基于16維特征描述的激光點云自動配準方法及系統的制作方法
【專利摘要】本發明公開了一種基于16維特征描述的激光點云自動配準方法及系統，包括步驟：步驟1，對激光點云數據中各激光點單位法向量重新定向；步驟2，構建激光點鄰域內任意兩鄰域激光點間的局部坐標系；步驟3，在局部坐標系下獲取激光點的特征向量；步驟4，基于激光點的特征向量從點云數據中提取特征點，并獲取特征點的最佳尺度；步驟5，基于特征點在最佳尺度下的特征向量對兩站激光點云進行配準。本發明可提高激光點云配準的自動化程度和匹配準確性。
【專利說明】基于16維特征描述的激光點云自動配準方法及系統

【技術領域】
[0001]本發明屬于激光點云數據處理應用領域，尤其涉及一種基于16維特征描述的激光點云自動配準方法及系統。

【背景技術】
[0002]地面激光掃描技術(Terrestrial Laser Scanning Technology)是近些年發展起來的一項新型三維測量掃描技術，許多國內測繪廠商都推出了自主知識產權的激光雷達產品。目前在國內，地面激光掃描技術已被應用于土方計算、交通事故處理、城市規劃、資源探測、應急救災、文物保護等多種領域，但國內地面激光掃描技術在各行業領域的應用比例仍然處于較低水平，其中一個主要原因是與國產硬件設備相配套的激光點云數據處理軟件仍存在很多缺點和不足。
[0003]激光點云數據的配準是激光點云數據處理的第一步，也是激光點云分割、分類、建模等后處理的基礎，在激光點云數據處理的中至關重要。激光點云數據的配準，一般通過放置標靶并進行識別或通過手工選取同名點方式來進行，但上述方法具有很大的局限性。因此，無標靶的激光點云配準方法的研究也就凸顯了其必要性和重要性。無標靶的激光點云配準以激光點云的特征提取和匹配為主，但這種激光點云配準方法難以適用于所有的情況，因為激光點云數據所對應的場景往往比較復雜，很多算法只能針對其中部分場景進行配準。因此，通過不斷改進、完善尋找一種場景適應性好、抗噪能力強、配準效率高的激光點云配準方法，對地面激光掃描設備以及激光點云數據在實際生產中的應用有著重要價值。
[0004]目前，激光點云特征提取方法主要集中于幾何特征提取，此類特征提取方法通過擬合各激光點的法向量、曲率等基本特征進而計算更高級、穩定的點特征，例如，三維積分描述子(通過積分計算激光點的球形鄰域與過該激光點的擬合曲面所構成空間的體積)、法向量與曲率半徑方向夾角的正弦值、3D-SITF特征、不變矩、球面諧波不變量等點特征。除了點特征，很多方法還利用線特征、面特征、環特征和球特征等多維度特征對激光點云進行特征描述和提取。提取點云特征后，目前主要通過特征空間中最臨近搜索確定激光點云中用于配準的同名點，但這種方法往往存在較多誤匹配點；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]文中涉及如下相關文獻:
[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


