一种多视角三维ISAR散射点集配准方法

摘要

本发明公开了一种多视角三维ISAR散射点集配准方法，包括：基于三维ISAR成像获得物体的源点集和目标点集；对源点集中的各点和目标点集中的各点分别进行曲面拟合提取曲度值，并在多个邻域尺度中挑选曲度值均满足排序要求的点分别作为源点集和目标点集的特征点；对源点集和目标点集进行初始配准：联合坐标值均方根误差与距离均方根误差评价函数，得到最佳匹配四点对，再将匹配点对坐标代入奇异值分解法计算出点集间的变换关系；利用最佳匹配四点对和基于自适应阈值的迭代最近邻算法，通过自适应改变迭代步长获得全局最优解，以使点集收敛至全局最优解。本发明方法能有效地找到匹配程度较高的匹配点对，并能够提高了配准精度。

权利要求

1.一种多视角三维ISAR散射点集配准方法，其特征在于，所述方法包括：S1：基于三维ISAR成像获得物体的源点集和目标点集；

S2：对所述源点集中的各点和所述目标点集中的各点分别进行曲面拟合提取曲度值，并在多个邻域尺度中挑选曲度值均满足排序要求的点分别作为所述源点集和所述目标点集的特征点；

S3：对所述源点集和所述目标点集进行初始配准：联合坐标值均方根误差与距离均方根误差评价函数，得到最佳匹配四点对，再将匹配点对坐标代入奇异值分解法计算出点集间的变换关系；

S4：利用所述最佳匹配四点对和基于自适应阈值的迭代最近邻算法，通过自适应改变迭代步长获得全局最优解，以使点集收敛至全局最优解；

所述S3包括：

S3.1：生成两点对：在源点集S的特征点集Ps中任意选择两点组成两点对{si,sj}，遍历{si,sj}点对在目标点集D的特征点集Pd中的潜在匹配点集，选取{di,dj}使得这两对匹配点2

的距离均方根||si‑sj|‑|di‑dj||最小，遍历特征点集Ps的所有点对组合，在O(n)的复杂度下得到两点对集合E2，并将E2按照各点对的DRMS升序排列；

S3.2：两点对组合四点对：在排序后的E2中顺序选择一组两点对ei，再在E2中遍历ei没有重合点的两点对ej，计算ei、ej中四组对应点的DRMS，选择令DRMS最小的ej组成四点对集合{ei,ej}，每次找到一组四点对时，在E2中去除含有这四个点的所有两点对，遍历E2找到所有的四点对集合E4，将E4按照各组四点对的DRMS升序排列，取前10％的四点对组成E4'集合；

S3.3：计算E4'中各组四点对的变换关系{R,t}：将E4'中各组四点对坐标代入奇异值分解法，得到各组四点对的变换关系{R,t}；

S3.4：按照各组四点对的变换关系，计算变换后点集间的CRMS误差：在E4'中取一组四点对及对应的变换关系{R,t}，根据pd(i)＝Rps(i)+t，将原点集S中各点变换到目标点集D的坐标系中，记为S'，对于S'中的一点S'(i)，在目标点集D中使用KD‑树搜索S'(i)的最近邻点D(i)作为对应点，遍历S'找到所有点的对应点，结合CRMS评价函数，计算根据该组四点对变2

换后的坐标值均方根误差Error (S',D)，遍历E4'，计算各四点对所对应的坐标值均方根误差；

S3.5：选择E4'中坐标均方根误差最小的四点对作为最佳匹配四点对；

所述S4包括：

S4.1：在目标点集D中搜索S'各点的最近邻点，组成对应点，计算各组对应点的欧氏距离，统计距离小于设定的阈值λs的对应点数目，记为c1；

S4.2：计算对应点的欧氏距离的均值μ和方差σ，将距离在区间[λ1,λ2]内的对应点放入i i i i集合{S ,D}，其中，S 存储第i次迭代对应点中的源点，D存储目标点，λ1＝μ‑ασ，λ2＝μ+βσ为设置的自适应距离阈值其中，μ、σ分别为源点集在目标点集中的对应点距离的均值和方差，α、β均为调节系数；

i i i i

S4.3：使用奇异值分解法计算{S ,D}对应的变换关系{R ,t}，并将P1'再次变换到目标点集D所在坐标系中，记为S”；

S4.4：在目标点集D中搜索S”各点的最近邻点，统计距离小于λs的对应点数目，记为c2；

S4.5：判断c1和c2的大小，若c1

2.根据权利要求1所述的多视角三维ISAR散射点集配准方法，其特征在于，所述S2包括：S2.1：对于源点集S，根据点集中的一点pi及其ka邻域的共ka+1个点，采用最小二乘的二次曲面拟合方法得到曲面的各项系数，进而计算得到任一点pi处的主曲率K1，K2以及曲度值fpi；

