地面三维点云多尺度闭合差校验拼接方法技术

本发明专利技术提出了一套粗拼接、闭合差检验、精拼接的点云多尺度配准方法，并以此为核心实现地面三维点云配准和交互原型系统，对多种海量地面三维点云数据进行配准和显示。一是提出一种点云粗分类方法，二是利用点云的空间分布熵提出基于投影面积的拼接方法，将点云空间分布熵概念引入点云拼接，推导出基于投影面积的拼接方法；三是将闭合差方法引入多站点云拼接中，提出一种点云多尺度拼接的闭合差校检和分配的方法，实现无缝拼接；四是改进ICP点云精拼接方法，在同名像点搜索策略、同名像点筛选策略方面改进，提高方法的鲁棒性；五是设计实现点云拼接与可视化系统，证明了本发明专利技术具有很高的可靠性和精度，具有良好的运用价值。具有良好的运用价值。具有良好的运用价值。

【技术实现步骤摘要】
地面三维点云多尺度闭合差校验拼接方法


[0001]本专利技术涉及一种点云多尺度校验拼接方法，特别涉及一种地面三维点云多尺度闭合差校验拼接方法，属于点云校验拼接


技术介绍

[0002]随着三维激光扫描技术的发展，测量手段突破了传统的单点测量方法，发展到可以高效、高精度获取整个场景内所有可视点的位置信息。地面三维点云扫描作为三维激光扫描技术的一个重要方向，兼具机载、车载激光点云扫描和手持激光点云扫描技术的优点：精度较机载更高，扫描场景较手持设备更大，应用场合也更广泛，大多数传统测量可进行的场合，地面激光扫描仪也可以使用，设备成本也具备优势，省去了昂贵的IMU系统和定期维护费用。
[0003]但由于三维激光扫描仪的测量介质多为红光或近红外激光，无法穿透固实表面，在很多场合下，需要围绕被测物体进行多站扫描。然而，每个站点扫描获得的三维点云数据都是以测站中心为坐标原点的，且各坐标轴方向与扫描仪安放位置相关，直接叠加无法获取正确的被测物体表面信息。为获得完整的被测物体点云数据，必须对多站点云数据进行拼接配准。
[0004]地面三维点云因其扫描场景开阔，其数据量和被测物体复杂度远高于手持扫描点云，无法直接使用手持扫描点云数据处理方法进行拼接。现有技术的地面三维点云拼接法是手动选择同名像点，然后在初始转换的基础上进行自动微调，这种方法费事费力，自动化程度低，精度差，经常会在进行多站拼接后出现拼接裂缝，而且随着拼接数据量的逐渐增大，人机交互非常艰难。另一种采用在数据扫描前，设置标靶球、反射片等在反射强度和形状上较为突出的物体，自动或半自动提取同名像点进行拼接，这种方法较第一种方法提高了自动化程度和效率，但其缺点是标靶会遮挡数据，而且标靶布设要考虑各站通视情况、费事费力、携带运输不方便，精度也很难满足要求。
[0005]点云条件拼接是利用人工干预添加控制信息的方式解决不同测站点云数据间的拼接问题，其中一种常用的方法就是测站绝对定位方法，但在实际生产中，需要携带大量数据采集设备，不易操作，成本较高，而且这种绝对定位LiDAR系统包括了多种安置元素误差，需要通过反复测量特定的检校场数据，解算这些系统误差，这些安置元素的解算对于绝对定位LiDAR系统的数据精度与后续产品质量有着很大影响。另一种方法是利用人工放置的或选择同名像点，将点云统一到局部坐标系，实现拼接，但由于标靶携带安放不便，布设需考虑各个测站的可视性，费事费力；同时在数据获取时，该方法存在被测物体遮挡问题，这个问题在文物扫描时有位突出，而且点云扫描仪精度不足以准确提取普通反射片的中心。
