CN102607459A - Lidar测量数据的拼接方法和装置 - Google Patents

Abstract

本发明的实施例提供了一种Lidar测量数据的拼接方法和装置。该方法主要包括：利用LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对多个点云数据进行两两配对处理，将配对的两个点云数据均匀切分生成多个切分单元。根据切分单元的相对密度、长度、空间位置从配对的两个点云数据的候选特征单元集中选取出多个特征单元组成匹配特征单元集合。根据旋转轴L和旋转角度θ组成变换矩阵R，按照所有匹配特征单元的误差平方和最小的原则求解出所述旋转轴L及旋转角度θ的值；将第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到第二点云数据中，合并为一个完整的数据集合。本发明实施例可以基于LiDAR采集数据的工作参数，准确、快速地确定各点云数据的特征区域和多个匹配的特征单元对，快速地对多次LiDAR采样的点云数据进行有效拼接。

Description

Lidar测量数据的拼接方法和装置

技术领域

本发明属于激光探测测量领域，具体涉及一种对多次Lidar(LightDetection and Ranging，激光探测和测距系统)测量数据进行拼接的方法和装置。

背景技术

Lidar(Light Detection and Ranging，激光探测和测距系统)采用单个激光脉冲测量从激光源到被测目标、再从被测目标回到激光接收器的时间，同时结合定向数据，精确测量被测目标的三维坐标。LIDAR具有传统摄影测量和地面常规测量技术无法取代的优越，具有自动化程度高、精度高等优点。针对不同的应用领域及成果要求，结合灵活的搭载方式，LiDAR技术可广泛应用于基础测绘、道路工程、电力电网、水利、建筑物三维建模、文物保护等诸多领域。

LIDAR传感器直接获取高精度三维数据，如果测区过大，可采用多次扫描方式来获得整个测区数据。对一个物体进行多次扫描，可以获取精确的形态。多次测量，需设置多个测站。任意一组扫描数据中，扫描点间的相对关系是正确的；而多次扫描间数据点的关系正确与否，取决于测站点的数学精度和测站点是否在同一坐标系下。

常用的坐标矫正方法是拼接方法，即在扫描区域中设置控制点或扫描标靶，通过对这些控制点或扫描标靶的强制符合，将多组扫描数据统一到一个模型中来。但测量时，有时不能设置明显的标志点；由于测站点的误差会放大传递给扫描数据，使不同测站的扫描数据精度不统一。在地形测绘领域，对不同测站的LiDar扫描数据进行高精度地拼接，是一个必须解决的问题。

现有技术中的一种LiDar扫描数据的拼接方法为：ICP(Iterative ClosestPoints，对应点集匹配算法)方法。该方法通过逐点计算匹配点，寻找两个点集的坐标变换矩阵，并计算法向量，计算量非常大。

在实现本发明过程中，发明人发现上述现有技术中的LiDar扫描数据的拼接方法至少存在如下问题：因为采用逐点计算方法，两个点云数据间特征点的匹配工作量更大，对于大规模点云数据，ICP方法的计算时间过长，难以处理连续的噪声数据。一次拼接的精确度不够，需要多次拼接才能够提高拼接质量。

发明内容

本发明的实施例提供了一种Lidar测量数据的拼接方法和装置，以实现从多次测量数据提取重合区域内的标准性特征区域，并根据提取的标志性特征进行多次点云数据的拼接。

一种对Lidar测量数据进行拼接的方法，包括：

利用激光探测和测距系统LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对所述多个点云数据进行两两配对处理，将配对的第一点云数据、第二点云数据分别用树状数据组织结构来组织，对所述树状数据组织结构进行切分生成多个切分单元；

从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂；

根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值；

将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果。

一种Lidar测量数据的拼接装置，其特征在于，包括：

切分单元获取模块，用于利用激光探测和测距系统LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对所述多个点云数据进行两两配对处理，将配对的第一点云数据、第二点云数据分别用树状数据组织结构来组织，对所述树状数据组织结构进行切分生成多个切分单元；

