CN105427317B - 一种适用于多视角自动化配准多站地面激光点云数据的方法 - Google Patents

Abstract

本发明涉及一种多视角地面激光点云数据自动化全局配准方法。该方法分为两个关键的模块：语义特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合等一系列方式，获得语义特征点；第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义约束条件来匹配语义特征点；并采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，实现全局最优配准。本发明构筑了一种适用于多视角的自动化地面站激光点云配准方法，该方法能够有效抵抗噪声、点密度与遮挡的影响，提高了激光扫描作业效率，具有很好的实用价值。

Description

一种适用于多视角自动化配准多站地面激光点云数据的方法

技术领域

本发明涉及对地面站激光扫描点云多站自动化配准，属于激光点云测量数据处理自动化研究领域。

背景技术

随着激光扫描技术的出现和发展，人们可以快速获取物体和场景的密集表面点云数据。该技术广泛应用于逆向工程、虚拟现实、三维重建等领域。由于每次扫描的范围和距离有限，获取一个场景或物体的完整点云数据，需要多次设站扫描。每个设站扫描获取的坐标均是相对于扫描中心的局部坐标，这就需要使用配准技术将不同测站之间的数据统一到同一坐标系下。目前主流的配准一般分为粗配准与精配准两个步骤。ICP算法(Besl andMcKay，1992)是广泛应用的精配准算法，但是ICP算法需要较为精确可靠的初值，否则将陷入局部最优值而无法找到全局最优的配准参数。粗配准算法通过计算相关的几何信息，为精配准算法提供较为精确的初值，主要分为基于点、基于线、基于面三类方法。基于点的方法主要通过局部特征提取部分特征点，再按照一定的搜索策略进行配准参数的搜索计算(and Becker,2007；Barnea and Filin,2008；Rusu,2008；Weinmann,2011等)。基于线与基于面的配准方法相对较少，主要是通过匹配同名面、同名线，来计算配准参数(Stamosand Leordeanu,2003；Habib,2005；Yang and Zang,2014；Dold and Brenner,2004；Theiler and Schindler,2012)。这些算法大都针对于某一特定的场景，设计了自动化的粗配准方案，获取到了粗配准结果。

虽然上述方法在特定场景下都取得了一定的结果，但是他们都还受到场景中存在的点密度不均、噪声、遮挡的影响，需要大量的人工交互，劳动强度大，效率低。基于点的配准，相对于基于面与基于线的算法更加容易受到噪声的干扰。基于面的算法要求场景中存在足够多的面，而受到遮挡情况时，同名平面数量并不能满足要求。基于线的算法一般只考虑了建筑物的边线，而很少利用场景中的竖直杆状物，当场景为郊区或者野外森林时算法将会失败。在这些算法失败的场景下，配准需要手工地进行，极大地增加了人工工作量、降低了生产效率。另一方面，以上的算法都只涉及两两配准，需要人为指定相邻两站位置，无法实现全局的自动化配准。因此，迫切需要一种自动化程度较高、适用于多场景、抵抗噪声与点密度影响的全局化配准算法来进一步提高生产效率，减少人工工作量。

发明内容

本发明在以上研究的基础上，提出了一种适用于多视角的多站地面激光点云数据自动化配准的新方法。该方法分为两个关键的模块：语义特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合等一系列方式，获得语义特征点；第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义约束条件来匹配语义特征点；并采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，实现全局最优配准。

本发明通过以下技术流程解决上述问题：

一种适用于多视角自动化配准多站地面激光点云数据的方法，其特征在于，包括：

一个获取原始点云数据的步骤：获取一个场景或物体的完整点云数据，需要在场景中的不同位置架设激光扫描仪获取数据，每个设站扫描获取的坐标均是相对于激光扫描仪中心的局部坐标，这就需要使用配准技术将不同测站之间的数据统一到同一坐标系下；

