CN108090961A - 一种三维激光点云成像中的快速平差方法 - Google Patents
一种三维激光点云成像中的快速平差方法 Download PDFInfo
- Publication number
- CN108090961A CN108090961A CN201810021605.7A CN201810021605A CN108090961A CN 108090961 A CN108090961 A CN 108090961A CN 201810021605 A CN201810021605 A CN 201810021605A CN 108090961 A CN108090961 A CN 108090961A
- Authority
- CN
- China
- Prior art keywords
- point
- key frame
- characteristic
- point cloud
- adjustment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种三维激光点云成像中的快速平差方法,包括:关键帧选取、关键帧配准、平差检测、平差优化。关键帧选取负责从激光雷达获取的全部点云数据中选出后续配准中使用的点云;关键帧配准环节通过相邻两关键帧之间的配准来减小成像误差;平差检测环节负责判断关键帧配准环节中是否出现点云匹配错误;平差优化环节针对出现的点云匹配错误进行优化。本发明为移动激光雷达实时成像提供了一种快速平差的方法,算法容错性好,可以适用于多种不同环境的三维点云成像。
Description
技术领域
本发明涉及一种三维激光点云成像中的快速平差方法,属于遥感与测绘、计算机视觉与模式识别技术,适用于任何三维数字化仪获取的三维点云数据。
背景技术
三维激光点云成像的平差一直是计算机视觉与模式识别、遥感与测绘领域十分关注的问题,持续的累加数据必然会造成轨迹漂移误差,需要优化平差。以往的平差算法是最后进行全局优化平差,这样速度慢,没有实时性,无法达到实时成像。
发明内容
本发明要解决的技术问题为:在移动激光雷达地图创建成像中,激光与其获得新一帧点云是以累加的方式获得的,持续累加会造成累计误差,本发明提供一种三维激光点云成像中的快速平差方法。该方法从点云的分布特征入手,提取有代表性的特征点,使用特征点在成像的同时快速的进行配准优化误差,大大减小了累计误差,算法容错性好,适合任何三维数字化仪获取三维点云的搜索匹配。
本发明解决上述技术问题采用的技术方案为:一种三维激光点云成像中的快速平差方法,该方法包括如下步骤:
步骤(1)确定一个固定的时间间隔,以该间隔为基础在获取的全部点云中选取关键帧进行平差,降低运算复杂度;
步骤(2)在关键帧点云中,提取边界点和平面点,方法是:对于每个点,求该点到在其一定距离内的所有点的向量和的模,再除以激光测距仪到该点的距离,获得该点平整度即其中i为所计算的点,j为i的相邻点,S为i两侧相同个数的点构成的点集,Pi、Pj分别为点i点j的坐标。取其中c值最大的n个点作为边界点,取出c值最小(接近0)的n个点作为平面点。
步骤(3)确定特征点之后,对每个特征点进行特征关联。特征关联就是求该特征点到上一帧中该点的关联特征的距离。
步骤(4)特征关联之后,每一个特征点都有一个关于上一帧数据的特征距离d,找到一个位姿变换Tk=[tx,ty,tz,rx,ry,rz],尽量让所有特征距离都为0,那这个位姿变换就是激光雷达在这两帧数据之间的运动,即f(Pk,Tk)=dk→0,Pk为k时刻特征点矩阵,dk为k时刻特征距离矩阵,Tk为k-1到k时刻的位姿变换。使用最小二乘法优化计算Tk,根据Tk更新点云位置,再次进行特征关联并更新距离d计算Tk,不断循环直到d小于设定阈值或者循环次数达到上限;
步骤(5)若优化完成的后的全部特征距离的平均值比优化前减小,则认为平差完成;反之,则要进行平差优化:将当前关键帧的点云映射到全局坐标系之后,就可以确定激光雷达在已创建的三维点云图中的位置,在三维点云图中,以这个位置为中心取一个立方体内的全部点云与,让当前关键帧与这部分点云再次按步骤(2)、步骤(3)、步骤(4)进行配准来完成平差优化,其中立方体的大小与激光雷达的测量范围有关。
其中,所述步骤(3)中配准误差求解方法如下:
步骤(3.1)若特征点为平面点,它的关联特征是一个平面,需要在上一帧数据中寻找三个点来确定这个平面,首先遍历寻找上一关键帧中距离特征点最近的点M,再提取与M同一扫描线且距离M最近的点L,提取M的相邻扫描线上与M最近的点N;
步骤(3.2)若特征点为平面点,它的关联特征是一个平面,需要在上一帧数据中寻找三个点来确定这个平面:首先遍历寻找上一关键帧中距离特征点最近的点M,再M的相邻扫描线上与M最近的点N。
本发明与现有技术相比的优点在于:
(1)本发明在成像的同时进行平差,大大提高了在实际环境中成像的效率。
(2)本发明提取点云中的边界点和平面点作为特征点,各种环境中都存在类似特征,具有普适性,能供应用于各种不同实际场景。
