基于降维的建筑物点云配准算法
【技术领域】
[0001] 本发明涉及图像处理领域，尤其涉及一种基于降维的建筑物点云配准算法。
【背景技术】
[0002] 数字城市建设是地理信息系统和城市信息化领域关注的焦点，在城市规划、公共 安全、公众地理服务等方面有着广阔的应用前景。数字城市的关键技术是地物，特别是建筑 物三维模型的构建，如以Google Earth、百度地图、高德地图为代表的三维城市模型产品正 在崛起，建筑物的三维重建一直是数字城市建立的核心研究内容。
[0003] 三维激光扫描技术(3D Laser Scanning Technology)可以连续、自动、不接触、快 速地采集大量的目标物表面三维点数据，即建点云(Point Clouds)。地面三维激光扫描仪 侧重于获取高精度的数字城市建筑物里面信息，弥补了数字地图、航空摄影和遥感等在这 方面的缺陷，可作为城市街道、建筑物垂直面的几何数据和纹理信息的获取手段。由于建筑 物表面存在遮挡以及测量设备视域的限制，通常的三维扫描仪一次只能获取建筑物的一个 视角点的点云数据，要得到建筑物完整的三维信息，需要，从多个视角对建筑物进行三维数 据采集。对于分站获取的建筑物点云数据，在将其拼接成一个完整建筑物点云的过程中，拼 接的依据是分站点云中的公共点，寻找公共点的过程称为点云配准。相对于二维图像而言， 点云的本质是三维图像，它是由一系列已知三维坐标及其辐射信息的足点构成。对于二维 图像配准来说，图像配准是寻找同名点，而对于点云数据而言，点云配准是找到相同的足点 或者最邻近足点。当前，点云的配准算法可分为两类:基于足点分布的配准算法和基于特征 的配准算法。
[0004] 第一类是基于足点分布的配准算法。最经典的配准算法是Bsel和Mckay在1992年 《IEEE Transactions on Pattern Analysis and Machine Intelligence》上发表的 "A method for registrat ion of 3_D shapes"文章中提出迭代最近点（Iterative Closest Point，ICP)算法，它重复进行"确定对应点关系点集一一计算最优刚体变换"的过程，直到 两片点云对应点的均方误差最小。
[0005] 但对于传统的ICP配准算法及其改进形式，它们对于点云的初始位置要求极高，容 易陷入局部最大值，只适用于存在明确对应关系的点集之间的定位;需要有极高的重叠度， 甚至有时需要一个点集是另一个点集的子集，这一要求在很多时候是难以满足的；这些算 法在搜索对应点的过程中，计算代价大，对于实际测量的海量数据，无法直接使用。基于统 计学来估计概率密度的算法，对两视角点云的重叠度要求也非常高，且在大规模配准情况 下，这些概率模型数据集中每个点都与另一个数据集中的点有关联，这使得它们的运行速 度变慢。对于建筑物点云，这些算法都难以直接采用。
[0006] 第二类是基于特征的配准算法，它主要是通过点云数据的特征描述子，寻找点云 对应的特征点。最具代表的是Rusu在《Proceedings of the IEEE/RSJ Internat ional Conference on Intel 1 igent Robots and Sstems(IROS)》上发表的 "Aligning point cloud views using pers istent feature hisrograms"提出的基于点特征直方图（Point Feature Histograms，PFH)的三维点云配准算法，PFH计算方式通过参数化查询点与邻域点 之间的空间差异，并形成一个多维直方图对点的k邻域集合属性进行描述，他是基于点与其 k邻域之间的关系以及它们的估计法线，考虑估计法线方向之间所有的相互作用，试图捕获 最好的样本表面变化情况，以描述样本的几何特征，通过寻找最为相似的点特征直方图实 现了点云的配准。此外，在PFH的基础上，2009年Rusu在《Proceeding of the IEEE Inernat ional Conference on Robotics and Automation(ICRA)》发表的 "Fast point feature histograms(FPFH)for 3D registration" 提出了基于快速点特征直方图（Fast Point Feature Histograms，FPFH)三维点云配准算法，降低了算法的计算复杂度，保留了PFH大部 分的识别特性，提高了点云配准的效率。
[0007]基于特征的点云配准算法本质上是将二维图像的特征推广到三维，如：Sif t-3D、 Harr i s-3D、ISS关键点的提取，还有PFH、FPFH特征直方图的计算。相对于这些特征在二维图 像中的成熟应用，这些特征在三维点云中的应用还是不成熟的。对于建筑物点云，在采用关 键点的PFH和FPFH进行特征提取时，由于建筑结构的相似，导致了局部点特征特征向量的趋 同，进而导致点云特征匹配可靠性的严重衰退。
【发明内容】
[0008] 本发明所要解决的技术问题是:提供一种基于降维的建筑物点云配准算法，简化 点云的数据量，提高点云特征匹配可靠性。
[0009] 为了解决上述技术问题，本发明采用的技术方案为：一种基于降维的建筑物点云 配准算法，包括如下步骤：
