CN110443836B - 一种基于平面特征的点云数据自动配准方法及装置 - Google Patents

Abstract

本发明涉及一种基于平面特征的点云数据自动配准方法及装置，属于三维激光扫描技术领域。本发明首先通过平面分割算法对点云数据进行平面分割得到平面片，并计算各平面属性信息，然后通过平面片属性信息、平面间相互关系以及旋转平移几何约束建立平面片间的对应关系，得到用于坐标转换参数求解的对应平面对集合，利用平面参数求解坐标转换参数，根据建立的点云配准总体一致性度量，选择最优解，即为最终配准结果。该方法综合利用平面属性信息、平面间约束以及空间几何约束确保了配准过程的准确性和高效性，且不依赖额外的强度或色彩信息，对于各种平台获取的点云数据均能有效进行配准，适用性强。

Description

一种基于平面特征的点云数据自动配准方法及装置

技术领域

本发明涉及一种基于平面特征的点云数据自动配准方法及装置，属于三维激光扫描技术领域。

背景技术

三维点云是客观世界的离散采样，由一系列点组成，可由激光扫描仪、激光雷达(Light Detection and Ranging,LiDAR)、深度相机、立体视觉等传感器获得。在测绘遥感领域，三维激光扫描被誉为“实景复制”技术，能够快速准确获取目标的海量点云数据，因而受到极大关注。因测量仪器的有效测程和视场范围有限以及遮挡的影响，为获取作业场景的完整点云，往往需要在多个测站架设仪器进行测量，而后进行点云间的序列配准，如图1所示。点云配准的实质是寻求一组平移和旋转参数将点云统一到同一坐标系下，使得经过坐标转换后的点云重叠部分间良好对齐。用数学语言描述点云配准问题为，给定待配准点云P＝{p_i＝(x_i,y_i,z_i)}和目标点云Q＝{q_i＝(x_i,y_i,z_i)}，

求解刚体变换

使得：

其中，R∈SO(3)为旋转矩阵，t为平移向量，e_ij为误差度量，C＝{(i,j)_m}表示对应点对集合，点p_i对应点q_j。

近二十年来，三维激光扫描凭借其特有的优点已成为众多领域的标准技术，被大量研究和广泛应用，特别是随着其性价比的不断提高，各类产品不断更新换代，已被运用到三维建模、数字工厂、文物保护、滑坡监测、资产管理等领域。然而，三维激光扫描仪获取的海量点云对后期的数据处理带来了挑战。在一般的测量作业中，往往通过布设人工靶标来实现多站点云间的配准，采用这种方法，需要提前设计靶标的布设方案，在测量过程中还需要对靶标进行二次精细扫描，费时又费力，同时需要为购买靶标支出额外的费用。并且，在很多情况下(如高大城市建筑群)，人工布设的靶标只能分布在较小的空间范围内，对配准参数不能形成良好的网形约束，导致求解得到的坐标转换参数存在较大误差；甚至在一些不能或不便于布设靶标的情况下，点云的配准处理将给内业处理人员带来极大困扰。当不能基于人工靶标实现点云配准时，往往需要通过人工从待配准点云中选取三组以上对应点计算粗略的初始配准结果，并以此为初值利用迭代最近点(Iterative Closest Point,ICP)求解最终配准结果，这一过程消耗大量精力和时间，不能满足点云数据自动化处理的需求。与此同时，点云的海量性给数据处理硬件平台提出了较高的要求，直接以三维坐标点作为处理元素，在处理几十甚至成百上千组点云时，需要占用极大的内存，需要超高性能的中央处理器(CPU)和图形处理器(GPU)。寻求自动高效的点云配准一直以来是点云数据处理领域的热点研究问题，

提出利用强度信息辅助点云配准，首先将三维点云投影为二维强度图像，通过强度图像提取特征点并计算描述子以便建立对应关系，实现坐标转换参数的求解。然而，将点云投影为图像不可避免的存在畸变，且强度值受扫描距离和角度的影响较大，对点云配准精度影响较大。

