一种快速的三维点云直线提取方法技术

本发明专利技术公开了一种快速的三维点云直线提取方法，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合；S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线。本发明专利技术能够快速准确的从大规模点云数据中提取出直线结构；另外本发明专利技术的算法具有较强的抗噪声能力和很强的抗孤立点能力。对于杂乱的现实场景的点云数据，本发明专利技术可以获得很高的直线检测率和很低的误检率。

【技术实现步骤摘要】

本专利技术涉及三维点云处理领域，尤其涉及一种快速的三维点云直线提取方法。
技术介绍
点云中常见的结构信息包括平面、直线、曲率线、骨架、圆柱、曲面等等。其中，直线作为人造场景中最普遍的结构之一，提供了重要的几何信息和拓扑结构。许多点云应用诸如建筑物重建、对称检测、相机标定、数据配准和定位等都需要直线提取作为其基础步骤。同时，直线的存储结构相当简单，每条直线只需要存储两个端点的坐标信息。因此使用直线来描述点云可以有效地保留点云的大部分信息，且只需要很小的存储空间。现有的关于直线提取方面的研究主要针对于二维图像数据，相比之下，三维点云中的直线提取则较少受到关注，研究三维点云直线提取的难点主要体现在：(1)算法的效率问题；由于大部分的算法是针对小规模问题设计的，没有考虑到点云数据的海量性，算法的时间复杂度较高，因而不适用于大规模的场景。(2)算法的鲁棒性问题；由于现实场景的多样性和激光雷达设备的差异，不同场景或不同设备下采集的点云数据也有很大的差别。这些差别体现在精度、点云分布密度、拓扑结构等方面。现有的算法往往只能针对某一种类型的数据，如针对机载点云数据的算法很难直接应用于针对车载激光雷达产生的点云数据，反之，针对车载点云数据的算法同样很难应用于机载的数据。(3)直线描述能力的问题；传统的点云直线提取工作倾向于先提取点云中的平面结构，然后提取平面结构间的交线。而且，在提取平面结构时，传统的算法倾向于将点云进行下分割，即尽可能地将点云拟合成大的平面结构。这种做法丢失了点云的细节，使得提取到的直线不足以描述原始点云。由上可知，直线结构是描述点云的一种有效手段，且可以推动许多后续的应用，但现有的直线结构提取算法仍然有巨大的改进空间。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提供一种可快速从点云中提取直线结构的方法。为实现上述目的，本专利技术采用以下技术方案：一种快速的三维点云直线提取方法，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合；S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线。其中S2将原始点云分割成小平面集合具体包括以下步骤：S21、计算每个点的切平面以及平滑度；S22、根据每个点的切平面和平滑度，采用区域增长的方式得到初始的小平面集合；S23、在初始的小平面集合的基础上，通过K均值聚类的方法得到具有更好的边缘信息的小平面集合。步骤S3中对于每个小平面使用α-shape来将其转化为多边形结构，从而提取出边缘点，小平面的边缘点定义为小平面的α-shape的顶点除去位于共面的小平面相交处的点。步骤S4根据方向向量将边缘点聚类成直线具体如下：首先通过区域增长来得到具有一致的边缘点的区域，然后将具有一致边缘点区域拟合成圆柱形结构，即应用最小中值二乘法先将点集拟合成直线，并将该直线作为圆柱形结构的中心线，然后取距离中心线最远的点到中心线的距离作为圆柱形结构的半径，从而得到包含这些边缘点的圆柱形结构；一旦获得了一个最优的圆柱形结构，通过验证它的NFA值来判断是否要保留该结构，如果该圆柱形结构被拒绝，则将其区域内的点都标记为未访问，这些点可以在下次的拟合中被用到；如果接受该圆柱形结构，则将该圆柱形结构的中心线作为输出线段。