一个语义特征点提取的步骤：首先对获取的原始点云数据进行点云分割，然后针对分割后的点云数据进行数值特征线的提取，并进行语义信息的计算；具体包括：

步骤1.1，利用高程信息分离点云数据中的地面部分，划分水平格网，认为格网内的最低点一定高程范围内的点为地面点。然后，将非地面部分按照一定间距、一定厚度划分切片。

步骤1.2，在每个切片内进行自适应距离欧式距离聚类。首先在切片内构建Delauney三角网。然后，统计该点周围Delauney三角网的边长，可以计算得到距离阈值为：

dT_s＝Mean(P_s)+Variation(P_s)

其中是与该点相连所有Delauney三角形的边的平均边长，而Variation(P_s)是这些边长的标准差。

步骤1.3，从聚类块中挑选感兴趣的类别，分别是建筑物的立面和杆状物。杆状物在切片数据中表现为一个圆柱形的结构，需要满足模型：

||(P-Q)×Ca||-r＝0

其中，P＝(x_p,y_p,z_p)是圆柱上的一点，Q＝(x_q,y_q,z_q)是圆柱的轴线上的一点，Ca＝(Ca_x,Ca_y,Ca_z)是圆柱轴线的单位向量，r是圆柱的半径。本方法规定半径只能在一定的阈值R_min到R_max范围内，并且轴向方向与Z轴近似平行。保留符合上述条件的圆柱切片聚类块，计算这些圆柱聚类块的中心作为杆状物的中心点。而另一类建筑物的立面在切片数据中表现为一条直线，应该满足几何模型：

其中，(x₀,y₀,z₀)和(x,y,z)都是直线上的点，(a,b,c)是该直线的方向。同时限制直线的最小长度为L_min,并且方向(a,b,c)近似与Z轴垂直。保留符合条件的聚类块作为建筑物聚类块，计算它的两个端点，作为特征点保留，并且判定它是建筑物的边线点还是交线点。

步骤1.4，获得带有语义信息的特征点。将上述直线与地面的交点作为特征点。同时计算该点的语义信息。这些语义信息可以表述为以下一个向量：

L_Feature(Pt_lowest,Pt_highest,Pt_num,L_height,L_id,L_category,L_radius,Pl_direction1,Pl_direction2)

Pt_lowest,Pt_highest,Pt_num,L_height和L_id分别为得到该点所用的与地面相交的竖直线的最低点、最高点、所包含的点个数、高程和该点的ID。L_category表示该点的类型，是立面边线、立面交线还是杆状物中心线与地面的交点。L_radius表示杆状物的平均半径，只存在于杆状物中心线与地面交点。Pl_direction1和Pl_direction2表示构建该点的两个建筑物立面的走向，只存在于两个立面交线与地面的交点。如果是建筑物的边线与地面的交点，则只有一个方向Pl_direction1

一个匹配与全局配准的步骤：通过构建三角几何约束条件与语义约束条件来匹配语义特征点，首先得到一个初步匹配的三角形对，然后针对得到的初步匹配的三角形采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，具体包括：

步骤2.1，构建语义特征点三角形网。对所有语义特征点构建三角形，可以得到个三角形，其中NI表示语义特征点的个数。为了减少运算量，加快运算速度，剔除其中等角、近似于共线以及边长较短的三角形。对于剩下的三角形建立hash表，以面积与周长计算该三角形的索引号：

上式表示了，行索引与列索引的计算方式。Bin值由事先给定，[]表示向上取整。

步骤2.2，进行几何约束与语义约束的匹配。和分别表示基准站Ps与目标站Pt中保留的三角形集合。对于其中基准站的一个三角形T_i ^S，找到目标站中与其最相似(全等)的三角形其相似性由下式判定：

