向量所对应 的拼接时间；
[0045] 图4 (d)是本实施例中使用3D-NDT算法的第二组数据不同大小的旋转向量所对应 的平移向量误差；
[0046] 图4 (e)是本实施例中使用3D-NDT算法的第二组数据不同大小的旋转向量所对应 的旋转欧拉角误差；
[0047] 图4(f)是使用3D-NDT算法的第二组数据不同大小的旋转向量所对应的拼接时 间；
[0048] 图5(a)是使用ICP算法的第一组数据不同大小的旋转向量所对应的平移向量误 差；
[0049] 图5(b)是使用ICP算法的第一组数据不同大小的旋转向量所对应的旋转欧拉角 误差；
[0050] 图5 (c)是使用ICP算法的第一组数据不同大小的旋转向量所对应的拼接时间；
[0051] 图5(d)是使用ICP算法的第二组数据不同大小的旋转向量所对应的平移向量误 差；
[0052] 图5(e)是使用ICP算法的第二组数据不同大小的旋转向量所对应的旋转欧拉角 误差；
[0053] 图5 (f)是使用ICP算法的第二组数据不同大小的旋转向量所对应的拼接时间；
[0054] 图6 (a)是本实施例中使用3D-NDT算法的第一组数据不同大小的平移向量所对应 的平移向量误差；
[0055] 图6 (b)是本实施例中使用3D-NDT算法的第一组数据不同大小的平移向量所对应 的旋转欧拉角误差；
[0056] 图6 (c)是本实施例中使用3D-NDT算法的第一组数据不同大小的平移向量所对应 的拼接时间；
[0057] 图6 (d)是本实施例中使用3D-NDT算法的第二组数据不同大小的平移向量所对应 的平移向量误差；
[0058] 图6 (e)是本实施例中使用3D-NDT算法的第二组数据不同大小的平移向量所对应 的旋转欧拉角误差；
[0059] 图6(f)是使用3D-NDT算法的第二组数据不同大小的平移向量所对应的拼接时 间；
[0060] 图7(a)是使用ICP算法的第一组数据不同大小的平移向量所对应的平移向量误 差；
[0061] 图7(b)是使用ICP算法的第一组数据不同大小的平移向量所对应的旋转欧拉角 误差；
[0062] 图7(c)是使用ICP算法的第一组数据不同大小的平移向量所对应的拼接时间；
[0063] 图7(d)是使用ICP算法的第二组数据不同大小的平移向量所对应的平移向量误 差；
[0064] 图7(e)是使用ICP算法的第二组数据不同大小的平移向量所对应的旋转欧拉角 误差；
[0065] 图7(f)是使用ICP算法的第二组数据不同大小的平移向量所对应的拼接时间； [0066]图8是本实施例二中机载激光扫描系统航带拼接装置的结构框图。
【具体实施方式】
[0067] 为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对 本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用 于限定本发明。
[0068] 实施例一
[0069] 本实施例中采用自主研发的机载激光扫描硬件系统和地面站软件。其中硬件部分 包括无人机机载平台，激光扫描仪，差分GPS系统，惯性导航元件（IMU)。扫描系统首先获取 到点云距离扫描仪之间的位置信息，然后根据激光扫描仪自身的地理位置信息和扫描仪的 姿态信息，联合结算出周围环境的三维点云，即空间环境的三维坐标（X，y，Z)，点云数据最 终保存在标准的LAS格式的点云存储文件中。
[0070] 软件部分也即地面站部分通过UDP协议将这些数据包传送到地面站的数据层，数 据层首先会将接收到的原始数据进行"十七阶卡尔曼"滤波，然后进行数据解算，可以得到 精确的点云数据。地面站接收到数据并解算出点云之后，这些点云数据会通过数组或者链 表等形式保存在内存中，并等待用户的控制。点云层直接面对用户的控制命令，通过GTK+ 框架中回调机制，如果用户对地面站界面进行操作之后，控制信息就会发送到点云层，点云 层根据对应算法对保存的点云进行处理。机载激光扫描系统在进行扫描作业之后就会将扫 描的航带数据传送到地面站。
[0071] 在进行扫描作业时，首先将每一条航带数据接收到，在地面站中进行数据解算并 保存起来，然后拼接算法程序就会将事先保存好的航带数据拼接为一个完整的航带数据。
[0072] (一）机载点云数据的组织
[0073] 由于LiDAR(机载激光扫描系统）数据的数据量比较大，通常一条200*50m2的航 带就能包含一百多万个点云，如果某些区域地形复杂则要求点云密度更大，这样数据量会 更大。这么大的数据量给航带拼接带来了巨大的工程困难，因为计算机内存的和处理速度 有限，经常会出现处理不过来的情况。而在拼接算法中又经常需要对数据进行遍历搜索，以 ICP算法为例，该算法需要依次计算样本集中的每一个点与另一个点云集合中的点之间的 距离，这就需要不断的遍历点云集合中的点。当点云集合中的点很多时这种遍历非常耗时， 这种方法也很原始，想要快速的遍历一个点云集合就必须使用一些点云的数据组织方式， 建立数据索引，然后再依据索引进行快速查询。这就像书本中的目录，能够加快查找的速度 和效率，特别是在处理大量数据时能够大大的节省时间，提高效率。因此在LiDAR数据处理 中各种数据组织形式得到了广泛的应用，包括以下两种数据结构：KD树和八叉树。