匹配特征单元获取模块，用于从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂；

变换矩阵获取模块，用于根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值；

点云数据拼接模块，用于将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例可以基于LiDAR采集数据的工作参数，准确、快速地确定各点云数据的特征区域和多个匹配的特征单元对，并基于匹配的特征单元对集合进行快速准确的点云配准，快速地对多次LiDAR采样的点云数据进行有效拼接。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种Lidar测量数据的拼接方法的处理流程图；

图2为本发明实施例二提供的一种Lidar测量数据的拼接装置的具体结构图。

具体实施方式

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

该实施例提供的一种Lidar测量数据的拼接方法的处理流程如图1所示，包括如下的处理步骤：

步骤11、将配对的两个点云数据组织成kd(k-dimension，k维树)树，对kd树进行切分生成多个切分单元。

利用LiDAR在不同位置对同一物体进行多次数据采集，获取多个点云数据。上述kd树进行空间八个方向的均匀切分，生成多个切分单元。每个切分单元是包含若干个空间点p的集合。切分单元内的数据做为整体进行考核，比点处理的效率提高。Kd树是一种有效的树状数据组织结构，树中每个数据的维数为k，Kd树在三维空间中方差最大的一维上划分数据，逐层建立到叶子节点。上述切分过程根据点云数据的密度确定切分单元的尺度，将配对的两个点云数据切分为大小相等的空间立方体，每个空间立方体内的数据作为一个待处理的整体性数据单元，即切分单元。

步骤12、提取出每个切分单元的特征值，该特征值包括中心、相对密度、到点云数据中心的距离等。

1、计算出点云数据的中心。center(PC)是点云PC的中心位置，card(PC)是点云PC的点个数，Pj是点云PC中的任一点

$\mathrm{center}\left(\mathrm{PC}\right)=\frac{1}{\mathrm{card}\left(\mathrm{PC}\right)}\underset{j=1}{\overset{\mathrm{card}\left(\mathrm{PC}\right)}{\mathrm{\Σ}}}{p}_j,p_j\∈\mathrm{PC}$

2、计算出切分单元c_i的中心，为内部数据的位置均值。center(ci)是单元ci的中心位置，card(ci)是单元ci的点个数，Pj是单元ci中的任一点

$\mathrm{center}\left(c_i\right)=\frac{1}{\mathrm{card}\left(c_i\right)}\underset{j=1}{\overset{\mathrm{card}\left(c_i\right)}{\mathrm{\Σ}}}{p}_j,p_j\∈c_i$

3、计算出切分单元c_i的密度，为切分单元内点云数据的个数与切分单元的体积之比。density(ci)是单元ci的点密度，ci.max是单元ci的最大x坐标值。

$\mathrm{density}\left(c_i\right)=\frac{\mathrm{card}\left(c_i\right)}{(c_i.x_{\max }-c_i.x_{\min })(c_i.y_{\max }-c_i.y_{\min })(c_i.z_{\max }-z_i.x_{\min })}$

4、计算出切分单元的邻域neighboor(c_i)密度，邻域内点云数据的个数与邻域体积之比。

$\mathrm{neighboor}\_\mathrm{density}\left(c_i\right)=\frac{\mathrm{card}\left(\mathrm{neighboor}\left(c_i\right)\right)}{\mathrm{volume}\left(\mathrm{neighboor}\left(c_i\right)\right)}$

切分单元c_i的邻域，是以c_i为中心、体积扩大27倍的空间区域。

$\mathrm{neighboor}\left(c_i\right)=\left\{\begin{array}{c}{2c}_i.x_{\min }-c_i.x_{\max }\≤p_j.x\≤{2c}_i.x_{\max }-c_i.x_{\min }\\ {p_j|2c}_i.y_{\min }-c_i.y_{\max }\≤p_j.y\≤{2c}_i.y_{\max }-c_i.y_{\min }\\ {2c}_i.z_{\min }-c_i.z_{\max }\≤p_j.z\≤{2c}_i.z_{\max }-c_i.z_{\min }\end{array}\right\}$

5、切分单元c_i的相对密度，即邻域内点云数据的个数与邻域体积之比

$\mathrm{rel}\_\mathrm{dens}\left(c_i\right)=\frac{\mathrm{density}\left(c_i\right)}{\mathrm{neighboor}\_\mathrm{density}\left(c_i\right)}$