[0006]无条件拼接是使用方法直接在点云数据或者其衍生数据中自动寻找同名像点、同名线或者同名面，从而来解算移动站对于参考站的转换参数。其中一种常用的方法就是使用点云的局部邻域特征参数进行匹配，但地面三维点云数据的测站距离一般较远，投影形变严重，并不能得到很好的匹配效果；且其数据量大、场景复杂、重复单元较多，使用这种方
法的耗时及误匹配率都比较高，结果不稳定。
[0007]RANSAC是一种随机抽样检测的方法，这种方法不依赖于几何特征，无论点云数据有无明显的特征都能够实现配准，但这种方法没有得到广泛的应用，因为它本身固有的时间复杂度非常高，后来虽然有所改进，但方法复杂度对于大规模数据而言仍不够快，不能直接用于海量的地面三维点云数据的拼接。
[0008]综上所述，现有技术的地面点云拼接存在不足，本专利技术的难点和待解决的问题主要集中在以下方面：
[0009]第一，现有技术点云拼接主要存在的问题：一是测站绝对定位方法需要对硬件改造较多、维护成本高，前期投入巨大，不能满足实际应用需要；二是人工放置或选择的同名像点费事费力、自动化程度低，精度在很大程度上取决于人为因素；三是无条件拼接难以直接应用于场景复杂、数据量大、重复单元较多的地面三维点云数据，会导致拼接耗时长、误匹配率高、结果不稳定等结果；四是ICP对粗拼接的初值条件要求很高，收敛结果和时间容易受到影响，陷入局部最优，使得配准结果不可靠，而且这种迭代方法无法多线程运行，较为耗时；五是RANCAC方法用于精拼接时间复杂度高，只能将其融入其它精拼接方法中以剔除错误匹配点，可用性较差；
[0010]第二，地面三维点云因其扫描场景开阔，其数据量和被测物体复杂度远高于手持扫描点云，无法直接使用手持扫描点云数据处理方法进行拼接，现有技术点云拼接法手动选择同名像点，这种方法费事费力，自动化程度低，精度差，经常会在进行多站拼接后出现拼接裂缝，而且随着拼接数据量的逐渐增大，人机交互非常艰难，或者在数据扫描前，设置标靶球、反射片等在反射强度和形状上较为突出的物体，自动或半自动提取同名像点进行拼接，但标靶会遮挡数据，而且标靶布设要考虑各站通视情况、费事费力、携带运输不方便，精度也很难满足要求。；
[0011]第三，现有技术点云条件拼接需要携带大量数据采集设备，不易操作，成本较高，而且这种绝对定位LiDAR系统包括了多种安置元素误差；现有技术利用人工放置的或选择同名像点，将点云统一到局部坐标系实现拼接，但由于标靶携带安放不便，布设需考虑各个测站的可视性，费事费力；同时在数据获取时，存在被测物体遮挡问题，而且点云扫描仪精度不足以准确提取普通反射片的中心；现有技术无条件拼接投影形变严重，并不能得到很好的匹配效果；且其数据量大、场景复杂、重复单元较多，耗时及误匹配率都比较高，结果不稳定；现有技术RANSAC本身固有的时间复杂度非常高，后来虽然有所改进，但方法复杂度对于大规模数据而言仍不够快，不能直接用于海量的地面三维点云数据的拼接；
[0012]第四，现有技术的点云拼接解决方案使用标靶和手动选择同名像点的自动对齐测区内所有测站的点云数据的方法，无法对多种海量地面点云数据进行配准和显示，由于地面三维点云数据量大和无序的问题，拼接过程中的干扰因素多，拼接效率和精度较低；由于地面三维点云数据需要全局拼接问题，现有技术缺少对应的多尺度拼接配准和闭合差校验方法，无法实现多尺度闭合差校验点云拼接，无法实现多站点云高精度自动拼接，也没有实现点云多尺度拼接与可视化系统，缺少主要模块和处理流程，无法解决系统实现中的关键技术；现有技术在自动化程度、可靠性和精度等方面存在很大的局限性，阻碍了点云数据的推广和应用。

