CN104134216A - 基于16维特征描述的激光点云自动配准方法及系统 - Google Patents

Abstract

本发明公开了一种基于16维特征描述的激光点云自动配准方法及系统，包括步骤：步骤1，对激光点云数据中各激光点单位法向量重新定向；步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系；步骤3，在局部坐标系下获取激光点的特征向量；步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取特征点的最佳尺度；步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。本发明可提高激光点云配准的自动化程度和匹配准确性。

Description

基于16维特征描述的激光点云自动配准方法及系统

技术领域

本发明属于激光点云数据处理应用领域，尤其涉及一种基于16维特征描述的激光点云自动配准方法及系统。

背景技术

地面激光扫描技术(Terrestrial Laser Scanning Technology)是近些年发展起来的一项新型三维测量扫描技术，许多国内测绘厂商都推出了自主知识产权的激光雷达产品。目前在国内，地面激光扫描技术已被应用于土方计算、交通事故处理、城市规划、资源探测、应急救灾、文物保护等多种领域，但国内地面激光扫描技术在各行业领域的应用比例仍然处于较低水平，其中一个主要原因是与国产硬件设备相配套的激光点云数据处理软件仍存在很多缺点和不足。

激光点云数据的配准是激光点云数据处理的第一步，也是激光点云分割、分类、建模等后处理的基础，在激光点云数据处理的中至关重要。激光点云数据的配准，一般通过放置标靶并进行识别或通过手工选取同名点方式来进行，但上述方法具有很大的局限性。因此，无标靶的激光点云配准方法的研究也就凸显了其必要性和重要性。无标靶的激光点云配准以激光点云的特征提取和匹配为主，但这种激光点云配准方法难以适用于所有的情况，因为激光点云数据所对应的场景往往比较复杂，很多算法只能针对其中部分场景进行配准。因此，通过不断改进、完善寻找一种场景适应性好、抗噪能力强、配准效率高的激光点云配准方法，对地面激光扫描设备以及激光点云数据在实际生产中的应用有着重要价值。

目前，激光点云特征提取方法主要集中于几何特征提取，此类特征提取方法通过拟合各激光点的法向量、曲率等基本特征进而计算更高级、稳定的点特征，例如，三维积分描述子(通过积分计算激光点的球形邻域与过该激光点的拟合曲面所构成空间的体积)、法向量与曲率半径方向夹角的正弦值、3D-SITF特征、不变矩、球面谐波不变量等点特征。除了点特征，很多方法还利用线特征、面特征、环特征和球特征等多维度特征对激光点云进行特征描述和提取。提取点云特征后，目前主要通过特征空间中最临近搜索确定激光点云中用于配准的同名点，但这种方法往往存在较多误匹配点；而且，上述特征提取方法在不同尺度上提取的特征往往不同。

文中涉及如下相关文献：

[1]Gelfand N,Niloy J M,Leonidas J G,et al.Robust Global Registration.SGP’05:Proceedingsof the third Eurographics symposium on Geometry processing,2005.197–206.

[2]Liu R,Hirzinger G..Marker-free automatic matching of range data.Proceedings of In:R.Reulke and U.Knauer(eds),Panoramic Photogrammetry Workshop,Proceedings of theISPRS working group V/5,2005.

[3]Sharp G C,Lee S W,Wehe D K.ICP registration using invariant features[J].PatternAnalysis and Machine Intelligence,IEEE Transactions on,2002,24(1):90-102.

[4]Bae K H,Lichti D D.Automated registration of unorganised point clouds fromterrestrial laser scanners[M].Curtin University of Technology.2006.

[5]Sadjadi F A,Hall E L.Three-dimensional moment invariants[J].Pattern Analysis andMachine Intelligence,IEEE Transactions on,1980(2):127-136.

[6]Burel G,Hénocq H.Three-dimensional invariants and their application to objectrecognition[J].Signal Processing,1995,45(1):1-22.