6、切分单元c_i的长度，即到点云数据中心的距离

$\mathrm{length}\left(c_i\right)=\sqrt{{(\mathrm{center}\left(\mathrm{pc}\right).x-\mathrm{center}\left(c_i\right).x)}^2+\mathrm{center}\left(\mathrm{pc}\right).y-\mathrm{center}\left(c_i\right).y{)}^2+\mathrm{center}\left(\mathrm{pc}\right).z-\mathrm{center}\left(c_i\right).z{)}^2}$

所述card(c_i)、card(neighboor(c_i))和volume(neighboor(c_i))为切分单元c_i的点数、邻域的点数及邻域体积。

步骤13、按照切分单元的相对密度进行排序，将相对密度高的若干切分单元作为候选特征单元集。比较两个点云数据的候选特征集，找到相对密度、长度误差小于设定的阈值的两对特征单元，若两对特征的空间关系一致，则为两对基准特征单元对。

将配对的两个点云数据的切分单元分别按相对密度排序，将两个点云数据的排序前30％的切分单元分别作为待匹配的候选特征单元集：SetCell1和SetCell2。

如果SetCell1的切分单元与SetCell2中切分单元

是被测物体的同一区域，并且满足下面三个条件：

①切分单元

与切分单元

的相对密度差小于阈值T，且的长度与

的长度误差小于阈值T

②SetCell1的另一切分单元

与SetCell2中切分单元

的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T

③同时到

的距离，与

到距离的相对误差小于阈值T

$\frac{|d(c_i^1,c_j^2)-d(c_{i^{\&prime;}}^1,c_{j^{\&prime;}}^2)|}{d(c_i^1,c_j^2)}<T$

则

与

为一对匹配的特征单元，同时

与

为另一对匹配的特征单元。匹配特征对

定义为第一对基准特征单元

定义为第二对基准特征单元基准特征单元对是后续特征匹配的依据。

步骤14、配对的两个点云数据的候选特征单元集中的特征单元如果特征值误差小于阈值，与两对基准特征单元对的空间关系一致，则确定为匹配特征单元对。

顺序检查候选特征单元集SetCell1的其它候选特征单元，如果单元

与SetCell2的

相对密度、方差、到点云数据中心的距离三个特征值非常接近，且

到

和

的距离，与

到

和的距离基本一致，则

和

为两个匹配的特征区域；顺序执行上述处理过程，一直到集合SetCell1处理完毕，从两个候选特征单元集：SetCell1和SetCell2中选取出若干对匹配的特征区域。

如果上述候选特征单元集：SetCell1和SetCell2中的两个特征单元：满足①到点云数据中心的长度误差小于T；②到第一对基准特征的距离误差小于T；③到第二对基准特征的距离误差小于T，则SetCell1和SetCell2中的两个特征单元的相似度为1，否则为0。相似度等于1的两个特征单元确定为匹配特征单元。

两个点云数据的匹配特征单元存放到两个相应的特征集合中，

匹配特征单元包括两对基准特征对。

在实际应用中，当配对的两个点云数据的密度过于稀疏，难以获取匹配特征单元时，可以通过对采样密度及采样区域进行控制，来对点云数据进行增补。还可以去除点云数据中的噪声，提高后续处理的计算效率。

步骤15、根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值。

从上述F₁与F₂中提取出n对匹配特征单元，F₁中每个匹配特征单元沿旋转轴L(u_x，u_y，u_z)旋转角度θ变换的结果接近F₂中的匹配特征单元。将所有匹配特征单元的旋转轴和旋转角度θ统一表述到变换矩阵R中，R矩阵拟合所有成对匹配特征单元。

$R(L,\mathrm{\&theta;})=\left(\begin{array}{ccc}\cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_x^2& (1-\cos \mathrm{\&theta;})u_x{u}_y-u_z\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_x{u}_z+u_y\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_y+u_z\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_y^2& (1-\cos \mathrm{\&theta;})u_y{u}_z-u_x\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_z-u_y\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_y{u}_z+u_x\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_z^2\end{array}\right)$

F₁中的特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，使得所有成对匹配特征单元的误差平方和最小。即F₁中的特征单元变换后与F₂中相应的匹配特征单元的位置非常接近。