技术实现思路

[0013]针对现有技术的不足，结合地面三维点云数据的特征，本专利技术提出一种可以不使用标靶和手动选择同名像点的自动对齐测区内所有测站的点云数据的方法，并以此为核心实现地面三维点云配准和交互原型系统，可以对多种海量地面三维点云数据进行配准和显示。实现了一套粗拼接、闭合差检验、精拼接的点云多尺度配准方法，一是提出一种点云粗分类方法，二是利用点云的空间分布熵提出基于投影面积的拼接方法，将点云空间分布熵概念引入点云拼接中，解析并验证空间分布熵应用于点云拼接的可行性，推导出基于投影面积的拼接方法；三是将闭合差方法引入多站点云拼接中，针对多站地面三维激光点云数据拼接中的错误无法探测、误差累积的问题，提出一种点云多尺度拼接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.地面三维点云多尺度闭合差校验拼接方法，其特征在于，基于全局点云进行粗拼接，避免拼接过程陷入局部最优；通过若干对同名像点精细化原始拼接参数，为精拼接提供精良初值；通过多站拼接闭合差检查校验错误拼接以减小误差；使用改进的ICP方法进行精拼接；本发明提出一套粗拼接、闭合差检验、精拼接的点云多尺度配准方法：第一，提出点云三维粗分类方法，基于不同类型点云对拼接的影响，对点云进行粗分类，利用点云法向量和高程信息剔除地面点，对非地面点云按照密度进行聚类，得到空间位置上较独立的点云簇，然后计算每个点的维数特征，统计点云簇的总体维数特征比例，通过和临界值对比对点云簇的分类做出预测，并将它们划分到地面点、立面点和分裂点三类中；第二，利用点云的空间分布熵推导出基于投影面积的拼接方法；第三，将闭合差方法引入多站点云拼接中，针对点云数据拼接中的错误无法探测、误差累积的问题，提出一种点云多尺度拼接的闭合差校检和分配的方法，通过环绕建筑物的闭合测量，得到首站经过一系列站点再拼接到首站的转换矩阵，再将闭合差分解后和临界值对比，判断拼接是否正确，对于小于临界值的参数，将闭合差按照累积单位权方差为权重分配给各站，剔除错误和分配误差，保证全局拼接的正确性，实现无缝拼接；第四，改进ICP点云精拼接方法，对同名像点搜索策略、同名像点筛选策略进行改进；第五，设计实现点云拼接与可视化系统，提供系统搭建的关键技术；点云三维粗分类包括：密度驱动的聚类方法、估算点云邻域法向量和信息熵、基于维数特征的点云三维粗分类；首先根据法向量信息对非地面点进行密度驱动的聚类，再计算每个点的维数特征，统计每个聚类得到的点云簇的全局维数特征来判断点云簇类型，将点云划分为三类，减少拼接过程中的干扰因素，提高拼接效率和精度；多尺度闭合差校验的点云拼接方法包括：空间分布熵驱动的点云拼接和评价法、拼接转换参数的精细化、多站点云数据闭合误差评价和分配、基于迭代最近点法的精拼接；首先提出空间点云分布熵的概念，推导基于最小投影面积的点云拼接方法，在测站尺度上完成邻接测站点云的粗拼接；通过邻近立面点生成正射投影影像，再通过细化与直线提取步骤提取的若干建筑物立面骨架线交点作为同名像点进行拼接，在同名像点的尺度完成粗拼接转换参数的精细化；然后，通过对被测物体的闭合观测，构成闭合条件，在测区的尺度下完成对整个测区的拼接误差评价和误差分配；最后，解析并改进ICP方法，采用改进的ICP方法，在测站尺度下完成邻接测站的精拼接；通过多尺度闭合差校验点云拼接，实现邻接站点粗拼接、精拼接和测区全局闭合差分配，实现多站点云高精度自动拼接。2.根据权利要求1所述的地面三维点云多尺度闭合差校验拼接方法，其特征在于，密度驱动的聚类方法：设待处理的点云为点集C，C中的每个点为n
i
(x
i
，y
i
，z
i
)∈C，将C中的所有点标记为未处理状态，随机或顺序取种子点m
j
∈C，设置邻域半径为t，点密度邻域值dmly，根据不同数据源，t、dmly的选取不同，然后以种子点为球心，以t为半径，对种子点进行邻域查找，设得到邻域点集合K，如果K的元素个数大于dmly，则认为m
j
点为核心点，将K作为以m
j
点为中心建立的新簇，将m
j
也归为K的元素，同时从点云中删除K中的所有元素，然后对ki(ki∈K)进行同样的邻域搜索，将符合条件的点加入K中，直到没有新点加入，该过程结束，对余下的点进行新一轮聚类，直到将原始数据中的所有点都加入到新类中，整个聚类过程结束。3.根据权利要求1所述的地面三维点云多尺度闭合差校验拼接方法，其特征在于，估算
点云邻域法向量和信息熵：确定每个点邻域的拟合法向量和维数特征，设点w
i
在邻域半径为t时的邻域点集为C
tw
，X
i
为C
tw
中的点，则就是点集C
tw
的重心，令矩阵N＝该空间的三维结构张量S＝1/m
·
N
T
