一种快速的三维点云直线提取方法

摘要

本发明公开了一种快速的三维点云直线提取方法，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合；S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线。本发明能够快速准确的从大规模点云数据中提取出直线结构；另外本发明的算法具有较强的抗噪声能力和很强的抗孤立点能力。对于杂乱的现实场景的点云数据，本发明可以获得很高的直线检测率和很低的误检率。

主权项

一种快速的三维点云直线提取方法，其特征在于，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合，具体包括以下步骤：S21、先采用K近邻的方式来判断一个点是否与另一个点相邻，然后计算每个点与其相邻点所构成的切平面以及平滑度；S22、根据每个点的切平面和平滑度，采用区域增长的方式得到初始的小平面集合，具体为：在已知每个点的切平面和平滑度的条件下，依次选取种子点，并从种子点开始进行区域增长的方式来计算小平面，对于种子点的选取采用平滑度高的点优先的原则；当小平面的区域无法再扩展时，使用最小二乘法拟合平面，即得到初始的小平面集合；S23、在初始的小平面集合的基础上，通过K均值聚类的方法得到具有更好的边缘信息的小平面集合，具体为：在初始小平面的基础上采用局部K均值聚类来得到更好的边缘信息，局部K均值聚类迭代地将点赋值于小平面，并保证每个点到其所属的小平面的距离小于到其他小平面的距离。这里采用和VCCS一样的距离函数：D(x,f)＝W_s*D_s+W_c*D_c+W_n*D_n其中，D_s表示点到小平面所在平面的最短距离；D_c表示颜色距离，设置权值W_c＝0。D_n表示法向量距离，这里设置为点的切平面法向量和小平面法向量的点积。最后设置权值W_s＝1和W_n＝4。S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线，具体步骤如下：首先通过区域增长来得到具有一致的边缘点的区域，然后将符合“一致条件”的边缘点区域拟合成圆柱形结构，即应用最小中值二乘法先将点集拟合成直线，并将该直线作为圆柱形结构的中心线，然后取距离中心线最远的点到中心线的距离作为圆柱形结构的半径，从而得到包含这些边缘点的圆柱形结构；对于包含n个边缘点的圆柱形结构c，圆柱形结构c的NFA定义为：$NFA\left(c\right)=N^2·\underset{i=k}{\overset{n}{\Sigma }}\left(\begin{array}{c}i\\ n\end{array}\right)p^i{(1-p)}^{n-i}$其中，N表示边缘点的个数，N²为边缘点中可能存在的圆柱形结构的数量，k为边缘点与圆柱形结构c一致的边缘点个数，p＝θ/π为边缘点的随机的方向向量与圆柱形结构c一致的概率；当NFA(c)>1，则拒绝该圆柱形结构c；所述一致的定义为：当且仅当边缘点在圆柱形结构c的内部，且边缘点的方向向量与圆柱形结构c的中心线的夹角不超过θ(θ＝22.5。)时，则称边缘点与圆柱形结构c一致；一旦获得了一个最优的圆柱形结构，通过验证它的NFA值来判断是否要保留该结构，如果该圆柱形结构被拒绝，则将其区域内的点都标记为未访问，这些点可以在下次的拟合中被用到；如果接受该圆柱形结构，则将该圆柱形结构的中心线作为输出线段。