$c_1^{1}R(L,\mathrm{\&theta;})\&ap;c_1^2,$ $c_2^{1}R(L,\mathrm{\&theta;})\&ap;c_2^2,$ $c_n^{1}R(L,\mathrm{\&theta;})\&ap;c_n^2$

其中， $c_i^1=[x_i^1,y_i^1,z_i^1],$ $c_i^2=[x_i^2,y_i^2,z_i^2]$

所有成对匹配特征单元的误差平方和函数表达式为：

$f=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(c_i^1\&times;R-c_i^2)}^2$

步骤16、按照误差平方和函数值最小的原则，由智能优化技术粒子群算法求解变换矩阵R中的变换轴与旋转角度。

按照误差平方和函数最小的原则生成误差函数，由函数的极小值求解出变换矩阵中的u_x，u_y，u_z及旋转角度θ。按照粒子群算法对误差函数进行智能优化方法，R矩阵中的上述4个变量u_x，u_y，u_z和θ分别定义为(x₁，x₂，x₃，x₄)

1)随机初始化10组变量值，x_i1和x_i2在区间[-1，1]内，而

x_i4

在区间[0，π]内。在[0，0.5]区间内随机初始化10组速度值。

2)将10组变量值带入f函数，所有组变量中，函数值最小的一组变量，记为(x_g1，x_g2，x_g3，x_g4)

3)由下述速度及变量位移公式更新速度及变量，每组变量中函数值最小标记为(x_p1，x_p2，x_p3，x_p4)

v_i＝wv_i+c₁r₁(x_pi-x_i)+c₂r₂(x_gi-x_i)

x_i＝x_i+v_i

速度及变量位移公式中的参数c₁，c₂为2.0，w随循环过程逐步减小。r₁和r₂是在[0，1]间的随机数。

如果更新后的变量值不在相应区间内，速度降至二分之一，如果变量值仍然在区间外，速度降至四分之一，继续等比下降，直到变量值符合要求。

4)循环执行步骤2和步骤3，直到变量收敛，粒子群优化收敛得到的一组四个变量(x_g1，x_g2，x_g3，x_g4)即为旋转轴L的三个方向u_x，u_y和u_z及旋转角度θ。

步骤17、将配对的一个点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到配对的另一个点云数据中，合并为一个完整的数据集合，得到配对的两个点云数据的拼接结果。

将四个变量带入旋转矩阵R(L，θ)，将配对的一个点云数据PC₂中所有点进行R变换，得到的变换数据添加到配对的另一个点云数据PC₁中，合并为一个完整的数据集合，即得到两次LiDAR测量数据(即配对的两个点云数据)的拼接结果。

$\mathrm{CP}={\mathrm{CP}}_1\underset{i=2}{\&cup;}({\mathrm{CP}}_i\&times;R)$

m次LiDAR测量数据的拼接结果为：

$\mathrm{cp}={\mathrm{cp}}_1\underset{i=2}{\overset{m}{\&cup;}}({\mathrm{cp}}_i\&times;R_i)$

实施例二

该实施例提供的一种Lidar测量数据的拼接装置，其具体结构如图2所示，包括如下的模块：

切分单元获取模块21，用于利用激光探测和测距系统LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对所述多个点云数据进行两两配对处理，将配对的第一点云数据、第二点云数据分别用树状数据组织结构来组织，对所述树状数据组织结构进行空间八个方向的均匀切分生成多个切分单元；上述树状数据组织结构可以为Kd树。

匹配特征单元获取模块22，用于从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂；

变换矩阵获取模块23，用于根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值；

点云数据拼接模块24，用于将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果。

具体的所述的匹配特征单元获取模块22，还用于将所述第一点云数据、第二点云数据的所有切分单元按照相对密度进行排序，将相对密度高的若干切分单元分别作为待匹配的所述第一点云数据、第二点云数据的候选特征单元集：SetCell1和SetCell2，切分单元的相对密度为切分单元的邻域内点云数据的个数与邻域体积之比；