N，S是实对称正定矩阵，S可以表达为S＝TΛT
T
，T是特征向量组成的旋转矩阵，Λ是特征值组成的对角矩阵，设特征值β1≥β2≥β3＞0，则表示沿着相应的特征向量方向的标准偏差，通过主成分分析，得到N中行向量的三个相互垂直的主要方向及其幅度，而N中行向量在特征值β3对应的特征向量方向幅度最小，而β1、β2对应的特征向量方向幅度较大，即β1、β2对应的特征向量构成过重心拟合平面，而β3对应的特征向量就是该平面的法向量；基于维数特征分析，如果δ1＞＞δ1,δ1≈0，该邻域点集主要分布在一个方向上，表现为线性，记为维数特征A＝1；δ1,δ1＞＞δ1≈0，该邻域点集主要分布在一个面上，表现为面状，记为维数特征A＝2；当δ1≈δ1≈δ1≈0，该邻域点集在各个方向都有均匀分布，表现为分裂点，记为维数特征A＝3，为量化标准，取：则维数特征A＝arg max
a＝1，2，3
d
a
，得到最优的邻域半径t
opt
使求取的维数特征最优，取ε＝δ1，则d1+d2+d3＝1，d
i
代表该点维数特征为i的概率，得到该点邻域的信息熵：B＝
‑
d1ln(d1)
‑
d2ln(d2)
‑
d3ln(d3)然后对于不同的邻域半径t，求取不同的信息熵B，而最佳邻域半径为:t
opt
＝arg min
t∈[tmin，tmax]
B(t)t
opt
为最佳邻域半径，B(t)邻域半径t对应信息熵。4.根据权利要求1所述的地面三维点云多尺度闭合差校验拼接方法，其特征在于，基于维数特征的点云三维粗分类：步骤1，提取地面激光点云：查找场景内竖直方向最低点，如果高于最低点的法向量与竖直方向夹角小于临界值，则判定该点及其邻域点为地面点，否则认为该点及其邻域点为非地面点；步骤2，非地面点云粗分类：对于剩余的非地面点云数据，根据密度驱动的聚类方法进行聚类；对于已经完成聚类的点云簇，统计簇内所有点维数特征并计线状点与分裂点所占比例，如果大于一定临界值，则判定该点云簇为非人工建筑物，否则是人工建筑物的立面点；经过点云粗分类，点云被分为包含水平地面的地面点，包含竖直墙面的立面点和包含植被杂物的分裂点。5.根据权利要求1所述的地面三维点云多尺度闭合差校验拼接方法，其特征在于，空间点云分布熵驱动的评价法：对于任意同一地面场景，用地面激光扫描仪在两个不同的位置进行采集，得到的未进行拼接的两站点云数据，这时两站的拼接参数是随机的，因而拼接后点云中每个点所处的位置也是随机的，将这种点云空间分布的不确定性用熵来描述：信息熵越高，点云空间分布的不确定性越大，点云分布越分裂；反之，点云空间分布的不确定性越小，点云分布越呈现规律性，点云空间分布信息熵和点云拼接转换参数有密切关系，对于待拼接的点云数据，若它们正确拼接到同一个坐标系下，那么整个点云空间的分布最为集中，点云空间分布的不确定性也最小，信息熵也最小；而当数据相对正确位置、姿态发生偏
移，最为集中的分布状态被打破，点云空间的不确定性增大，信息熵也随之增大；引入空间点云分布熵来表述点云分布的不确定性，多站点云数据以某个参数进行拼接得到点云C，点云C包含M个数据点，将其进行三维栅格化，栅格间隔为a，统计落在每一个栅格内的点数为m(i,j,u)，i、j、u为该栅格的索引号，然后计算点云落在每个栅格内的频率：则点云C的空间分布熵KFS为：其中in，jn，un是该格网在三个坐标轴方向的格网数目，如果点云全部落在一个格网中，则KFS达到最小为0；而点数目相同、点云占用的格网越多，则KFS就越大，即点云分布越分裂；反之，尽量让反应相同地物的点落在同一格网，KFS也越小，即点云分布的确定性越高，这样点云正确拼接的可能性也越大；地面三维点云的拼接是刚体变换，而且格网大小a不能设置的很大以至于可以包含所有点云，如果拼接过程能让KFS达到最小，则该结果就有较大概率是正确的结果，对多个拼接参数在全局层面是做出筛选，得到最优的拼接参数。6.根据权利要求5所述的地面三维点云多尺度闭合差校验拼接方法，其特征在于，基于最小投影面积的点云拼接：基于点云抽稀假设格网划分非常细小，当某个格网有u个点时，就简化该格网，仅保留1个点,不改变点云的总体形状和分布，原始点云的拼接转换参数和简化后的一致；对于两站以某个参数拼接得到的点云，先进行格网化，当某个格网内有点时记W
i
＝1/M，当该格网没有点时记W
i
＝0，M为有点云数据的总格网数目,点云的空间分布熵简化为：KFS＝
–
log2(1/M)；假设点云没有翻滚角和俯仰角的误差，且不关注Z轴方向的平移，拼接转换参数只有X、Y轴方向的平移参数和绕Z轴的旋转角参数，将点云投影到XOY平面上，三维点云拼接问题就变成二...

【专利技术属性】
技术研发人员：刘秀萍，吴军，
申请(专利权)人：刘秀萍，
类型：发明
国别省市：