CN105787933A - 基于多视角点云配准的岸线三维重建装置及方法 - Google Patents

Abstract

本发明提供基于多视角点云配准的岸线三维重建装置，包括二维激光传感器、旋转云台、控制平台和数据传输单元；二维激光传感器固定在旋转云台上，二维激光传感器以单线逐点扫描的同时，随旋转云台一起旋转；数据传输单元用于二维激光传感器、旋转云台与控制平台之间的数据传输；控制平台用于输出二维激光传感器的参数、旋转云台的旋转参数，利用二维激光传感器的采集数据，进行岸线三维重建。本发明利用旋转云台结合二维激光传感器采集岸线轮廓数据，利用相邻视角点的单视角点云数据，通过空间栅格切割点云包络空间，以每个栅格中的平均曲率为聚类标准，利用模糊c均值聚类方法提取属性相似的点云，并进行配准和校验，提高配准效率和精度。

Description

基于多视角点云配准的岸线三维重建装置及方法

技术领域

本发明涉及图形建模领域，具体涉及一种基于多视角点云配准的岸线三维重建装置及方法。

背景技术

岸线三维重建是指通过测绘方式获取岸线三维结构信息并重建岸线三维模型,为资源规划和决策辅助提供信息支持。常用的测绘采集数据方式有GPS测绘、航拍测绘和激光测绘等方式。GPS测绘难以在复杂的物体表面采集足够多的数据点，导致无法重建场景的细节。航拍测绘易受桥梁，防风林的影响，造成摄影盲区，影响重建模型的准确性。与上述方法相比，激光测绘具有高精度、高效率、扫描方式灵活的特点，重建后所得的高精度模型具有较高的实用价值。

目前，在三维重建的方面已取得了一些成果，例如已授权的专利CN102163342B，授权日为2012年7月4日，专利名称为“基于多尺度测量数据的果树形态结构三维重建方法”，公开了一种利用激光传感器重建果树形态结构的三维重建方法。首先利用自适应采样方法从点云中提取果树枝干的骨架，然后通过随机抽样获取幼枝和树叶的形态特征，并建立模板库，最后根据测量得到的冠层枝叶形态特征信息，利用模板库和果树枝干骨架模型重建果树的三维模型。在点云配准方面已取得一些成果，例如已授权的专利CN103020960B，授权日为2015年8月19日，专利名称为“基于凸包不变性的点云配准方法”，公开了一种基于凸包不变形的点云配准方法。首先利用最小凸多面体建立激光点云的凸包，并将凸包分解为一系列三角形，然后提取满足匹配条件的三角形，最后根据三角形的四个特征点实现点云配准。已公开的专利CN104143210A，申请日为2014年07月31日，专利名称为“一种多尺度法向特征点云配准方法”，公开了一种多尺度法向特征点云配准方法。该方法在相邻视角的点云中随机选取样本子集，通过计算距离子集中心不同尺度半径的法向量角度偏差和曲率，不断迭代直到法向量角度差值小于设定的阈值，从而求取重合区域，再利用奇异值分解求得位置关系矩阵，实现相邻视角点云配准。但该方法随机选取样本子集，导致搜寻样本子集所需时间较长。

发明内容

本发明要解决的技术问题是：提供一种基于多视角点云配准的岸线三维重建装置及方法，提高ICP算法配准效率和精度。

本发明为解决上述技术问题所采取的技术方案为：一种基于多视角点云配准的岸线三维重建装置，其特征在于：它包括数据采集单元、数据采集辅助单元、控制平台和数据传输单元；其中：

数据采集单元为二维激光传感器；

数据采集辅助单元包括旋转云台，所述的二维激光传感器固定在旋转云台上，二维激光传感器以单线逐点扫描的同时，随旋转云台一起以一定的速率旋转；

数据传输单元用于二维激光传感器、旋转云台与控制平台之间的数据传输；

控制平台用于输出二维激光传感器的参数、旋转云台的旋转参数，利用二维激光传感器的采集数据，进行岸线三维重建。

按上述装置，所述的数据传输单元由依次连接的串行通信模块、大比特率信号转换模块和以太网通信模块组成，二维激光传感器和旋转云台分别与串行通信模块连接，以太网通信模块与所述的控制平台通信。