其中Δ₁,Δ₂,Δ₃分别为三角形对应的三边之差，并给定三个限制条件：

限制条件一：T_i ^S是Ps中与最相似的三角形，同时也是Pt中与T_i ^S最相似的三角形。

限制条件二：满足其中，<>表示对应的长度差异，是Pt中与T_i ^S第二相似的三角形，是Ps中与第二相似的三角形。该条件保证了相似的稳定性，排除了噪声的影响。

限制条件三：语义信息约束。对应点的类型要相同。

同时满足以上三个限制条件的三角形对作为初步匹配的三角形对。

步骤2.3，对初步匹配的三角形对进行进一步的剔除。剔除的原理是基于正确匹配的三角形对之间的距离是一致的，而非正确匹配的三角形对之间距离是不一致的，原理说明见图7。{C₁,C₂...C_NC}表示匹配三角形对的集合。和是其中的两对匹配的三角形对。如果这两个三角形对满足：

则将这两个三角形归为同一类。||||表示两个三角形中心的欧式距离，T_i ^S和是点云P_s构建出的特征三角形，和是P_t中与之对应的三角形,GC_constraint是一个较小的阈值。将所得的包含三角形数量最多的类别作为正确的类别，即可得到匹配三角形，进而得到匹配的对应点。这些点将用于计算配准参数。

步骤2.4，全局一致性配准。对任意两个扫描站数据执行以上步骤可以得到匹配的三角形。以匹配的三角形数量的倒数为权，构建全连通的加权图。利用Kruskal算法生成该图的最小生成树，可以得到任意两站之间的配准路径。选取其中一个站作为树的根节点(固定站)，使得该树的深度最小。利用匹配的三角形对的对应顶点，计算任意两个连通的站之间的转换参数，然后再通过树的路径，即可得到每站相对于固定站的转换参数。完成了所有站的全局自动化配准。

一个配准结果输出的步骤：针对上个步骤得到的匹配路径以及路径内两两匹配的参数，利用ICP配准原理，对路径内每个配准站进行精配准，得到精化的转换参数。

一个配准结果输出的步骤：针对上个步骤得到的匹配路径以及路径内两两匹配的参数，利用ICP配准原理，对路径内每个配准站进行精配准，得到精化的转换参数。

在上述的一种适用于多视角自动化配准多站地面激光点云数据的方法，所述步骤1.2中采取的自适应距离，具有以下特性：其自适应阈值由构建的Delaunay三角形边长的平均值与方差决定，

dT_s＝Mean(P_s)+Variation(P_s)

其中是与该点相连所有Delaunay三角形的边的平均边长，而Variation(P_s)是这些边长的标准差。

在上述的一种适用于多视角自动化配准多站地面激光点云数据的方法，所述步骤2.2中，其三条匹配准则具有以下特性：和分别表示基础站与目标站中保留的三角形集合。对于其中基础站的一个三角形T_i ^S，找到目标站中与其最相似(全等)的三角形具体包括：

条匹配准则一，互为最优准则。T_i ^S是Ps中与最相似的三角形，同时也是Pt中与T_i ^S最相似的三角形。

条匹配准则二，最优优于次优准则，满足：

其中，<>表示对应的长度差异，是Pt中与T_i ^S第二相似的三角形，是Ps中与第二相似的三角形。该条件保证了相似的稳定性，排除了噪声的影响。

条匹配准则三，语义一致准则。对应点的类型要相同，并且由立面所得的点的立面方向β₁＝Pl_directio1n-Pl′_direct1ion与β₂＝Pl_direction2-Pl′_direction2计算所得的旋转角与三点所计算的旋转角α之差要在一定范围内。

因此，本发明具有如下优点：实现了多站地面激光点云的无靶标全自动配准，在没有任何先验匹配信息的条件下，全自动实现两站之间的初始转换参数的解算，并依靠最小生成树原理自动得到最优匹配路径，实现了大场景多站点云的全局自动化配准。本方法解决了多站的无靶标自动化初始配准，配准路径的自动选择等配准过程中的难题，提供了地面站激光点云配准的完整解决方案。该方法采用计算机软件方式支持自动运行流程，操作简单，容易实现，能大大减少人工工作量，提高了生产工作效率，在测量生产中有很高的应用价值。