【發明內容】

[0018]針對現有技術存在的問題，本發明提供了一種匹配更精確的基于16維特征描述的激光點云自動配準方法及系統。
[0019]為解決上述技術問題，本發明釆用如下的技術方案:
[0020]一、基于16維特征描述的激光點云配準方法，包括步驟:
[0021]步驟1，對激光點云數據中各激光點單位法向量重新定向，S卩:選取視點，若以視點為起點、以激光點為終點的矢量向量與該激光點單位法向量的夾角大于90度，則激光點單位法向量反向；否則，激光點單位法向量方向不變；
[0022]步驟2，構建激光點鄰域內任意兩鄰域激光點間的局部坐標系，具體為:
[0023]分別獲取兩鄰域激光點單位法向量與兩鄰域激光點連線的銳角夾角，取較小銳角夾角對應的鄰域激光點為原點，另一鄰域激光點為目標點；以原點單位法向量為u軸，以起點為原點、終點為目標點的矢量向量與原點單位法向量的叉乘結果為V軸，U軸與V軸方向向量的叉乘結果為W軸；
[0024]步驟3，在局部坐標系下獲取激光點的特征向量，具體為:
[0025]3.1在局部坐標系下下,計算目標點單位法向量與V軸方向向量的點乘關系fl、原點和目標點間距離f2、以起點為原點、終點為目標點的矢量向量與u軸的夾角f3及目標點單位法向量在u軸和ν軸形成平面上投影的反正弦值f4 ；
[0026]3.2 比較fi 和閾值 & 的大小,若 fi > ti;貝丨J s(ti，fi) = I ;否則 s (\，fi) = O ；i = 1>
2、3、4，&和t2在[-1，I]范圍內取值，t4在[-π /2，/2]范圍內取值，t3表示尺度；
[0027]3.3獲得激光點鄰域內任意兩鄰域激光點的特征值方，統計任意兩鄰域激光點特征值為[0，15]內整數的頻率，構成激光點的16維特征向量；
[0028]步驟4，基于激光點的特征向量從點云數據中提取特征點，并獲取不同尺度下特征點維度特性表現的概率組合，取令概率組合香農熵最小的尺度為特征點的最佳尺度；
[0029]步驟5，基于特征點在最佳尺度下的特征向量對兩站激光點云進行配準。
[0030]子步驟3.2中所述的tp t2和t4均設為O。
[0031]步驟4中所述的基于激光點的特征向量從點云數據中提取特征點具體為:
[0032]根據不同尺度下激光點特征向量分別獲得各尺度下的平均特征向量，所述的平均特征向量為點云數據中所有激光點特征向量的均值；
[0033]在不同尺度下，分別衡量激光點特征向量和平均特征向量間的距離，根據激光點特征向量和平均特征向量間的距離選擇當前尺度下的初始特征點；
[0034]在兩個連續尺度上均為初始特征點的激光點即為最終的特征點。
[0035]上述根據激光點特征向量和平均特征向量間的距離選擇當前尺度下的初始特征點，具體為:
[0036]選擇與平均特征向量的距離大于標準差σ的激光點作為初始特征點，標準差σ為點云數據中所有激光點特征向量和平均特征向量間距離的標準差。
[0037]上述衡量激光點特征向量和平均特征向量間的距離采用KL距離進行衡量:
Dkl = Yjiivf - μ,)* ln{v! /代)]，其中，Dia表示激光點特征向量和平均特征向量間的KL距離，vf表示激光點特征向量的第i維元素，μ i為平均特征向量的第i維元素。
[0038]步驟4中所述的獲取不同尺度下特征點維度特性表現的概率組合，具體為:
[0039]對特征點的鄰域激光點集(X1,...，Xi,...，Xn)，獲取矩陣5 = (X1 -X,...,Xn -?和M
一 η
=ΒΤΒ，其中，X = ΣΑ',;