按上述装置，所述的二维激光传感器的参数包括扫描距离、扫描角度及角度分辨率；旋转云台的旋转参数包括旋转范围与旋转速度。

利用上述基于多视角点云配准的岸线三维重建装置实现的三维重建方法，其特征在于：它包括以下步骤：

S1、旋转式二维激光数据建模：建立旋转式二维激光传感器数据的三维直角坐标系；

S2、点云数据聚类：

在待重建岸线上，选取若干个视角点，在每个视角点上，利用旋转云台搭载二维激光传感器旋转，得到单视角点云数据；利用相邻视角点的单视角点云数据，通过空间栅格切割点云包络空间，以每个栅格中的平均曲率为聚类标准，利用模糊c均值聚类方法提取曲率值接近的点云，即提取出点云重合区域；曲率值接近是指两部分点云的曲率值方差小于设定的阈值；

S3、点云数据配准：

通过ICP算法计算相邻视角点的点云重合区域，得到相邻视角点的位置关系矩阵，即旋转矩阵R和平移矩阵T，统一相邻视角点的坐标系；

S4、配准数据校验：

通过比较实际相邻视角点的距离与S3求得的平移矩阵T，校验该配准是否有效，若两者相差值大于设定的阈值，表示聚类或配准错误，改用基于KD-tree数据结构的ICP算法配准，反之，则判定此次配准正确；

S5、不断配准相邻视角点的点云，直到统一所有视角点云坐标系，从而实现岸线三维重建。

按上述方法，所述的S2具体为：

1)旋转云台搭载二维激光传感器顺时针旋转180°获得单视角点云数据，利用OBB算法求得该视角点云数据的包络空间；

2)利用空间栅格切割单视角点云数据的包络空间得到大小均匀相邻紧密的M×N×K个栅格，利用最小二乘法拟合栅格内的激光点云曲面，通过计算曲面的最大曲率和最小曲率，进而求得栅格内点云曲面的平均曲率；以三维直角坐标系的x，y，z坐标轴为顺序排列切割后的栅格，以平均曲率为数组元素，建立一个M×N×K的有序一维数组X₁；

利用相同方法获得相邻视角点的单视角点云数据的一维数组X₂；

3)统计X₁和X₂两组数组中曲率值出现的次数并进行归一化处理得到两个新的一维数组L₁和L₂，利用模糊c均值聚类方法提取L₁与L₂中的曲率值接近的部分，即两部分的曲率值方差小于设定的阈值，从而提取相邻视角点云的重合区域。

本发明的有益效果为：本发明利用旋转云台结合二维激光传感器采集岸线轮廓数据，利用空间栅格切割点云包络空间，利用相邻视角点的单视角点云数据，通过空间栅格切割点云包络空间，以每个栅格中的平均曲率为聚类标准，利用模糊c均值聚类方法提取属性相似的点云，并进行配准和校验，提高ICP算法配准效率和精度。

附图说明

图1为本发明一实施例的装置结构示意图。

图2为相邻视角点的点云数据聚类示意图。

图3为极坐标系转化三维直角坐标系的示意图。

图4为本发明一实施例的方法流程图。

图中：1.二维激光传感器；2.旋转云台；3.固定模块；4.大比特率信号转换器；5.串行通信模块；6.以太网通信模块；7.控制平台；8.供电模块。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。

本发明提供一种基于多视角点云配准的岸线三维重建装置，如图1所示，它包括数据采集单元、数据采集辅助单元、控制平台7和数据传输单元；其中：数据采集单元为二维激光传感器1；数据采集辅助单元包括旋转云台2，所述的二维激光传感器1固定在旋转云台2上，二维激光传感器1以单线逐点扫描的同时，随旋转云台2一起以一定的速率旋转；数据传输单元用于二维激光传感器1、旋转云台2与控制平台7之间的数据传输；控制平台7用于输出二维激光传感器1的参数、旋转云台2的旋转参数，利用二维激光传感器1的采集数据，进行岸线三维重建。

