基于高斯过程回归的室外场景三维点云的地面提取方法技术

本发明专利技术涉及三维点云的地面提取方法，一种基于高斯过程回归的室外场景三维点云的地面提取方法，包括以下步骤：(1)获取室外场景的三维点云，(2)构建三维点云的邻域关系，(3)计算三维点云的协方差矩阵和法向量，(4)根据邻域形状对三维点云进行初步分类，(5)提取初步地面G

【技术实现步骤摘要】
基于高斯过程回归的室外场景三维点云的地面提取方法
本专利技术涉及一种三维点云的地面提取方法，更具体地说，涉及一种基于高斯过程回归的室外场景三维点云的地面提取方法。
技术介绍
随着三维扫描测距技术的发展，三维点云在逆向工程、工业检测、自主导航等领域的应用越来越为广泛。三维点云处理技术作为实现上述应用的基础，发挥了至关重要的作用。在三维点云处理技术中，三维点云的特征提取是一个非常关键的技术，尤其是室外场景三维点云的地面特征提取，其对于室外场景的分割识别、移动机器人的路径规划等后续处理，都有着极其重要的作用。在移动机器人自主导航领域，室外场景三维点云的地面提取是移动机器人进行路径规划的前提，完整的三维点云地面为移动机器人提供了准确的可行区域，提高了移动机器人的空间通过能力，保障了移动机器人在行进过程中的自身安全。在室外场景分析领域，由于室外场景极其复杂，会涉及到各种不同的物体，例如建筑、树木、车辆、人员等，为了便于进行场景分析，就需要对室外场景的三维点云进行有效的分割，而地面作为整幅场景的大背景，其准确完整的提取有助于将地面上的各类物体从空间中相互剥离，以便于后续的物体分割和场景分析。目前，较为常见的三维点云地面提取方法为随机抽样一致性算法(RANSAC算法)，该方法将地面当作所处理场景中最大的平面而直接获取，这种方法对于比较平整大块的地面，具有较好的效果，但对于室外场景较为复杂、地面比较零碎、起伏不定的情况，这种方法就不能保证地面提取的完整性和准确性。
技术实现思路
为了克服现有技术中存在的不足，本专利技术目的是提供一种基于高斯过程回归的室外场景三维点云的地面提取方法。该方法针对一个室外场景，首先利用激光扫描测距仪获取室外场景的三维点云，其实质为三维空间中的一个点集，然后通过一定的点云提取方法，从室外场景三维点云中，准确完整地提取出地面点云数据。该方法解决了由于室外场景复杂、地面零碎、起伏不定等因素而造成的地面提取不完整、不准确的问题，以提高室外场景地面提取的准确性和完整性，具有较好的地面提取效果。为了实现上述专利技术目的，解决已有技术中所存在的问题，本专利技术采取的技术方案是：一种基于高斯过程回归的室外场景三维点云的地面提取方法，包括以下步骤：步骤1、获取室外场景的三维点云：利用激光扫描测距仪，获取室外场景的三维点云；步骤2、构建三维点云的邻域关系：采用KD-Tree算法构建全体点云的结构树，根据点云的坐标将全体点云划分到不同的空间区域，在邻域构建时即可利用空间地址信息实现邻近点的搜索，以快速构建给定点p＝(x,y,z)的邻域N＝{pi＝(xi,yi,zi)|1≤i≤nn}，其中：pi为给定点邻点，i为给定点邻点的序号，nn为给定点邻点的个数；步骤3、计算三维点云的协方差矩阵和法向量：选取三维点云中的任意一点为给定点p＝(x,y,z)，利用其邻域N＝{pi＝(xi,yi,zi)|1≤i≤nn}，构建协方差矩阵M，求解协方差矩阵M的特征值λ1、λ2、λ3和特征向量v1、v2、v3，以及给定点p的法向量n，具体包括以下子步骤：(a)、利用步骤2所构建的三维点云的邻域关系，来快速构建给定点p＝(x,y,z)的邻域N＝{pi＝(xi,yi,zi)|