不重复扫描激光雷达三维重建中的特征点剔除方法与流程

技术领域：

本发明给出了一种针对不重复扫描激光雷达三维重建过程中特征点筛选的方法，剔除不可靠的特征点对三维重建的影响，提高激光雷达三维重建的精度，属于激光雷达点云数据处理领域。

背景技术：
：

激光雷达具有很高的测量精度，可以获取观测区域内目标的三维点云，在测绘、无人驾驶、安防监控等领域具有广泛的应用。单次观测的场景范围有限，通过合适的匹配算法，将连续多次测量的结果拼接在一起，就实现了基于激光雷达的三维重建。目前最典型的激光雷达三维重建算法为loam(lidarodometryandmapping)算法。该算法将复杂的slam(simultaneouslocalizationandmapping)问题分为高频的运动估计与低频的环境建图，其中激光点云记录模块采集数据，激光里程计模块进行特征提取、匹配、运动估计和坐标转换，建图模块以相对于里程计模块更慢的频率构建三维点云地图，位姿合成模块将激光雷达里程计输出的相对位姿进行全局位姿合成，实现全局定位。

loam算法包括了基于二维激光的重建和基于三维激光的重建，两者使用的传感器不同，但重建的基本原理是一致的，都是基于多帧数据之间的匹配进而形成完整的场景信息，匹配的基础就是特征点的提取，通过提取数据中的特征点，进而利用特征点进行点云的坐标转换和匹配，对于三维激光雷达数据，最常用的配准方法是icp(iterativeclosestpoint)算法。其原理是迭代减小两个点集之间临近点的距离，实现两个点集的匹配。原理上，直接利用全部点云配准会得到更好的效果，但由于点云数据量太大导致了运算量的过大，实时性难以满足。提取少量的特征点则可以实现实时配准，目前常用的特征点为平面特征点和边缘特征点。

loam算法中的特征点提取的依据是点云的曲率，基于通常的机械扫描激光雷达，在平坦的地面上，激光雷达的多条扫描线分别对应不同的平面，是一种平面扫描，即使在长时间扫描中，扫描线也是仅扫描特定的平面，这在loam重建中有很多优势，比如相邻的点是来自同一扫描面、具有大的水平扫描范围等，随着技术的发展，大量的非机械扫描方式出现，很多非重复扫描激光雷达得到应用，这种激光雷达的覆盖范围随时间的延长而增大，可以实现对目标和场景的更细致刻画。然而，这种非重复的扫描方式，也导致了相邻时刻到达的点云并不定是在同一平面上的点云，更严重的是，这种非重复扫描激光雷达通常都具有非常有限的视场，由于激光雷达扫描范围的局限导致了大量位于视场边界附近的点会被判断为边缘特征点，但是这些边缘特征点并非真实的物体边缘，当这些特征点被用于三维重建时，将会降低三维重建的精度，因此需要剔除。

技术实现要素：
：

本发明的目的是针对非重复扫描激光雷达的三维重建问题，提供了一种对所提取的特征点进行筛选并剔除不可靠特征点的方法，以保证使用正确的特征点进行点云的配准和拼接，提高激光雷达对场景三维重建的精度。

本发明遵循了以下的技术方案：不重复扫描激光雷达三维重建中的特征点剔除方法，其实现的步骤如下：

s1对输入的激光点云提取三维重建特征点，具体包括了边缘特征点和平面特征点；

s2剔除特征点中不可靠的边缘特征点；

s3剔除特征点中不可靠的平面特征点；

s4利用剩余特征点进行基于loam算法的场景三维重建。

所述s1实现从输入点云提取特征点，包括边缘特征点和平面特征点，为后续的三维重建提供特征数据，以保证重建过程的实时性。

所述s2在具体的实现中，对s1提取的边缘特征点与激光雷达的视场边界进行比较，将靠近雷达视场边界的边缘特征点从特征点集合中剔除，因为这些特征点的不连续性主要是由于雷达扫描限制导致的。通过式子可以判断边缘特征点与边界的距离是否超出设定的门限，进而判断该边缘特征点是真正的目标边缘还是激光雷达的视场边缘。式中的a和b为提取的边缘特征点在激光雷达坐标系中与激光雷达阵面法线的水平方向夹角和垂直方向夹角，单位为度，h和v则为激光雷达水平视场和垂直视场，单位为度。η为边缘检测门限，取值范围为2-20度。