所述的数据传输单元由依次连接的串行通信模块5、大比特率信号转换模块4和以太网通信模块6组成，二维激光传感器1和旋转云台2分别与串行通信模块5连接，以太网通信模块6与所述的控制平台7通信。其中二维激光传感器数据在串口通信模块中比特率达500000b/s，旋转云台数据在串口通信模块中比特率达2400b/s。

本实施例中还包括固定模块3和供电模块8，固定模块3刚性连接二维激光传感器1与旋转云台2，使二维激光传感器1不与旋转云台2发生相对移动。供电模块8由蓄电池、逆变器以及导线组成，蓄电池提供12V直流电，通过逆变器转化为220V交流电，为整套装置正常运作提供电力支持。

所述的二维激光传感器1的参数包括扫描距离、扫描角度及角度分辨率；旋转云台2的旋转参数包括旋转范围与旋转速度。本实施例中，二维激光传感器1的扫描频率为75Hz，扫描方式为单线逐点扫描，二维激光传感器1的扫描距离可设置为8m或80m，扫描角度范围可设置为100°或180°，扫描精度可设置为1°、0.5°、0.25°。

本实施例中，控制平台7为一台PC机，通过PC机的输入设备设置云台旋转范围与旋转速度、激光传感器扫描距离、扫描角度及角度分辨率，并利用PC机配准相邻点云数据，统一不同视角下的点云坐标系，从而重建岸线模型，并通过PC机的显示设备显示岸线三维模型。

利用上述基于多视角点云配准的岸线三维重建装置实现的三维重建方法，如图4所示，它包括以下步骤：

S1、旋转式二维激光数据建模：建立旋转式二维激光传感器数据的三维直角坐标系。

二维激光传感器的数据坐标系是二维极坐标系，该坐标系的极点为扫描中心，极轴为激光传感器扫描范围最左端，极径为激光传感器与扫描物体之间的距离，其中，极径的单位为cm。结合云台的水平旋转角度与激光传感器的极坐标数据，形成三维激光点云数据，进而对点云建模，即完成二维极坐标系与三维直角坐标系的转化。其具体过程：激光传感器每采集一个激光数据点，云台向上位机发送该点对应的水平角度α，结合激光数据点的极径值r和角度值β，即可计算激光点的三维坐标，如图3所示。

根据r、β、α即可计算激光点的三维坐标，P点的三维坐标为，如式(1)所示：

x＝r×cosβ×cosα

x＝r×cosβ×sinα(1)

x＝r×sinβ

S2、点云数据聚类：

在待重建岸线上，选取若干个视角点，在每个视角点上，利用旋转云台搭载二维激光传感器旋转，得到单视角点云数据；利用相邻视角点的单视角点云数据，通过空间栅格切割点云包络空间，以每个栅格中的平均曲率为聚类标准，利用模糊c均值聚类方法提取属性相似的点云，即提取出点云重合区域。

在本实施例中，二维激光传感器1纵向逐点扫描一条直线，旋转云台2搭载二维激光传感器1水平旋转，控制平台7存储激光数据和激光数据中每个点对应的水平旋转角度。旋转云台2搭载二维激光传感器1顺时针旋转180°得到单视角激光数据，由于二维激光传感器1的最大扫描距离为80m，因此，旋转云台2搭载二维激光传感器1扫描一次只能获得部分轮廓数据，根据实际情况水平移动一段距离后，采用相同方式获得另一视角的激光数据，直到获取岸线的全部轮廓信息。