(3)本发明在特征关联时使用遍历算法,在计算过程中会自动选取当前最优点对,进而得到最优解。此特点令实验人员无需手动选取点对,提高了工作效率。
(4)本发明在某次平差失败时会及时检测发现,并自动进行补偿,提高了算法的鲁棒性。
(5)本发明所述方法不使用GPS/IMU等设备,不受环境限制,可在室内地下等GPS失锁环境中使用。
附图说明
图1为本发明的方法实现流程图;
图2为本发明关键帧选取示意图;
图3为本发明平面特征点关联方法图;
图4为本发明边界特征点关联方法图;
图5为本发明三维成像结果点云图;
图6为本发明成像结果平面投影图;
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示,本发明包含以下几个计算步骤:关键帧选取、关键帧配准、平差检测、平差优化。关键帧选取负责从激光雷达获取的全部点云数据中选出后续配准中使用的点云;关键帧配准环节通过相邻两关键帧之间的配准来减小成像误差;平差检测环节负责判断关键帧配准环节中是否出现点云匹配错误;平差优化环节针对出现的点云匹配错误进行优化。具体步骤如下:
现手持16线激光雷达获取室内点云进行地图创建,这里通过关键帧选取、关键帧配准、平差检测、平差优化等4步在地图创建的同时实时完成平差。
(1)关键帧选取
确定一个固定的时间间隔,以该间隔为基础在获取的全部点云中选取关键帧进行平差,降低运算复杂度。如图2所示,设定一个间隔为X帧数据,每X帧选择一帧数据作为关键帧,对每个关键帧进行平差。以n+1部分为例,在地图创建过程中,关键帧(n+1)X+1的数据会以持续累加的方式得到的位姿变换映射到全局坐标系内,将映射完成后的数据与上一个关键帧nX+1再次进行配准,优化映射结果并得到优化后的总位姿变换,这样就完成了一次平差。其中,激光雷达在两关键帧间移动路程S越短,两个关键帧之间重复的特征越多,配准效果就越好。如式(1)移动路程S与每个大窗口所包含的帧数X、激光雷达运动速度v及频率f有关,所以在不影响程序运行速度与平差效果的情况下应设定较小的关键帧间隔。在该实例中选取X为10。
(2)关键帧配准
确定关键帧之后,在关键帧点云中,提取边界点和平面点。对于每个点,求该点到在其一定距离内的所有点的向量和的模,再除以激光测距仪到该点的距离,获得该点平整度即
取其中c值最大的5个点作为边界点,取出c值最小(接近0)的5个点作为平面点。若点P为平面点,它的关联特征是一个平面,需要在上一帧数据中寻找三个点来确定这个平面。如图3所示,M为上一帧数据中距离P最近的点,L为与M同一扫描线且距离M最近的点,N为M的相邻扫描线上与M最近的点。若点P为边界点,它的关联特征为一条直线,需要在上一帧数据中寻找两个点来确定这条直线。如图4所示,M为上一帧数1据中距离P最近的点,N为M的相邻扫描线上与M最近的点,其中在三维空间中,点P到直线MN的距离等于点P到过直线MN且与平面PMN垂直的平面的距离。最终两种特征都转化为到某平面的距离,式(3)为平面方程。关联完成后根据式(4)即可求出特征距离,其中x0y0z0为特征点坐标。
Ax+By+Cz+D=0 (3)
每一个特征点都有一个关于上一帧数据的特征距离d,找到一个位姿变换Tk=[tx,ty,tz,rx,ry,rz],尽量让所有特征距离都为0,那这个位姿变换就是激光雷达在这两帧数据之间的运动,即f(Pk,Tk)=dk→0,Pk为k时刻特征点矩阵,dk为k时刻特征距离矩阵,Tk为k-1到k时刻的位姿变换。使用最小二乘法优化计算Tk,根据Tk更新点云位置,再次进行特征关联并更新距离d计算Tk,不断循环直到d小于设定阈值或者循环次数达到上限。
(3)求优化完成后的全部特征距离的平均值与优化前对比,n为特征点个数。
若优化完成的后的全部特征距离的平均值比优化前减小,则认为该次平差完成;反之,则要进行平差优化。
(4)一次平差的失败是由辆关键帧相似特征不足导致的,这是需要对上衣关键帧进行拓展。
在地图创建成像过程中,将当前关键帧的点云映射到全局坐标系之后,就可以确定激光雷达在已创建的三维点云图中的位置,在三维点云图中,以这个位置为中心取一个立方体内的全部点云与,让当前关键帧与这部分点云再次按(2)所述方法进行配准来完成平差优化,其中立方体的大小与激光雷达的测量范围有关,本实例中16线激光雷达测量范围为100m,故在全部已成像点云中选取100x100x30m范围内的点云。
如上所述,本发明利用三维点云的分布特点,选取关键帧点云,再在关键帧中选取有代表性的特征点,通过在迭代计算优化匹配位置完成平差。本算法选取平面点与边界点,普适性强,能应用于多种复杂环境中测绘成像与地图创建,同时在配准过程中遍历搜索最优解,无需操作人选手动选取都定点对,提高了操作效率。
上面所述的仅是体现本发明基于点云形状的快速三维点云搜索配准方法的实施例。本发明并不限于上述实施例。本发明的说明书是用于进行说明,不限制权利要求的范围。对于本领域的技术人员,很显然可以有很多的替换、改进和变化。凡采用等同替换或等效变换形成的技术方案,均落在本发明权利要求的保护范围内。