在实际测量场景中，往往存在大量的几何特征，如角点、平面、直线段、圆柱等，合理利用这些特征能够实现点云的配准，其中平面特征的提取相对容易实现，且在人造场景中分布较为广泛，因而基于提取的平面特征进行点云配准是一种潜在的可行方法。现有的基于平面特征的点云配准方法主要分为以下两种：(1)需要借助额外的辅助装置，如申请公布号为CN105571519A的中国专利申请文件，该文件公开了一种三位扫描仪的点云拼接的辅助装置及其拼接方法，该方法为了实现配准还需要按既定的要求进行扫描测量作业，使得数据采集不够灵活，并且这种方法不适用于大场景；(2)需要通过人机交互进行平面提取，如申请公布号为CN106570823A的中国专利申请文件，该文件公开了一种基于平面特征的匹配的点云粗拼接方法方法，该方法在后续处理中还需要人工选择和确定对应平面，即人工进行平面匹配，而不能通过程序实现自动化，而且通过手动选取对应平面来实现配准，往往只能够从大量平面特征中选取少数几对对应平面，难以选择最优平面组合参与配准解算，因此仅仅能够计算出误差较大的粗略配准结果。此外，已有的基于平面特征的配准方法在匹配对应平面时，往往基于完整平面假设，即要求两组点云中的对应平面完全一致，这样一来就对目标点云与待配准点云间的重叠度以及环境遮挡有较高的要求，当点云间的重叠度较低，或遮挡较为严重时，难以实现点云配准。因此，目前的基于平面特征的点云配准方法使用场景有限，配准结果误差较大，且自动化程度有待提高。

发明内容

本发明的目的是提供一种基于平面特征的点云数据自动配准方法及装置，以解决目前点云配准方法存在的结果误差大、适应性差、自动化程度不高的问题。

本发明为解决上述技术问题而提供一种基于平面特征的点云数据自动配准方法，该配准方法包括以下步骤：

1)获取目标点云数据和待配准点云数据；

2)分别对目标点云数据和待配准点云数据进行平面分割，得到目标平面片组和待配准平面片组，并计算各平面组中的每个平面片的属性信息；

3)根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合；

4)从属性一致的平面对集合中选取两对非平行平面对，并根据得到的两对非平行平面对确定旋转矩阵；利用旋转矩阵从所述属性一致的平面对集合的剩余平面对中选取满足旋转一致性的一个非平行平面对，并将所选取的三对平面对作为一个三元组，将该三元组对应的转换参数作用于该三元组中待配准点云的平面，若满足重叠条件，则将该三元组加入三元组集合；

5)按照步骤4)的方式遍历属性一致的平面对集合中的剩余平面对，得到三元组集合，将三元组集合中各三元组对应的转换参数分别作用于待配准点云数据，并计算总体一致性度量，从中选取总体一致性度量最小的三元组的转换参数进行点云配准。

本发明还提供了一种基于平面特征的点云数据自动配准装置，该装置包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现所述的平面特征的点云数据自动配准方法。

本发明首先通过平面分割算法对点云数据进行平面分割得到平面片，并计算各平面属性信息，然后通过平面片属性信息、平面间相互关系以及旋转平移几何约束建立平面片间的对应关系，得到用于坐标转换参数求解的对应平面对集合，对每组平面对求解坐标转换参数，根据建立的点云配准总体一致性度量，选择最优解，即为最终配准结果。该方法综合利用平面属性信息、平面间约束以及空间几何约束确保了配准过程的准确性和高效性，且不依赖额外的强度或色彩信息，对于各种平台获取的点云数据均能有效进行配准，适用性强，既能处理小场景室内点云，也能处理大规模复杂室外场景点云。

进一步地，为了避免不必要的干扰，降低后续处理的复杂性，该方法还包括在进行平面分割前对目标点云数据和待配准点云数据进行预处理的步骤，从目标点云数据和待配准点云数据中去除体外孤点和野值点。

进一步地，所述步骤2)中每个平面片的属性信息包括平面的单位法向量、坐标原点到拟合平面的距离、平面拟合的均方误差、平面片的面积、平面片的边界点、边界长度和平面片最小包围矩形的长和宽。

进一步地，本发明还给出了属性一致的具体判断方式，所述步骤3)中属性一致的平面对集合指的是目标平面片组和待配准平面片组中满足平面面积比例小于设定比例、平面形状之差小于设定形状差、平面拟合均方误差之差小于设定误差的平面对。

