CN104599272A - 面向可移动靶标球的机载LiDAR点云与影像联合配准方法 - Google Patents

Abstract

本发明为面向移动控制靶标球的机载LiDAR点云与影像自动配准方法及应用于该方法中的靶标球装置，以解决现有机载激光雷达与数码相机进行组合对地观测时激光点云与光谱影像的高精度配准问题。该方法包括有①、点云数据和影像采集；②、点云数据坐标解算；③、点云数据自动识别；④、拟合球面的球参数解算和顶点坐标确定；⑤、球体标识特征的影像识别和对中等步骤。该靶标球装置具有顶部标有标识特征的球体。本发明的配准方法能自动化地将球体表面点云与背景点云中分离出来，减少了传统区域网平差中的控制信息交互工作量，能明显地提高配准效率；并能保证点云、影像及控制点之间的配准精度。

Description

面向可移动靶标球的机载LiDAR点云与影像联合配准方法

技术领域

   本发明涉及测量技术领域，尤其是通过特定标识物进行航测后点云数据与影像的精确处理方法。

背景技术

目前，集成机载激光雷达（光探测与测量）与可见光数码相机进行组合对地观测，并能同时采集三维点云数据与光谱影像。但由于激光扫描仪、数码相机与GPS/IMU（惯性测量装置或系统）组合系统间的硬件安置误差、传感器时钟对准误差，以及不同飞行条件下组合导航解算误差等多种因素的影响，导致三维激光点云与影像很难仅仅依赖POS系统进行数据几何配准以达到直接定位目的。因此，为了保证点云与影像的配准精度，一般需要采用不同的方法进行数据后处理，其技术现状包含两大方面：

1）基于检校场安置误差检校的配准方法；

为了准确估计测区内三维点云数据与光学影像间的几何配准系统误差，一类具有代表性的配准方法是在测区附近选取地物类型丰富的小型检校场进行检校飞行，通过针对检校场进行安置误差校准参数估计，并应用到测区数据，从而达到点云数据与影像数据的联合配准目的。该类系统误差补偿的效果局限于当前飞行条件，如GPS信号、IMU漂移校正等因素影响，其配准检校效果也极大地依赖系统误差建模的精确性。在实践中，正确估计各类系统误差非常困难，采用假设或高度抽象后的系统误差模型的对检校效果贡献有着不可忽视的局限性。

2）基于地面公共控制点的区域网平差配准方法。

另外一类具有代表性的点云影像互配准的方法是基于控制点、线、面等三维约束信息的区域网平差方法：通过传统摄影测量区域网平差手段，针对测区影像数据进行区域网平差解算外方位元素的过程中，引入控制信息，实现点云与影像的精确配准。该类方法的主要不足之处在于：点云在空间上成离散分布特性，很难精确定位特征点或线，而特征面的选取则需要辅助大量可视化交互操作，在实践中实施应用该类方法较为困难。

综上所述，基于局部检校场的配准方法需要准确的先验配准模型而导致其应用具有一定的局限性，而基于控制信息约束的配准方法由于获取准确的配准信息较为困难，从而导致实践中影响着点云与影像配准的精确度。

发明内容

本发明主要是解决现有机载激光雷达与数码相机进行组合对地观测时激光点云与光谱影像的高精度配准问题。进而提出一种能精确确定光学影像与激光点云、激光点云与地面控制点之间对应关系的面向移动控制靶标球的机载LiDAR点云与影像自动配准方法，以克服传统的基于局部检校场配准方法中所存在的系统误差补偿不足、及控制信息约束的区域网平差配准方法中所存在的特征点、线定位不精确等缺陷。该方法特别适合于机载LiDAR（Light Detection And Ranging）所采集的点云数据和数码照相机同步拍摄的影像之间的配准处理中。本发明进一步提供一种用于上述配准方法中的可移动控制的靶标球装置，作为联合配准的校对基准。