对于包含n个边缘点的圆柱形结构c，圆柱形结构c的NFA定义为：其中，N表示边缘点的个数，N2为边缘点中可能存在的圆柱形结构的数量，k为边缘点与圆柱形结构c一致的边缘点个数，p＝θ/π为边缘点的随机的方向向量与圆柱形结构c一致的概率；当NFA(c)>1，则拒绝该圆柱形结构c。上述步骤中一致的定义为：当且仅当边缘点在圆柱形结构c的内部，且边缘点的方向向量与圆柱形结构c的中心线的夹角不超过θ时，则称边缘点与圆柱形结构c一致。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：本专利技术可以从大规模点云中快速地提取的直线结构，且提取的直线可以很好的描述原始点云，因此具有重要的应用价值。另外本专利技术的算法具有较强的抗噪声能力和很强的抗孤立点能力。对于杂乱的现实场景的点云数据，本专利技术可以获得很高的直线检测率和很低的误检率。附图说明图1为平面分割结果对比图，其中图1(a)为原始输入点云图(加入了光照渲染)；图1(b)为使用区域增长算法得到的分割结果；图1(c)为使用VCCS超像素分割的结果；图1(d)为使用本方法小平面分割的结果。图2为边缘点提取的示意图，其中图2(a)为给定的点云和分割好的小平面结构(不同的深浅度代表不同的小平面)；图2(b)为提取出的边缘点。图3为用于直线聚类的圆柱形结构，其中实心的点为符合“一致条件”的边缘点，空心的点为不符合“一致条件”的边缘点。图4(a)～(f)为直线提取结果对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例本专利技术一种快速的三维点云直线提取方法，包括以下步骤：S1、获取原始点云数据S2、将原始点云分割成小平面集合通过两阶段式的小平面结构提取算法先在第一阶段对点云进行粗分割，其目的在于快速地定位点云中的局部平面结构，然后在第二阶段细化粗分割的边缘，具体如下：S21、计算每个点的切平面以及平滑度先采用K近邻的方式来判断一个点是否与另一个点相邻，然后计算每个与其相邻的点所构成的切平面，相比于八叉树的方法，采用K近邻的方法不需要固定体素的分辨率，更适合分布密度不均匀和存在孤立点的点云数据。对于原始点云x的每个输入点xi，其切平面Tp(xi)可以表示为由其中心点oi和法向量组成的二元组，即：三维空间内的任一点到Tp(xi)的距离可以表示为：记xi的K近邻构成的集合为NbK(xi)，通过求解下式可以得到最小二乘意义下的最佳拟合平面。这里采用主成分分析法(PrincipalComponentAnalysis,简称PCA)来求解上式。具体的，定义Nb(xi)的协方差矩阵C为：其中使用奇异值分解(SingularValueDecomposition)算法来计算C的三个特征值：λ1≥λ2≥λ3，以及三个对应的特征向量则即为Tp(xi)最小二乘意义下的平面法向量，如此，则得到最佳拟合平面Tp(xi)。然而单纯使用最小二乘法得到的平面容易受到噪声的影响，为了提高鲁棒性，采用了迭代重加权的最小二乘法来优化拟合的平面，记由PCA得到的平面为Tp0(xi)，计算每个点p∈Nb(xi)的一个权值w(p)如下：其中，∈为用户给定的距离阈值，用于判断点是否在平面上。注意到在激光点云中∈仅与设备的精度有关，而不受点云分布密度不均匀的影响。也就是说使用同一设备采集的点云，稀疏区域和稠密区域的∈值都是一致的。上式的权重函数是一个截断函数，即忽略到平面距离超过∈的点，而对于剩下的点根据距离的大小赋予权重。解带权最小二乘方程(下式)即可得到优化后的拟合平面Tp1(xi)。对平面Tp1(xi)重复上述过程，直到算法收敛，通常情况下算法都可以在2到3步内收敛。最终就得到了每个点的切平面Tp(xi)。同时还可以得到每个点的平滑度s(xi)。记最终构成切平面Tp(xi)的协方差矩阵的三个特征值为λ1，λ2和λ3本文档来自技高网...