进一步地，为了提高平面提取效率和精度，所述步骤2)中的平面分割采用的是基于体素生长的自适应平面分割算法实现。

进一步地，为了提高提取效率，所述步骤2)在体素生长过程中采用增量式的PCA算法计算体素生长后的平面参数以及平面拟合的均方误差。

进一步地，为了避免采用的增量式PCA易受到噪声和异常点的影响，该方法还包括对采用增量式的PCA算法得到平面参数通过顾及传感器测量噪声的平面拟合算法进行重新计算。

进一步地，为了提高旋转矩阵计算的准确性，所述步骤4)中的旋转矩阵采用协方差矩阵加权的奇异值分解法计算得到。

进一步地，为了提高匹配的效率和鲁棒性，该方法还包括对步骤2)中的平面片进行过滤，以去除面积较小、近似线形、平面度较差的平面片。

附图说明

图1是点云配准示意图；

图2是本发明基于平面特征的点云数据自动配准方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步地说明。

方法实施例

本发明的基于平面特征的点云数据自动配准方法首先对目标点云数据和待配准点云数据进行平面分割，得到目标平面片组和待配准平面片组，并计算各平面组中的每个平面片的属性信息；然后根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合；再根据平面片属性信息、平面间相互关系以及旋转平移几何约束从属性一致的平面对集合得到用于坐标转换参数求解的对应平面对集合；最后根据建立的点云配准总体一致性度量，从对应平面对集合中选择最优解作为最终配准结果。该方法的实现过程如图2所示，具体实施步骤如下。

1.获取目标点云数据和待配准点云数据。

本实施例中的目标点云数据和待配准点云数据都是通过三维激光扫描仪得到，为避免一些孤点和野值点的干扰，需要对三维激光扫描仪得到目标点云数据和待配准点云数据进行预处理，去除距离坐标原点较远的点，保留三维激光扫描仪有效测程80％范围内的点，去除了体外孤点和野值点。

2.对目标点云数据和待配准点云数据进行平面分割，得到目标平面片组和待配准平面片组。

平面分割可以采用、动态聚类、霍夫变换、随机采样一致性算法(Random SampleConsensus,RANSAC)、体素生长的自适应平面分割算法等方法来实现。本实施例采用基于体素生长的自适应平面分割算法对目标点云数据和待配准点云数据中平面特征进行自动提取，在体素生长过程中，为提高效率，采用增量式的PCA(principal component analysis)算法计算体素生长后的平面参数以及平面拟合的均方误差(平面度的一种度量)。具体过程如下：

采用Hessian标准型表示平面方程为n·r＝d，其中r是平面上某点的坐标，n为平面的单位法向量，d为坐标原点到拟合平面的距离，增量式的PCA平面拟合算法描述为：

两组点集P₁和P₂，分别包含n₁和n₂个点，以r_i表示点坐标，m表示重心；

令矩矩阵

则两组点集合并后的几何信息可用如下公式求得：

A＝A₁+A₂

其中，

为矩阵S最小特征值对应的特征向量，σ²为平面拟合的均方误差。

3.计算各平面组中的每个平面片的平面参数。

对上一步骤得到的一系列平面片计算其平面参数，平面参数主要指的是平面的单位法向量和坐标原点到拟合平面的距离。由于平面分割过程中采用的增量式PCA易受到噪声和异常点的影响，平面参数计算不够准确，因此本发明采用一种顾及传感器测量噪声的平面拟合算法重新计算平面参数，将点表示为齐次坐标形式x＝[r^T,1]，令π＝[n^T,d]，

其中上标e表示单位化，此时平面方程可表示为π·x＝0，具体计算步骤为：

(1)计算矩阵

j＝1,...,N，初始化c＝0，令

w_j＝1，其中ρ_j为点到坐标原点的距离，C_j为协方差矩阵，w_j为权重因子；

(2)分别利用下式计算矩阵M和N

计算矩阵

的最小特征值λ及其对应的单位特征向量

若λ≈0，返回

c和

否则，按照下式更新c,

和w_j：

返回步骤(2)，迭代求解。

最终，利用下式求得平面参数：

令

其中I为单位矩阵，平面参数的协方差矩阵为：

此外，属性信息的计算还包括平面片的面积、平面片的边界点、边界长度以及平面片包围矩形的长和宽。一般的平面点集的面积和边界点计算方法耗时较长，本发明采用一种基于点云投影图像的方法加速这一过程。首先，以平均点密度作为投影分辨率，将各个平面片上的点集投影为二值图像，然后对投影图像进行数学形态学处理，利用图像边界检测算法即可较为容易地识别边界像素，根据像素与点的映射关系，即可确定平面片的边界点，投影过程中根据平面的第一和第二主方向可将三维边界点转换为二维，从而便于平面属性信息的计算，得到一系列投影到平面上的二维边界点坐标{p_i＝(x_i,y_i),|i＝1,…,N_b}，N_b为边界点的个数，根据坐标值统计可确定包围矩形的长L和宽W，并可由下式计算平面面积s和边界长度l。