利用模糊c均值聚类将激光点云数据分类，提取点云中属性相似的一类，即相邻视角点云的重合区域。理论上，属性应当相同，但是可能会存在一定的误差，因此，在实际操作时，可以提取曲率值接近的点云，曲率值接近是指两部分点云的曲率值方差小于设定的阈值。其具体为：利用OBB(OrientedBoundingBox方向包围盒)算法求得该点云数据的包络空间，沿坐标轴的方向等间距切割点云的包络空间，得到大小均匀相邻紧密的M×N×K个栅格，首先通过最小二乘法求得每个栅格的散点曲面方程，再根据曲面方程求一、二阶导数，最后求得最大曲率和最小曲率，进而求得平均曲率。根据点云中每个栅格的平均曲率，以x，y，z坐标轴为排列顺序，组成一个M×N×K的有序一维数组X₁，再统计数组X₁曲率值出现的次数并进行归一化处理得到一维数组L₁，利用相同方法求得相邻视角点云的统计数组L₂。由于待配准的相邻视角点云由一块重合区域和两块非重合区域组成，如图2所示，首先将L₁和L₂组合为一个新的一维数组L₃，然后通过模糊c均值聚类将L₃划分为三类，提取L₃中的公有类，最后根据公有类中曲率值在X₁和X₂的对应位置，即可得到相邻视角点云的重合区域。

模糊c均值聚类是通过不断迭代求得新的聚类中心和隶属矩阵，直到价值函数J(U,c₁…c₃)的值小于设定的阈值ξ，完成数据分类，价值函数如式(2)所示：

$J(U,c_{\mathrm{1...}}{c}_3)=\underset{i=1}{\overset{3}{\Σ}}\underset{j}{\overset{N}{\Σ}}{u}_{ij}^m{d}_{ij}^2---\left(2\right)$

其中，j表示统计曲率的个数，i表示聚类数量，m为加权指数,隶属矩阵的元素u_ij表示第j个数据点属于第i类的似然度，其中u_ij∈[0,1]，d_ij表示第i个聚类中心到第j个数据点的欧氏距离。

当迭代次数超过限定的次数时，价值函数的数值小于ξ，则表示分类失败，改用基于KD-tree的ICP方法配准相邻视角点云，反之，则分类成功。

点云聚类具体步骤如下：

(1)初始化隶属矩阵U

U为2×M·N·K矩阵，其中，隶属矩阵的元素u_ij满足，如式(3)所示：

$\begin{array}{cc}\underset{j=1}{\overset{3}{\Σ}}{u}_{ij}=1& i=1,\mathrm{2...}M\·N\·K\end{array}---\left(3\right)$

(2)求解聚类中心

根据隶属矩阵U，求出聚类中心，如式(4)所示：

$\begin{array}{cc}{c}_i=\frac{\underset{j=1}{\overset{3}{\Σ}}{u}_{ij}^m{x}_i}{\underset{j=1}{\overset{3}{\Σ}}{u}_{ij}^m}& i=1,\mathrm{2...}M\·N\·K\end{array}---\left(4\right)$

其中x_i表示第i个曲率值的次数，加权指数m＝2。

(3)求解价值函数。

利用求得的聚类中心，解得第i个聚类中心与第j个数据点的欧式距离d_ij，如式(5)所示：

d_ij＝||c_i-x_j||(5)

其中，c_i为第i个聚类中心，根据式(6)求出价值函数J(U,c₁…c₃)。

$\begin{array}{cc}J(U,c_{\mathrm{1...}}{c}_3)=\underset{i=1}{\overset{2}{\Σ}}\underset{i}{\overset{M\·N\·K}{\Σ}}{u}_{ij}^m{d}_{ij}^2& i=1,\mathrm{2...}M\·N\·K---\left(6\right)\end{array}$

若价值函数的值小于ξ，完成分类，算法停止。若价值函数的值大于ξ，则分类未完成，执行(4)。

(4)计算新的隶属矩阵U

根据式(7)，计算新的隶属矩阵U：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Σ}}{\left(\frac{d_{ij}}{d_{kj}}\right)}^{2/(m-1)}}---\left(7\right)$