【技术保护点】
一种快速的三维点云直线提取方法，其特征在于，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合，具体包括以下步骤：S21、先采用K近邻的方式来判断一个点是否与另一个点相邻，然后计算每个点与其相邻点所构成的切平面以及平滑度；S22、根据每个点的切平面和平滑度，采用区域增长的方式得到初始的小平面集合，具体为：在已知每个点的切平面和平滑度的条件下，依次选取种子点，并从种子点开始进行区域增长的方式来计算小平面，对于种子点的选取采用平滑度高的点优先的原则；当小平面的区域无法再扩展时，使用最小二乘法拟合平面，即得到初始的小平面集合；S23、在初始的小平面集合的基础上，通过K均值聚类的方法得到具有更好的边缘信息的小平面集合，具体为：在初始小平面的基础上采用局部K均值聚类来得到更好的边缘信息，局部K均值聚类迭代地将点赋值于小平面，并保证每个点到其所属的小平面的距离小于到其他小平面的距离。这里采用和VCCS一样的距离函数：D(x,f)＝Ws*Ds+Wc*Dc+Wn*Dn其中，Ds表示点到小平面所在平面的最短距离；Dc表示颜色距离，设置权值Wc＝0。Dn表示法向量距离，这里设置为点的切平面法向量和小平面法向量的点积。最后设置权值Ws＝1和Wn＝4。S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线，具体步骤如下：首先通过区域增长来得到具有一致的边缘点的区域，然后将符合“一致条件”的边缘点区域拟合成圆柱形结构，即应用最小中值二乘法先将点集拟合成直线，并将该直线作为圆柱形结构的中心线，然后取距离中心线最远的点到中心线的距离作为圆柱形结构的半径，从而得到包含这些边缘点的圆柱形结构；对于包含n个边缘点的圆柱形结构c，圆柱形结构c的NFA定义为：NFA(c)=N2·Σi=kninpi(1-p)n-i]]>其中，N表示边缘点的个数，N2为边缘点中可能存在的圆柱形结构的数量，k为边缘点与圆柱形结构c一致的边缘点个数，p＝θ/π为边缘点的随机的方向向量与圆柱形结构c一致的概率；当NFA(c)>1，则拒绝该圆柱形结构c；所述一致的定义为：当且仅当边缘点在圆柱形结构c的内部，且边缘点的方向向量与圆柱形结构c的中心线的夹角不超过θ(θ＝22.5。)时，则称边缘点与圆柱形结构c一致；一旦获得了一个最优的圆柱形结构，通过验证它的NFA值来判断是否要保留该结构，如果该圆柱形结构被拒绝，则将其区域内的点都标记为未访问，这些点可以在下次的拟合中被用到；如果接受该圆柱形结构，则将该圆柱形结构的中心线作为输出线段。...

【技术特征摘要】
1.一种快速的三维点云直线提取方法，其特征在于，包括以下步骤：S1、获取原始点云数据；S2、将原始点云分割成小平面集合，具体包括以下步骤：S21、先采用K近邻的方式来判断一个点是否与另一个点相邻，然后计算每个点与其相邻点所构成的切平面以及平滑度；S22、根据每个点的切平面和平滑度，采用区域增长的方式得到初始的小平面集合，具体为：在已知每个点的切平面和平滑度的条件下，依次选取种子点，并从种子点开始进行区域增长的方式来计算小平面，对于种子点的选取采用平滑度高的点优先的原则；当小平面的区域无法再扩展时，使用最小二乘法拟合平面，即得到初始的小平面集合；S23、在初始的小平面集合的基础上，通过K均值聚类的方法得到具有更好的边缘信息的小平面集合，具体为：在初始小平面的基础上采用局部K均值聚类来得到更好的边缘信息，局部K均值聚类迭代地将点赋值于小平面，并保证每个点到其所属的小平面的距离小于到其他小平面的距离。这里采用和VCCS一样的距离函数：D(x,f)＝Ws*Ds+Wc*Dc+Wn*Dn其中，Ds表示点到小平面所在平面的最短距离；Dc表示颜色距离，设置权值Wc＝0。Dn表示法向量距离，这里设置为点的切平面法向量和小平面法向量的点积。最后设置权值Ws＝1和Wn＝4。S3、提取带方向向量的小平面边缘点；S4、根据方向向量将边缘点聚类成直线，具体步骤如下：首先通过区域增长来得到具有一致的边缘点的区域，然后...

【专利技术属性】
技术研发人员：林阳斌，王程，贾宏，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35