CN107945189A - 一种基于正态分布变换单元的点云平面分割方法 - Google Patents

一种基于正态分布变换单元的点云平面分割方法 Download PDF

Info

Publication number
CN107945189A
CN107945189A CN201711219593.0A CN201711219593A CN107945189A CN 107945189 A CN107945189 A CN 107945189A CN 201711219593 A CN201711219593 A CN 201711219593A CN 107945189 A CN107945189 A CN 107945189A
Authority
CN
China
Prior art keywords
normal distribution
transform unit
distribution transform
plane
voxel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711219593.0A
Other languages
English (en)
Inventor
李霖
杨帆
应申
朱海红
李大林
苏飞
左辛凯
梁帆
梁一帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201711219593.0A priority Critical patent/CN107945189A/zh
Publication of CN107945189A publication Critical patent/CN107945189A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20128—Atlas-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于正态分布变换单元的点云平面分割方法，采用体素化网格表达点云空间，每个体素内的点云用正态分布进行描述得到正态分布变换单元。计算每个正态分布变换单元内点云的正态分布的数字特征，均值和协方差矩阵。对协方差矩阵进行特征值分解，得到三个特征值和特征向量，通过协方差椭球描述正态分布变换单元内点云分布的几何特征。将正态分布变换单元分为平面和非平面正态分布变换单元，以正态分布变换体素单元作为区域生长的基本单元，通过不断迭代生长最终得到位于同一平面的点云。最后运用迭代重权重最小二乘算法实现对点云平面的拟合，得到点云平面的法向量、平面范围参数。本发明速度快，同时可提高平面拟合的精度和稳健性。

