基于16维特征描述的激光点云自动配准方法及系统的制作方法
【专利摘要】本发明公开了一种基于16维特征描述的激光点云自动配准方法及系统，包括步骤：步骤1，对激光点云数据中各激光点单位法向量重新定向；步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系；步骤3，在局部坐标系下获取激光点的特征向量；步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取特征点的最佳尺度；步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。本发明可提高激光点云配准的自动化程度和匹配准确性。
【专利说明】基于16维特征描述的激光点云自动配准方法及系统
【技术领域】
[0001]本发明属于激光点云数据处理应用领域，尤其涉及一种基于16维特征描述的激光点云自动配准方法及系统。
【背景技术】
[0002]地面激光扫描技术(Terrestrial Laser Scanning Technology)是近些年发展起来的一项新型三维测量扫描技术，许多国内测绘厂商都推出了自主知识产权的激光雷达产品。目前在国内，地面激光扫描技术已被应用于土方计算、交通事故处理、城市规划、资源探测、应急救灾、文物保护等多种领域，但国内地面激光扫描技术在各行业领域的应用比例仍然处于较低水平，其中一个主要原因是与国产硬件设备相配套的激光点云数据处理软件仍存在很多缺点和不足。
[0003]激光点云数据的配准是激光点云数据处理的第一步，也是激光点云分割、分类、建模等后处理的基础，在激光点云数据处理的中至关重要。激光点云数据的配准，一般通过放置标靶并进行识别或通过手工选取同名点方式来进行，但上述方法具有很大的局限性。因此，无标靶的激光点云配准方法的研究也就凸显了其必要性和重要性。无标靶的激光点云配准以激光点云的特征提取和匹配为主，但这种激光点云配准方法难以适用于所有的情况，因为激光点云数据所对应的场景往往比较复杂，很多算法只能针对其中部分场景进行配准。因此，通过不断改进、完善寻找一种场景适应性好、抗噪能力强、配准效率高的激光点云配准方法，对地面激光扫描设备以及激光点云数据在实际生产中的应用有着重要价值。
[0004]目前，激光点云特征提取方法主要集中于几何特征提取，此类特征提取方法通过拟合各激光点的法向量、曲率等基本特征进而计算更高级、稳定的点特征，例如，三维积分描述子(通过积分计算激光点的球形邻域与过该激光点的拟合曲面所构成空间的体积)、法向量与曲率半径方向夹角的正弦值、3D-SITF特征、不变矩、球面谐波不变量等点特征。除了点特征，很多方法还利用线特征、面特征、环特征和球特征等多维度特征对激光点云进行特征描述和提取。提取点云特征后，目前主要通过特征空间中最临近搜索确定激光点云中用于配准的同名点，但这种方法往往存在较多误匹配点；而且，上述特征提取方法在不同尺度上提取的特征往往不同。
[0005]文中涉及如下相关文献:
[0006][l]Gelfand N, Niloy J M, Leonidas J G, et al.Robust Global Registrat1n.SGPJ 05:Proceedingsof the third Eurographics symposium on Geometryprocessing, 2005.197 - 206.
[0007][2]Liu R, Hirzinger G..Marker-free automatic matching of range data.Proceedings of In:R.Reulke and U.Knauer(eds), Panoramic PhotogrammetryWorkshop, Proceedings of the ISPRS working group V/5, 2005.
[0008][3] Sharp G C, Lee S ff, Wehe D K.1CP registrat1n using invariantfeatures[J].Pattern Analysis and Machine Intelligence, IEEE Transact1nson, 2002，24(1):90-102.
[0009][4] Bae K H，Lichti D D.Automated registrat1n of unorganisedpoint clouds from terrestrial laser scanners[M].Curtin University ofTechnology.2006.
[0010][5]Sadjadi F A, Hall E L Three-dimens1nal moment invariants[J].PatternAnalysis and Machine Intelligence,IEEE Transact1ns on,1980 (2):127-136.