4.平面片过滤。

为提高后续平面匹配的效率和提高算法的鲁棒性，需要进行平面片过滤，根据预设的参数阈值，去除面积较小的平面片，根据长宽比例去除近似线性的平面片，去除平面度较差即平面拟合均方误差较大的平面片。

5.平面片自动匹配。

经过步骤1-4，可以分别得到目标点云数据和待配准点云数据对应的平面片，其中目标点云数据得到m个平面片，待配准点云数据得到n个平面片，分别叫做目标平面片组和待配准平面片组。

(1)确定属性一致的平面对集合。

根据平面属性，遍历上述两平面片组，获得K_ac对属性一致的平面对

其中上标t和s用于标志目标点云和待配准点云，P表示平面，属性一致指的是以下属性度量。

平面面积比例

形状之差

平面拟合均方误差之差

本发明进行条件判断采用的是相对量，而不是绝对量，采用这种策略既便于参数设置又能提高配准成功率以及增强配准方法对于点云间重叠度变化和遮挡的鲁棒性。即如果两个平面间的属性差别在一定范围以内，算法都将判断其平面属性是一致的，将其存入平面属性一致集Θ_ac。

(2)确定旋转矩阵。

旋转矩阵只需要两对非平行平面，因此遍历平面属性一致平面对集合Θ_ac，寻找两对非平行平面对，非平行平面对指的是满足满足如下条件的平面对。

条件1：

条件2：

条件3：

其中条件1选取的两组对应平面需要满足非平行式关系，

是非平行角度阈值，条件2表示两组平面对需要满足夹角一致性，即目标点云所属的两个平面的法向量夹角和待配准点云所属的两个平面法向量夹角要一致，

是相应的角度差阈值，条件3表示平面重心(用r_c表示)间的距离变化需要满足一定的阈值条件，从而降低误匹配可能，同时大大降低后续算法的处理负担。得到满足上述三个条件的两组对应平面后，通过两步旋转法由平面法向量计算旋转矩阵：

(3)确定三元组。

在步骤(2)的基础上，继续遍历Θ_ac中剩余平面对，再寻找第三组满足条件的对应平面

来确定平移参数，该组平面需满足旋转一致性，即利用经过

旋转矩阵变换后，待配准点云中的

应与

平行，即满足

其中，ψ为角度阈值。上述三组平面对组成平面对三元组，用以计算平移参数：

同时更新旋转参数：

将转换参数

和

作用于三元组中待配准点云的平面，利用平面边界点和重心进行重叠性判断，若满足重叠条件，则保留该三元组为一组可能的解，否则放弃。这一步骤完成后将获得N_Π组三元组

(4)确定三元组集合及对应的坐标转换参数。

遍历上述得到的三元组集合，对每个三元组Π进行扩展，即通过旋转平移一致性以及重叠判断从Θ_ac中选择满足条件的平面对加入到Π中，经过扩展的三元组用Γ表示。对于每个Γ，一般可采用加权最小二乘计算新的坐标转换参数，其中旋转矩阵(也叫旋转参数)可由下式计算：

其中，矩阵W为权矩阵，矩阵N通过累积相应的单位法向量

得到，但考虑到测量噪声的存在，这种直接解法可能导致结果不准确。这里采用协方差矩阵加权的奇异值分解法进行求解，确保求得的旋转矩阵是单位正交阵，定义关联矩阵Q＝^sN^TW^tN，其中权值为法向量n拟合协方差矩阵的迹的倒数，对其进行奇异值分解可得Q＝UΛV^T，待求的旋转矩阵为：

令

平移向量(平移参数)采用下式计算得到，其中权值由参数d的方差的倒数确定。

但在这里计算出新的旋转和平移参数后，有条件的接受更新。

对于

和

根据Γ提供的平面对应关系，按下式分别计算旋转一致性度量：

若

则接受旋转更新，否则拒绝更新，维持原有值

对于平移

和

类似地，根据下式计算平移一致性度量：

若

则接受平移更新，否则拒绝更新，维持原有值

(5)选取最优解。

步骤(4)完成后将得到一系列可行解，需要从中选取最优解，对于每个可行解，将其作用于待配准平面后利用最近邻法则重新确定对应关系，并计算总体一致性度量为：

选择δ值最小的一个解，即为最终配准结果。

装置实施例

本发明的平面特征的点云数据自动配准装置，包括存储器和处理器，以及存储在所述存储器上并在处理器上运行的计算机程序，处理器与所述存储器相耦合，处理器执行计算机程序时实现方法实施例中的平面特征的点云数据自动配准方法，具体过程已在方法实施例中进行了详述，这里不再赘述。