本发明是通过以下方式来实现的：该面向可移动靶标球的机载LiDAR点云与影像联合配准方法，是通过在测区内已知地面控制点处设置上部为球体且球体顶点具有明显标识特征的靶标球装置，和采集该测区内物体的点云数据和影像，并经解算使所采集的点云数据、影像以及地面控制点之间进行一一对应、精确配准；其特征在于：它包括有以下步骤：①、测区内点云数据和影像采集：机载激光雷达系统对测区进行点云数据采集并上传、存储，同时，可见光数码相机对同一测区进行影像采集，上传生成影像片并存储；②、点云数据坐标解算：结合GPS/IMU和激光测距测时信息，对步骤①所采集的点云数据进行整体解算，以确定被摄影区域中地面物体点云数据的三维坐标，即三维点云数据；③、球体表面点云数据自动识别：对步骤②的三维点云数据进行分析选定球体表面处最顶端点的点云数据，并在球体半径参数约束下，自动搜索球体表面区域的各点云数据，根据不共面的四点共球原理进行球参数解算和比较验证，并逐一进行迭代生长和自动识别，将球体表面的点云数据从背景点云数据中完整分离出来；④、拟合球面的球参数解算和顶点坐标确定：利用步骤③所分离出来的球体表面点云数据，通过球面拟合的最小二乘法解算拟合球面的球心和半径，并推导球面顶点坐标；⑤、球体标识特征的影像识别和对中：对步骤①所采集的影像片通过手工交互方式进行初始特征点的选取，然后通过特征定位算子进行亚像素定位，从而确定球体顶部标识特征的影像点，该影像点与步骤④所确定的拟合球面顶点坐标进行配准对中；⑥、基于控制点信息的影像区域网平差：对步骤⑤所对中的影像片采用光束法区域网平差方法，通过控制点约束解算影像片的外方位元素，从而达到点云数据、影像片及地面控制点之间的精确配准。

进一步，该步骤③中所述的自动搜索是通过K-D树索引进行的；该K-D树是以球体表面区域的点云数据顶端点为中心点在球体曲率半径约束下对其邻近点通过距离限定的剖分策略进行区域划分而构建的。

再进一步，该步骤③中迭代生长和自动识别过程如下：

Step1：以局部点云顶端点为初始种子点，通过碰撞球搜索其最邻近3点并标记为目标类别，建立初始堆栈；

Step2：按照四点共球原理计算初始4点所构成的球面半径与球心坐标，并记录作为后续区域生长的校验值；

Step3：出栈，并更新当前点，按迭代方式搜索最邻近1~4点，如果邻接点中包含非目标类别则转入Step4，否则重复Step3；

Step4：计算当前4点共球的球面坐标及半径，并与校验值进行比较，满足生长阈值的非目标类点将被标记目标类，入栈；

Step5：重复Step3与Step4，直到栈中点数为空。

更进一步，该步骤④进一步采用抗粗差的选权迭代的方法对拟合球面参数进行稳健估算；该抗粗差的选权迭代的方法是依据观测值与各拟合球体之间的残差                                                与权函数估计观测值权，并进行选权迭代解算，直到收敛结束以解算出最似然的拟合球面参数并推导其顶点坐标；其具体过程如下：

第一步：设球面所对应的曲面函数为：

；      3)

式3）中的和为通过最小二乘法所求得的拟合球面参数；

第二步：将式3)进行泰勒级数展开，并忽略二阶及其高阶次项，得误差方程式为：

       4)

式4）中为残差向量，常数向量，取值与当前观测值相关，为误差方程式系数；

第三步：根据式4），按最小二乘原理建立法方程式，其中观测值的权采用Huber权函数：

                           5)

式5）中，为观测值所对应的权值，为观测值的残差大小，为常数变量且设定为1.5或2，其中为单位权中误差，由每次迭代解算所得；

第四步：解算法方程式，迭代更新未知数的向量，并最终获得未知数的解向量，即获取最似然球面参数，再通过最似然球面参数确定最似然球面顶点坐标。

本发明进一步提供一种应用于上述联合配准方法中的靶标球装置，为可移动式，具有可移动和伸缩的三角支架；在三角支架的上部设有球体，球体顶部绘制有规则的倒立三角形图案，图案的中心处标有明显的十字丝标识特征，用于影像片的特征点拾取和定位；在三角支架与球体之间的连接板内设有水平仪和对中仪，用以调整其上部的球体处于水平面，以及使球体顶点、球心点和已知地面控制点处于同一铅垂线上。

进一步，该球体是由4~10块可拆卸的金属或硬质塑料球壳上下拼合而成，其表面为磨砂漫反射面。

本发明的配准方法中所采用对可移动控制靶标球的全自动识别与加权拟合方法，能自动化地将球体表面点云与背景点云中分离出来，最大限度地减少传统区域网平差中的控制信息交互工作量，能明显地提高传统方法的配准效率；其选权迭代精确球心拟合算法则能保证点云与影像公共控制点的精度，从而较传统方法有着更好的配准精度。