1-l
[0040]計算矩陣M的特征值，并按從大到小對特征值排序，排序后特征值為入I 3入2 >入3 ;
[0041]根據矩陣M的特征值獲得特征點維度特性表現的概率值:? = ( λ r λ 2) / λ 1、a2=(λ 2_ λ 3) / λ j 和 a3 = λ 3/ λ j,犾得概率組合(a” a2, a3)；
[0042]同時，步驟4中所述的概率組合香農熵E,:t'p = -?I * Ιηαι - aU * Jna2 - a3 * Inai。
[0043]步驟6進一步包括:
[0044]基于特征點在最佳尺度下的特征向量對兩站激光點云中特征點進行粗配準，獲得初始同名點對；
[0045]基于同名點對間距離的均方根誤差，采用分層貪心法篩選初始同名點對獲得篩選后的同名點對；
[0046]根據篩選后的同名點對兩站激光點云進行配準。
[0047]上述基于同名點對間的距離均方根誤差，采用分層貪心法篩選初始同名點對獲得篩選后的同名點對，具體為:
[0048]將初始同名點集中距離均方根誤差小于閾值rThresh()ld的任意兩對初始同名點對合并，并加入2階點對象集；
[0049]對k階點對象集中任意對象eki，在k階點對象集中搜索與對象eki沒有重復結點的對象ew，若對象對(eki，ekJ)中k對初始同名點對間的距離均方根誤差小于閾值rThresh()ld，則將對象對(eki，ekJ)合并加入2k階點對象集；同時刪除k階點對象集中與對象對(eki，ekJ)有相同結點的對象；其中，k依次取2、4、8，最終獲得16階點對象集；閾值iWd-根據兩站激光點云的點云密度設定；
[0050]將16階點對象集中對象加入同名點對集，根據同名點對集中同名點對獲取轉換參數(R，t)，對初始同名點對集中未加入16階點對象集的剩余同名點對(Pi’，q/)計算
R*Pi’+t|_qi’，將I R*Pi’+t 1-q/小于預設閾值的剩余同名點對加入同名點對集，所述的預設閾值根據兩站激光點云的點云密度設定。
[0051]上述根據篩選后的同名點對兩站激光點云進行配準，具體為:
[0052]根據同名點對集中同名點對獲得兩站激光點云間的轉換參數，采用轉換參數對兩站激光點云進行配準。
[0053]二、一種基于16維特征描述的激光點云配準系統,包括:
[0054](I)單位法向量定向模塊，用來對激光點云數據中各激光點單位法向量重新定向，即:選取視點，若以視點為起點、以激光點為終點的矢量向量與該激光點單位法向量的夾角大于90度，則激光點單位法向量反向；否則，激光點單位法向量方向不變；
[0055](2)局部坐標系構建模塊，用來構建激光點鄰域內任意兩鄰域激光點間的局部坐標系，本模塊進一步包括子模塊:
[0056]原點確定模塊，用來分別獲取兩鄰域激光點單位法向量與兩鄰域激光點連線的銳角夾角，取較小銳角夾角對應的鄰域激光點為原點，另一鄰域激光點為目標點；
[0057]坐標軸確定模塊，用來以原點單位法向量為U軸，以起點為原點、終點為目標點的矢量向量與原點單位法向量的叉乘結果為V軸，u軸與V軸方向向量的叉乘結果為w軸；
[0058](3)特征向量構建模塊，用來在局部坐標系下獲取激光點的特征向量，本模塊進一步包括子模塊:
[0059]幾何特征計算模塊，用來在局部坐標系下下，計算目標點單位法向量與V軸方向向量的點乘關系fl、原點和目標點間距離f2、以起點為原點、終點為目標點的矢量向量與u軸的夾角f3及目標點單位法向量在u軸和ν軸形成平面上投影的反正弦值f4 ；
[0060]比較模塊，用來比較fi和閾值\的大小，若fi>ti，則S(ti，fi) =1 ;否則s(ti，fi)=
O；i = 1、2、3、4，&和&在[-1，I]范圍內取值，^在[-31/2，Jr/2]范圍內取值，t3表示尺度；
[0061]特征向量獲得模塊，用來獲得激光點鄰域內任意兩鄰域激光點的特征值
/<4
為=統計任意兩鄰域激光點特征值為[0，15]內整數的頻率，構成激光點的16維特征向量；
[0062](4)最佳尺度獲得模塊，用來基于激光點的特征向量從點云數據中提取特征點，并獲取不同尺度下特征點維度特性表現的概率組合，取令概率組合香農熵最小的尺度為特征點的最佳尺度；
[0063](5)配準模塊，用來基于特征點在最佳尺度下的特征向量對兩站激光點云進行配準。
[0064]和現有技術相比，本發明具有如下特點和有益效果:
[0065]結合香農熵分析特征向量的最佳尺度，獲得特征點的最佳尺度，并基于最佳尺度提取特征和匹配；結合剛體轉換中距離不變特性，采用貪心思想進一步篩選初始同名點對，獲得可提高匹配準確性的同名點對集。
[0066]本發明可提高激光點云配準的自動化程度和匹配準確性。

【專利附圖】

【附圖說明】
[0067]圖1為原點和目標點的確定過程示意圖；
[0068]圖2為本發明方法的具體流程圖；
[0069]圖3為獲取激光點云中激光點單位法向量的具體流程圖。

【具體實施方式】
[0070]下面將結合附圖和【具體實施方式】對本發明技術方案作進一步說明。
[0071]本發明基于16維特征描述的激光點云自動配準方法，具體步驟如下:
[0072]步驟1，獲取激光點云數據中各激光點的單位法向量。
[0073]根據激光點P鄰域點Xi = (Xi, Yi, Zi)獲得矩陣A:
[0074]A= (X1,...,Xi,...,Xn)τ ⑴
[0075]其中，(Xi, Yi, Zi)表示鄰域點Xi坐標，η為激光點ρ鄰域中激光點數量。
[0076]根據最小二乘原理列出誤差方程V = AX+L獲得激光點P法向量:
[0077]X = (AtPA) -1AtPL (2)
[0078]其中，V表示大小ηΧ I的誤差矩陣；矩陣L中所有元素均為_1，大小為nX I ;Ρ表示大小ηΧη的加權矩陣，一般情況下，加權矩陣P為單位矩陣；Χ表示大小3X1的法向量矩陣，X= (a, b, c)T,即激光點ρ法向量n’p = (a, b, c)。
[0079]令3 = 777^77,獲得激光點P的單位法向量np = n’p/d。采用上述方法獲得激光點云數據中各激光點的單位法向量。
[0080]步驟2，對激光點單位法向量重新定向。
[0081 ] 對激光點ρ單位法向量的方向進行重新定向，以統一點云中激光點單位法向量的方向，具體為:令O為視點,O點坐標一般取為(0,0,0),若激光點P的單位法向量np與向量
pO的夾角大于90度,令激光點ρ單位法向量np反向，如下:

【權利要求】
1.基于16維特征描述的激光點云配準方法，其特征在于，包括步驟: 步驟1，對激光點云數據中各激光點單位法向量重新定向，即:選取視點，若以視點為起點、以激光點為終點的矢量向量與該激光點單位法向量的夾角大于90度,則激光點單位法向量反向；否則，激光點單位法向量方向不變； 步驟2，構建激光點鄰域內任意兩鄰域激光點間的局部坐標系，具體為: 分別獲取兩鄰域激光點單位法向量與兩鄰域激光點連線的銳角夾角，取較小銳角夾角對應的鄰域激光點為原點，另一鄰域激光點為目標點；以原點單位法向量為u軸，以起點為原點、終點為目標點的矢量向量與原點單位法向量的叉乘結果為V軸，u軸與V軸方向向量的叉乘結果為w軸； 步驟3，在局部坐標系下獲取激光點的特征向量，具體為: 3.1在局部坐標系下下，計算目標點單位法向量與V軸方向向量的點乘關系fl、原點和目標點間距離f2、以起點為原點、終點為目標點的矢量向量與u軸的夾角f3及目標點單位法向量在u軸和V軸形成平面上投影的反正弦值f4 ；
3.2 比較fi 和閾值 ti 的大小，若fi > ti;則 S(Lfi) = I ;否則 s(ti，fi) = O ；i = 1、2、3、4，&和t2在[-1，I]范圍內取值，t4在[-π /2，π /2]范圍內取值，t3表示尺度； 3.3獲得激光點鄰域內任意兩鄰域激光點的特征值方外，p]，統計任意兩