Claims (2)
1.一种三维激光点云成像中的快速平差方法,其特征在于:该方法包括如下步骤:
步骤(1)确定一个固定的时间间隔,以该间隔为基础在获取的全部点云中选取关键帧进行平差,降低运算复杂度;
步骤(2)在关键帧点云中,提取边界点和平面点:对于每个点,求该点到在其一定距离内的所有点的向量和的模,再除以激光测距仪到该点的距离,获得该点平整度即其中i为所计算的点,j为i的相邻点,S为i两侧相同个数的点构成的点集,PiPj分别为点i点j的坐标,取其中c值最大的n个点作为边界点,取出c值最小(接近0)的n个点作为平面点;
步骤(3)确定特征点之后,对每个特征点进行特征关联,特征关联就是求该特征点到上一帧中该点的关联特征的距离;
步骤(4)特征关联之后,每一个特征点都有一个关于上一帧数据的特征距离d,找到一个位姿变换Tk=[tx,ty,tz,rx,ry,rz],尽量让所有特征距离都为0,那这个位姿变换就是激光雷达在这两帧数据之间的运动,即f(Pk,Tk)=dk→0,Pk为k时刻特征点矩阵,dk为k时刻特征距离矩阵,Tk为k-1到k时刻的位姿变换,使用最小二乘法优化计算Tk,根据Tk更新点云位置,再次进行特征关联并更新距离d计算Tk,不断循环直到d小于设定阈值或者循环次数达到上限;
步骤(5)若优化完成的后的全部特征距离的平均值比优化前减小,则认为平差完成;反之,则要进行平差优化:将当前关键帧的点云映射到全局坐标系之后,就可以确定激光雷达在已创建的三维点云图中的位置,在三维点云图中,以这个位置为中心取一个立方体内的全部点云与,让当前关键帧与这部分点云再次按步骤(2)、步骤(3)、步骤(4)进行配准来完成平差优化,其中立方体的大小与激光雷达的测量范围有关。
2.根据权利要求1所述的一种三维激光点云成像中的快速平差方法,其特征在于:所述步骤(3)中配准误差求解方法如下:
步骤(3.1)若特征点为平面点,它的关联特征是一个平面,需要在上一帧数据中寻找三个点来确定这个平面:上一关键帧中距离特征点最近的点M,与M同一扫描线且距离M最近的点L,M的相邻扫描线上与M最近的点N;
步骤(3.2)若特征点为平面点,它的关联特征是一个平面,需要在上一帧数据中寻找三个点来确定这个平面:上一关键帧中距离特征点最近的点M,M的相邻扫描线上与M最近的点N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810021605.7A CN108090961B (zh) | 2018-01-10 | 2018-01-10 | 一种三维激光点云成像中的快速平差方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810021605.7A CN108090961B (zh) | 2018-01-10 | 2018-01-10 | 一种三维激光点云成像中的快速平差方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090961A true CN108090961A (zh) | 2018-05-29 |
CN108090961B CN108090961B (zh) | 2021-04-20 |
Family
ID=62181947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810021605.7A Active CN108090961B (zh) | 2018-01-10 | 2018-01-10 | 一种三维激光点云成像中的快速平差方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090961B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017202A (zh) * | 2019-05-28 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 点云标注方法、装置及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447908A (zh) * | 2015-12-04 | 2016-03-30 | 山东山大华天软件有限公司 | 基于口腔扫描数据和cbct数据的牙列模型生成方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
-
2018
- 2018-01-10 CN CN201810021605.7A patent/CN108090961B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447908A (zh) * | 2015-12-04 | 2016-03-30 | 山东山大华天软件有限公司 | 基于口腔扫描数据和cbct数据的牙列模型生成方法 |