S2.2：平面点滤除：对于所述源点集S数据中的一个点pi，当该点的曲度值fpi大于平面点筛选阈值ξ时保留，否则滤除；

S2.3：邻域曲度排序提取候选特征点：对于源点集S中的一个点Pi，将该点及其ka邻域中共ka+1个点按照曲度值从大到小进行排序，排序结果记为srQ，当点pi的曲度值在srQ的前h个时，可将pi视为候选特征点，否则直接排除，最终得到一特征点集记作Pa；

S2.4：多邻域尺度候选点求交集，提取特征点：选取另一个邻 域尺度，此处令邻域尺度kb＝6，重复步骤S2.1至S2.3，得到候选特征点集Pb，最终可得源点集S的特征点集Ps＝Pa∩Pb；

S2.5：对于目标点集D，重复步骤S2.1至S2.4，得到目标点集D的特征点集Pd。

3.如权利要求2所述的多视角三维ISAR散射点集配准方法，其特征在于，在所述S2.3中，所述排序结果srQ为：srQ＝sort(fQ)

其中，fQ为Q集合中k+1个点的曲度值，sort(·)为逆序排序算子。

4.如权利要求2所述的多视角三维ISAR散射点集配准方法，其特征在于，在所述S2.3中，所述候选点特征pi满足：fpi∈Toph(srQ)h∈[1,k+1]

其中，Toph(srQ)为srQ的前h个曲度值，fpi为候选点特征pi的曲度值。

5.如权利要求4所述的多视角三维ISAR散射点集配准方法，其特征在于，在所述S3.42

中，所述坐标值均方根误差Error(S',D)为：

其中，n为S'点集中的数目。

说明书

一种多视角三维ISAR散射点集配准方法

技术领域

[0001] 本发明属于三维ISAR成像技术领域，具体涉及一种多视角三维ISAR散射点集配准方法。

背景技术

[0002] 三维ISAR(Inverse Synthetic Aperture Radar，逆合成孔径雷达)成像可得到目标的三维ISAR散射点集，相较于二维图像，能反映目标的真实尺寸及形状，从而为目标参数提取及目标识别提供必要的信息支持。

[0003] 三维ISAR成像所得的散射点集有一系列包含坐标信息的散点组成，与三维激光点云结构相似，但三维ISAR散射点集更稀疏、不同视角间的重合区域较少，目前针对多视角三维ISAR散射点集的配准方法鲜有出现。本方法在借鉴三维激光点云配准现有的研究成果的基础上开展了三维ISAR散射点集配准方法研究。

[0004] 在进行激光点云数据配准时，首先通过人机交互的方法实现配准。生成点云数据前，在目标表面粘贴特殊标记，使不同角度得到的点云数据中均包含标记点，便于寻找对应点求取点云的变换矩阵，实现配准。但这种方法费时且需要目标配合，不适合三维ISAR成像中非合作目标的配准。实现三维点云数据自动配准的一类方法是主成分分析，该类方法通过计算点云数据的协方差矩阵得到三个主轴向量，从而得到变化矩阵实现配准。但该类方法需要待配准的点云数据间存在较多重叠区域，当目标存在遮挡时配准效果较差。

[0005] 三维点云描述子是三维点云配准中被广泛应用的一种。在这类方法中，各组点云之间存在部分重叠区域，恰当的描述子可计算各点及附近区域的特征，通过比较这些特征能够得到各组点云间的匹配点对集合，从而计算出点云间的变换矩阵，实现点云配准。三维点云描述子需要具有鲁棒性和区分性，核心问题在于找到能够有效捕捉点云局部集合特征且平移旋转不变的三维点云描述子以及如何使用选定的描述子寻找并匹配对应点。