[0010] S1、在两个不同视角的采样点分别获取建筑物点云数据，并对点云中的每个点标 号；
[0011] S2、选取两个视角建筑物点云的重叠区域，利用最小二乘法分别对所述重叠区域 进行建筑物点云平面拟合，得到建筑物点云的投影面；
[0012] S3、将建筑物点云投影到建筑物投影面，确定点云中所有点垂直投影到建筑物投 影面上的投影点坐标；
[0013] S4、对投影点进行重采样，确定建筑物点云降维后的二维图像；
[0014] S5、在二维图像中利用基于平方差的模板匹配搜索同名点；
[0015] S6、将搜索到的二维图像的同名点通过标号索引回三维点云中；
[0016] S7、根据同名点索引到的三维点云中的点，利用单位四元数法，得到旋转、平移变 量，并应用到整体建筑物点云。
[0017] 本发明的有益效果在于:通过将建筑物点云投影到建筑物的投影面，在最大限度 保持建筑物固有的结构信息的同时，大大简化了建筑物点云的数据量;利用基于平方差的 模板匹配在投影后的二维图像中寻找同名点，将所找到的同名点索引回到三维点云中，提 高点云特征匹配可靠性。
【附图说明】
[0018] 图1为本发明实施例一的流程图；
[0019]图2为本发明实施例一中视角A的建筑物点云数据；
[0020]图3为本发明实施例一中视角B的建筑物点云数据；
[0021 ]图4为本发明实施例一中视角A重叠区域的点云数据；
[0022] 图5为本发明实施例一中视角B重叠区域的点云数据；
[0023] 图6为本发明实施例一中视角A点云数据降维后的二维图像；
[0024] 图7为本发明实施例一中视角B点云数据降维后的二维图像；
[0025] 图8为本发明实施例一的模板匹配示意图；
[0026] 图9为本发明实施例一的整体配准结果。
【具体实施方式】
[0027] 为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附 图详予说明。
[0028] 本发明最关键的构思在于:采用降维的思想，并在二维图像中寻找同名点，根据标 号索引回三维点云中。
[0029] 请参阅图1，一种基于降维的建筑物点云配准算法，包括如下步骤：
[0030] S1、在两个不同视角的采样点分别获取建筑物点云数据，并对点云中的每个点标 号；
[0031] S2、选取两个视角建筑物点云的重叠区域，利用最小二乘法分别对所述重叠区域 进行建筑物点云平面拟合，得到建筑物点云的投影面；
[0032] S3、将建筑物点云投影到建筑物投影面，确定点云中所有点垂直投影到建筑物投 影面上的投影点坐标；
[0033] S4、对投影点进行重采样，确定建筑物点云降维后的二维图像；
[0034] S5、在二维图像中利用基于平方差的模板匹配搜索同名点；
[0035] S6、将搜索到的二维图像的同名点通过标号索引回三维点云中；
[0036] S7、根据同名点索引到的三维点云中的点，利用单位四元数法，得到旋转、平移变 量，并应用到整体建筑物点云。
[0037]从上述描述可知，本发明的有益效果在于:大大简化了建筑物点云的数据量;提高 点云特征匹配可靠性。
[0038] 进一步地，所述步骤S2,具体包括：
[0039 ] S21、假设拟合平面的平面方程为：z = aox+aiy+a2;
[0040] S22、对于η个点的点云集合(Xi，yi，zi)，i = 0,1，…，n-1，n 2 3,用最小二乘法拟合 所述平面方程，彳]
2最小，并结合所述的平面方程计算 ao，ai和a2，确定投影面方程z = aox+aiy+a2。
[0041] 进一步地，所述步骤S3,具体包括：
[0042] S31、对点云中每一点(χο,γο,ζο)过点作投影面的垂线，垂足为(x，y，z);
[0043] S32、根据所述投影面方程，确定投影面的法向量为11=(&〇，&1，-1)，垂线方程为 其中t为参数； 'J 1
S33、根据所述投影面方程和垂线方程，得到参数t:
^从而得到点 云中所有点垂直投影到建筑物投影面上的点坐标。
[0045] 进一步地，所述步骤S4具体为:将投影面等距栅格化，若栅格内存在投影点，则将 灰度值设置为1，反之设置为〇,得到建筑物点云降维后的二维图像。
[0046] 由上述描述可知，通过将建筑物点云投影到建筑物的投影面，在最大限度保持建 筑物固有的结构信息的同时，大大简化了建筑物点云的数据量。
[0047] 进一步地，所述步骤S5,具体包括：
[0048] S51、将二维图像分为若干个大区域；
[0049] S52、在视角A对应的二维图像的每个大区域中，以大区域的中心设置一个a X b的 模板T，所述模板T不大于所在的大区域;在视角B对应的二维图像的每个大区域中，以大区 域的中心设置一个(a+p) X (a+q)的搜索窗口 S，其中，p，q>0;
[0050] S53、将模板T放到搜索窗口 S中进行搜索，根据判别式
对模板匹配进行判断，其中D(i，j)为相关系数，若返回值为1，则为最佳匹配;若不是1，则取 最大值为最佳匹配。
[0051 ]进一步地，所述步骤S7,具体包括：
[0052] S71、分别计算视角A的目标点云D和视角B的参考点云X的中心，目标点云D的中心 根据公式/? 式计算，参考点云χ的中心根据公式计算，其中Nd是目标 Μ /-1 点云的个数，Νχ是参考点云的个数； 12345678 S72、