附图说明：

图1是本发明实施例的方法流程图。

图2是本发明实施例的自适应阈值聚类阈值选取示意图。

图3是本发明实施例的水平切片与聚类结果示意图。

图4是本发明实施例几何基元拟合及其边线、中心点计算结果示意图。

图5是本发明实施例语义特征点计算结果与其语义信息示意图。

图6是本发明实施例语义信息约束示意图。

图7是本发明实施例几何一致性约束示意图。

图8a是设站点之间的加权无向图。

图8b是加权无向图的最小生成树。

图9a是本发明实施例中城区场景测试数据配准的结果图。

图9b是本发明实施例中郊区场景测试数据配准的结果图。

图9c是本发明实施例中室内场景测试数据配准的结果图。

具体实施方式

本发明涉及一种多场景地面激光点云数据自动化全局配准方法。该方法分为两个关键的模块：语义特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合等一系列方式，获得语义特征点；第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义约束条件来匹配语义特征点；并采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，实现全局最优配准。本发明构筑了一种完全自动化的无靶标地面站激光点云数据全局配准方法，提高了点云数据处理的自动化程度，提高了生产效率，且方法简单、容易实现。

本发明技术方案采用计算机软件方式支持自动运行流程，其流程如图1所示。以下结合三个实施例和附图详细说明本发明技术方案。

三个实施例子分别对应于不同的场景。第一个是城区场景，第二个场景是郊区场景，第三个场景是室内场景。三个实施例子按照设计的方案进行配准，逐步详细说明如下

1)分割地面与水平切片。

首先，对原始的点云，划分分辨率为0.2m水平格网，认为格网内的最低点0.1m高程范围内的点均为地面点，其他点为非地面点。然后，将非地面部分按照0.4m的间距、0.2m的厚度划分高程切片，其划分示意图如图3(a)所示。

2)自适应距离阈值聚类

在切片内构建Delauney三角网。然后，统计该点周围Delauney三角网的边长，如图2所示。可以计算得到距离阈值为：

dT_s＝Mean(P_s)+Variation(P_s)

其中是与该点相连所有Delauney三角形的边的平均边长，而Variation(P_s)是这些边长的标准差。按照该阈值进行距离聚类，可以得到如图3(b)所示的聚类切片。

3)对每个聚类拟合圆柱模型：

||(P-Q)×Ca||-r＝0

其中，P＝(x_p,y_p,z_p)是圆柱上的一点，Q＝(x_q,y_q,z_q)是圆柱的轴线上的一点，Ca＝(Ca_x,Ca_y,Ca_z)是圆柱轴线的单位向量，r是圆柱的半径。规定半径阈值为0.05m到0.5m范围内，并且轴向方向与Z轴近似平行(方向夹角小于10°)。保留符合上述条件的圆柱切片聚类块，计算这些圆柱聚类块的中心作为杆状物的中心点，如图4所示。再对每个聚类块拟合直线模型：

其中，(x₀,y₀,z₀)和(x,y,z)都是直线上的点，(a,b,c)是该直线的方向。同时限制直线的最小长度为1m,并且方向(a,b,c)要接近垂直于Z轴(方向夹角小于10°)。保留符合条件的聚类块作为建筑物聚类块，计算它的两个端点，作为特征点保留，并且判定它是建筑物的边线点还是交线点，示意图如图4所示。

4)投影得到特征点，计算语义信息

计算3)中所得点连成的竖线与地面的交点作为特征点，示意图如图5所示。同时赋予该点相关语义信息。这些语义信息可以表述为以下一个向量：

L_Feature(Pt_lowest,Pt_highest,Pt_num,L_height,L_id,L_category,L_radius,Pl_direction1,Pl_direction2)

Pt_lowest,Pt_highest,Pt_num,L_height和L_id分别为得到该点所用的与地面相交的竖直线的最低点、最高点、所包含的点个数、高程和该点的ID。L_category表示该点的类型，是立面边线、立面交线还是杆状物中心线与地面的交点。L_radius表示杆状物的平均半径，只存在于杆状物中心线与地面交点。Pl_direction1和Pl_direction2表示构建该点的两个建筑物立面的走向，只存在于两个立面交线与地面的交点。如果是建筑物的边线与地面的交点，则只有一个方向Pl_direction1