本发明所采用的可移动靶标球装置具有精度高、机动性好、制作成本低等特点，在野外作业过程中，能方便地随车携带，降低作业成本，易于在行业科研生产项目中推广。

在传统基础测绘领域内，目前机载激光雷达多用来生成DEM（数字高程模型），其随机附带的数码相机并没有发挥应有的作用，因此本发明的应用能突破点云与影像配准的瓶颈技术，使得机载激光雷达系统具备生产DOM（数字正射影像）的能力，大大减少数据采集的繁复型，提高基础测绘生产作业效率。

本发明能较好地将激光雷达与影像建模结合在一起，可直接从点云上获取三维模型信息，从影像上获取纹理信息，大大地减少了从传统立体影像上进行手工建模所带来的繁重工作量，提高了建模效率，加快了数字建设的进展。

 图面说明

图1是本发明点云与影像联合配准方法的流程示意图；

图2本发明中靶标球装置的一种结构示意图；

图3是K-D树索引构建原理示意图；

图4是本发明中对特定点的近邻离散点的K-D树索引构建和查询示意图。

图中所涉及的构件标号含义如下：1、球体，11、标识特征；2、三角支架；3、连接板。

具体实施方式

首先，对本发明的配准方法及原理详细说明。

本发明的一种面向可移动靶标球的机载LiDAR点云与影像联合配准方法，是通过在测区内已知地面控制点处设置上部为球体且球体顶点具有明显标识特征的靶标球装置，和采集该测区内物体的点云数据和影像，并经解算使所采集的点云数据、影像以及地面控制点之间进行一一对应、精确配准。参见图1，本发明的配准方法具体包括有以下步骤：①、测区内点云数据和影像采集：通过机载激光雷达系统对测区进行点云数据采集并上传、存储于计算机中。着重采集球体处点云数据，以及整个测区的点云数据。点云数据采集时一般保证点云条带间重叠度在15%；同时，可见光数码相机对同一测区进行影像采集。数码相机所拍摄影像其航带内重叠度不低于65%，航带间的重叠度不低于35%。该影像经上传生成影像片后存储于计算机中。②、点云数据坐标解算：结合GPS/IMU和激光测距测时信息，对步骤①所采集的点云数据进行整体解算，从而确定被测区摄影区域中地面物体点云数据的三维坐标，形成具有同一坐标系（大地坐标系）的三维点云数据，即三维点云数据；③、球体表面点云数据自动识别：对步骤②的三维点云数据进行分析选定球体处顶端点的点云数据，并在球体半径参数约束下，自动搜索球体表面区域的各点云数据，根据不共面的四点共球原理进行球参数（本发明是指球心坐标和半径，下同）解算和比较验证，并逐一进行迭代生长、自动识别，将球体表面的点云数据从背景点云数据中完整分离出来；④、拟合球面的球参数解算和顶点坐标确定：利用步骤③所分离出来的球体表面点云数据，通过球面拟合的最小二乘法解算拟合球面的球心和半径，并推导出拟合球面的顶点坐标；⑤、球体标识特征影像识别和对中：对步骤①所采集的影像片通过手工交互方式进行初始特征点的选取，然后通过特征定位算子进行亚像素定位，从而精确确定球体顶部标识特征的影像点，该影像点与步骤④所确定的球面顶点坐标进行配准对中；⑥、基于控制点信息的影像区域网平差：对步骤⑤所对中的影像片采用光束法区域网平差方法，通过控制点约束解算影像片的外方位元素，从而达到点云数据、影像片及地面控制点的精确配准。

以下对上述联合配准方法中所涉及的具体原理和过程解析如下：

上述步骤①和步骤②均可通过采用现有技术手段来实现；如通过激光对测区内进行扫描，如线扫描或纤维光学阵列扫描，以采集测区内物体的各点云数据，然后将其上传或交付到地面工作站进行数据综合解算处理（如采用瑞士徕卡的ALS70/80系列进行解算处理）形成大地坐标系下的三维点云数据，并存储于计算机内；同时将实时的光学影像上传至地面工作站生面影像片并存储于计算机中。

上述步骤③的球体表面点云数据自动识别是从存储在计算机内的经步骤②处理后的点云数据（即三维点云数据）进行分析，人机交互式地粗略框选球体表面所处局部点云数据，并且保证所拾取顶端的点云数据（即球体顶点处的点云数据）在球体表面点云数据之中，从点云数据中确认球体表面顶端点，再由计算机以顶端点为种子点（即中心点）自动搜索邻近点。该自动搜索是通过K-D树索引进行的；该K-D树索引是以球体表面区域的点云数据顶端点为中心点在球体曲率半径约束下对其邻近点通过距离限定的剖分策略进行区域划分而构建的；该约束条件一般可采用球体半径的110%左右，以圈选以顶端点为中心且在约束条件范围的所有点，以保证球体表面上所有点均被包含。该剖分策略也可采用等数量的剖分策略，如每剖分单元中包含四个点。通过构建K-D树索引，便于后续程序的自动拾取。然后通过K-D树索引对各区域内的点云数据根据不共面的四点共球原理进行球参数解算和比较验证，逐一迭代生长以确认其是否为球体表面的点云数据，直到球体表面的点云数据被完整分离；最后对球体表面的点云数据进行类别确认和类别赋值，并作为下一步球体拟合的初始样本点云数据。

上述的离散点云K-D树索引构建原理如下：K-D树是二叉空间划分树（Binary Space Partition，BSP）在高维空间上的扩展。假设在三维封闭空间中，树的内部结点与一系列k-1维且某一坐标轴正交的超平面相关联(如：二维空间中采用一维直线进行剖分，三维空间采用二维平面剖分等)，超平面将K维空间分成两颗子树，存储在子树中的点也相应被剖分成两部分；一般地，为了达到最大空间利用效率，多采用等数量或等距离等剖分策略。如当某次子结点中的点数少于给定的最大点数时，划分结束。以二维点集为例，构建K-D树的逻辑结构，如图3所示。图3中上图所示，黑色圆点表示平面内离散点集；图3中下图所示，根据限定每一个区域不超过2个点的二叉剖分结果，图中L1~L9表示分割线。

本发明中的步骤③是通过K-D树索引对特定点的近邻点查询来进行自动搜索并识别的。分为两个步骤：①以特定点为中心的各原始离散点（粗略框选的球体表面点云数据）进行组织和区域划分，以构建K-D树索引，该特定点一般选用区域内最顶端点；②在给定的距离内，通过K-D树剖分边界与搜索球进行碰撞检测测试，以快速找出粒度最小剖分单元。特定点近邻的离散点的K-D树索引和查询示意如图4所示。图4中上部图表示特定点O1（顶端点）周围的多个离散点。图4中下部图表示通过K-D树对各离散点的组织即K-D树索引的构建，它是通过距离限定策略来划分的；其中，中心黑色圆点表示特定点即顶端点O1，带斜线的圆点为距离为的R1内的近邻点集，空心圆点为距离为R2和R1间的近邻点集，外周的黑色圆点为R2的外部点集。

上述步骤③中迭代生长和自动识别的具体过程如下：假设已交互式拾取包含球体位置的局部点云数据，通过对该点云数据进行组织和区域划分以构建K-D树，并能通过K-D树索引进行指定距离内一定数量邻接点的快速查询，然后经迭代生长进行自动识别。迭代生长和自动识别的详细步骤如下：

Step1：以局部点云顶端点为初始种子点，通过自动搜索其最邻近3点并标记为目标类别，建立初始堆栈；这样可准确保证初始堆栈中四点一定在球体表面上。

Step2：按照四点共球原理计算初始4点所构成的球面半径与球心坐标，并记录作为后续区域生长的校验值；

Step3：出栈，并更新当前点，按迭代方式搜索最邻近1~4点，如果邻接点中包含非目标类别则转入Step4，否则重复Step3；该迭代方式可采用1对1或2对2或3对3或4对4的迭代形式。

Step4：计算当前4点共球的球面球心坐标及半径，并与校验值进行比较，满足生长阈值的非目标类点将被标记目标类，入栈；

Step5：重复Step3与Step4，直到栈中点数为空，区域生长算法结束。

上述所述的生长阈值与设备有关，一般采用0.01~0.05m。

上述Step2和 Step4的四点共球的球面球心坐标和半径计算原理如下：

假设不共面的4点为：、、、，分别带入标准球方程组成的表达式并联立得方程组：

              1)

式1）通过联立消元法获取4元二次方程组的多组参数解，并针对限定未知参数解的值域范围获得其解，即球面球心（x，y，z）和球面半径r。

上述步骤④中拟合球面的球参数是通过球面的最小二乘法解算出来的。设拟合球面的球心为，半径为，通过各点云数据点至拟合球心的距离与拟合球半径之差，并按最小二乘方法解算拟合球面球心坐标及半径；

，       2)

式2）为球体参数方程的数学表达式，通过观测值（即实测点云数据，下同）与拟合球面的残差即可解算出拟合球面的球心和半径。

通过拟合球面的球心和半径从而可直接推导出拟合球面顶点坐标为( )。

由于球体表面点云提取后，会一定程度上存在误分类点，可能会影响最小二乘拟合精度，因此本发明步骤④中拟合球面参数解算进一步采用一种抗粗差的选权迭代方法对拟合球面参数进行稳健估算，该方法能最大限度地保证球面的拟合精度。具体原理如下：

在通过最小二乘法解算出似合球面参数和后，再依据观测值与各拟合球面之间的残差V与权函数估计观测值权P，并进行选权迭代解算，直到收敛结束以解算出最似然的拟合球面参数并推导其顶点坐标。该解算过程如下：

第一步：设球面所对应的曲面函数为：

；      3)

式3）中的和为通过最小二乘法所求得的拟合球面参数。

第二步：将式3)进行泰勒级数展开，并忽略二阶及其高阶次项，得误差方程式为：

；      (4)

式4）为最小二乘估计的误差方程；式4）中，V为残差向量；F为常数向量，取值与当前观测值相关，由各观测值代入式3）解算所得；为误差方程式系数，即曲面函数的偏微分。

第三步：根据式4），按最小二乘原理建立法方程式，其中观测值的权采用Huber权函数：                         5) 式5）中，P（v）为观测值所对应的权值，v为观测值的残差大小，c为常数变量，按照统计理论正态分布特征，在平差过程中一般设定为1.5或2，本专利所采用阈值为1.5，其中为单位权中误差，由每次迭代解算所得。从式5）可见，随着v值的增大，粗差点所取的权重逐渐变小，从而起到自动抗粗差功能。

第四步：解算法方程式，迭代更新未知数的向量，并最终获得未知数的解向量，即获取最似然的球面参数，再通过最似然的球面参数确定最似然球面顶点坐标。

上述步骤⑤的球体顶点标识特征的影像识别和对中，是对存储在计算机内的步骤①的影像片通过手工交互方式进行初始特征点的选取，然后通过特征定位算子进行亚像素定位。该算法中的交互式方式量测影像点坐标是采用软件界面操作来实现的，特征点定位算子则可采用成熟的Forstner角点定位算子实现；软件界面操作技术和Forstner角点定位算子技术已普遍应用于实际，具有操作简单且快速等特点。经亚像素定位后可确定球体顶部标识特征的影像点坐标，将该影像点坐标与步骤④所确定的球面顶点坐标进行配准对中，即可达到球面顶点与影像点对中、精确配准的目的。

对步骤⑤所对中的影像片采用光束法区域网平差方法如传统摄影测量成熟的光束法区域网平差技术，通过地面控制点约束解算影像片的外方位元素，从而达到点云、影像及控制点的精确配准。本发明中的步骤⑤和步骤⑥所采用的技术均为成熟技术，在此不再详述。

参见图2，本发明的一种应用于联合配准方法中的靶标球装置，为可移动式，具有可移动和伸缩的三角支架2。应用时，该靶标球装置根据要求可分别设置于测区内四个角部以及测区周边和中央位置，以利于点云数据与影像的联合配准。该三角支架2的上部设有球体1，球体顶部绘制有规则的倒立三角形图案，图案的中心处标有明显的十字丝标识特征11，该十字丝交叉点位于球面顶点，能较好地在可见光影像上进行地面控制点辨识，用于数据后处理中影像片的特征点定位和拾取。在三角支架2与球体1之间的连接板3上设有水平仪和对中仪，用以调整其上部的球体处于水平面，以及使球体顶点、球心点和已知地面控制点处于同一铅垂线上。该球体1表面由4~10块可拆卸的金属或硬质塑料球壳上下拼合而成，如铝质球壳，它可进行快速拆卸、并能折叠。其球体表面为磨砂漫反射面，符合光线漫反射定律，有利于激光扫描成像。其中，三角支架能按照需求自由伸缩并使球体稳定，而水平仪则可利用水平气泡保证整个装置水平安置，通过对中仪中的对中望远镜使得球体顶点、球心点与地面已知控制点位于严格的铅垂线上。本发明中只列出其中的一种靶标球装置，根据本发明的思想可采用其它类似结构也能达到同样的目的。

其次，结合具体实验数据对本发明的配准方法再作详细解述。

实施例一：机载激光雷达对测区的点云影像配准试验。

测区：占地面积4平方公里，地势起伏；范围内均匀分布有数十个已知地面控制点。

靶标球装置：上部球体半径为0.320m。架设于已知的地面控制点处，并且球体顶点、球心点和地面控制点处于同一铅垂线上；测区4角各设有一个，并分别安置在已知地面控制点处。同时在测区中心区域设置3个，作为精度检查点。

飞行及参数：大型无人直升机，相对航高250m；

平行飞行，往返飞行2个条带，平均扫描宽度550m；

机载设备:1、激光雷达系统。为一种激光测量装置。其发射量为每秒发射12. 5万个激光点；测量距离为离地面30-2500m；测量到地面的激光点密度最高可达65个/m2。本实施例中的扫描仪采用奥地利rieglVZ-4002，其平均点间距为0.12m。2、数码相机：为CannonD5,具有高分辨率，能获得高清晰的影像；2个航带共35张。3、相关设备。GPS接收机：通过接收卫星的数据，实时精确测定出设备的空间位置，再通过后处理技术与地面工作站进行差分计算，精确求得飞行轨迹。惯性测量装置(IMU)：用于接收到的GPS数据，经过处理，求得飞行运动的轨迹，根据轨迹的几何关系及变量参数，推算出未来的空中位置，从而测算出该测量系统的实时和将来的空间向量。

本实施例中通过rieglVZ-4002对测区进行扫描以获取点云数据和通过CannonD5采集影像。该点云数据采用条带平差技术进行相对配准，点云配准精度优于0.05m。同时将点云数据根据相关数据推算出大地坐标系下的三维点云数据，并存储于工作站的计算机内，其中坐标转换误差优于0.1m。同时将实时的光学影像传至地面工作站生成影像片并存储于计算机中，即本发明的步骤①。

本实施例中通过机载激光雷达系统所采集部分点云数据共30点如下表1。该数据集通过步骤②均已解算为三维点云数据；表1中只列出某靶标球装置处球体表面的点云数据，该数据均处于球体表面所覆盖的范围内。

表1：某靶标球装置处球体表面点云数据

分析上述各点云数据，确定球体处的点云数据，并在球体半径参数条件约束下，通过球体表面区域迭代生长方法对点云数据进行自动识别，将球体表面的点云数据从背景点云数据中完整分离。具体操作过程如下：通过人机交互式方式粗略框选球体所处局部点云（如上表的各点），该点云数据中具有顶端数据（即Z坐标较大）为序号1和序号2两点；其次，以其中之一点即序号1为种子点在球体曲率半径的110%条件约束下进行区域划分并构建K-D树索引，计算机在K-D索引下对序号1的邻近点进行迭代区域生长，直到球体表面点云数据从背景点云数据中被完整分离出来；最后，对球体表面点云进行类别确认和赋值，并作为下一步球心拟合的初始样本数据。本实施例中对本配准方法中的步骤③作进一步说明如下：

Step1：以局部点云顶端点序号1为初始种子点，在K-D索引下，搜索其最邻近3点 ，如序号2、序号3和序号4，并标记为目标类别，建立初始堆栈；

Step2：按照四点共球原理通过上述式1)计算出上述初始堆栈中4点的共球的半径r及球心坐标，并记录作为后续区域生长的校验值；

Step3：出栈并更新当前点，按四点迭代方式搜索最邻近4点；如序号5、序号6、序号7和序号8四点；如果邻接点中包含非目标类别，如序号5、6、7、8点，则转入Step4，否则重复Step3；

Step4：计算当前序号5、6、7、8的四点共球的球心坐标和半径，通过与校验值比较，满足生长阈值，本实施例中阈值取0.03m，同时序号5、6、7、8四点被标记为目标类别，入栈；

Step5：重复Step3与Step4，当搜索最邻近四点中含有非球体表面点时，如点（598286.6300，3621983.5500，45.2700），该点在上述数据中没有列出，由该点参与四点共球所解算出来的球心与半径经与校验值比较不满足生长阈值，则该点为非目标类别点而被排除。如此反复，一一迭代逐一生长，直到栈中点数为空，区域生长算法结束。

本实施例经上述迭代生长和自动识别，从粗略框选球体所处局部点云数据集中自动识别出上述表1中各点，并作标记和确认；同时对所识别的点进行赋值，作为下一步球心拟合的初始样本数据。

由表1中各初始样本数据通过步骤④根据最小二乘法解算出拟合球面的球参数和，分别如下：=598286.5557，=3621983.5757，=47.2617，=0.3040。再经抗粗差的选权迭代方法进行稳健估算，进一步估算出最似然的拟合球面参数。本实施中根据表1所列数据经上述式3）解算出各观测点的残差值如表2所列。表2为对应于表1中各序号观测值的残差值。

表2：对应于表1中各序号的各观测点残差值

利用上述表2中各残差值并根据上述式4）和式5），通过解算法方程式解算出最似然的球面参数和，分别如下：=598286.6253，=3621983.5539，=47.0506，=0.3100；通过该解算以达到抗粗差的目的。上述解算中式5）的单位权中误差0.009094，常数c=1.5。并根据最似然球面参数以确定球面顶点坐标P为（598286.6253，3621983.5539，47.3606）。

然后对上述所生成并存储于计算机中的影像片通过手工交互方式选取影像片上球体十字丝标识特征的初始特征点，并通过现有的特征定位算子对该对特征点进行亚像素定位，明确清楚地确定球体顶部标识特征的影像点，再通过该影像点对中最似然的球面顶点坐标，从而实现步骤⑤中对中的目的。最后对已对中的影像片通过光束法区域网平差的方法，以地面控制点为基点进行影像片外方位元素的解算，使整个测区的影像与点云数据及地面控制点达到精确配准。

实施例二：该实施例是针对于另一山地带状区域进行的机载激光雷达对测区的点云、影像配准试验。

该实施例的具体步骤和过程与实施例一基本相同，以下对其不同点给以详细说明。

有关测区状况、与实施例一有较大差别，但该差别对本发明的配准方法不产生任何影响；靶标球装置的布置和结构变化可根据情况进行选择，但也不影响本发明的配准方法；在此均不作详细说明。本实施例中所使用的激光扫描点间距为0.180m。通过扫描进行点云数据采集和数码相机进行测区影像采集后，点云数据上传、解算后存储于计算机中；实时的影像上传生成影像片存储于计算机中。

本实施例中通过机载激光雷达系统所采集部分点云数据共18点如下表3。该数据集通过步骤②均已解算为三维点云数据；表3中只列出本实施例中某一靶标球装置处球体表面的点云数据，该数据均处于球体表面内。

表3：另一靶标球装置处球体表面点云数据

本实施例中通过对上述数据进行迭代生长和自动识别，从背景点云数据中分离出来球体表面点云数据如上表3所示。然后对球体表面点云进行类别确认和赋值，并作为下一步球心拟合的初始样本数据。

由表3中各初始样本数据通过步骤④根据最小二乘法解算出拟合球面的球参数和，分别如下：=598272.7889，=3622003.5106，=47.0850，=0.3010。再经抗粗差的选权迭代稳健估计算法，进一步估算出最似然的拟合球面参数。本实施中根据表1所列数据经上述式3）解算出各观测点的残差值。再根据上述式4）和式5）通过解算法方程式以获得最似然的球面参数和，分别如下：=598272.8403，=3622003.4891，=46.8433，=0.3200；通过该解算以达到抗粗差的目的，上述解算中式5）的单位权中误差0.007960，常数c=1.5。并根据最似然球面参数以确定球面顶点坐标P为（598272.8403，3622003.4891，47.1633）。

然后对上述所生成并存储于计算机中的影像片通过手工交互方式选取影像片的初始特征点，并通过现有的特征定位算子对该对特征点进行亚像素定位，明确清楚地确定球体顶部标识特征的影像点，再通过该影像点对中最似然的球面顶点P，从而实现步骤⑤中对中的目的。最后对已对中的影像片通过光束法区域网平差的方法，以地面控制点为基点进行影像片外方位元素的解算，该解算的控制点最大残差小于0.08m；使整个测区的影像与点云数据及地面控制点达到精确配准。

Claims (6)