[7 I Stamos,M Leordeanu,Automated Feature-based Range Registration of UrbanScenes of Large Scale,in IEEE Conference on Computer Vision and Pattern Recognition(2003)

[8]J Yao,MR Ruggeri,P Taddei,V Sequeira,Automatic scan registration using 3Dlinear and planar features.3D Res.1(3),1–18(2010)

[9]C Chao,I Stamos,Semi-automatic Range to Range Registration:a Feature-basedMethod,in International Conference on 3-D Digital Imaging and Modeling(3DIM)(2005)

[10]C Dold,C Brenner,Registration of Terrestrial Laser Scanning Data Using PlanarPatches and Image Data,in International Society for Photogrammetry and Remote Sensing(2006)

[11]C Chao,I Stamos,Range Image Registration Based on Circular Features,inProceedings of International Symposium on 3D Data Processing Visualization andTransmission(3DPVT)(2006)

[12]M Franaszek,GS Cheok,C Witzgall,Fast automatic registration of range imagesfrom 3D imaging systems using sphere targets.Autom Constr.18(3),265–274(2009).doi:10.1016/j.autcon.2008.08.003

发明内容

针对现有技术存在的问题，本发明提供了一种匹配更精确的基于16维特征描述的激光点云自动配准方法及系统。

为解决上述技术问题，本发明采用如下的技术方案：

一、基于16维特征描述的激光点云配准方法，包括步骤：

步骤1，对激光点云数据中各激光点单位法向量重新定向，即：选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；

步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系，具体为：

分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为v轴，u轴与v轴方向向量的叉乘结果为w轴；

步骤3，在局部坐标系下获取激光点的特征向量，具体为：

3.1在局部坐标系下下，计算目标点单位法向量与v轴方向向量的点乘关系f1、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和v轴形成平面上投影的反正弦值f4；

3.2比较fi和阈值t_i的大小，若fi＞t_i，则s(t_i,fi)＝1；否则s(t_i,fi)＝0；i＝1、2、3、4，t₁和t₂在[-1,1]范围内取值，t₄在[-π/2,π/2]范围内取值，t₃表示尺度；

3.3获得激光点邻域内任意两邻域激光点的特征值统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；

步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；

步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。

子步骤3.2中所述的t₁、t₂和t₄均设为0。

步骤4中所述的基于激光点的特征向量从点云数据中提取特征点具体为：

根据不同尺度下激光点特征向量分别获得各尺度下的平均特征向量，所述的平均特征向量为点云数据中所有激光点特征向量的均值；

在不同尺度下，分别衡量激光点特征向量和平均特征向量间的距离，根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点；

在两个连续尺度上均为初始特征点的激光点即为最终的特征点。

上述根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点，具体为：

选择与平均特征向量的距离大于标准差σ的激光点作为初始特征点，标准差σ为点云数据中所有激光点特征向量和平均特征向量间距离的标准差。

上述衡量激光点特征向量和平均特征向量间的距离采用KL距离进行衡量：其中，D_KL表示激光点特征向量和平均特征向量间的KL距离，表示激光点特征向量的第i维元素，μ_i为平均特征向量的第i维元素。

步骤4中所述的获取不同尺度下特征点维度特性表现的概率组合，具体为：

对特征点的邻域激光点集(X₁,...,X_i,...,X_n)，获取矩阵和M＝B^TB，其中，

计算矩阵M的特征值，并按从大到小对特征值排序，排序后特征值为λ₁≥λ₂≥λ₃；

根据矩阵M的特征值获得特征点维度特性表现的概率值：a₁＝(λ₁-λ₂)/λ₁、a₂＝(λ₂-λ₃)/λ₁和a₃＝λ₃/λ₁，获得概率组合(a₁,a₂,a₃)；

同时，步骤4中所述的概率组合香农熵 $E_{f_{\mathrm{Vp}}}^r=-a_1*{\mathrm{Ina}}_1-a_{12}*{\mathrm{Ina}}_2-a_3*{\mathrm{Ina}}_3.$

步骤6进一步包括：

基于特征点在最佳尺度下的特征向量对两站激光点云中特征点进行粗配准，获得初始同名点对；

基于同名点对间距离的均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对；

根据筛选后的同名点对两站激光点云进行配准。

上述基于同名点对间的距离均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对，具体为：

将初始同名点集中距离均方根误差小于阈值r_Threshold的任意两对初始同名点对合并，并加入2阶点对象集；

对k阶点对象集中任意对象e_ki，在k阶点对象集中搜索与对象e_ki没有重复结点的对象e_kj，若对象对(e_ki,e_kj)中k对初始同名点对间的距离均方根误差小于阈值r_Threshold，则将对象对(e_ki,e_kj)合并加入2k阶点对象集；同时删除k阶点对象集中与对象对(e_ki,e_kj)有相同结点的对象；其中，k依次取2、4、8，最终获得16阶点对象集；阈值r_Threshold根据两站激光点云的点云密度设定；