如果SetCell1的切分单元

与SetCell2中切分单元

是被测物体的同一区域，并且满足下面三个条件：

1、切分单元

与切分单元

的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T；

2、SetCell1的另一切分单元

与SetCell2中切分单元的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T；

3、

到

的距离与

到

距离的相对误差小于阈值T；

则与

为一对匹配的特征单元，同时

与

为另一对匹配的特征单元，匹配特征对

定义为第一对基准特征

定义为第二对基准特征

如果所述候选特征单元集：SetCell1和SetCell2中的两个切分单元：满足如下的3个条件：

1、到点云数据中心的长度误差小于设定的数值T；

2、到第一对基准特征的距离误差小于T；

3、到第二对基准特征的距离误差小于T，则两个切分单元的相似度为1，否则为0，相似度等于1的两个切分单元为匹配特征单元；

所述第一点云数据、第二点云数据的匹配特征单元分别存放到两个相应的特征集合F1，F2中， $F1={\{c}_1^1,c_2^1,...,c_n^1\},$ $F2=\{c_1^2,c_2^2,...,c_n^2\}.$

具体的，所述的变换矩阵获取模块23，还用于根据旋转轴L(ux，uy，uz)和旋转角度θ组成所述变换矩阵R，

$R(L,\mathrm{\&theta;})=\left(\begin{array}{ccc}\cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_x^2& (1-\cos \mathrm{\&theta;})u_x{u}_y-u_z\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_x{u}_z+u_y\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_y+u_z\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_y^2& (1-\cos \mathrm{\&theta;})u_y{u}_z-u_x\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_z-u_y\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_y{u}_z+u_x\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_z^2\end{array}\right)$

将所述F1中的每个匹配特征单元与旋转矩阵R相乘后，计算与F2中相应的匹配特征单元的误差，按照所述F1、F2中所有成对匹配特征单元的误差平方和最小的原则生成误差函数f：

$f=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(c_i^1\&times;R-c_i^2)}^2$

所述n为所述F1、F2中成对匹配特征单元的数量，所述

为所述F1中匹配特征单元，所述为所述F2中和所述

对应的匹配特征单元。

具体的，所述的变换矩阵获取模块23，还用于按照粒子群算法对所述误差函数f进行智能优化，所述变换矩阵R中的4个变量u_x，u_y，u_z和θ分别定义为(x1，x2，x3，x4)；

1)随机初始化10组变量值，x_i1和x_i2在区间[-1，1]内，而x_i4

在区间［0，π]内，在[0，0.5]区间内随机初始化10组速度值；

2)将所述10组变量值带入所述误差函数f，所有组变量中，函数值最小的一组变量，记为(x_g1，x_g2，x_g3，x_g4)；

3)设定速度及变量位移公式为：

v_i＝wv_i+c₁r₁(x_pi-x_i)+c₂r₂(x_gi-x_i)

x_i＝x_i+v_i

所述c₁，c₂为2.0，ω随循环过程逐步减小，所述r₁和r₂是在[0，1]间的随机数，

由所述速度及变量位移公式更新所述速度及变量，每组变量中函数值最小标记为(x_p1，x_p2，x_p3，x_p4)

如果更新后的变量不在相应区间内，速度降至二分之一，如果仍然在区间外，速度继续等比下降，直到符合要求。

4)循环执行步骤2和步骤3，直到变量收敛，粒子群优化收敛得到的一组四个变量(x_g1，x_g2，x_g3，x_g4)即为所述(x₁，x₂，x₃，x₄)。

具体的，所述的点云数据拼接模块24，还用于将所述第一点云数据CP₁中所有数据点通过所述变换矩阵进行变换，得到的变换数据添加到所述第二点云数据CP₂中，合并为一个完整的数据集合，即得到两次LiDAR测量数据的拼接；

$\mathrm{CP}={\mathrm{CP}}_1\underset{i=2}{\&cup;}({\mathrm{CP}}_i\&times;R)$

m次LiDAR测量数据的拼接结果为：

$\mathrm{cp}={\mathrm{cp}}_1\underset{i=2}{\overset{m}{\&cup;}}({\mathrm{cp}}_i\&times;R_i).$

本领域普通技术人员可以理解并实现上述实施例方法中的全部或部分流程，是指可以通过计算机程序控制相关的硬件来完成，所述的程序可存储于一个计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