[0006] 其中，“点签名描述子”表示三维点云上的点到某参考平面的最小距离。点签名描述子具有平移旋转不变性，是一种表示曲面局部结构的简洁方法。这种方法计算过程较为复杂，在构造点签名时计算量颇大，尤其在提取参考向量时对噪声比较敏感，并且在局部曲面为平面或球面时方法可能失效，无法找到这些区域的点云间对应点。

[0007] Johnson等人提出一种基于曲面局部直方图(称为自旋图像)的点云配准方法。每个自旋图像是一个局部曲面描述算子，可在某个邻域点的三维圆柱坐标中任取两维计算得到。自旋图像是一个二维直方图，具有旋转、平移不变性。在寻找两点云的匹配点对时，可根据自旋图像间的相关程度判断确定。接着便可由对应点对计算初始变换矩阵，进行点云配准。Carmichael等人将该方法运用到处理大型非均匀采样的三维数据集中。相关学者也提出了多分辨率和球形自旋图像等优化方法，可提高算法的时间效率，并自适应地选择算法参数(如二维直方图宽度等)。此类算法的主要缺点是分辨能力低，可产生大量误匹配点对。

[0008] Feldmar等人提出一种基于点云各点主曲率的配准算法。该算法首先计算点云中各点的两个主曲率及主方向，接着通过设定阈值，选择点云间主曲率和主方向相似的点作为匹配点对，得到三维变换矩阵。该方法在未知任何关于点云数据的先验信息及拓扑结构的情况下同样适用，但由于其根据单点的特征进行匹配点对筛选，且筛选过程简单，可能得到较多的错误匹配点对。

[0009] 大多数的局部曲面描述算子由单点定义。A.Mian提出一种基于曲面张量描述符的配准算法。该描述符被定义在一对有向点上，曲面的变化由高维曲面直方图(张量)度量，每个描述符中包含几百到几千个元素。通过使用改进的集合散列算法进行点云间张量匹配。但这种基于张量的方法需要在构造局部描述符之前对曲面进行重采样，可能会错误地改变曲面拓扑，使得配准精度下降。

[0010] 迭代最近点(ICP)算法是Besl和McKay提出的一种精配准算法。该算法的目的是对初始配准结果迭代进行改进，以提高配准的整体质量。配准质量通常由两组点云中各组对应点的距离总和决定。由于ICP算法搜索的参数范围中可能存在许多局部极小值，导致算法极易收敛到局部最优解，故点云的初始变换必须尽可能接近真实值，所以在使用ICP优化配置结果之前需要进行初始配准(例如点签名法或自旋图像法)。

[0011] 综上，实现稠密激光点云配准的算法较为成熟，但三维ISAR散射点集较稀疏且不同视角的点集间重合区域少，直接应用点云配准的方法更易产生误匹配点对且精配准也难以收敛到全局最优解。

发明内容

[0012] 为了解决现有技术中存在的上述问题，本发明提供了一种多视角三维ISAR散射点集配准方法。本发明要解决的技术问题通过以下技术方案实现：

[0013] 本发明提供了一种多视角三维ISAR散射点集配准方法，所述方法包括：

[0014] S1：基于三维ISAR成像获得物体的源点集和目标点集；

[0015] S2：对所述源点集中的各点和所述目标点集中的各点分别进行曲面拟合提取曲度值，并在多个邻域尺度中挑选曲度值均满足排序要求的点分别作为所述源点集和所述目标点集的特征点；

[0016] S3：对所述源点集和所述目标点集进行初始配准：联合坐标值均方根误差与距离均方根误差评价函数，得到最佳匹配四点对，再将匹配点对坐标代入奇异值分解法计算出点集间的变换关系；

[0017] S4：利用所述最佳匹配四点对和基于自适应阈值的迭代最近邻算法，通过自适应改变迭代步长获得全局最优解，以使点集收敛至全局最优解。

[0018] 在本发明的一个实施例中，所述S2包括：

[0019] S2.1：对于源点集S，根据点集中的一点pi及其ka邻域的共ka+1个点，采用最小二乘的二次曲面拟合方法得到曲面的各项系数，进而计算得到任一点pi处的主曲率K1，K2以及曲度值fpi；

[0020] S2.2：平面点滤除：对于所述源点集S数据中的一个点pi，当该点的曲度值fpi大于平面点筛选阈值ξ时保留，否则滤除；

[0021] S2.3：邻域曲度排序提取候选特征点：对于源点集S中的一个点Pi，将该点及其ka邻域中共ka+1个点按照曲度值从大到小进行排序，排序结果记为srQ，当点pi的曲度值在srQ的前h个时，可将pi视为候选特征点，否则直接排除，最终得到一特征点集记作Pa；

[0022] S2.4：多邻域尺度候选点求交集，提取特征点：选取另一个领域尺度，此处令邻域尺度kb＝6，重复步骤S2.1至S2.3，得到候选特征点集Pb，最终可得源点集S的特征点集Ps＝Pa∩Pb；

[0023] S2.5：对于目标点集D，重复步骤S2.1至S2.4，得到目标点集D的特征点集Pd。

[0024] 在本发明的一个实施例中，在所述S2.3中，所述排序结果srQ为：

[0025] srQ＝sort(fQ)

[0026] 其中，fQ为Q集合中k+1个点的曲度值，sort(·)为逆序排序算子。

[0027] 在本发明的一个实施例中，在所述S2.3中，所述候选点特征pi满足：

[0028] fpi∈Toph(srQ)h∈[1,k+1]

[0029] 其中，Toph(srQ)为srQ的前h个曲度值，fpi为候选点特征pi的曲度值。

[0030] 在本发明的一个实施例中，所述S3包括：

[0031] S3.1：生成两点对：在源点集S的特征点集Ps中任意选择两点组成两点对{si,sj}，遍历{si,sj}点对在目标点集D的特征点集Pd中的潜在匹配点集，选取{di,dj}使得这两对匹2
配点的距离均方根||si‑sj|‑|di‑dj||最小，遍历特征点集Ps的所有点对组合，在O(n)的复杂度下得到两点对集合E2，并将E2按照各点对的DRMS升序排列；

[0032] S3.2：两点对组合四点对：在排序后的E2中顺序选择一组两点对ei，再在E2中遍历ei没有重合点的两点对ej，计算ei、ej中四组对应点的DRMS，选择令DRMS最小的ej组成四点对集合{ei,ej}，每次找到一组四点对时，在E2中去除含有这四个点的所有两点对，遍历E2找到所有的四点对集合E4，将E4按照各组四点对的DRMS升序排列，取前10％的四点对组成E4'集合；

[0033] S3.3：计算E4'中各组四点对的变换关系{R,t}：将E4'中各组四点对坐标代入奇异值分解法，得到各组四点对的变换关系{R,t}；

[0034] S3.4：按照各组四点对的变换关系，计算变换后点集间的CRMS误差：在E4'中取一组四点对及对应的变换关系{R,t}，根据pd(i)＝Rps(i)+t，将原点集S中各点变换到目标点集D的坐标系中，记为S'，对于S'中的一点S'(i)，在目标点集D中使用KD‑树搜索S'(i)的最近邻点D(i)作为对应点，遍历S'找到所有点的对应点，结合CRMS评价函数，计算根据该组四2
点对变换后的坐标值均方根误差Error (S',D)，遍历E4'，计算各四点对所对应的坐标值均方根误差。

[0035] S3.5：选择E4'中坐标均方根误差最小的四点对作为最佳匹配四点对。

[0036] 在本发明的一个实施例中，在所述S3.4中，所述坐标值均方根误差Error2(S',D)为：

[0037]

[0038] 其中，n为S'点集中的数目。

[0039] 在本发明的一个实施例中，所述S4包括：

[0040] S4.1：在目标点集D中搜索S'各点的最近邻点，组成对应点，计算各组对应点的欧氏距离，统计距离小于设定的阈值λs的对应点数目，记为c1；

[0041] S4.2：计算对应点的欧氏距离的均值μ和方差σ，将距离在区间[λ1,λ2]内的对应点i i i i放入集合{S ,D}，其中，S存储第i次迭代对应点中的源点，D存储目标点，λ1＝μ‑ασ，λ2＝μ+βσ为设置的自适应距离阈值其中，μ、σ分别为源点集在目标点集中的对应点距离的均值和方差，α、β均为调节系数；

[0042] S4.3：使用奇异值分解法计算{Si,Di}对应的变换关系{Ri,ti}，并将P1'再次变换到目标点集D所在坐标系中，记为S”；

[0043] S4.4：在目标点集D中搜索S”各点的最近邻点，统计距离小于λs的对应点数目，记为c2；

[0044] S4.5：判断c1和c2的大小，若c1＜c2，令S'＝'S'、c1＝c2，重复S4.2到S4.5，若c1≥c2，则已到达点集间的最佳配准位置，结束迭代。

[0045] 与现有技术相比，本发明的有益效果在于：

[0046] 1、本发明实施例的多视角三维ISAR散射点集配准方法解决了不同视角三维ISAR散射点集难以配准的问题。该方法提出了基于曲度排序的多尺度邻域特征点提取算法，提取分布均匀的特征点，解决了提取的特征点分布集中，难以反映点集整体特征的问题，有效改善了特征点提取效果。

[0047] 2、针对两点集间因重合区域较少点对误匹配问题，提出了基于CRMS与DRMS的匹配点对筛选算法，该算法能有效地找到匹配程度较高的匹配点对，提高了初始配准精度。

[0048] 3、为了克服在精配准阶段迭代最近邻算法容易陷入局部最优的问题，提出了基于自适应阈值的迭代最近邻算法，通过自适应地改变迭代步长获得全局最优解。

[0049] 以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

[0050] 图1是本发明实施例提供的一种多视角三维ISAR散射点集配准方法的流程图；

[0051] 图2a至图2f是使用基于曲度排序的多尺度邻域特征点提取算法获得的波音737、阿帕奇和F14的源点集和目标点集的特征点提取效果图；

[0052] 图3a至3c是本发明实施例使用基于CRMS与DRMS的匹配点对筛选算法获得的波音737、阿帕奇和F14特征点集中的最佳匹配四点对效果图；

[0053] 图4a至图4c依次为波音737、阿帕奇和F14的点集经筛选算法后的初始配准结果图；

[0054] 图5a至图5c依次为波音737、阿帕奇和F14的点集经初始配准后的精配准结果图。

具体实施方式

[0055] 为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种多视角三维ISAR散射点集配准方法进行详细说明。

[0056] 有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。

[0057] 应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。

[0058] 请参见图1，图1是本发明实施例提供的一种多视角三维ISAR散射点集配准方法的流程图。该方法包括：

[0059] S1：基于三维ISAR成像获得物体的源点集S和目标点集D。

[0060] 具体地，对回波信号进行平动补偿、使用FRFT(分数阶傅里叶变换)对各分量线性调频信号进行参数估计、根据参数确定各散射点坐标、得到一系列散点组成的三维ISAR成像结果，作为三维ISAR散射源点集S。类似地，获得同一物体不同视角的三维ISAR散射点集作为目标点集D。

[0061] S2：对所述源点集S和所述目标点集D中的各点进行曲面拟合提取曲度值，并在多个邻域尺度中挑选曲度值均满足排序要求的点分别作为所述源点集S和所述目标点集D的特征点。

[0062] 步骤S2的具体子步骤包括：

[0063] S2.1：对于源点集S，根据点集中的一点pi及其ka邻域的共ka+1个点，采用最小二乘的二次曲面拟合方法得到曲面的各项系数，进而计算得到任一点pi处的主曲率K1，K2以及曲度值fpi。在此选择ka＝4。

[0064] S2.2：平面点滤除。

[0065] 由于三维ISAR散射点集数据中存在大量位于平面区域的点，这些点的特征不明显，曲度计算结果较小，接近于0，对特征点提取过程帮助不大，反而会浪费大量时间，可通过设定充分小的曲度阈值滤除平面点。对于源点集S数据中的一点pi，当该点的曲度值fpi大于平面点筛选阈值ξ时保留，否则滤除。在本实施例中，平面点筛选阈值ξ取0.1。

[0066] S2.3：邻域曲度排序提取候选特征点。

[0067] 在计算各点的曲度值后，对于源点集S中的一点Pi，将该点及其邻域中的点(记为Q集合，共ka+1个点)按照曲度值从大到小进行排序，排序结果记为srQ，当点pi的曲度值在srQ的前h个时，可将pi视为候选特征点，否则直接排除，最终得到一特征点集记作Pa。

[0068] 进一步地，排序结果为：

[0069] srQ＝sort(fQ)

[0070] 其中，fQ为Q集合中k+1个点的曲度值，sort(·)为逆序排序算子。

[0071] 在本实施例中，所述候选点特征pi满足：

[0072] fpi∈Toph(srQ)h∈[1,k+1]

[0073] 其中，Toph(srQ)为srQ的前h个曲度值，即pi应为Q中曲度前h大的点，fpi为候选点特征pi的曲度值。参数h可控制候选特征点的数量。一般地，h的大小与提取所得候选特征点的数量呈正相关，候选特征点的数量较多时，容易得到更好的配准效果，但计算量也大幅提高。故实际使用时需根据点集规模与邻域个数k灵活调整。本实施例中取h＝2，即选取两个值作为候选特征值。

[0074] S2.4：多邻域尺度候选点求交集，提取特征点。

[0075] 在进行局部曲面和时，邻域个数k会影响拟合效果，进而使得各点曲率、曲度的计算结果发生变化。各点处曲度的变化又影响到该点能否成为特征点。但具有代表性的特征点，应在多个邻域范围内都具备较高的曲度值。因此，通过改变邻域个数k的取值，重新拟合局部曲面及计算各点曲度，经过平面点绿区与邻域曲度排序得到多组候选特征点集，求交集即可得到最终的特征点。

[0076] 在本步骤中，选取另一个领域尺度，此处令邻域尺度kb＝6，重复步骤S2.1至S2.3，得到候选特征点集Pb，最终可得源点集S的特征点集Ps＝Pa∩Pb。

[0077] S2.5：对于目标点集D，重复步骤S2.1至S2.4，得到目标点集D的特征点集Pd。

[0078] 请参见图2a至图2f，图2a至图2f是使用基于曲度排序的多尺度邻域特征点提取算法获得的波音737、阿帕奇和F14的源点集和目标点集的特征点提取效果图，其中，图2a和图2b是波音737源点集和目标点集的特征点提取效果图；图2c和图2d是阿帕奇源点集和目标点集的特征点提取效果图；图2e和图2f是F14源点集和目标点集的特征点提取效果图。

[0079] S3：对所述源点集S和所述目标点集D进行初始配准。

[0080] 联合坐标值均方根误差(CRMS，Coordinate Root Mean Squared Error)和距离均方根误差评价函数(DRMS，Distance Root Mean Squared Error)，得到最佳匹配四点对；再将匹配四点对坐标代入奇异值分解法计算出源点集S与目标点集D间的变换关系{R,t}，R为旋转矩阵，t为平移向量，代入式pd(i)＝Rps(i)+t将源点集S的坐标变换到目标点集D坐标系中，其中ps(i)为源点集S中第i点三维坐标列向量，pd(i)为目标点集D中第i点三维坐标列向量。

[0081] 步骤S3的具体子步骤包括：

[0082] S3.1：生成两点对。

[0083] 在源点集S的特征点集Ps中任意选择两点组成两点对{si,sj}，遍历{si,sj}点对在目标点集D的特征点集Pd中的潜在匹配点集，选取{di,dj}使得这两对匹配点的距离均方根|2
|si‑sj|‑|di‑dj||最小。遍历特征点集Ps的所有点对组合，可在O(n)的复杂度下得到两点对集合E2，并将E2按照各点对的DRMS误差升序排列。

[0084] S3.2：两点对组合四点对。

[0085] 在排序后的E2中顺序选择一组两点对ei，再在E2中遍历ei没有重合点的两点对ej，计算ei、ej中四组对应点的DRMS，选择令DRMS最小的ej组成四点对集合{ei,ej}：每次找到一组四点对时，需要在E2中去除含有这四个点的所有两点对，遍历E2找到所有的四点对集合E4(此时E2为空)。将E4按照各组四点对的距离均方根误差升序排列。本实施例将各组四点对按照DRMS值顺序排列，取前10％的四点对组成E4'集合。

