，γ)，选取该关键点周围的点A

上述中关键点周围的点的选取通过计算关键点与其余点的欧氏距离，将欧氏距离小于预设阈值的点作为参与法向量计算的所述关键点周围的点，若周围的点的数量少于50，则提高所述预设阈值直至所述数量大于50；

计算所有点的法向量，并搜索所有与所述关键点的法向量垂直的法向量，将这些法向量对应的点的集合作为一组轮廓点，记这些轮廓点为B

实施例四。

一种复杂3D点云的优化匹配方法，其特征在于包括以下步骤：

步骤一：通过计算不同尺度值下关键点的描述向量值，选择描述向量值相似度最小时的尺度值；

步骤二：将图像分割成多个样本训练集，使用稀疏主成分分析方法对所述样本训练集进行去噪处理；

步骤三：采用轮廓提取的方法对3D模型的特征点进行特征提取，得到多个独立的3D点云模型；

步骤四：使用对偶分解的方式，将独立的3D点云模型两两组合作为一个整体进行模型匹配，实现高精度的匹配结果；

所述步骤一中计算描述向量至的方法为：

以所述关键点的法向量为轴，生成圆柱坐标系，计算其他点在所述圆柱坐标系下的坐标，将坐标系分割成以所述尺度值为宽度的网格，并计算所有其他点的坐标在网格中的描述向量；

计算x点在所述圆柱坐标系中的坐标公式为：

其中，p为3D关键点，n为p点的法向量，x为p点附近的另一个顶点，α为x点在p点切面上投影与p的距离，β为x点与p点切面的垂直距离，

x点的描述向量计算公式为：

其中，R为尺度值；

所述步骤二中样本训练集通过如下方式获取：

以像素点为圆心，所述尺度值为半径内的图像作为描述所述像素点的图像块，计算所有像素点的灰度值并作降维处理生成列向量，通过对所述列向量分析获得样本块，并将所述样本块一定欧氏距离内的图像块作为相似图像块和所述样本块组成所述样本训练集；

所述灰度值降维处理的方法为：对图像块内每一行的像素点的灰度值求平均值并作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点；

所述稀疏主成分分析方法为：对所述样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛并得到最终的稀疏主成分表达基和稀疏主成分表达系数；

所述稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

所述步骤三中轮廓提取的方法为：选取一个关键点并计算法向量，再计算其余点的法向量，选择与所述关键点法向量垂直的法向量对应的点作为所述关键点的轮廓点；

如图2所示，随机选取3D点云关键点，并给出3个不同的的尺度值0.001、0.1和1.0，分别计算出3D关键点的描述向量值，计算描述向量值的方法如下：

如图3所示，p为3D关键点，P为p点的切面，n为p点的法向量，x为p点附近的另一个顶点，α为x点在P上投影与p的距离，β为x点与P切面的垂直距离；

记尺度值为R，以n向量为轴，生成一个圆柱坐标系，计算图中的其余点作为x点在该圆柱坐标系中的坐标：

将坐标系分割成R*R的网格，x点的描述向量为：

将所有x点的描述向量汇总得到如图4所示的图像，从图中可知，当尺度值为0.1时，此点云的关键点描述向量值之间的相似度最低可以达到最好的匹配效果，相反，当尺度值特别小或者特别大的时候，关键点描述向量几乎一样，所以，可将0.1作为尺度值；

对于待处理图像中的每一个点，以该点为圆心，所述尺度值为半径的范围作圆，该圆内的图像作为描述该点的图像块，对待处理图像上的每一个点执行上述操作，若所作圆超出图像范围，则自动略去超出的范围；

获取所有图像块的灰度值，并对所述图像块的灰度值作降维处理，对图像块内每一行的像素点的灰度值求其平均值作为这一行的灰度值，若该行只有一个像素点则直接将其灰度值作为该行的像素点，按上述操作后，所述图像块的灰度值降维成列向量表示，计算所有图像块的列向量的方差，若方差小于设定阈值，则将该方差对应的图像块作为样本块，计算样本块与周围图像块的欧氏距离，再根据欧式距离从周围图像块中获取相似图像块与所述样本块组成样本训练集；

对样本训练集中的样本块和相似图像块进行稀疏主成分分析，得到对应的稀疏主成分表达基和稀疏主成分表达系数，再利用所述稀疏主成分表达基和所述稀疏主成分表达系数对所述样本训练集中的图像块作去噪处理，之后对所述样本训练集作中心化处理并得到中心化矩阵，将中心化矩阵转换为协方差矩阵，并对所述协方差矩阵进行奇异值分解得到特征向量和特征值，以该特征值作为初始值，反复对所述样本块和相似图像块作系数主成分分析，直至收敛得到最终的稀疏主成分表达基和稀疏主成分表达系数；

其中，进行稀疏主成分分析的公式为：

α＝arg min(||y-Bα||

式中，y为中心化矩阵，B为稀疏主成分表达基，α为稀疏主成分表达系数，λ为信号的重建残差和表达系数之间的平衡因子；

对所有的样本块及其相似图像块作上述处理后，所有的图像块都被进行了去噪处理，由新的图像块构成了不含噪声的图像，以新的去噪图像为基础构建得到新的3D模型；

选取3D模型中的一个关键点，计算该点的法向量，方法如下：

记该关键点坐标为A(α，β，γ)，选取该关键点周围的点A

上述中关键点周围的点的选取通过计算关键点与其余点的欧氏距离，将欧氏距离小于预设阈值的点作为参与法向量计算的所述关键点周围的点，若周围的点的数量少于50，则提高所述预设阈值直至所述数量大于50；

计算所有点的法向量，并搜索所有与所述关键点的法向量垂直的法向量，将这些法向量对应的点的集合作为一组轮廓点，记这些轮廓点为B

对于较复杂的3D点云，单依靠尺度匹配以及3D特征描述匹配往往不能得到精确结果，如图5所示，左图中的一个防浪块能与右图中的四个防浪块进行匹配，匹配结果不确定从而导致匹配出现错误，对于这类3D点云，本发明采用对偶分解的方法来实现匹配目的，如图6所示，将左图中的两个防浪块组成一对防浪块组，将其作为一个整体去寻找匹配对象；

在图匹配计算中，如图7所示，假设点云A由P

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。

在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。

综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范。