综上所述，本发明实施例可以基于LiDAR采集数据的工作参数，对采样数据进行特征区域提取、匹配特征对和点云数据拼接处理。本发明实施例能够准确、快速地确定各点云数据的特征区域和多个匹配的特征单元对，并基于匹配的特征单元对集合进行快速准确的点云配准。

本发明实施例能够准确、快速地对多次LiDAR采样的点云数据进行有效拼接，本发明实施例方法的计算时间是ICP方法的百分之一以下。同时能够实现数据重采样、去冗余操作。

本发明实施例的方法计算量小，简便易行，容易实现，能够适应于大范围、存在遮挡、空洞、反射物的复杂不规则场景的建模及可视化显示，拓展了lidar采样装置的使用范围，增强了扫描的功能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种对Lidar测量数据进行拼接的方法，其特征在于，包括：

利用激光探测和测距系统LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对所述多个点云数据进行两两配对处理，将配对的第一点云数据、第二点云数据分别用树状数据组织结构来组织，对所述树状数据组织结构进行切分生成多个切分单元；

从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂；

根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值；

将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果。

2.根据权利要求1所述的方法，其特征在于，所述的从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂，包括：

将所述第一点云数据、第二点云数据的所有切分单元按照相对密度进行排序，将相对密度高的若干切分单元分别作为待匹配的所述第一点云数据、第二点云数据的候选特征单元集：SetCell1和SetCell2，切分单元的相对密度为切分单元的邻域内点云数据的个数与邻域体积之比；

如果SetCell1的切分单元

与SetCell2中切分单元

是被测物体的同一区域，并且满足下面三个条件：

1、切分单元

与切分单元

的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T；

2、SetCell1的另一切分单元

与SetCell2中切分单元

的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T；

3、到

的距离与到

距离的相对误差小于阈值T；

则

与

为一对匹配的特征单元，同时

与

为另一对匹配的特征单元，匹配特征对

定义为第一对基准特征

定义为第二对基准特征

如果所述候选特征单元集：SetCell1和SetCell2中的两个切分单元：满足如下的3个条件：

1、到点云数据中心的长度误差小于设定的数值T；

2、到第一对基准特征的距离误差小于T；

3、到第二对基准特征的距离误差小于T，则两个切分单元的相似度为1，否则为0。相似度等于1的两个切分单元为匹配特征单元；

所述第一点云数据、第二点云数据的匹配特征单元分别存放到两个相应的特征集合F1，F2中, $F1={\{c}_1^1,c_2^1,...,c_n^1\},$ $F2=\{c_1^2,c_2^2,...,c_n^2\}.$

3.根据权利要求1所述的方法，其特征在于，所述的根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F1中的匹配特征单元与旋转矩阵R相乘后，计算与F2中相应的匹配特征单元的误差，按照所有匹配特征单元的误差平方和最小的原则生成误差函数，包括：

根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成所述变换矩阵R，

$R(L,\mathrm{\&theta;})=\left(\begin{array}{ccc}\cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_x^2& (1-\cos \mathrm{\&theta;})u_x{u}_y-u_z\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_x{u}_z+u_y\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_y+u_z\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_y^2& (1-\cos \mathrm{\&theta;})u_y{u}_z-u_x\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_z-u_y\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_y{u}_z+u_x\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_z^2\end{array}\right)$

将所述F1中的每个匹配特征单元与旋转矩阵R相乘后，计算与F2中相应的匹配特征单元的误差，按照所述F1、F2中所有成对匹配特征单元的误差平方和最小的原则生成误差函数f：

$f=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(c_i^1\&times;R-c_i^2)}^2$

所述n为所述F1、F2中成对匹配特征单元的数量，所述

为所述F1中匹配特征单元，所述

为所述F2中和所述对应的匹配特征单元。

4.根据权利要求3所述的方法，其特征在于，所述的根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值，包括：

按照粒子群算法对所述误差函数f进行智能优化，所述变换矩阵R中的4个变量u_x，u_y，u_z和θ分别定义为(x₁，x₂，x₃，x₄)