[0074] 本实施例中采用KD树的点云数据组织形式。KD树（K-dimensiontree)是一种多 维度的数据存储结构，它主要是对数据集在K维度空间进行划分，进而在各个维度空间内 进行数据组织。例如三维空间则K为3。然后在KD树的每一个节点上记录属性a和数值 V，然后根据属性a进行判定，对于属性a将数据分为大于和小于阈值V的两个部分，随后不 断迭代判断，根据对应的属性a的阈值大小将所有数据进行分类组织起来。
[0075](二）拼接算法
[0076]由于机载激光扫描系统中系统误差的存在，相邻航带之间重叠的部分的平面坐标 和高程坐标会出现偏差，即使经过良好的检校，系统中还是存在残差。所以并不能简单的相 邻航带"相加"，而需要先获得姿态的变换参数，然后才能拼接在一起。
[0077] 拼接算法一般是利用重叠区域的同名点或者相同的地面控制点，可以利用人工布 置控制点，这种方法在某些较小场景和地面扫描场景下具有很好的效果。但是在利用LiDAR系统进行大区域扫描时，由于飞行平台的航高和地形限制，在地面设立人工控制点的方法 具有很大的局限性。所以本发明中不考虑人工布置控制点的情况，只考虑无控制点的三维 表面匹配技术。
[0078] LiDAR数据是利用大量的三维点云来描述地形表面，传统的航带拼接算法就是直 接利用这些三维点云中的点。但直接利用点云数据会缺乏对方向和平滑度等方面的描述， 同时计算过程中也非常耗费内存和时间。正态变换可以用来描述地形的表面特征，将空间 点云进行分割为很多空间，然后将这些空间中的点云描述为概率密度函数。
[0079] 在扫描结束之后，选择数据预处理，首先对航带数据预处理，进行空间分布抽样， 抽样比例为20 % -30 %，优选的抽样比例为25 %，然后进行航带拼接。算法程序就会将事先 保存好的航带数据拼接为一个完整的航带数据。在机载激光扫描系统的目标航带点云中建 立体素单元，找出待拼接航带点云和其对应的体素单元并且保存起来，体素单元正态分布 的概率密度函数代表体素单元的特征。然后又建立一个相似度函数，在相似度函数值最大 时可得航带间的偏移量。利用"六参数"变换模型，根据偏移量对相邻航带进行调整，最终 将多条航带拼接为一体。
[0080] 本实施例采用基于正态分布变换算法的航带拼接技术，这种方法并没有使用点对 点等传统方法，而是从概率的角度分析点云的相似度问题，在匹配结果的精度和鲁棒性等 方面有很好的表现。同时因为建立的是一个一个的小"方格"，使用的是点与方格的查找，这 比点与点的查找的速度更快，所以匹配效率也有了比较大的提升。
[0081] 图1所示为改进后三维正态分布3D-DNT算法流程图，如图所示，具体步骤如下：
[0082] S1、对目标点云数据和待拼接航带点云数据进行抽样滤波，得到抽样后的目标点 云集合7={另，…，叉}和待拼接点云集合…4,}。
[0083] 在应用3D-NDT算法时，点云模型会被分割为一个个小的单元格并在其中建立正 态分布，然后用于拼接操作。而在大场景的航带拼接应用中，通常每条航带的数据量都很 大，其中有很多冗余点，也即待拼接的点云集合中的点都相对"太多"了，而且过多的点会占 用大量的计算机内存并拖慢计算速度。另外由于正态分布是"单峰"的，所能表现的特征是 有限的，过多的点反倒会降低正态分布算法的准确性。所以在进行拼接之前一般会进行"预 处理"操作，首先要进行重采样，去除"冗余点"。
[0084] 在LiDAR系统的扫描过程中，一般在距离传感器越近的区域点云越密集，而距离 扫描仪较远的区域点云越稀疏。同时在某些区域因为镜面反射等原因也会造成某些区域的 点云稀疏的情况。如果使用均匀随机抽样，抽样后的点云并没有考虑这些因素，而是直接离 散的抽样，这样依然会出现某些区域点云密度过大的情况。这对于3D-NDT算法的准确率会 有影响，所以尽量避免这种方法。基于上述考虑，本实施例采用相对比较好的抽样方法是 "空间分布抽样"，这种方法类似于NDT算法中建立体素网格的模式，在空间中建立了均匀的 网格，然后再统一抽样。这种方法能够尽量的使点云集合中的点更均匀。
[0085] 抽样比例的大小在抽样中是一个需要考虑的重要因素，不同的抽样比例意味着更 少的点和更快的效率。点太多会包含太多冗余点，点太少又会降低匹配的效果甚至失败，但 在拼接中希望能够尽量减少点的数量。