CN107038717A (zh) * | 2017-04-14 | 2017-08-11 | 东南大学 | 一种基于立体栅格自动分析3d点云配准误差的方法 |
Non-Patent Citations (8)
Title |
---|
JIA CHEN 等: "3D shape modeling using a self-developed hand-held 3D laser scanner and an efficient HT-ICP point cloud registration algorithm", 《OPTICS &LASER TECHNOLOGY》 * |
严剑锋 等: "基于特征点提取和匹配的点云配准算法", 《测绘通报》 * |
张明明: "基于点云边界特征点的改进", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张晓娟 等: "基于特征点和改进ICP的三维点云数据配准算法", 《传感器与微***》 * |
张步: "三维激光点云数据配准研究", 《万方数据企业知识服务平台》 * |
徐源强 等: "地面三维激光扫描的点云配准误差研究", 《大地测量与地球动力学》 * |
李仁忠 等: "基于ISS特征点结合改进ICP 的点云配准算法", 《激光与光电子学进展》 * |
胡少兴 等: "大型古文物真三维数字化方法", 《***仿真学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017202A (zh) * | 2019-05-28 | 2020-12-01 | 杭州海康威视数字技术股份有限公司 | 点云标注方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108090961B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045017B (zh) | 一种激光和视觉融合的巡检机器人变电站地图构建方法 | |
CN112505065B (zh) | 一种实现室内无人机对大部件表面缺陷进行检测的方法 | |
CN113436260B (zh) | 基于多传感器紧耦合的移动机器人位姿估计方法和*** | |
CN108133458A (zh) | 一种基于目标物体空间点云特征的自动拼接方法 | |
CN109509230A (zh) | 一种应用于多镜头组合式全景相机的slam方法 | |
CN109993793B (zh) | 视觉定位方法及装置 | |
CN110146099B (zh) | 一种基于深度学习的同步定位与地图构建方法 | |
CN111882612A (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
CN109579825B (zh) | 基于双目视觉和卷积神经网络的机器人定位***及方法 | |
CN105809687A (zh) | 一种基于图像中边沿点信息的单目视觉测程方法 | |
CN110136202A (zh) | 一种基于ssd与双摄像头的多目标识别与定位方法 | |
CN108680177B (zh) | 基于啮齿类动物模型的同步定位与地图构建方法及装置 | |
CN111998862B (zh) | 一种基于bnn的稠密双目slam方法 | |
CN110223351B (zh) | 一种基于卷积神经网络的深度相机定位方法 | |
CN112484746B (zh) | 一种基于地平面的单目视觉辅助激光雷达里程计方法 | |
CN116449384A (zh) | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 | |
CN116468786B (zh) | 一种面向动态环境的基于点线联合的语义slam方法 | |
CN109900272B (zh) | 视觉定位与建图方法、装置及电子设备 | |
CN114266821A (zh) | 在线定位方法、装置、终端设备及存储介质 | |
CN113160292B (zh) | 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法 | |
CN108090961A (zh) | 一种三维激光点云成像中的快速平差方法 | |
CN113720323B (zh) | 基于点线特征融合的单目视觉惯导slam方法及装置 | |
CN115290110A (zh) | 一种ar导航方法、***及计算机可读存储介质 | |
CN112258391B (zh) | 一种基于道路交通标线的碎片化地图拼接方法 | |
CN115187736A (zh) | 目标地图生成方法以及装置、ar地图生成方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |