一种适用于多视角自动化配准多站地面激光点云数据的方法

摘要

本发明涉及一种多视角地面激光点云数据自动化全局配准方法。该方法分为两个关键的模块：语义特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合等一系列方式，获得语义特征点；第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义约束条件来匹配语义特征点；并采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，实现全局最优配准。本发明构筑了一种适用于多视角的自动化地面站激光点云配准方法，该方法能够有效抵抗噪声、点密度与遮挡的影响，提高了激光扫描作业效率，具有很好的实用价值。

主权项

一种适用于多视角自动化配准多站地面激光点云数据的方法，其特征在于，包括：一个获取原始点云数据的步骤：获取一个场景或物体的完整点云数据，需要在场景中的不同位置架设激光扫描仪获取数据，每个设站扫描获取的坐标均是相对于激光扫描仪中心的局部坐标，这就需要使用配准技术将不同测站之间的数据统一到同一坐标系下；一个语义特征点提取的步骤：首先对获取的原始点云数据进行点云分割，然后针对分割后的点云数据进行数值特征线的提取，并进行语义信息的计算；具体包括：步骤1.1，利用高程信息分离点云数据中的地面部分，划分水平格网，认为格网内的最低点一定高程范围内的点为地面点；然后，将非地面部分按照一定间距、一定厚度划分切片；步骤1.2，在每个切片内进行自适应距离欧式距离聚类；首先在切片内构建Delauney三角网；然后，统计原始点云周围Delauney三角网的边长，计算得到距离阈值为：dT_s＝Mean(P_s)+Variation(P_s)其中Mean(P_s)是与该点相连所有Delauney三角形的边的平均边长，而Variation(P_s)是这些边长的标准差；步骤1.3，从聚类块中挑选感兴趣的类别，分别是建筑物的立面和杆状物；杆状物在切片数据中表现为一个圆柱形的结构，需要满足模型：||(P‑Q)×Ca||‑r＝0其中，P＝(x_p,y_p,z_p)是圆柱上的一点，Q＝(x_q,y_q,z_q)是圆柱的轴线上的一点，Ca＝(Ca_x,Ca_y,Ca_z)是圆柱轴线的单位向量，r是圆柱的半径；本方法规定半径只能在一定的阈值R_min到R_max范围内，并且轴向方向与Z轴近似平行；保留符合上述条件的圆柱切片聚类块，计算这些圆柱聚类块的中心作为杆状物的中心点；而另一类建筑物的立面在切片数据中表现为一条直线，应该满足几何模型：$\frac{x-x_0}{a}=\frac{y-y_0}{b}=\frac{z-z_0}{c}$其中，(x₀,y₀,z₀)和(x,y,z)都是直线上的点，(a,b,c)是该直线的方向；同时限制直线的最小长度为L_min,并且方向(a,b,c)近似与Z轴垂直；保留符合条件的聚类块作为建筑物聚类块，计算它的两个端点，作为特征点保留，并且判定它是建筑物的边线点还是交线点；步骤1.4，获得带有语义信息的特征点；将上述直线与地面的交点作为特征点；同时计算该点的语义信息；这些语义信息可以表述为以下一个向量：L_Feature(Pt_lowest,Pt_highest,Pt_num,L_height,L_id,L_category,L_radius,Pl_direction1,Pl_direction2)Pt_lowest,Pt_highest,Pt_num,L_height和L_id分别为得到该点所用的与地面相交的竖直线的最低点、最高点、所包含的点个数、高程和该点的ID；L_category表示该点的类型，是立面边线、立面交线还是杆状物中心线与地面的交点；L_radius表示杆状物的平均半径，只存在于杆状物中心线与地面交点；Pl_direction1和Pl_direction2表示构建该点的两个建筑物立面的走向，只存在于两个立面交线与地面的交点；如果是建筑物的边线与地面的交点，则只有一个方向Pl_direction1一个匹配与全局配准的步骤：通过构建三角几何约束条件与语义约束条件来匹配语义特征点，首先得到一个初步匹配的三角形对，然后针对得到的初步匹配的三角形采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，具体包括：步骤2.1，构建语义特征点三角形网；对所有语义特征点构建三角形，得到个三角形，其中NI表示语义特征点的个数；为了减少运算量，加快运算速度，剔除其中等角、近似于共线以及最短边过短的三角形；对于剩下的三角形建立hash表，以面积与周长计算该三角形的索引号：$\left\{\begin{array}{c}line\_index=\left[\frac{Area}{Bin}\right]\\ row\_index=\left[\frac{Perimeter}{Bin}\right]\end{array}\right.$上式表示了，行索引与列索引的计算方式；Bin值由事先给定，[]表示向上取整；步骤2.2，进行几何约束与语义约束的匹配；和分别表示基准站Ps与目标站Pt中保留的三角形集合；对于其中基准站的一个三角形T_i^S，找到目标站中与其全等的三角形其相似性由下式判定：$similarity=\frac{1}{\left|{\Delta }_1\right|+\left|{\Delta }_2\right|+\left|{\Delta }_3\right|}$其中Δ₁,Δ₂,Δ₃分别为三角形对应的三边之差，并给定三个限制条件：限制条件一：T_i^S是Ps中与最相似的三角形，同时也是Pt中与T_i^S最相似的三角形；限制条件二：满足其中，<>表示对应的长度差异，是Pt中与T_i^S第二相似的三角形，是Ps中与第二相似的三角形；该条件保证了相似的稳定性，排除了噪声的影响；限制条件三：语义信息约束；对应点的类型要相同；同时满足以上三个限制条件的三角形对作为初步匹配的三角形对；步骤2.3，对初步匹配的三角形对进行进一步的剔除；剔除的原理是基于正确匹配的三角形对之间的距离是一致的，而非正确匹配的三角形对之间距离是不一致的；{C₁,C₂...C_NC}表示匹配三角形对的集合；和是其中的两对匹配的三角形对；如果这两个三角形对满足：$abs\left(\right||T_i^S-T_n^S||-||T_j^t-T_m^t|\left|\right)<{\mathrm{GC}}_{constra\mathrm{int}}$则将这两个三角形归为同一类；||||表示两个三角形中心的欧式距离，T_i^S和是点云P_s构建出的特征三角形，和是P_t中与之对应的三角形,GC_constraint是一个小的阈值；GC_constraint取0.3m；将所得的包含三角形数量最多的类别作为正确的类别，即可得到匹配三角形，进而得到匹配的对应点；这些点将用于计算配准参数；步骤2.4，全局一致性配准；对任意两个扫描站数据执行以上步骤可以得到匹配的三角形；以匹配的三角形数量的倒数为权，构建全连通的加权图；利用Kruskal算法生成该图的最小生成树，可以得到任意两站之间的配准路径；选取其中一个站作为树的根节点，使得该树的深度最小；利用匹配的三角形对的对应顶点，计算任意两个连通的站之间的转换参数，然后再通过树的路径，即可得到每站相对于固定站的转换参数；完成了所有站的全局自动化配准；一个配准结果输出的步骤：针对上个步骤得到的匹配路径以及路径内两两匹配的参数，利用ICP配准原理，对路径内每个配准站进行精配准，得到精化的转换参数。