循环执行步骤(2)，直到满足步骤(3)的条件，然后根据属性相似的元素在向量对应的位置提取栅格，进而得到两视角点云的重合区域。

S3、点云数据配准：

通过ICP算法计算相邻视角点的点云重合区域，得到相邻视角点的位置关系矩阵，即旋转矩阵R和平移矩阵T，统一相邻视角点的坐标系。

利用模糊c均值聚类提取出相邻点云的重合区域，再利用ICP算法计算相邻视角激光点云的位置变换矩阵，即旋转矩阵R和平移矩阵T，进而统一相邻视角点云的坐标系，其步骤如下：

(1)分别计算相邻点云P，Q重合区域的重心μ_p，μ_q，建立协方差矩阵PX，如式(8)(9)所示：

$\Σpx=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\[(p_i-u_p){(x_i-u_q)}^T\]---\left(8\right)$

其中，n为相邻点云对应点的总个数，n_P，n_q分别为点云P，Q激光点的个数。

$\begin{array}{c}{\mathrm{\μ}}_p=\frac{1}{n_P}\underset{i=1}{\overset{n_P}{\Σ}}{p}_i\\ {\mathrm{\μ}}_x=\frac{1}{n_q}\underset{i=1}{\overset{n_q}{\Σ}}{x}_i\end{array}---\left(9\right)$

根据协方差矩阵PX，求出4×4的正定矩阵Q(∑_px)，如式(10)所示：

$Q\left({\Σ}_{px}\right)=\left[\begin{array}{cc}tr\left({\Σ}_{px}\right)& {\mathrm{\Δ}}^T\\ \mathrm{\Δ}& {\Σ}_{px}+{{\Σ}^T}_{px}-tr\left({\Σ}_{px}\right)I_3\end{array}\right]---\left(10\right)$

(2)求解矩阵Q(∑_px)的最大特征值和特征向量，所求的特征向量即旋转向量最优解q_R＝[q₀q₁q₂q₃]^T，将旋转向量q_R代入下式，求得旋转矩阵R和平移矩阵T，如式(11)所示：

$\begin{array}{c}R=\left[\begin{array}{ccc}{q^2}_0+{q^2}_1-{q^2}_2-{q^2}_3& 2(q_1{q}_2-q_0{q}_3)& 2(q_1{q}_3-q_0{q}_2)\\ 2(q_1{q}_2-q_0{q}_3)& {q^2}_0-{q^2}_1+{q^2}_1-{q^2}_3& 2(q_2{q}_3-q_0{q}_1)\\ 2(q_1{q}_3-q_0{q}_2)& 2(q_2{q}_3+q_0{q}_1)& {q^2}_0-{q^2}_1-{q^2}_2+{q^2}_3\end{array}\right]\\ T={\mathrm{\μ}}_x-R\left(q_R\right){\mathrm{\μ}}_p\end{array}---\left(11\right)$

(3)将求得的旋转矩阵R和平移矩阵T，代入目标函数f(R,T)中，如式(12)所示：

$f(R,T)=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|\right|P_i-{\mathrm{RQ}}_i-T|{|}^2---\left(12\right)$

当目标函数f(R,T)的值小于设定的阈值时，完成点云配准，否则，重复步骤(1)。当迭代次数超过限定的次数时，目标函数的值大于设定的阈值，表示配准失败，则利用KD-tree结合ICP算法配准相邻点云。

S4、配准数据校验：

通过比较实际相邻视角点的距离与S3求得的平移矩阵T，校验该配准是否有效，若两者相差值大于设定的阈值，表示聚类或配准错误，改用基于KD-tree数据结构的ICP算法配准，反之，则判定此次配准正确。

点云配准精准与否影响重建的三维模型，由于模糊c均值聚类存在局部最优解的问题，会导致得到错误的重合区域，进而造成点云配准错误，因此，需要检验相邻点云是否正确配准。相邻视角点云的移动距离S可以通过事先测量得到，比较ICP配准算法得到的平移矩阵T与相对移动的距离S，若两者误差小于设定的阈值，则改进算法运算正确，若大于设定阈值表明改进方法不适合配准该相邻点云，则改用基于KD-tree数据结构的ICP算法配准该相邻点云数据。