1≤i≤nn}；(b)、构建给定点p的邻域N的协方差矩阵M，通过公式(1)进行描述，式中：T为向量转置符号，其将列向量转置为行向量；(c)、求解协方差矩阵M的特征值λ1、λ2、λ3(λ1<λ2<λ3)，以及对应的特征向量v1、v2、v3；(d)、将最小特征值λ1对应的特征向量v1单位化，即得到给定点p的法向量n；(e)、对三维点云中的每一个点，重复步骤3子步骤(a)-(d)，继而求解每一个点的协方差矩阵的特征值、特征向量和法向量；步骤4、根据邻域形状对三维点云进行初步分类：利用给定点p的协方差矩阵M的特征值λ1、λ2、λ3之间的大小关系，来判断其邻域形状，并以此将三维点云分为三大类，即点性点集合Cp、线性点集合Cl和面性点集合Cs，具体包括以下子步骤：(a)、若协方差矩阵M的特征值λ1≈λ2≈λ3，即λ3/λ2≤8和λ2/λ1≤8，则给定点p与其邻点pi呈散乱状分布，将给定点p分类为点性点；(b)、若协方差矩阵M的特征值λ1≈λ2＜＜λ3，即λ3/λ2>8和λ2/λ1≤8，则给定点p与其邻点pi呈直线状分布，将给定点p分类为线性点；(c)、若协方差矩阵M的特征值λ1＜＜λ2≈λ3，即λ3/λ2≤8和λ2/λ1>8，则给定点p与其邻点pi呈平面状分布，将给定点p分类为面性点；(d)、对三维点云中的每一个点，重复步骤4子步骤(a)-(c)，将整个三维点云初步分为三大类，即点性点集合Cp、线性点集合Cl和面性点集合Cs；步骤5、提取初步地面Gs：将所有面性点集合Cs的法向量映射到单位球上，以构建法向量球S，并利用Mean-Shift聚类算法，在法向量球S上对所有面性点集合Cs的法向量的顶点进行聚类，将面性点集合Cs分为若干个平面区域Fj，并从中提取出初步地面Gs，具体包括以下子步骤：(a)、将面性点集合Cs内每一个面性点的法向量映射到单位球上，以构建法向量球S，法向量球S上的点即为面性点的法向量的顶点；(b)、利用Mean-Shift聚类算法，在法向量球S上，对所有面性点的法向量的顶点进行聚类，进而可将面性点的法向量分为若干类，最终可将面性点分为若干个平面区域Fj，1≤j≤m，其中：j为平面区域的序号，m为平面区域的个数；(c)、计算每一个平面区域Fj的平均高程和平均法向量若某个平面区域Fj的平均高程和平均法向量满足条件：和其中：为平均法向量与垂直方向的夹角，则认为该平面区域Fj为初步地面区域的一个组成部分，利用该方法对每一个平面区域Fj进行判断和筛选，则可获取整个的初步地面Gs；步骤6、分割初步地面：使用K-Means聚类算法，根据初步地面Gs中的初步地面点pt到各个局部地面中心点pk之间的距离远近，将初步地面Gs细分为K个局部地面LGk＝{pks＝(xks,yks,zks|1≤s≤nk)}，1≤k≤K，其中，pks是局部地面点，k是局部地面序号，K是局部地面个数，s是局部地面LGk中的点序号，nk是局部地面LGk包含的点数，具体包括以下子步骤：(a)、确定局部地面的个数K，用最远点采样法选取K个点作为初始的局部地面中心点pk，1≤k≤K；(b)、计算初步地面点pt(1≤t≤ns)与各个局部地面中心点pk之间的距离，把每个初步地面点pt分配给距离它最近的局部地面中心点pk，其中，t是初步地面点序号，ns是初步地面点个数；(c)、当初步地面点pt均被分配完毕后，每一个局部地面中心点pk会根据局部地面LGk中的局部地面点pks被重新计算，通过公式(2)进行描述，式中，pk表示计算后新的局部地面中心点；(d)、这个过程将不断重复，直到满足没有局部地面中心点pk再发生变化本文档来自技高网...