将16阶点对象集中对象加入同名点对集，根据同名点对集中同名点对获取转换参数(R,t)，对初始同名点对集中未加入16阶点对象集的剩余同名点对(p_i',q_i')计算|R*p_i'+t|-q_i'，将|R*p_i'+t|-q_i'小于预设阈值的剩余同名点对加入同名点对集，所述的预设阈值根据两站激光点云的点云密度设定。

上述根据筛选后的同名点对两站激光点云进行配准，具体为：

根据同名点对集中同名点对获得两站激光点云间的转换参数，采用转换参数对两站激光点云进行配准。

二、一种基于16维特征描述的激光点云配准系统，包括：

(1)单位法向量定向模块，用来对激光点云数据中各激光点单位法向量重新定向，即：选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；

(2)局部坐标系构建模块，用来构建激光点邻域内任意两邻域激光点间的局部坐标系，本模块进一步包括子模块：

原点确定模块，用来分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；

坐标轴确定模块，用来以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为v轴，u轴与v轴方向向量的叉乘结果为w轴；

(3)特征向量构建模块，用来在局部坐标系下获取激光点的特征向量，本模块进一步包括子模块：

几何特征计算模块，用来在局部坐标系下下，计算目标点单位法向量与v轴方向向量的点乘关系f1、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和v轴形成平面上投影的反正弦值f4；

比较模块，用来比较fi和阈值t_i的大小，若fi＞t_i，则s(t_i,fi)＝1；否则s(t_i,fi)＝0；i＝1、2、3、4，t₁和t₂在[-1,1]范围内取值，t₄在[-π/2,π/2]范围内取值，t₃表示尺度；

特征向量获得模块，用来获得激光点邻域内任意两邻域激光点的特征值统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；

(4)最佳尺度获得模块，用来基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；

(5)配准模块，用来基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。

和现有技术相比，本发明具有如下特点和有益效果：

结合香农熵分析特征向量的最佳尺度，获得特征点的最佳尺度，并基于最佳尺度提取特征和匹配；结合刚体转换中距离不变特性，采用贪心思想进一步筛选初始同名点对，获得可提高匹配准确性的同名点对集。

本发明可提高激光点云配准的自动化程度和匹配准确性。

附图说明

图1为原点和目标点的确定过程示意图；

图2为本发明方法的具体流程图；

图3为获取激光点云中激光点单位法向量的具体流程图。

具体实施方式

下面将结合附图和具体实施方式对本发明技术方案作进一步说明。

本发明基于16维特征描述的激光点云自动配准方法，具体步骤如下：

步骤1，获取激光点云数据中各激光点的单位法向量。

根据激光点p邻域点X_i＝(x_i,y_i,z_i)获得矩阵A：

A＝(X₁,...,X_i,...,X_n)^T    (1)

其中，(x_i,y_i,z_i)表示邻域点X_i坐标，n为激光点p邻域中激光点数量。

根据最小二乘原理列出误差方程V＝AX+L获得激光点p法向量：

X＝(A^TPA)^-1A^TPL    (2)

其中，V表示大小n×1的误差矩阵；矩阵L中所有元素均为-1，大小为n×1；P表示大小n×n的加权矩阵，一般情况下，加权矩阵P为单位矩阵；X表示大小3×1的法向量矩阵，X＝(a,b,c)^T，即激光点p法向量n'_p＝(a,b,c)。

令获得激光点p的单位法向量n_p＝n'_p/d。采用上述方法获得激光点云数据中各激光点的单位法向量。

步骤2，对激光点单位法向量重新定向。

对激光点p单位法向量的方向进行重新定向，以统一点云中激光点单位法向量的方向，具体为：令O为视点，O点坐标一般取为(0，0，0)，若激光点p的单位法向量n_p与向量的夹角大于90度，令激光点p单位法向量n_p反向，如下：

$\mathrm{if}\frac{<O-{p,n}_p>}{\left|\right|O-p\left|\right|}<0,$ 令n_p＝-n_p    (3)