[0086] S3.3：计算E4'中各组四点对的变换关系{R,t}。将E4'中各组四点对坐标代入奇异值分解法，得到各组四点对的变换关系{R,t}。

[0087] S3.4：按照各组四点对的变换关系，计算变换后点集间的CRMS误差。

[0088] 具体地，在E4'中取一组四点对及对应的变换关系{R,t}，将源点集S中各点变换到目标点集D的坐标系中，记为源点集S的变换点集S'。对于S'中的一点S'(i)(三维坐标向量)，在目标点集D中使用KD‑树搜索S'(i)的最近邻点D(i)作为对应点，遍历S'找到所有点的对应点。结合CRMS评价函数，计算根据该组四点对变换后的坐标值均方根误差。

[0089] 进一步地，所述坐标值均方根误差Error2(S',D)为：

[0090]

[0091] 其中，n为S'点集中的数目。

[0092] S3.5：选择E4'中坐标均方根误差最小的四点对作为最佳匹配四点对。

[0093] 需要说明的是，重复S3.1‑S3.5，可生成点集间对E8乃至十六点对E16，但匹配点对数目没增加一倍，算法复杂度也会随之增加，而且点集间的变换关系由四对匹配点即可确定，故本方法得到四点对集合E4便停止继续组合。

[0094] 本实施例的结果参见图3a至3c，图3a至3c是本发明实施例使用基于CRMS与DRMS的匹配点对筛选算法获得的波音737、阿帕奇和F14特征点集中的最佳匹配四点对效果图，为更好的显示点对匹配效果，对源点稍作平移。

[0095] S3.6：将所述最佳匹配四点对再次代入奇异值分解法，计算出点集间的变换关系{R,t}，将源点集S中的各点变换到目标点集D的坐标系中，初始配准结果参见图4a至图4c，图4a至图4c依次为波音737、阿帕奇和F14的点集经筛选算法后的初始配准结果图。

[0096] 步骤4：对所述源点集S和所述目标点集D进行精配准：利用所述最佳匹配四点对和基于自适应阈值的迭代最近邻算法，通过自适应改变迭代步长获得全局最优解，以使点集收敛至全局最优解。

[0097] 设置自适应距离阈值λ1＝μ‑ασ、λ2＝μ+βσ，其中，λ1用来去除每次迭代配准时最近邻对应点集中距离差距较大的错误对应点，λ2用来筛除距离小的对应点，增大迭代步长，使点集更快地收敛到全局最优解。μ、σ分别为源点集在目标点集中的对应点距离的均值和方差，α、β均为调节系数，取经验值。本实施例中取α＝0.4，β＝0.2。

[0098] 步骤4的具体子步骤包括：

[0099] S4.1：在目标点集D中搜索S'各点的最近邻点，组成对应点。计算各组对应点的欧氏距离，统计距离小于阈值λs的对应点数目，记为c1，本实施例中λs＝0.05。

[0100] S4.2：计算对应点欧氏距离的均值μ和方差σ，将距离在区间[λ1,λ2]内的对应点放i i i i入集合{S ,D}，其中S存储第i次迭代对应点中的源点，D存储目标点。

[0101] S4.3：使用奇异值分解法计算{Si,Di}对应的变换关系{Ri,ti}，并将S'再次变换到D所在坐标系中，记为S”。

[0102] S4.4：统计S”和D两点集中距离小于λs的对应点数目，记为c2，本实施例中阈值λs＝0.05。

[0103] S4.5：若c1＜c2，即迭代后对应点数目增多，说明点集在向收敛的方向进行，令S'＝S”、c1＝c2，重复S4.2到S4.5。若c1≥c2，对应点数目减少，即本次迭代已到达点集间的最佳配准位置，结束迭代。请参见图5a至图5c，图5a至图5c依次为波音737、阿帕奇和F14的点集经初始配准后的精配准结果图。

[0104] 本实施例的多视角三维ISAR散射点集配准方法解决了不同视角三维ISAR散射点集难以配准的问题，该方法提出了基于曲度排序的多尺度邻域特征点提取算法，提取分布均匀的特征点，解决了提取的特征点分布集中，难以反映点集整体特征的问题，有效改善了特征点提取效果。针对两点集间因重合区域较少点对误匹配问题，提出了基于CRMS与DRMS的匹配点对筛选算法，该算法能有效地找到匹配程度较高的匹配点对，提高了初始配准精度。为了克服在精配准阶段迭代最近邻算法容易陷入局部最优的问题，提出了基于自适应阈值的迭代最近邻算法，通过自适应地改变迭代步长获得全局最优解。

[0105] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。