所述s3中采用平面特征点与所在平面的夹角来判断平面特征点是否需要剔除，对邻近的三个平面特征点a，b，c，当满足条件时，a点为不可靠边缘特征点，式中pa，pb，pc为特征点a，b，c的三维坐标，||为取绝对值，||||为计算向量的模，q为判决门限，取值范围为[0.5,1]。

本发明与现有技术相比的优点在于：

1)在激光雷达扫描的过程中，靠近扫描边界的点会被当作边缘特征点而提取出来，但这些点并不是真实的边缘特征点，本发明通过判断所提取边缘特征点与激光雷达的扫描边界的距离，剔除这些不可靠的边缘特征点，提高loam重建中特征点匹配的准确度。

2)在激光雷达扫描的过程中，当激光线与平面的夹角很小时，激光光斑会被拉长，导致测量误差的增加，本发明通过判断点云入射线与点云所在平面的夹角，判断并剔除与平面夹角过小的特征点，以提高loam重建中特征点匹配的准确度。

附图说明：

图1为本发明不可靠特征点剔除的流程图；

图2为激光点云入射线与平面夹角示意图；

图3为未剔除不可靠特征点的重建结果；

图4为剔除不可靠特征点的重建结果。

具体实施方式：

参照图1的流程，本发明根据提取的激光雷达特征点的位置和方向对特征点的可靠程度进行分析，并剔除其中的不可靠特征点，利用保留的特征点进行loam算法的重建，主要的步骤如下：

s1对输入的激光点云提取三维重建特征点，具体包括了边缘特征点和平面特征点。

激光点云三维重建中提取的特征点为边缘特征点和平面特征点，在具体的实现中，首先计算激光雷达扫描线的曲率c:

其中，x(k，i)表示第k帧数据中第i个点在激光雷达坐标系中的坐标，s是第i个点的邻域点集，为了保证雷达朝不同方向扫描时特征提取算法都有效，s在第i个点的左右两侧各取邻近的n个点，||||为计算向量的模。

设置曲率判断门限c1和c2,且有c1<c2。当c<c1时第i个点为平面特征点，当c>c2时第i个点为边缘特征点，c1的取值范围为0～0.02，c2取值大于2c1。

s2剔除特征点中不可靠的边缘特征点。

对s1提取的边缘特征点与激光雷达的视场边界进行比较，将靠近雷达视场边界的点从边缘特征点中剔除，因为这些特征点的不连续主要是由于雷达扫描限制导致的，不一定是真实的物体边缘。通过计算式

可以判断边缘特征点与边界的距离是否超出设定的门限，进而判断该边缘特征点是真正的目标边缘还是激光雷达的视场边缘。(2)式中的a和b为边缘特征点在激光雷达坐标系中与激光雷达阵面法线在水平方向夹角和垂直方向夹角，单位为度，h和v则为激光雷达水平视场和垂直视场，单位为度，η为边缘检测门限，取值范围为2-20度。

s3剔除特征点中不可靠的平面特征点。

采用平面特征点方向与该点所在平面的夹角来判断平面特征点是否需要剔除，对邻近的三个平面特征点a，b，c(如图2所示)，以a点为例，当满足下面的条件时，

表明平面特征点a与所在平面夹角过小，为不可靠平面特征点。(3)式中pa，pb，pc分别为平面特征点a，b，c在激光雷达坐标系中的三维坐标，||为取绝对值，||||为计算向量的模，q为判决门限，取值范围为[0.5,1]。

s4利用剩余特征点进行基于loam算法的三维重建。

loam算法是激光雷达三维重建的经典实现方法，该算法的核心是特征点匹配，通过s1获得场景的特征点，通过s2和s3剔除不可靠特征点，然后利用剩余的特征点进行帧间匹配，估计激光雷达的运动，进而实现对当前帧激光点云的坐标变换。在具体的实现中，帧间匹配规则包括两个方面：1)最小化边缘特征点到边缘线的距离；2)最小化平面特征点到平面的距离。具体实现中可采用levenberg-marquardt非线性优化算法对以上两条规则进行逼近，实现帧间匹配。

为验证特征点剔除方法的有效性，基于livoxhorizon激光雷达的实测数据进行了三维重建实验，在特征点提取的基础上，不剔除不可靠特征点，采用全部特征点进行三维重建的结果如图3所示，可以看出图3右侧有较多的虚拖尾，表明重建中部分区域没有很好的匹配在一起。图4为不可靠特征点剔除后的重建结果，与图3的结果相对比，图4中虚拖尾的区域明显减少，表明进行不可靠特征点剔除后，可以提高三维重建的精度，这也表明了本发明所提出的不可靠特征点剔除方法是有效的。