本发明在平面分割过程中采用基于体素生长的方式代替传统的基于点的方法，并结合增量式的PCA算法更新平面参数，大大提高了从大规模点云中提取平面特征的效率；滤除部分不理想的平面，将送入平面匹配模块的平面数量限定在一定范围内，降低了平面匹配的复杂度；在平面匹配过程中，综合利用平面属性信息、平面间约束以及空间几何约束进一步确保了配准过程的高效；整个过程实现了自动化处理，无需人工干预。同时本发明只利用三维点坐标即几何信息，而不依赖额外的强度或色彩信息，对于各种平台获取的点云数据均能有效进行配准，既能处理小场景室内点云，也能处理大规模复杂室外场景点云。

Claims (9)

1.一种基于平面特征的点云数据自动配准方法，其特征在于，该配准方法包括以下步骤：

1)获取目标点云数据和待配准点云数据；

2)分别对目标点云数据和待配准点云数据进行平面分割，得到目标平面片组和待配准平面片组，并计算各平面组中的每个平面片的属性信息；

3)根据每个平面片的属性信息从目标平面片组和待配准平面片组得到属性一致的平面对集合；所述属性一致的平面对集合指的是目标平面片组和待配准平面片组中满足平面面积比例小于设定比例、平面形状之差小于设定形状差、平面拟合均方误差之差小于设定误差的平面对；

4)从属性一致的平面对集合中选取两对非平行平面对，并根据得到的两对非平行平面对确定旋转矩阵；利用旋转矩阵从所述属性一致的平面对集合的剩余平面对中选取满足旋转一致性的一个非平行平面对，并将所选取的三对平面对作为一个三元组，将该三元组对应的转换参数作用于该三元组中待配准点云的平面，若满足重叠条件，则将该三元组加入三元组集合；

所述非平行平面对指的是满足以下三个条件的平面对：

条件1：

条件2：

条件3：

其中，

是目标点云所属的两个平面的法向量，

是待配准点云所属的两个平面法向量，

是非平行角度阈值，

是相应的角度差阈值；

分别对应表示

所属平面的重心，γ表示设定阈值；

旋转一致性度量δ_R的计算公式为：

其中，上标t和s用于标志目标点云和待配准点云，n为平面的单位法向量；

总体一致性度量δ的计算公式为：

其中，m表示重心，d为坐标原点到拟合平面的距离；

5)按照步骤4)的方式遍历属性一致的平面对集合中的剩余平面对，得到三元组集合，将三元组集合中各三元组对应的转换参数分别作用于待配准点云数据，并计算总体一致性度量，从中选取总体一致性度量最小的三元组的转换参数进行点云配准。

2.根据权利要求1所述的基于平面特征的点云数据自动配准方法，其特征在于，该方法还包括在进行平面分割前对目标点云数据和待配准点云数据进行预处理的步骤，从目标点云数据和待配准点云数据中去除体外孤点和野值点。

3.根据权利要求1所述的基于平面特征的点云数据自动配准方法，其特征在于，所述步骤2)中每个平面片的属性信息包括平面的单位法向量、坐标原点到拟合平面的距离、平面拟合的均方误差、平面片的面积、平面片的边界点、边界长度和平面片最小包围矩形的长和宽。

4.根据权利要求3所述的基于平面特征的点云数据自动配准方法，其特征在于，所述步骤2)中的平面分割采用的是基于体素生长的自适应平面分割算法实现。

5.根据权利要求4所述的基于平面特征的点云数据自动配准方法，其特征在于，所述步骤2)在体素生长过程中采用增量式的PCA算法计算体素生长后的平面参数以及平面拟合的均方误差。

6.根据权利要求5所述的基于平面特征的点云数据自动配准方法，其特征在于，该方法还包括对采用增量式的PCA算法得到平面参数通过顾及传感器测量噪声的平面拟合算法进行重新计算。

7.根据权利要求1所述的基于平面特征的点云数据自动配准方法，其特征在于，所述步骤4)中的旋转矩阵采用协方差矩阵加权的奇异值分解法计算得到。

8.根据权利要求1-7中任一项所述的基于平面特征的点云数据自动配准方法，其特征在于，该方法还包括对步骤2)中的平面片进行过滤，以去除面积较小、近似线形、平面度较差的平面片。

9.一种基于平面特征的点云数据自动配准装置，其特征在于，该装置包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的平面特征的点云数据自动配准方法。

Images