式(3)中，＜O-p,n_p＞表示向量与激光点p单位法向量n_p的点乘运算；||O-p||表示视点O和激光点p的距离。

步骤3，构建激光点邻域内的局部坐标系。

对激光点p邻域中任意两邻域激光点(X_i,X_j)，邻域激光点X_i和X_j的单位法向量分别为n_i和n_j，分别获取单位法向量n_i和n_j与邻域激光点X_i和X_j连线的锐角夹角，取夹角较小的单位法向量对应的邻域激光点为原点X_s，另一个邻域激光点为目标点X_t。

原点X_s和目标点X_t的获取方法如下：

$\mathrm{if}\frac{<O-{p,n}_p>}{\left|\right|O-p\left|\right|}<0,$ 令n_p＝-n_p(n_i,n_j)

if＜n_i,X_i-X_j＞≤＜n_i,X_j-X_i＞

X_s＝X_j,X_t＝X_i    (4)

else

X_t＝X_j,X_s＝X_i

利用原点X_s和目标点X_t构建局部坐标系(u,v,w)，令n_s和n_t分别为原点X_s和目标点X_t的单位法向量，局部坐标系定义如下：

u＝n_s

$v=\stackrel{\&RightArrow;}{X_s{X}_t}\&times;u---\left(5\right)$

w＝u×v

下面将结合图示说明原点和目标点的确定过程，见图1，邻域激光点X_s单位法向量为n_s，邻域激光点X_t单位法向量为n_t，向量与邻域激光点X_s单位法向量n_s的锐角夹角为α，向量与邻域激光点X_t单位法向量n_t的锐角夹角为β，由于锐角夹角α小于锐角夹角β，则以邻域激光点X_s为原点，邻域激光点X_t为目标点。以原点X_s的单位法向量n_s为u轴，单位法向量n_s与的叉乘结果为v轴，u轴与v轴方向向量的叉乘结果为w轴，从而构建了局部坐标系X_s-uvw。

步骤4，获取16维特征描述。

对激光点p邻域中任意两邻域激光点(X_i,X_j)，构建两邻域激光点间的局部坐标系X_s-uvw。在局部坐标系X_s-uvw中，计算(1)目标点X_t单位法向量n_t与v轴方向向量的点乘关系f1＝＜v,n_t＞、(2)原点X_s和目标点X_t间的距离f2＝||X_t-X_s||、(3)向量与u轴的夹角f3＝＜u,X_t-X＞/f2以及(4)目标点X_t单位法向量n_t在面X_s-uw上投影对应的反正弦值f4＝atan(<w,n_t>,<u,n_t>)。

令t_i为fi的阈值，t₁和t₂均可在[-1,1]范围内取值，t₄在[-π/2,π/2]范围内取值，作为优选t₁、t₂和t₄值均设为0；t₃设为激光点p邻域半径。若fi＞t_i，则s(t_i,fi)＝1；否则s(t_i,fi)＝0。基于s(t_i,fi)值获得点对两点(X_i,X_j)的关系统计特征值fx：

$\mathrm{fx}=\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}[2^{i-1}*s(t_i,\mathrm{fi})]---\left(6\right)$

fx为[0，15]内的整数，计算激光点p邻域内任意点对的关系统计特征值fx，统计[0，15]内16个整数的频率，构成激光点p的基于统计关系的16维特征向量。

步骤5，基于激光点p的16维特征向量提取特征点。

在不同尺度(即邻域半径)下，计算点云数据中所有激光点的16维特征向量的均值μ，分别衡量激光点p特征向量和平均特征向量间的距离，具体可采用KL距离或欧式距离进行衡量，其中，KL距离公式如下：

$D_{\mathrm{KL}}=\underset{i=1}{\overset{16}{\mathrm{\&Sigma;}}}[\left(v_i^f{-\mathrm{\&mu;}}_i\right)*\mathrm{In}(v_i^f/{\mathrm{\&mu;}}_i)]---\left(7\right)$

其中，D_KL表示激光点p特征向量和平均特征向量间的KL距离，表示激光点p特征向量的第i维元素，μ_i为平均特征向量的第i维元素。

根据激光点p特征向量和平均特征向量间的距离，选择与平均特征向量的距离大于标准差σ的激光点作为初始特征点，标准差σ为点云数据中所有激光点特征向量和平均特征向量间距离的标准差。

在不同尺度下提取特征点，只有在连续两个尺度上均为初始特征点的激光点才标记为最终特征点，设P_fi为r_i尺度下的特征点集，则最终的特征点集其中，P_fi和P_fi+1为相邻尺度r_i和r_i+1下的特征点集，i为尺度序号。

步骤6，分析特征点的最佳尺度，即最佳邻域半径。

点云中各激光点，其用于计算特征的邻域半径不同，激光点表现的特征也会有不同，甚至会差异很大。对于点云中各激光点，理论上都存在一个邻域半径r，使得邻域内信息可以最好的描述该激光点特征。

对于激光点p邻域激光点集(X₁,...,X_i,...,X_n)，X_i＝(x_i,y_i,z_i)，计算其重心根据重心获取矩阵和M＝B^TB，M矩阵为大小为3×3的对称矩阵。计算矩阵M的特征值，按从大到小对特征值排序，排序后特征值为λ₁≥λ₂≥λ₃。根据矩阵M特征值获得激光点p维度特性表现的概率值：a₁＝(λ₁-λ₂)/λ₁、a₂＝(λ₂-λ₃)/λ₁和a₃＝λ₃/λ₁，a₁+a₂+a₃＝1，a₁、a₂、a₃为单位化后的三个概率值。

对点云中任意激光点p，预设邻域半径范围[r_min,r_max]。取令概率组合(a₁,a₂,a₃)的香农熵最小的邻域半径作为激光点p的最佳邻域半径。香农熵计算公式如下：

$E_{f_{\mathrm{Vp}}}^r=-a_1*{\mathrm{Ina}}_1-a_{12}*{\mathrm{Ina}}_2-a_3*{\mathrm{Ina}}_3---\left(8\right)$

采用上述方法获得特征点的最佳尺度。

香农熵用来解决信息的量化度量问题，如果要了解一件不清楚事情，那么就需要大量信息。如果要了解一件已有一定了解的事情，那就不需要太多信息。因此，一件事情中不确定性的多少可以代表计算其信息量的大小。

对于激光点p的邻域，a₁、a₂、a₃表示点云属于线、面和散乱点的可能性。在最佳尺度分析中，待了解的事情即点云在激光点p处最终呈现特性是线状、面状还是散乱点状。因此，本发明利用香农熵，在[r_min,r_max]内寻找使激光点p所发生的事件的香农熵最小的尺度。

步骤7，最佳尺度下的同名点搜索及误匹配筛选。

在最佳尺度下，计算特征点的16维特征向量。对待配准的两站点云，在16维特征空间中利用KD树(k-dimension tree)进行最临近搜索得到粗配准点，即初始同名点对。

不同激光点云站间的变换为刚体变换，对应激光点间的距离不发生变化，因此可利用该特性对初始同名点对进行筛选。本发明中利用初始同名点对间的距离均方根误差进行筛选误匹配点，均方根误差计算如下：

${\mathrm{dRMS}}^2(p,q)=\frac{1}{n^2}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\right||p_i-p_j||-||q_i-q_j|\left|\right)}^2---\left(9\right)$

其中，点对(p_i,q_i)和(p_j,q_j)分别为第i对和第j对初始同名点对，即任意两对同名点对。

基于同名点对间距离的均方根误差，采用分层贪心算法筛选初始同名点集，具体步骤如下：

7.1采用公式(9)计算任意两对初始同名点对(p_i,q_i)和(p_j,q_j)间距离的均方根误差dRMS(p,q)，此时，公式(9)中n为2；若dRMS(p,q)小于阈值r_Threshold，则将初始同名点对(p_i,q_i)和(p_j,q_j)合并为结构体e₂，并将结构体e₂加入2阶点对象集E₂。阈值r_Threshold根据两站激光点云的点云密度设定，一般取两站激光点云密度中较小点云密度的1～10倍。

对不同点云站中所有初始同名点对执行上述操作，将2阶点对象集E₂中对象按dRMS(p,q)从小到大进行排序。

7.2合并2阶点对象集E₂中对象。

按排序对于2阶点对象集E₂中对象e_2i顺次如下操作：

在2阶点对象集E₂中搜索与对象e_2i没有重复结点的对象e_2j，对于对象对(e_2i,e_2j)，计算其中4对初始同名点对间距离的dRMS(p,q)，此时，公式(9)中n为4；若dRMS(p,q)小于阈值r_Threshold，将对象对(e_2i,e_2j)合并加入4阶点对象集E₄，同时在E₂中将与对象对(e_2i,e_2j)有同样结点的对象移除。然后对E₂中剩余对象重复执行上述操作。

4阶点对象集E₄生成后，将其中对象按照dRMS(p,q)从小到大进行排序。

7.3按照子步骤7.2不断地对各阶点对象集进行合并，即根据k阶点对象集E_k生成2k阶点对象集E_2k，直至获得16阶点对象集E₁₆。

7.4将16阶点对象集E₁₆中对象加入同名点对集，根据同名点对集中同名点对计算转换参数(R,t)，将转换参数(R,t)应用于初始同名点对集中未加入16阶点对象集E₁₆中的同名点对(p_i',q_i')，若|R*p_i'+t|-q_i'小于预设阈值，则将同名点对(p_i',q_i')也加入同名点对集。所述的预设阈值根据两站激光点云的点云密度设定，一般取两站激光点云密度中较小点云密度的1～10倍。

步骤8，根据同名点对集中同名点对获得两站点云间的转换参数，即最佳转换参数，采用最佳转换参数对两站激光点云进行配准。

Claims (10)

1.基于16维特征描述的激光点云配准方法，其特征在于，包括步骤：

步骤1，对激光点云数据中各激光点单位法向量重新定向，即：选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；

步骤2，构建激光点邻域内任意两邻域激光点间的局部坐标系，具体为：

分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为v轴，u轴与v轴方向向量的叉乘结果为w轴；

步骤3，在局部坐标系下获取激光点的特征向量，具体为：

3.1在局部坐标系下下，计算目标点单位法向量与v轴方向向量的点乘关系f1、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和v轴形成平面上投影的反正弦值f4；

3.2比较fi和阈值t_i的大小，若fi＞t_i，则s(t_i,fi)＝1；否则s(t_i,fi)＝0；i＝1、2、3、4，t₁和t₂在[-1,1]范围内取值，t₄在[-π/2,π/2]范围内取值，t₃表示尺度；

3.3获得激光点邻域内任意两邻域激光点的特征值统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；

步骤4，基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；

步骤5，基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。

2.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于：

子步骤3.2中所述的t₁、t₂和t₄均设为0。

3.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于：

步骤4中所述的基于激光点的特征向量从点云数据中提取特征点具体为：

根据不同尺度下激光点特征向量分别获得各尺度下的平均特征向量，所述的平均特征向量为点云数据中所有激光点特征向量的均值；

在不同尺度下，分别衡量激光点特征向量和平均特征向量间的距离，根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点；

在两个连续尺度上均为初始特征点的激光点即为最终的特征点。

4.如权利要求3所述的基于16维特征描述的激光点云配准方法，其特征在于：

所述的根据激光点特征向量和平均特征向量间的距离选择当前尺度下的初始特征点，具体为：

选择与平均特征向量的距离大于标准差σ的激光点作为初始特征点，标准差σ为点云数据中所有激光点特征向量和平均特征向量间距离的标准差。

5.如权利要求3所述的基于16维特征描述的激光点云配准方法，其特征在于：

所述的衡量激光点特征向量和平均特征向量间的距离采用KL距离进行衡量：其中，D_KL表示激光点特征向量和平均特征向量间的KL距离，表示激光点特征向量的第i维元素，μ_i为平均特征向量的第i维元素。

6.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于：

步骤4中所述的获取不同尺度下特征点维度特性表现的概率组合，具体为：

对特征点的邻域激光点集(X₁,...,X_i,...,X_n)，获取矩阵和M＝B^TB，其中，

计算矩阵M的特征值，并按从大到小对特征值排序，排序后特征值为λ₁≥λ₂≥λ₃；

根据矩阵M的特征值获得特征点维度特性表现的概率值：a₁＝(λ₁-λ₂)/λ₁、a₂＝(λ₂-λ₃)/λ₁和a₃＝λ₃/λ₁，获得概率组合(a₁,a₂,a₃)；

同时，步骤4中所述的概率组合香农熵 $E_{f_{\mathrm{Vp}}}^r=-a_1*{\mathrm{Ina}}_1-a_{12}*{\mathrm{Ina}}_2-a_3*{\mathrm{Ina}}_3.$

7.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于：

步骤6进一步包括：

基于特征点在最佳尺度下的特征向量对两站激光点云中特征点进行粗配准，获得初始同名点对；

基于同名点对间距离的均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对；

根据筛选后的同名点对两站激光点云进行配准。

8.如权利要求7所述的基于16维特征描述的激光点云配准方法，其特征在于：

所述的基于同名点对间的距离均方根误差，采用分层贪心法筛选初始同名点对获得筛选后的同名点对，具体为：

将初始同名点集中距离均方根误差小于阈值r_Threshold的任意两对初始同名点对合并，并加入2阶点对象集；

对k阶点对象集中任意对象e_ki，在k阶点对象集中搜索与对象e_ki没有重复结点的对象e_kj，若对象对(e_ki,e_kj)中k对初始同名点对间的距离均方根误差小于阈值r_Threshold，则将对象对(e_ki,e_kj)合并加入2k阶点对象集；同时删除k阶点对象集中与对象对(e_ki,e_kj)有相同结点的对象；其中，k依次取2、4、8，最终获得16阶点对象集；阈值r_Threshold根据两站激光点云的点云密度设定；

将16阶点对象集中对象加入同名点对集，根据同名点对集中同名点对获取转换参数(R,t)，对初始同名点对集中未加入16阶点对象集的剩余同名点对(p_i',q_i')计算|R*p_i'+t|-q_i'，将|R*p_i'+t|-q_i'小于预设阈值的剩余同名点对加入同名点对集，所述的预设阈值根据两站激光点云的点云密度设定。

9.如权利要求1所述的基于16维特征描述的激光点云配准方法，其特征在于：

所述的根据筛选后的同名点对两站激光点云进行配准，具体为：

根据同名点对集中同名点对获得两站激光点云间的转换参数，采用转换参数对两站激光点云进行配准。

10.一种基于16维特征描述的激光点云配准系统，其特征在于，包括：

(1)单位法向量定向模块，用来对激光点云数据中各激光点单位法向量重新定向，即：选取视点，若以视点为起点、以激光点为终点的矢量向量与该激光点单位法向量的夹角大于90度，则激光点单位法向量反向；否则，激光点单位法向量方向不变；

(2)局部坐标系构建模块，用来构建激光点邻域内任意两邻域激光点间的局部坐标系，本模块进一步包括子模块：

原点确定模块，用来分别获取两邻域激光点单位法向量与两邻域激光点连线的锐角夹角，取较小锐角夹角对应的邻域激光点为原点，另一邻域激光点为目标点；

坐标轴确定模块，用来以原点单位法向量为u轴，以起点为原点、终点为目标点的矢量向量与原点单位法向量的叉乘结果为v轴，u轴与v轴方向向量的叉乘结果为w轴；

(3)特征向量构建模块，用来在局部坐标系下获取激光点的特征向量，本模块进一步包括子模块：

几何特征计算模块，用来在局部坐标系下下，计算目标点单位法向量与v轴方向向量的点乘关系f1、原点和目标点间距离f2、以起点为原点、终点为目标点的矢量向量与u轴的夹角f3及目标点单位法向量在u轴和v轴形成平面上投影的反正弦值f4；

比较模块，用来比较f_i和阈值t_i的大小，若f_i＞t_i，则s(t_i,f_i)＝1；否则s(t_i,f_i)＝0；i＝1、2、3、4，t₁和t₂在[-1,1]范围内取值，t₄在[-π/2,π/2]范围内取值，t₃表示尺度；

特征向量获得模块，用来获得激光点邻域内任意两邻域激光点的特征值统计任意两邻域激光点特征值为[0，15]内整数的频率，构成激光点的16维特征向量；

(4)最佳尺度获得模块，用来基于激光点的特征向量从点云数据中提取特征点，并获取不同尺度下特征点维度特性表现的概率组合，取令概率组合香农熵最小的尺度为特征点的最佳尺度；

(5)配准模块，用来基于特征点在最佳尺度下的特征向量对两站激光点云进行配准。