1.一种面向可移动靶标球的机载LiDAR点云与影像联合配准方法，是通过在测区内已知地面控制点处设置上部为球体且球体顶点具有明显标识特征的靶标球装置，和采集该测区内物体的点云数据和影像，并经解算使所采集的点云数据、影像以及地面控制点之间进行一一对应、精确配准；其特征在于：它包括有以下步骤：①、测区内点云数据和影像采集：机载激光雷达系统对测区进行点云数据采集并上传、存储，同时，可见光数码相机对同一测区进行影像采集，上传生成影像片并存储；②、点云数据坐标解算：结合GPS/IMU和激光测距测时信息，对步骤①所采集的点云数据进行整体解算，以确定被摄影区域中地面物体点云数据的三维坐标，即三维点云数据；③、球体表面点云数据自动识别：对步骤②的三维点云数据进行分析选定球体表面处顶端点的点云数据，并在球体半径参数约束下，自动搜索球体表面区域的各点云数据，根据不共面的四点共球原理进行球参数解算和比较验证，并逐一进行迭代生长和自动识别，将球体表面的点云数据从背景点云数据中完整分离出来；④、拟合球面的球参数解算和顶点坐标确定：利用步骤③所分离出来的球体表面点云数据，通过球面拟合的最小二乘法解算拟合球面的球心和半径，并推导球面的顶点坐标；⑤、球体标识特征的影像识别和对中：对步骤①所采集的影像片通过手工交互方式进行初始特征点的选取，然后通过特征定位算子进行亚像素定位，从而确定球体顶部标识特征的影像点，该影像点与步骤④所确定的球面顶点坐标进行配准对中；⑥、基于控制点信息的影像区域网平差：对步骤⑤所对中的影像片采用光束法区域网平差方法，通过控制点约束解算影像片的外方位元素，从而达到点云数据、影像片及地面控制点之间的精确配准。

2.如权利要求1所述的联合配准方法，其特征在于：步骤③中所述的自动搜索是通过K-D树索引进行的；该K-D树是以球体表面区域的点云数据顶端点为中心点在球体曲率半径约束下对其邻近点通过距离限定的剖分策略进行区域划分而构建的。

3.如权利要求2所述的联合配准方法，其特征在于：步骤③中迭代生长和自动识别过程如下：

Step1：以局部点云顶端点为初始种子点，通过碰撞球搜索其最邻近3点并标记为目标类别，建立初始堆栈；

Step2：按照四点共球原理计算初始4点所构成的球面半径与球心坐标，并记录作为后续区域生长的校验值；

Step3：出栈，并更新当前点，按迭代方式搜索最邻近1~4点，如果邻接点中包含非目标类别则转入Step4，否则重复Step3；

Step4：计算当前4点共球的球面坐标及半径，并与校验值进行比较，满足生长阈值的非目标类点将被标记目标类，入栈； 

Step5：重复Step3与Step4，直到栈中点数为空。

4.如权利要求1或2或3所述的联合配准方法，其特征在于：上述步骤④进一步采用抗粗差的选权迭代的方法对拟合球面参数进行稳健估算；该抗粗差的选权迭代的方法是依据观测值与各拟合球体之间的残差                                                与权函数估计观测值权，并进行选权迭代解算，直到收敛结束以解算出最似然的拟合球面参数并推导其顶点坐标；其具体过程如下：

第一步：设球面所对应的曲面函数为：

；      3)

式3）中的和为通过最小二乘法所求得的拟合球面参数；

第二步：将式3)进行泰勒级数展开，并忽略二阶及其高阶次项，得误差方程式为：

       4)

式4）中为残差向量，常数向量，取值与当前观测值相关，为误差方程式系数；

第三步：根据式4），按最小二乘原理建立法方程式，其中观测值的权采用Huber权函数：

                         5)

式5）中，为观测值所对应的权值，为观测值的残差大小，为常数变量且设定为1.5或2，其中为单位权中误差，由每次迭代解算所得；

第四步：解算法方程式，迭代更新未知数的向量，并最终获得未知数的解向量，即获取最似然球面参数，再通过最似然球面参数确定最似然球面顶点坐标。

5.一种应用于上述联合配准方法中的靶标球装置，为可移动式，具有可移动和伸缩的三角支架（2），其特征在于：在三角支架（2）的上部设有球体（1），球体顶部绘制有规则的倒立三角形图案，图案的中心处标有明显的十字丝标识特征（11），用于影像片的特征点拾取和定位；在三角支架（2）与球体（1）之间的连接板（3）内设有水平仪和对中仪，用以调整其上部的球体处于水平面，以及使球体顶点、球心点和已知地面控制点处于同一铅垂线上。

6.根据权利要求5所述的靶标球装置，其特生在于：该球体（1）是由4~10块可拆卸的金属或硬质塑料球壳上下拼合而成，其表面为磨砂漫反射面。