CN103983963B - 一种多站地基激光雷达数据的自动配准方法 - Google Patents

Abstract

本发明公开了一种多站地基激光雷达数据的自动配准方法，该方法着重于改进初始点云配准阶段的工作效率，通过设计新的操作流程，实现自动化的粗拼接，大大提高了操作流程的自动化，简化了操作工序，降低了人力消耗，缩短了内业周期。本发明保证配准精度的同时，大大提高配准效率，解决了传统的多站地基激光雷达数据配准拼接过程的耗时耗力精度差的问题，具有较高的实用价值，将为激光雷达的应用提供强有力的技术支撑。

Description

一种多站地基激光雷达数据的自动配准方法

技术领域

本发明涉及测量技术领域，具体为一种多站地基激光雷达数据的自动配准方法。

背景技术

地基激光雷达作为一种新的测量技术手段正在迅速发展，与此同时，对激光雷达获取的海量点云数据的自动化处理技术的需求也更加迫切，受到测量设备以及作业环境的影响和限制，获得物体表面完整的点云数据往往需要多次设站扫描，由此边不可避免地会导致的不同站点之间的点云错位，因此，为了得到被测对象的完整表面点云数据，就需要对这些局部区块的点云进行整合和配准，以使得点与点之间的相对位置关系正确。地基激光雷达多站扫描数据的处理中一个重要的问题就是多站数据的配准。

目前多站数据的配准多是采用设置共同的靶标或是采用手动的寻找同名点的方式，设置靶标的方法对于复杂地形地区或扫描面积较大的工程难以实现，而手动寻找同名点的方式同样对于面积较大的工程需要投入大量的人力，工作效率低下。

发明内容

本发明所解决的技术问题在于提供一种速度快、精度高、自动化程度高的多站地基激光雷达数据的自动配准方法，以解决上述背景技术中提出的问题。

为了实现上述发明目的，本发明所解决的技术问题采用以下技术方案来实现：

一种多站地基激光雷达数据的自动配准方法，包括以下步骤：

（1）首先对原始数据进行基于特征点方法的预配准，采用构建三角网计算曲面法向量的方式，快速构建线目标、面目标等的特征点集，完成预匹配，具体包括以下步骤：

1）利用扫描时的初始位置信息，获取相邻站点之间粗的重叠区域；

2）针对重叠区不小于50%（重叠区小于50%，进行标记，交由人工处理）的数据，利用特征提取算子提取重叠区的特征点，并结合RANSAC算法进行粗差剔除达到特征描述优化；

3）采用改进的迭代最近点算法（即ICP算法）对优化后的特征进行特征匹配，求解其相应的旋转矩阵，并将其旋转矩阵应用于整个数据，其中，所述改进的迭代最近点算法是建立在基于八叉树的非均匀网格精简数据的基础上新算法，具体包括以下步骤；

a、构造出测量点云的最小外界立方体，并把它作为八叉树结构的根节点；

b、将该立方体均匀分割成大小相同的八个子立方体，每个子立方体被看作根节点的子节点，由此将空间递归细分为2的N次方个子立方体；

c、在根节点层上进行ICP迭代搜索，收敛后，在收敛的节点的子节点内继续迭代搜索，直至其误差达到最小，精度最高，从而实现快速高效的特征匹配，而传统的ICP算法由于其在寻找对应点的计算开销太大，在效率上有很大缺陷，而采用空间查找算法可以大大提高速度，而其收敛速度比较慢，尤其是针对地基激光雷达这种高密度的三维点云数据，其效率极其低下，因此改进的迭代最近点算法相比较传统的算法速快更快，精度更高；

（2）利用站与站之间的相对关系通过重叠区的同名点作为连接点，结合野外实测的GPS控制点，进行整体的区域网平差，实现误差的均匀分配，削弱误差累计，达到高精度的精校正处理，从而实现多站地基激光雷达数据的自动与半自动配准处理。

作为本发明方案的进一步优选，所述特征点算子为Moravec算子、Forstner算子、Hannah算子中任意一种。

为本发明方案的进一步优选，针对步骤（1）中重叠区小于50%，进行标记，交由人工处理。

本发明与以往技术相比，具有以下优点：

本发明着重于改进初始点云配准阶段的工作效率，通过设计新的操作流程，实现自动化的粗拼接，大大提高了操作流程的自动化，简化了操作工序，降低了人力消耗，缩短了内业周期；保证配准精度的同时，大大提高配准效率，解决了传统的多站地基激光雷达数据配准拼接过程的耗时耗力精度差的问题，具有较高的实用价值，将为激光雷达的应用提供强有力的技术支撑。

附图说明

图1为多站地基激光雷达自动化配准流程图；

图2为多站地基激光雷达精校正流程图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种多站地基激光雷达数据的自动配准方法：

如图1所示，首先对原始数据进行基于特征点方法的预配准，采用构建三角网计算曲面法向量的方式，快速构建线目标、面目标等的特征点集，完成预匹配，步骤如下：

1）利用扫描时的初始位置信息，获取相邻站点之间粗的重叠区区域；

2）针对重叠区不小于50%（重叠区小于50%，进行标记，交由人工处理）的站地数据，利用特征提取算子（如Moravec算子、Forstner算子、Hannah算子等）提取重叠区的特征点，在图像处理中要充分结合点云数据的三维几何特性；在特征点提取后，利用RANSAC算法剔除误差点，优化特征描述子，采用改进的迭代最近点算法对优化后的特征进行站地之间的特征匹配，求解其相应的旋转矩阵，并将其旋转矩阵应用于整个站地数据，减少运算量和时间。

如图2所示，最后利用站与站之间的相对关系通过重叠区的同名点作为连接点，结合野外实测高精度的GPS控制点，进行整体的区域网平差，实现误差的均匀分配，削弱误差累计，达到高精度的精校正处理，从而实现多站地基激光雷达数据的自动与半自动配准处理，在保证高精度的同时，大大减少人力物力的耗费。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种多站地基激光雷达数据的自动配准方法，其特征是，包括以下步骤：

（1）首先对原始数据进行基于特征点方法的预配准，采用构建三角网计算曲面法向量的方式，构建特征点集，完成预匹配，具体包括以下步骤：

1）利用扫描时的初始位置信息，获取相邻站点之间重叠区区域；

2）针对重叠区不小于50%的数据，利用特征提取算子提取重叠区的特征点，并结合RANSAC算法进行粗差剔除达到特征描述优化；

3）采用改进的迭代最近点算法对优化后的特征进行特征匹配，求解其相应的旋转矩阵，并将其旋转矩阵应用于整个数据，其中，所述改进的迭代最近点算法是建立在基于八叉树的非均匀网格精简数据的基础上的新算法，具体包括以下步骤；

a、构造出测量点云的最小外界立方体，并把它作为八叉树结构的根节点；

b、将该立方体均匀分割成大小相同的八个子立方体，每个子立方体被看作根节点的子节点，由此将空间递归细分为2的N次方个子立方体，N不少于3；

c、在根节点层上进行ICP迭代搜索，收敛后，在收敛的节点的子节点内继续迭代搜索，直至其误差达到最小，精度最高，从而实现快速高效的特征匹配；

（2）利用站与站之间的相对关系通过重叠区的同名点作为连接点，结合野外实测的GPS控制点，进行整体的区域网平差，实现误差的均匀分配，削弱误差累计，达到高精度的精校正处理，从而实现多站地基激光雷达数据的自动与半自动配准处理。