[0011][6]Burel G，Henocq H.Three-dimens1nal invariants and their applicat1nto object recognit1n[J].Signal Processing,1995, 45 (I):1-22.
[0012][7 I Stamosj M Leordeanuj Automated Feature-based Range Registrat1n ofUrban Scenes of Large Scale, in IEEE Conference on Computer Vis1n and PatternRecognit1n (2003)
[0013][8] J Yaoj MR Ruggerij P Taddeij V Sequeiraj Automatic scan registrat1nusing 3D linear and planar features.3D Res.1(3)，1- 18(2010)
[0014][9] C Chaoj I Stamosj Sem1-automatic Range to Range Registrat1n: aFeature-based Method, in Internat1nal Conference on 3-D Digital Imaging andModeling(3DIM)(2005)
[0015][10]C Doldj C Brenner, Registrat1n of Terrestrial Laser Scanning DataUsing Planar Patches and Image Data, in Internat1nal Society for Photogrammetryand Remote Sensing (2006)
[0016][II]C Chaoj I Stamosj Range Image Registrat1n Based on CircularFeatures,in Proceedings of Internat1nal Symposium on 3D Data ProcessingVisualizat1n and Transmiss1n(3DPVT)(2006)
[0017][12]M Franaszekj GS Cheokj C Witzgallj Fast automatic registrat1nof range images from 3D imaging systems using sphere targets.AutomConstr.18 (3)，265 - 274 (2009).do1: 10.1016/j.autcon.2008.08.003
【发明内容】
[0018]针对现有技术存在的问题，本发明提供了一种匹配更精确的基于16维特征描述的激光点云自动配准方法及系统。
[0019]为解决上述技术问题，本发明釆用如下的技术方案:
[0020]一、基于16维特征描述的激光点云配准方法，包括步骤:
[0021]步骤1，对激光点云数据中各激光点单位法向量重新定向，S卩:选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；
[0022]步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系，具体为:
[0023]分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为V轴，U轴与V轴方向向量的叉乘结果为W轴；
[0024]步骤3，在局部坐标系下获取激光点的特征向量，具体为:
[0025]3.1在局部坐标系下下,计算目标点单位法向量与V轴方向向量的点乘关系fl、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和ν轴形成平面上投影的反正弦值f4 ；
[0026]3.2 比较fi 和阈值 & 的大小,若 fi > ti;贝丨J s(ti，fi) = I ;否则 s (\，fi) = O ；i = 1>
2、3、4，&和t2在[-1，I]范围内取值，t4在[-π /2，/2]范围内取值，t3表示尺度；
[0027]3.3获得激光点邻域内任意两邻域激光点的特征值方，统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；
[0028]步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；
[0029]步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。
[0030]子步骤3.2中所述的tp t2和t4均设为O。
[0031]步骤4中所述的基于激光点的特征向量从点云数据中提取特征点具体为:
[0032]根据不同尺度下激光点特征向量分别获得各尺度下的平均特征向量，所述的平均特征向量为点云数据中所有激光点特征向量的均值；
[0033]在不同尺度下，分别衡量激光点特征向量和平均特征向量间的距离，根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点；