1)随机初始化10组变量值，x_i1和x_i2在区间[-1，1]内，而

x_i4在区间[0，π]内，在[0，0.5]区间内随机初始化10组速度值；

2)将所述10组变量值带入所述误差函数f，所有组变量中，函数值最小的一组变量，记为(x_g1，x_g2，x_g3，x_g4)；

3)设定速度及变量位移公式为：

v_i＝wv_i+c₁r₁(x_pi-x_i)+c₂r₂(x_gi-x_i)

x_i＝x_i+v_i

所述c₁，c₂为2.0，ω随循环过程逐步减小，所述r₁和r₂是在[0，1]间的随机数，

由所述速度及变量位移公式更新所述速度及变量，每组变量中函数值最小标记为(x_p1，x_p2，x_p3，x_p4)

如果更新后的变量不在相应区间内，速度降至二分之一，如果仍然在区间外，速度继续等比下降，直到符合要求。

4)循环执行步骤2和步骤3，直到变量收敛，粒子群优化收敛得到的一组四个变量(x_g1，x_g2，x_g3，x_g4)即为所述(x₁，x₂，x₃，x₄)。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述的将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果，包括：

将所述第一点云数据CP₁中所有数据点通过所述变换矩阵进行变换，得到的变换数据添加到所述第二点云数据CP₂中，合并为一个完整的数据集合，即得到两次LiDAR测量数据的拼接；

$\mathrm{CP}={\mathrm{CP}}_1\underset{i=2}{\&cup;}({\mathrm{CP}}_i\&times;R)$

m次LiDAR测量数据的拼接结果为：

$\mathrm{cp}={\mathrm{cp}}_1\underset{i=2}{\overset{m}{\&cup;}}({\mathrm{cp}}_i\&times;R_i).$

6.一种Lidar测量数据的拼接装置，其特征在于，包括：

切分单元获取模块，用于利用激光探测和测距系统LiDAR在不同位置对同一物体进行多次数据采集获取多个点云数据，对所述多个点云数据进行两两配对处理，将配对的第一点云数据、第二点云数据分别用树状数据组织结构来组织，对所述树状数据组织结构进行切分生成多个切分单元；

匹配特征单元获取模块，用于从所述第一点云数据、第二点云数据的所有切分单元中按相对密度的排序选取设定数量的切分单元作为待匹配的候选特征单元集，根据切分单元的相对密度、长度、空间位置从第一点云数据、第二点云数据的候选特征单元集中获取两对基准特征单元对；根据特征单元的长度、到所述两对基准特征单元对的距离，从所述第一点云数据、第二点云数据的候选特征单元集中其它的特征单元分别选取出多个特征单元组成匹配特征单元集合F₁和匹配特征单元集合F₂；

变换矩阵获取模块，用于根据旋转轴L(u_x，u_y，u_z)和旋转角度θ组成变换矩阵R，将所述F₁中的匹配特征单元与旋转矩阵R相乘后，计算与F₂中相应的匹配特征单元的误差，按照所有特征单元的误差平方和最小的原则生成误差函数，根据所述误差函数的极小值求解出所述旋转轴L(u_x，u_y，u_z)及旋转角度θ的值；

点云数据拼接模块，用于将所述第一点云数据中的所有数据点通过所述变换矩阵R进行变换后，得到的变换数据添加到所述第二点云数据中，合并为一个完整的数据集合，得到所述第一点云数据、第二点云数据的拼接结果。

7.根据权利要求6所述的装置，其特征在于：

所述的匹配特征单元获取模块，还用于将所述第一点云数据、第二点云数据的所有切分单元按照相对密度进行排序，将相对密度高的若干切分单元分别作为待匹配的所述第一点云数据、第二点云数据的候选特征单元集：SetCell1和SetCell2，切分单元的相对密度为切分单元的邻域内点云数据的个数与邻域体积之比；