S5、不断配准相邻视角点的点云，直到统一所有视角点云坐标系，从而实现岸线三维重建。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (5)

1.一种基于多视角点云配准的岸线三维重建装置，其特征在于：它包括数据采集单元、数据采集辅助单元、控制平台和数据传输单元；其中：

数据采集单元为二维激光传感器；

数据采集辅助单元包括旋转云台，所述的二维激光传感器固定在旋转云台上，二维激光传感器以单线逐点扫描的同时，随旋转云台一起以一定的速率旋转；

数据传输单元用于二维激光传感器、旋转云台与控制平台之间的数据传输；

控制平台用于输出二维激光传感器的参数、旋转云台的旋转参数，利用二维激光传感器的采集数据，进行岸线三维重建。

2.根据权利要求1所述的基于多视角点云配准的岸线三维重建装置，其特征在于：所述的数据传输单元由依次连接的串行通信模块、大比特率信号转换模块和以太网通信模块组成，二维激光传感器和旋转云台分别与串行通信模块连接，以太网通信模块与所述的控制平台通信。

3.根据权利要求1所述的基于多视角点云配准的岸线三维重建装置，其特征在于：所述的二维激光传感器的参数包括扫描距离、扫描角度及角度分辨率；旋转云台的旋转参数包括旋转范围与旋转速度。

4.利用权利要求1所述的基于多视角点云配准的岸线三维重建装置实现的三维重建方法，其特征在于：它包括以下步骤：

S1、旋转式二维激光数据建模：建立旋转式二维激光传感器数据的三维直角坐标系；

S2、点云数据聚类：

在待重建岸线上，选取若干个视角点，在每个视角点上，利用旋转云台搭载二维激光传感器旋转，得到单视角点云数据；利用相邻视角点的单视角点云数据，通过空间栅格切割点云包络空间，以每个栅格中的平均曲率为聚类标准，利用模糊c均值聚类方法提取曲率值接近的点云，即提取出点云重合区域；曲率值接近是指两部分点云的曲率值方差小于设定的阈值；

S3、点云数据配准：

通过ICP算法计算相邻视角点的点云重合区域，得到相邻视角点的位置关系矩阵，即旋转矩阵R和平移矩阵T，统一相邻视角点的坐标系；

S4、配准数据校验：

通过比较实际相邻视角点的距离与S3求得的平移矩阵T，校验该配准是否有效，若两者相差值大于设定的阈值，表示聚类或配准错误，改用基于KD-tree数据结构的ICP算法配准，反之，则判定此次配准正确；

S5、不断配准相邻视角点的点云，直到统一所有视角点云坐标系，从而实现岸线三维重建。

5.根据权利要求4所述的三维重建方法，其特征在于：所述的S2具体为：

1)旋转云台搭载二维激光传感器顺时针旋转180°获得单视角点云数据，利用OBB算法求得该视角点云数据的包络空间；

2)利用空间栅格切割单视角点云数据的包络空间得到大小均匀相邻紧密的M×N×K个栅格，利用最小二乘法拟合栅格内的激光点云曲面，通过计算曲面的最大曲率和最小曲率，进而求得栅格内点云曲面的平均曲率；以三维直角坐标系的x，y，z坐标轴为顺序排列切割后的栅格，以平均曲率为数组元素，建立一个M×N×K的有序一维数组X₁；

利用相同方法获得相邻视角点的单视角点云数据的一维数组X₂；

3)统计X₁和X₂两组数组中曲率值出现的次数并进行归一化处理得到两个新的一维数组L₁和L₂，利用模糊c均值聚类方法提取L₁与L₂中曲率值接近的部分，即两部分的曲率值方差小于设定的阈值，从而提取相邻视角点云的重合区域。