[0034]在两个连续尺度上均为初始特征点的激光点即为最终的特征点。
[0035]上述根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点，具体为:
[0036]选择与平均特征向量的距离大于标准差σ的激光点作为初始特征点，标准差σ为点云数据中所有激光点特征向量和平均特征向量间距离的标准差。
[0037]上述衡量激光点特征向量和平均特征向量间的距离采用KL距离进行衡量:
Dkl = Yjiivf - μ,)* ln{v! /代)]，其中，Dia表示激光点特征向量和平均特征向量间的KL距离，vf表示激光点特征向量的第i维元素，μ i为平均特征向量的第i维元素。
[0038]步骤4中所述的获取不同尺度下特征点维度特性表现的概率组合，具体为:
[0039]对特征点的邻域激光点集(X1,...，Xi,...，Xn)，获取矩阵5 = (X1 -X,...,Xn -?和M
一 η
=ΒΤΒ，其中，X = ΣΑ',;
1-l
[0040]计算矩阵M的特征值，并按从大到小对特征值排序，排序后特征值为入I 3入2 >入3 ;
[0041]根据矩阵M的特征值获得特征点维度特性表现的概率值:? = ( λ r λ 2) / λ 1、a2=(λ 2_ λ 3) / λ j 和 a3 = λ 3/ λ j,犾得概率组合(a” a2, a3)；
[0042]同时，步骤4中所述的概率组合香农熵E,:t'p = -?I * Ιηαι - aU * Jna2 - a3 * Inai。
[0043]步骤6进一步包括:
[0044]基于特征点在最佳尺度下的特征向量对两站激光点云中特征点进行粗配准，获得初始同名点对；
[0045]基于同名点对间距离的均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对；
[0046]根据筛选后的同名点对两站激光点云进行配准。
[0047]上述基于同名点对间的距离均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对，具体为:
[0048]将初始同名点集中距离均方根误差小于阈值rThresh()ld的任意两对初始同名点对合并，并加入2阶点对象集；
[0049]对k阶点对象集中任意对象eki，在k阶点对象集中搜索与对象eki没有重复结点的对象ew，若对象对(eki，ekJ)中k对初始同名点对间的距离均方根误差小于阈值rThresh()ld，则将对象对(eki，ekJ)合并加入2k阶点对象集；同时删除k阶点对象集中与对象对(eki，ekJ)有相同结点的对象；其中，k依次取2、4、8，最终获得16阶点对象集；阈值iWd-根据两站激光点云的点云密度设定；
[0050]将16阶点对象集中对象加入同名点对集，根据同名点对集中同名点对获取转换参数(R，t)，对初始同名点对集中未加入16阶点对象集的剩余同名点对(Pi’，q/)计算
R*Pi’+t|_qi’，将I R*Pi’+t 1-q/小于预设阈值的剩余同名点对加入同名点对集，所述的预设阈值根据两站激光点云的点云密度设定。
[0051]上述根据筛选后的同名点对两站激光点云进行配准，具体为:
[0052]根据同名点对集中同名点对获得两站激光点云间的转换参数，采用转换参数对两站激光点云进行配准。
[0053]二、一种基于16维特征描述的激光点云配准系统,包括:
[0054](I)单位法向量定向模块，用来对激光点云数据中各激光点单位法向量重新定向，即:选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；
[0055](2)局部坐标系构建模块，用来构建激光点邻域内任意两邻域激光点间的局部坐标系，本模块进一步包括子模块:
[0056]原点确定模块，用来分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；
[0057]坐标轴确定模块，用来以原点单位法向量为U轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为V轴，u轴与V轴方向向量的叉乘结果为w轴；
[0058](3)特征向量构建模块，用来在局部坐标系下获取激光点的特征向量，本模块进一步包括子模块:
[0059]几何特征计算模块，用来在局部坐标系下下，计算目标点单位法向量与V轴方向向量的点乘关系fl、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和ν轴形成平面上投影的反正弦值f4 ；
[0060]比较模块，用来比较fi和阈值\的大小，若fi>ti，则S(ti，fi) =1 ;否则s(ti，fi)=
O；i = 1、2、3、4，&和&在[-1，I]范围内取值，^在[-31/2，Jr/2]范围内取值，t3表示尺度；
[0061]特征向量获得模块，用来获得激光点邻域内任意两邻域激光点的特征值
/<4
為=统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；
[0062](4)最佳尺度获得模块，用来基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；