【技术保护点】
1.一种基于高斯过程回归的室外场景三维点云的地面提取方法，其特征在于包括以下步骤：/n步骤1、获取室外场景的三维点云，利用激光扫描测距仪，获取室外场景的三维点云；/n步骤2、构建三维点云的邻域关系，采用KD-Tree算法构建全体点云的结构树，根据点云的坐标将全体点云划分到不同的空间区域，在邻域构建时即可利用空间地址信息实现邻近点的搜索，以快速构建给定点p＝(x，y，z)的邻域N＝{p

【技术特征摘要】
1.一种基于高斯过程回归的室外场景三维点云的地面提取方法，其特征在于包括以下步骤：
步骤1、获取室外场景的三维点云，利用激光扫描测距仪，获取室外场景的三维点云；
步骤2、构建三维点云的邻域关系，采用KD-Tree算法构建全体点云的结构树，根据点云的坐标将全体点云划分到不同的空间区域，在邻域构建时即可利用空间地址信息实现邻近点的搜索，以快速构建给定点p＝(x，y，z)的邻域N＝{pi＝(xi，yi，zi)|1≤i≤nn}，其中：pi为给定点邻点，i为给定点邻点的序号，nn为给定点邻点的个数；
步骤3、计算三维点云的协方差矩阵和法向量，选取三维点云中的任意一点为给定点p＝(x，y，z)，利用其邻域N＝{pi＝(xi，yi，zi)|1≤i≤nn}，构建协方差矩阵M，求解协方差矩阵M的特征值λ1、λ2、λ3和特征向量v1、v2、v3，以及给定点p的法向量n，具体包括以下子步骤：
(a)、利用步骤2所构建的三维点云的邻域关系，来快速构建给定点p＝(x，y，z)的邻域N＝{pi＝(xi，yi，zi)|1≤i≤nn}；
(b)、构建给定点p的邻域N的协方差矩阵M，通过公式(1)进行描述，



式中：T为向量转置符号，其将列向量转置为行向量；
(c)、求解协方差矩阵M的特征值λ1、λ2、λ3(λ1＜λ2＜λ3)，以及对应的特征向量v1、v2、v3；
(d)、将最小特征值λ1对应的特征向量v1单位化，即得到给定点p的法向量n；
(e)、对三维点云中的每一个点，重复步骤3子步骤(a)-(d)，继而求解每一个点的协方差矩阵的特征值、特征向量和法向量；
步骤4、根据邻域形状对三维点云进行初步分类，利用给定点p的协方差矩阵M的特征值λ1、λ2、λ3之间的大小关系，来判断其邻域形状，并以此将三维点云分为三大类，即点性点集合Cp、线性点集合Cl和面性点集合Cs，具体包括以下子步骤：
(a)、若协方差矩阵M的特征值λ1≈λ2≈λ3，即λ3/λ2≤8和λ2/λ1≤8，则给定点p与其邻点pi呈散乱状分布，将给定点p分类为点性点；
(b)、若协方差矩阵M的特征值λ1≈λ2<<λ3，即λ3/λ2＞8和λ2/λ1≤8，则给定点p与其邻点pi呈直线状分布，将给定点p分类为线性点；
(c)、若协方差矩阵M的特征值λ1<<λ2≈λ3，即λ3/λ2≤8和λ2/λ1＞8，则给定点p与其邻点pi呈平面状分布，将给定点p分类为面性点；
(d)、对三维点云中的每一个点，重复步骤4子步骤(a)-(c)，将整个三维点云初步分为三大类，即点性点集合Cp、线性点集合Cl和面性点集合Cs；
步骤5、提取初步地面Gs，将所有面性点集合Cs的法向量映射到单位球上，以构建法向量球S，并利用Mean-Shift聚类算法，在法向量球S上对所有面性点集合Cs的法向量的顶点进行聚类，将面性点集合Cs分为若干个平面区域Fj，并从中提取出初步地面Gs，具体包括以下子步骤：
(a)、将面性点集合Cs内每一个面性点的法向量映射到单位球上，以构建法向量球S，法向量球S上的点即为面性点的法向量的顶点；
(b)、利用Mean-Shift聚类算法，在法向量球S上，对所有面性点的法向量的顶点进行聚类，进而可将面性点的法向量分为若干类，最终可将面性点分为若干个平面区域Fj，1≤j≤m，其中：j为平面区域的序号，m为平面区域的个数；
(c)、计算每一个平面区域Fj的平均高程和平均法向量若某个平面区域Fj的平均高程和平均法向量满足条件：和其中：为平均法向量与垂直方向的夹角，则认为该平面区域Fj为初步地面区域的一个组成部分，利用该方法对每一个平面区域Fj进行判断和筛选，则可获取整个的初步地面Gs；
步骤6、分割初步地面，使用K-Means聚类算法，根据初步地面Gs中的初步地面点pt到各个局部地面中心点pk之间的距离远近，将初步地面Gs细分为K个局部地面LGk＝{pks＝(xks，yks，zks|1≤s≤nk)}，1≤...

【专利技术属性】
技术研发人员：安毅，李秀胜，王晋豫，王磊，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21