5)三角形的构建与hash表的建立

对所有语义特征点任取三个点构建三角形，可以得到个三角形，其中NI表示语义特征点的个数。计算每个三角形的边长与角度，剔除其中等角、近似于共线以及最短边过短的三角形。对于剩下的三角形建立hash表，以面积与周长索引该三角形：

上式表示了，行索引与列索引的计算方式。Bin值分别为0.05m²与0.1m，[]表示向上取整。每个索引值的存储对应三角形的ID值。

6)几何约束与语义约束匹配

由下式计算三角形的相似性。

其中Δ₁,Δ₂,Δ₃分别为三角形对应的三边之差。

和分别表示基础站与目标站中保留的三角形集合。对于其中基础站的一个三角形T_i ^S与目标站中三角形找到所有满足以下三个限制条件的三角形对。

①T_i ^S是基础站点云Ps中与最相似的三角形，同时也是目标站点云Pt中与T_i ^S最相似的三角形。

②满足其中，<>表示对应的长度差异，是Pt中与T_i ^S第二相似的三角形，是Ps中与第二相似的三角形。此处U_matching取值为1.1。

③语义信息约束。对应点的类型要相同，并且由立面所得的点的立面方向β₁＝Pl_direction1-Pl′_directio1n与β₂＝Pl_direction2-Pl′_direction2计算所得的旋转角与三点所计算的旋转角α之差要在一定范围内(实施例中取值为5°)，如图6所示。

同时满足以上三个限制条件的三角形对作为初步匹配的三角形对。

7)几何一致性剔除错误匹配

正确匹配的三角形对之间的距离是一致的，而非正确匹配的三角形对之间距离是不一致的，原理说明见图7，其中同一颜色的三角形之间的相对位置关系是一致的，不同颜色之间的三角形相对位置关系是不一致的，可以认为最大的组(蓝色)为正确的匹配。{C₁,C₂...C_NC}表示匹配三角形对的集合。和是其中的两对匹配的三角形对。如果这两个三角形对满足：

则将这两个三角形归为同一类。||||表示两个三角形中心的欧式距离，T_i ^S和是点云P_s构建出的特征三角形，和是P_t中与之对应的三角形,GC_constraint取0.3m。将所得的包含三角形数量最多的类别作为正确的类别。将正确类别的三角形对的对应顶点作为匹配点。

8)全局一致性配准

对任意两站实行上述步骤，可得任意两站的匹配三角形数量。以匹配的三角形数量的倒数为权，构建全连通的加权图，示意图如图8(a)所示。利用Kruskal算法生成该图的最小生成树，示意图如图8(b)所示。选取其中一个站作为树的根节点(固定站)，使得该树的深度最小。

遍历该连通树的每条边，利用该边相连的两站的匹配点，使用最小二乘法计算转换参数，使得下式最小：

其中A是3×3旋转矩阵,B三维平移向量,P_l,source和P_l,target分别是两站匹配的语义特征点坐标,m是匹配点的数量,δ是两站之间对应点的残差距离。所得的转换参数即可作为ICP算法的初值，进行ICP迭代得到最优的配准参数。本配准方法适用于多场景，图9(a)、(b)、(c)分别为郊区、城区、室内场景配准结果。

基于本发明，可以快捷稳健地实现无靶标多站地面激光点云数据的全局配准。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。

Claims (3)

1.一种适用于多视角自动化配准多站地面激光点云数据的方法，其特征在于，包括：

一个获取原始点云数据的步骤：获取一个场景或物体的完整点云数据，需要在场景中的不同位置架设激光扫描仪获取数据，每个设站扫描获取的坐标均是相对于激光扫描仪中心的局部坐标，这就需要使用配准技术将不同测站之间的数据统一到同一坐标系下；