如果SetCell1的切分单元

与SetCell2中切分单元是被测物体的同一区域，并且满足下面三个条件：

1、切分单元

与切分单元

的相对密度差小于阈值T，且的长度与

的长度误差小于阈值T；

2、SetCell1的另一切分单元与SetCell2中切分单元

的相对密度差小于阈值T，且

的长度与

的长度误差小于阈值T；

3、

到

的距离与到

距离的相对误差小于阈值T；

则

与

为一对匹配的特征单元，同时

与为另一对匹配的特征单元，匹配特征对定义为第一对基准特征

定义为第二对基准特征

如果所述候选特征单元集：SetCell1和SetCell2中的两个切分单元：满足如下的3个条件：

1、到点云数据中心的长度误差小于设定的数值T；

2、到第一对基准特征的距离误差小于T；

3、到第二对基准特征的距离误差小于T，则两个切分单元的相似度为1，否则为0，相似度等于1的两个切分单元为匹配特征单元；

所述第一点云数据、第二点云数据的匹配特征单元分别存放到两个相应的特征集合F1，F2中， $F1={\{c}_1^1,c_2^1,...,c_n^1\},$ $F2=\{c_1^2,c_2^2,...,c_n^2\}.$

8.根据权利要求6所述的装置，其特征在于：

所述的变换矩阵获取模块，还用于根据旋转轴L(ux，uy，uz)和旋转角度θ组成所述变换矩阵R，

$R(L,\mathrm{\&theta;})=\left(\begin{array}{ccc}\cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_x^2& (1-\cos \mathrm{\&theta;})u_x{u}_y-u_z\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_x{u}_z+u_y\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_y+u_z\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_y^2& (1-\cos \mathrm{\&theta;})u_y{u}_z-u_x\sin \mathrm{\&theta;}\\ (1-\cos \mathrm{\&theta;})u_x{u}_z-u_y\sin \mathrm{\&theta;}& (1-\cos \mathrm{\&theta;})u_y{u}_z+u_x\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}+(1-\cos \mathrm{\&theta;})u_z^2\end{array}\right)$

将所述F1中的每个匹配特征单元与旋转矩阵R相乘后，计算与F2中相应的匹配特征单元的误差，按照所述F1、F2中所有成对匹配特征单元的误差平方和最小的原则生成误差函数f：

$f=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(c_i^1\&times;R-c_i^2)}^2$

所述n为所述F1、F2中成对匹配特征单元的数量，所述

为所述F1中匹配特征单元，所述为所述F2中和所述

对应的匹配特征单元。

9.根据权利要求8所述的装置，其特征在于：

所述的变换矩阵获取模块，还用于按照粒子群算法对所述误差函数f进行智能优化，所述变换矩阵R中的4个变量u_x，u_y，u_z和θ分别定义为(x1，x2，x3，x4)；

1)随机初始化10组变量值，x_i1和x_i2在区间[-1，1]内，而x_i4在区间[0，π]内，在[0，0.5]区间内随机初始化10组速度值；

2)将所述10组变量值带入所述误差函数f，所有组变量中，函数值最小的一组变量，记为(x_g1，x_g2，x_g3，x_g4)；

3)设定速度及变量位移公式为：

v_i＝wv_i+c₁r₁(x_pi-x_i)+c₂r₂(x_gi-x_i)

x_i＝x_i+v_i

所述c₁，c₂为2.0，ω随循环过程逐步减小，所述r₁和r₂是在[0，1]间的随机数，

由所述速度及变量位移公式更新所述速度及变量，每组变量中函数值最小标记为(x_p1，x_p2，x_p3，x_p4)

如果更新后的变量不在相应区间内，速度降至二分之一，如果仍然在区间外，速度继续等比下降，直到符合要求。

4)循环执行步骤2和步骤3，直到变量收敛，粒子群优化收敛得到的一组四个变量(x_g1，x_g2，x_g3，x_g4)即为所述(x₁，x₂，x₃，x₄)。

10.根据权利要求6至9任一项所述的装置，其特征在于：

所述的点云数据拼接模块，还用于将所述第一点云数据CP₁中所有数据点通过所述变换矩阵进行变换，得到的变换数据添加到所述第二点云数据CP₂中，合并为一个完整的数据集合，即得到两次LiDAR测量数据的拼接；

$\mathrm{CP}={\mathrm{CP}}_1\underset{i=2}{\&cup;}({\mathrm{CP}}_i\&times;R)$

m次LiDAR测量数据的拼接结果为：

$\mathrm{cp}={\mathrm{cp}}_1\underset{i=2}{\overset{m}{\&cup;}}({\mathrm{cp}}_i\&times;R_i).$

Images