[0063](5)配准模块，用来基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。
[0064]和现有技术相比，本发明具有如下特点和有益效果:
[0065]结合香农熵分析特征向量的最佳尺度，获得特征点的最佳尺度，并基于最佳尺度提取特征和匹配；结合刚体转换中距离不变特性，采用贪心思想进一步筛选初始同名点对，获得可提高匹配准确性的同名点对集。
[0066]本发明可提高激光点云配准的自动化程度和匹配准确性。
【专利附图】
【附图说明】
[0067]图1为原点和目标点的确定过程示意图；
[0068]图2为本发明方法的具体流程图；
[0069]图3为获取激光点云中激光点单位法向量的具体流程图。
【具体实施方式】
[0070]下面将结合附图和【具体实施方式】对本发明技术方案作进一步说明。
[0071]本发明基于16维特征描述的激光点云自动配准方法，具体步骤如下:
[0072]步骤1，获取激光点云数据中各激光点的单位法向量。
[0073]根据激光点P邻域点Xi = (Xi, Yi, Zi)获得矩阵A:
[0074]A= (X1,...,Xi,...,Xn)τ ⑴
[0075]其中，(Xi, Yi, Zi)表示邻域点Xi坐标，η为激光点ρ邻域中激光点数量。
[0076]根据最小二乘原理列出误差方程V = AX+L获得激光点P法向量:
[0077]X = (AtPA) -1AtPL (2)
[0078]其中，V表示大小ηΧ I的误差矩阵；矩阵L中所有元素均为_1，大小为nX I ;Ρ表示大小ηΧη的加权矩阵，一般情况下，加权矩阵P为单位矩阵；Χ表示大小3X1的法向量矩阵，X= (a, b, c)T,即激光点ρ法向量n’p = (a, b, c)。
[0079]令3 = 777^77,获得激光点P的单位法向量np = n’p/d。采用上述方法获得激光点云数据中各激光点的单位法向量。
[0080]步骤2，对激光点单位法向量重新定向。
[0081 ] 对激光点ρ单位法向量的方向进行重新定向，以统一点云中激光点单位法向量的方向，具体为:令O为视点,O点坐标一般取为(0,0,0),若激光点P的单位法向量np与向量
pO的夹角大于90度,令激光点ρ单位法向量np反向，如下:
【权利要求】
1.基于16维特征描述的激光点云配准方法，其特征在于，包括步骤: 步骤1，对激光点云数据中各激光点单位法向量重新定向，即:选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度,则激光点单位法向量反向；否则，激光点单位法向量方向不变； 步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系，具体为: 分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为V轴，u轴与V轴方向向量的叉乘结果为w轴； 步骤3，在局部坐标系下获取激光点的特征向量，具体为: 3.1在局部坐标系下下，计算目标点单位法向量与V轴方向向量的点乘关系fl、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和V轴形成平面上投影的反正弦值f4 ；
3.2 比较fi 和阈值 ti 的大小，若fi > ti;则 S(Lfi) = I ;否则 s(ti，fi) = O ；i = 1、2、3、4，&和t2在[-1，I]范围内取值，t4在[-π /2，π /2]范围内取值，t3表示尺度； 3.3获得激光点邻域内任意两邻域激光点的特征值方外，p]，统计任意两
/-1邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量； 步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度； 步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。
2.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于: 子步骤3.2中所述的tp t2和t4均设为O。
3.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于: 步骤4中所述的基于激光点的特征向量从点云数据中提取特征点具体为: 根据不同尺度下激光点特征向量分别获得各尺度下的平均特征向量，所述的平均特征向量为点云数据中所有激光点特征向量的均值； 在不同尺度下，分别衡量激光点特征向量和平均特征向量间的距离，根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点； 在两个连续尺度上均为初始特征点的激光点即为最终的特征点。
4.如权利要求3所述的基于16维特征描述的激光点云配准方法，其特征在于: 所述的根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点，具体为: 选择与平均特征向量的距离大于标准差ο的激光点作为初始特征点，标准差σ为点云数据中所有激光点特征向量和平均特征向量间距离的标准差。
5.如权利要求3所述的基于16维特征描述的激光点云配准方法，其特征在于: 所述的衡量激光点特征向量和平均特征向量间的距离采用KL距离进行衡量:
其中，Dia表示激光点特征向量和平均特征向量间的KL距离，ν/表示激光点特征向量的第i维元素，μ i为平均特征向量的第i维元素。
6.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于: 步骤4中所述的获取不同尺度下特征点维度特性表现的概率组合，具体为: 对特征点的邻域激光点集(X1,...，Xi,...，Xn)，获取矩阵5 = (X1-X,...,X,, -?)和M =BTB，其中，
计算矩阵M的特征值，并按从大到小对特征值排序，排序后特征值为X1S λ2> λ3;根据矩阵M的特征值获得特征点维度特性表现的概率值:ai = U1-X2VXp a2 =(入 2_ X 3) / X I 和 a3 = \ J \ y> 犾得概率组合(^1，a2, a3)； 同时，步骤4中所述的概率组合香农熵=—a' * Umx ~aM * lnaI —a' * lnaS
7.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于: 步骤6进一步包括: 基于特征点在最佳尺度下的特征向量对两站激光点云中特征点进行粗配准，获得初始同名点对； 基于同名点对间距离的均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对； 根据筛选后的同名点对两站激光点云进行配准。
8.如权利要求7所述的基于16维特征描述的激光点云配准方法，其特征在于: 所述的基于同名点对间的距离均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对，具体为: 将初始同名点集中距离均方根误差小于阈值rTh_h()ld的任意两对初始同名点对合并，并加入2阶点对象集； 对k阶点对象集中任意对象eki，在k阶点对象集中搜索与对象eki没有重复结点的对象ew，若对象对(eki，ekJ)中k对初始同名点对间的距离均方根误差小于阈值rThresh()ld，则将对象对(eki，ekJ)合并加入2k阶点对象集；同时删除k阶点对象集中与对象对(eki，ekJ)有相同结点的对象；其中，k依次取2、4、8，最终获得16阶点对象集；阈值rTh—根据两站激光点云的点云密度设定； 将16阶点对象集中对象加入同名点对集，根据同名点对集中同名点对获取转换参数(R，t)，对初始同名点对集中未加入16阶点对象集的剩余同名点对(Pi’，qi’)计算R*Pi’+t|_qi’，将I R*Pi’+t 1-q/小于预设阈值的剩余同名点对加入同名点对集，所述的预设阈值根据两站激光点云的点云密度设定。
9.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于: 所述的根据筛选后的同名点对两站激光点云进行配准，具体为: 根据同名点对集中同名点对获得两站激光点云间的转换参数，采用转换参数对两站激光点云进行配准。
10.一种基于16维特征描述的激光点云配准系统,其特征在于,包括: (1)单位法向量定向模块，用来对激光点云数据中各激光点单位法向量重新定向，即:选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变； (2)局部坐标系构建模块，用来构建激光点邻域内任意两邻域激光点间的局部坐标系，本模块进一步包括子模块: 原点确定模块，用来分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点； 坐标轴确定模块，用来以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为V轴，U轴与V轴方向向量的叉乘结果为W轴； (3)特征向量构建模块，用来在局部坐标系下获取激光点的特征向量，本模块进一步包括子模块: 几何特征计算模块，用来在局部坐标系下下，计算目标点单位法向量与V轴方向向量的点乘关系fl、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与U轴的夹角f3及目标点单位法向量在u轴和ν轴形成平面上投影的反正弦值f4 ； 比较模块，用来比较仁和阈值h的大小,若fi > &,则s(ti, = I ;否则s(ti, =O ；i = 1、2、3、4，&和&在[-1，I]范围内取值，^在[-31/2，Jr/2]范围内取值，t3表示尺度； 特征向量获得模块，用来获得激光点邻域内任意两邻域激光点的特征值 =统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点
/-1的16维特征向量； (4)最佳尺度获得模块，用来基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度； (5)配准模块，用来基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。
【文档编号】G06T7/00GK104134216SQ201410366257
【公开日】2014年11月5日 申请日期:2014年7月29日 优先权日:2014年7月29日
【发明者】万幼川, 陈茂霖, 何培培, 秦家鑫, 卢维欣, 王思颖 申请人:武汉大学