/-1鄰域激光點特征值為[0，15]內整數的頻率，構成激光點的16維特征向量； 步驟4，基于激光點的特征向量從點云數據中提取特征點，并獲取不同尺度下特征點維度特性表現的概率組合，取令概率組合香農熵最小的尺度為特征點的最佳尺度； 步驟5，基于特征點在最佳尺度下的特征向量對兩站激光點云進行配準。
2.如權利要求1所述的基于16維特征描述的激光點云配準方法，其特征在于: 子步驟3.2中所述的tp t2和t4均設為O。
3.如權利要求1所述的基于16維特征描述的激光點云配準方法，其特征在于: 步驟4中所述的基于激光點的特征向量從點云數據中提取特征點具體為: 根據不同尺度下激光點特征向量分別獲得各尺度下的平均特征向量，所述的平均特征向量為點云數據中所有激光點特征向量的均值； 在不同尺度下，分別衡量激光點特征向量和平均特征向量間的距離，根據激光點特征向量和平均特征向量間的距離選擇當前尺度下的初始特征點； 在兩個連續尺度上均為初始特征點的激光點即為最終的特征點。
4.如權利要求3所述的基于16維特征描述的激光點云配準方法，其特征在于: 所述的根據激光點特征向量和平均特征向量間的距離選擇當前尺度下的初始特征點，具體為: 選擇與平均特征向量的距離大于標準差ο的激光點作為初始特征點，標準差σ為點云數據中所有激光點特征向量和平均特征向量間距離的標準差。
5.如權利要求3所述的基于16維特征描述的激光點云配準方法，其特征在于: 所述的衡量激光點特征向量和平均特征向量間的距離采用KL距離進行衡量:
其中，Dia表示激光點特征向量和平均特征向量間的KL距離，ν/表示激光點特征向量的第i維元素，μ i為平均特征向量的第i維元素。
6.如權利要求1所述的基于16維特征描述的激光點云配準方法，其特征在于: 步驟4中所述的獲取不同尺度下特征點維度特性表現的概率組合，具體為: 對特征點的鄰域激光點集(X1,...，Xi,...，Xn)，獲取矩陣5 = (X1-X,...,X,, -?)和M =BTB，其中，
計算矩陣M的特征值，并按從大到小對特征值排序，排序后特征值為X1S λ2> λ3;根據矩陣M的特征值獲得特征點維度特性表現的概率值:ai = U1-X2VXp a2 =(入 2_ X 3) / X I 和 a3 = \ J \ y> 犾得概率組合(^1，a2, a3)； 同時，步驟4中所述的概率組合香農熵=—a' * Umx ~aM * lnaI —a' * lnaS
7.如權利要求1所述的基于16維特征描述的激光點云配準方法，其特征在于: 步驟6進一步包括: 基于特征點在最佳尺度下的特征向量對兩站激光點云中特征點進行粗配準，獲得初始同名點對； 基于同名點對間距離的均方根誤差，采用分層貪心法篩選初始同名點對獲得篩選后的同名點對； 根據篩選后的同名點對兩站激光點云進行配準。
8.如權利要求7所述的基于16維特征描述的激光點云配準方法，其特征在于: 所述的基于同名點對間的距離均方根誤差，采用分層貪心法篩選初始同名點對獲得篩選后的同名點對，具體為: 將初始同名點集中距離均方根誤差小于閾值rTh_h()ld的任意兩對初始同名點對合并，并加入2階點對象集； 對k階點對象集中任意對象eki，在k階點對象集中搜索與對象eki沒有重復結點的對象ew，若對象對(eki，ekJ)中k對初始同名點對間的距離均方根誤差小于閾值rThresh()ld，則將對象對(eki，ekJ)合并加入2k階點對象集；同時刪除k階點對象集中與對象對(eki，ekJ)有相同結點的對象；其中，k依次取2、4、8，最終獲得16階點對象集；閾值rTh—根據兩站激光點云的點云密度設定； 將16階點對象集中對象加入同名點對集，根據同名點對集中同名點對獲取轉換參數(R，t)，對初始同名點對集中未加入16階點對象集的剩余同名點對(Pi’，qi’)計算R*Pi’+t|_qi’，將I R*Pi’+t 1-q/小于預設閾值的剩余同名點對加入同名點對集，所述的預設閾值根據兩站激光點云的點云密度設定。
9.如權利要求1所述的基于16維特征描述的激光點云配準方法，其特征在于: 所述的根據篩選后的同名點對兩站激光點云進行配準，具體為: 根據同名點對集中同名點對獲得兩站激光點云間的轉換參數，采用轉換參數對兩站激光點云進行配準。
10.一種基于16維特征描述的激光點云配準系統,其特征在于,包括: (1)單位法向量定向模塊，用來對激光點云數據中各激光點單位法向量重新定向，即:選取視點，若以視點為起點、以激光點為終點的矢量向量與該激光點單位法向量的夾角大于90度，則激光點單位法向量反向；否則，激光點單位法向量方向不變； (2)局部坐標系構建模塊，用來構建激光點鄰域內任意兩鄰域激光點間的局部坐標系，本模塊進一步包括子模塊: 原點確定模塊，用來分別獲取兩鄰域激光點單位法向量與兩鄰域激光點連線的銳角夾角，取較小銳角夾角對應的鄰域激光點為原點，另一鄰域激光點為目標點； 坐標軸確定模塊，用來以原點單位法向量為u軸，以起點為原點、終點為目標點的矢量向量與原點單位法向量的叉乘結果為V軸，U軸與V軸方向向量的叉乘結果為W軸； (3)特征向量構建模塊，用來在局部坐標系下獲取激光點的特征向量，本模塊進一步包括子模塊: 幾何特征計算模塊，用來在局部坐標系下下，計算目標點單位法向量與V軸方向向量的點乘關系fl、原點和目標點間距離f2、以起點為原點、終點為目標點的矢量向量與U軸的夾角f3及目標點單位法向量在u軸和ν軸形成平面上投影的反正弦值f4 ； 比較模塊，用來比較仁和閾值h的大小,若fi > &,則s(ti, = I ;否則s(ti, =O ；i = 1、2、3、4，&和&在[-1，I]范圍內取值，^在[-31/2，Jr/2]范圍內取值，t3表示尺度； 特征向量獲得模塊，用來獲得激光點鄰域內任意兩鄰域激光點的特征值 =統計任意兩鄰域激光點特征值為[0，15]內整數的頻率，構成激光點
/-1的16維特征向量； (4)最佳尺度獲得模塊，用來基于激光點的特征向量從點云數據中提取特征點，并獲取不同尺度下特征點維度特性表現的概率組合，取令概率組合香農熵最小的尺度為特征點的最佳尺度； (5)配準模塊，用來基于特征點在最佳尺度下的特征向量對兩站激光點云進行配準。
【文檔編號】G06T7/00GK104134216SQ201410366257
【公開日】2014年11月5日 申請日期:2014年7月29日 優先權日:2014年7月29日
【發明者】萬幼川, 陳茂霖, 何培培, 秦家鑫, 盧維欣, 王思穎 申請人:武漢大學