一个语义特征点提取的步骤：首先对获取的原始点云数据进行点云分割，然后针对分割后的点云数据进行数值特征线的提取，并进行语义信息的计算；具体包括：

步骤1.1，利用高程信息分离点云数据中的地面部分，划分水平格网，认为格网内的最低点一定高程范围内的点为地面点；然后，将非地面部分按照一定间距、一定厚度划分切片；

步骤1.2，在每个切片内进行自适应距离欧式距离聚类；首先在切片内构建Delauney三角网；然后，统计原始点云周围Delauney三角网的边长，计算得到距离阈值为：

dT_s＝Mean(P_s)+Variation(P_s)

其中Mean(P_s)是与该点相连所有Delauney三角形的边的平均边长，而Variation(P_s)是这些边长的标准差；

步骤1.3，从聚类块中挑选感兴趣的类别，分别是建筑物的立面和杆状物；杆状物在切片数据中表现为一个圆柱形的结构，需要满足模型：

||(P-Q)×Ca||-r＝0

其中，P＝(x_p,y_p,z_p)是圆柱上的一点，Q＝(x_q,y_q,z_q)是圆柱的轴线上的一点，Ca＝(Ca_x,Ca_y,Ca_z)是圆柱轴线的单位向量，r是圆柱的半径；本方法规定半径只能在一定的阈值R_min到R_max范围内，并且轴向方向与Z轴近似平行；保留符合上述条件的圆柱切片聚类块，计算这些圆柱聚类块的中心作为杆状物的中心点；而另一类建筑物的立面在切片数据中表现为一条直线，应该满足几何模型：

$\frac{x-x_0}{a}=\frac{y-y_0}{b}=\frac{z-z_0}{c}$

其中，(x₀,y₀,z₀)和(x,y,z)都是直线上的点，(a,b,c)是该直线的方向；同时限制直线的最小长度为L_min,并且方向(a,b,c)近似与Z轴垂直；保留符合条件的聚类块作为建筑物聚类块，计算它的两个端点，作为特征点保留，并且判定它是建筑物的边线点还是交线点；

步骤1.4，获得带有语义信息的特征点；将上述直线与地面的交点作为特征点；同时计算该点的语义信息；这些语义信息可以表述为以下一个向量：

L_Feature(Pt_lowest,Pt_highest,Pt_num,L_height,L_id,L_category,L_radius,Pl_direction1,Pl_direction2)

Pt_lowest,Pt_highest,Pt_num,L_height和L_id分别为得到该点所用的与地面相交的竖直线的最低点、最高点、所包含的点个数、高程和该点的ID；L_category表示该点的类型，是立面边线、立面交线还是杆状物中心线与地面的交点；L_radius表示杆状物的平均半径，只存在于杆状物中心线与地面交点；Pl_direction1和Pl_direction2表示构建该点的两个建筑物立面的走向，只存在于两个立面交线与地面的交点；如果是建筑物的边线与地面的交点，则只有一个方向Pl_direction1

一个匹配与全局配准的步骤：通过构建三角几何约束条件与语义约束条件来匹配语义特征点，首先得到一个初步匹配的三角形对，然后针对得到的初步匹配的三角形采用几何一致性的聚类方式剔除其中错误的匹配；最后，以匹配的特征点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到各个站的全局配准参数，具体包括：

步骤2.1，构建语义特征点三角形网；对所有语义特征点构建三角形，得到个三角形，其中NI表示语义特征点的个数；为了减少运算量，加快运算速度，剔除其中等角、近似于共线以及最短边过短的三角形；对于剩下的三角形建立hash表，以面积与周长计算该三角形的索引号：

$\left\{\begin{array}{c}line\_index=\&lsqb;\frac{Area}{Bin}\&rsqb;\\ row\_index=\&lsqb;\frac{Perimeter}{Bin}\&rsqb;\end{array}\right.$

上式表示了，行索引与列索引的计算方式；Bin值由事先给定，[]表示向上取整；

步骤2.2，进行几何约束与语义约束的匹配；和分别表示基准站Ps与目标站Pt中保留的三角形集合；对于其中基准站的一个三角形T_i ^S，找到目标站中与其全等的三角形其相似性由下式判定：

$similarity=\frac{1}{\left|{\mathrm{\&Delta;}}_1\right|+\left|{\mathrm{\&Delta;}}_2\right|+\left|{\mathrm{\&Delta;}}_3\right|}$

其中Δ₁,Δ₂,Δ₃分别为三角形对应的三边之差，并给定三个限制条件：

限制条件一：T_i ^S是Ps中与最相似的三角形，同时也是Pt中与T_i ^S最相似的三角形；

限制条件二：满足其中，<>表示对应的长度差异，是Pt中与T_i ^S第二相似的三角形，是Ps中与第二相似的三角形；该条件保证了相似的稳定性，排除了噪声的影响；

限制条件三：语义信息约束；对应点的类型要相同；

同时满足以上三个限制条件的三角形对作为初步匹配的三角形对；

步骤2.3，对初步匹配的三角形对进行进一步的剔除；剔除的原理是基于正确匹配的三角形对之间的距离是一致的，而非正确匹配的三角形对之间距离是不一致的；{C₁,C₂...C_NC}表示匹配三角形对的集合；和是其中的两对匹配的三角形对；如果这两个三角形对满足：

$abs\left(\right||T_i^S-T_n^S||-||T_j^t-T_m^t|\left|\right)<{\mathrm{GC}}_{constra\mathrm{int}}$

则将这两个三角形归为同一类；||||表示两个三角形中心的欧式距离，T_i ^S和是点云P_s构建出的特征三角形，和是P_t中与之对应的三角形,GC_constraint是一个小的阈值；GC_constraint取0.3m；将所得的包含三角形数量最多的类别作为正确的类别，即可得到匹配三角形，进而得到匹配的对应点；这些点将用于计算配准参数；

步骤2.4，全局一致性配准；对任意两个扫描站数据执行以上步骤可以得到匹配的三角形；以匹配的三角形数量的倒数为权，构建全连通的加权图；利用Kruskal算法生成该图的最小生成树，可以得到任意两站之间的配准路径；选取其中一个站作为树的根节点，使得该树的深度最小；利用匹配的三角形对的对应顶点，计算任意两个连通的站之间的转换参数，然后再通过树的路径，即可得到每站相对于固定站的转换参数；完成了所有站的全局自动化配准；

一个配准结果输出的步骤：针对上个步骤得到的匹配路径以及路径内两两匹配的参数，利用ICP配准原理，对路径内每个配准站进行精配准，得到精化的转换参数。

2.根据权利要求1所述的一种适用于多视角自动化配准多站地面激光点云数据的方法，其特征在于，所述步骤1.2中采取的自适应距离，具有以下特性：其自适应阈值由构建的Delaunay三角形边长的平均值与方差决定，

dT_s＝Mean(P_s)+Variation(P_s)

其中Mean(P_s)是与该点相连所有Delaunay三角形的边的平均边长，而Variation(P_s)是这些边长的标准差。

3.根据权利要求1所述的一种适用于多视角自动化配准多站地面激光点云数据的方法，其特征在于，所述步骤2.2中，其三条匹配准则具有以下特性：和分别表示基础站与目标站中保留的三角形集合；对于其中基础站的一个三角形T_i ^S，找到目标站中与其全等的三角形具体包括：

条匹配准则一，互为最优准则；T_i ^S是Ps中与最相似的三角形，同时也是Pt中与T_i ^S最相似的三角形；

条匹配准则二，最优优于次优准则，满足：

其中，<>表示对应的长度差异，是Pt中与第二相似的三角形，是Ps中与第二相似的三角形；该条件保证了相似的稳定性，排除了噪声的影响；

条匹配准则三，语义一致准则；对应点的类型要相同，并且由立面所得的点的立面方向β₁＝Pl_directio1n-Pl′_directi1on与β₂＝Pl_direction2-Pl′_direction2计算所得的旋转角与三点所计算的旋转角α之差要为5°。