Description

一种基于正态分布变换单元的点云平面分割方法
技术领域
本发明属于地图制图技术领域，涉及一种三维激光点云平面提取的方法，特别涉及一种基于正态分布变换单元的点云平面分割方法。
背景技术
激光扫描技术已经成为一种重要的测量数据获取手段，通过机载、地面、车载激光雷达获得城市环境的点云数据，可以快速实现对城市环境的观测，在快速发展的城市建设和管理中越来越起到重要作用。移动测量数据往往快速实时获取，观测效率高，数据量巨大。同时激光雷达也被广泛的应用在即时定位与制图、语义地图和物体识别等领域。利用移动激光测量设备实现室内环境的快速制图，满足日益增长的室内环境地图和导航的需要，成为当前的热门研究点。室内环境中的点云数据通常包含丰富的结构信息，比如屋顶、墙壁、地板在点云数据中都表现为平面几何特征。如何快速高效的提取这些平面结构信息是一项十分重要的工作。室内环境的平面特征对同时定位与地图构建(Simultaneouslocalization and mapping，SLAM)和室内结构化三维模型构建都具有重要意义。
目前有多种激光测量手段获取激光点云数据，包括机载激光测量(Airbornelaser scanning，ALS)，地面激光测量(Terrestrial laser scanning，TLS)和移动激光测量(Mobile laser scanning，MLS)，用到的激光测量设备包括全景深度相机和深度相机。点云数据的组织方式可以是有序点云(Organized Point Clouds)或者无序点云(Unorganized Point Clouds)。通常采用点云分割技术实现对点云的分割和提取。点云分割技术大致可以分为以下四类：区域生长方法，模型拟合方法，图割方法和属性聚类方法，不同的方法有各自的优势和不足。传统的区域生长鲁棒性不是很好，受分割的多种评判标准的影响，会产生过分割和欠分割，计算时间长。模型拟合方法主要采用的是随机采样一致性算法(Random Sample Consensus，RANSAC)，该方法首先随机采样生成最小一致集，计算模型参数，然后验证其他数据是否满足假设，但是该方法提取的结果存在不确定性；另外一种是霍夫变换方法，该方法内存消耗大，计算时间长。图割方法进行点云分割具有精度高的特点，但是计算时间过长同时需要先验知识。属性聚类方法常采用曲率作为点云的属性进行平面划分，因此依赖于精确的曲率计算，而实现在平面边缘的曲率计算时存在很大的困难。在进行室内移动激光测量时，尤其是在同时定位与地图构建领域，快速提取室内点云的平面特征对于点云数据的快速匹配和语义识别都具有重要的意义。
发明内容
为了从室内的移动激光测量无序点云数据中快速提取点云平面信息的技术问题，本发明提供了一种基于正态分布变换单元的点云平面分割方法。
本发明所采用的技术方案是：一种基于正态分布变换单元的点云平面分割方法，其特征在于，包括以下步骤：
步骤1：根据输入的体素大小，将点云离散化为网格，采用体素化表达点云三维空间；
步骤2：当体素内的点数目大于α时，一般取α≥5，用正态分布描述每个体素内的点云的空间分布，计算每个体素单元正态分布的数字特征，包括均值gi和协方差矩阵∑，得到正态分布变换单元；利用协方差矩阵∑进行特征值分解，得到特征值λ1≤λ2≤λ3和对应的特征向量取特征值最小的特征向量作为正态分布变换单元的法向量ni；
步骤3：根据设定的阈值te标记每个正态分布变换单元的几何特征为平面和非平面；
步骤4：根据整个体素网格的行列高信息构造每个体素的近邻单元信息列表；
步骤5：利用正态分布变换单元作为区域生长算法的基本单元，进行点云平面分割；
步骤6：重复步骤5，选择新的种子单元进行迭代，直到所有的种子单元都已经遍历完毕。
步骤7：当所有的种子单元都已经计算完毕，采用迭代重权重最小二乘方法拟合平面Ψ，提高平面拟合的精度和稳健性。
相对于现有技术，本发明的有益效果是：提供了一种高效的高密度无序点云平面提取方法。该方法采用了正态分布变换单元表达点云三维空间，同时利用点云的局部几何特征将点云分类为平面和非平面正态分布变换单元，与传统的基于点的区域生长算法相比，本发明具有运算速度快的特点；相比随机采样一致性(RANSAC)方法存在分割结果不确定的问题，本发明可以得到确定的平面分割结果；同时具有较高的查全率和查准率。可以应用于基于点云数据的室内制图和三维重建等领域。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例中正态分布数字特征协方差椭球示意图；
图3为本发明实施例中点云示例和正态分布变换地图；
图4为本发明实施例中根据协方差矩阵对应的特征值进行体素几何特征分类示意图；
图5为本发明实施例中原始点云和本发明的平面分割结果图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于正态分布变换单元的点云平面分割方法，包括以下步骤：
步骤1，首先根据输入的体素大小，将点云离散化为网格，采用体素化方法表达点云三维空间，每个体素对应规则网格中的小立方体。
步骤2，用正态分布描述每个体素内的点云的空间分布，计算每个正态分布变换单元正态分布的数字特征；正态分布变换(Normal Distribution Transformation，NDT)单元是采用正态分布描述的体素单元。利用协方差矩阵进行特征值分解，得到特征值λ1≤λ2≤λ3和对应的特征向量如图2所示为正态分布对应的协方差椭圆，协方差椭圆的坐标轴分别对应特征向量长度分别为如图3所示为原始点云和基于正态分布变换协方差椭圆表达的正态分布变换地图(NDT Map)。
步骤3，接着根据设定的阈值te标记每个体素单元的几何特征为平面和非平面。规则如下：
阈值te一般取(0,0.04]之间的值，如图4为根据该规则划分平面正态分布变换单元和非平面正态分布变换单元的示意图。
步骤4，根据整个体素网格的行列高信息构造每个体素的近邻单元信息列表，常采用26邻域，即当前体素周围3×3×3的网格范围内的体素单元。
步骤5，然后利用基于正态变换体素单元的区域生长算法实现点云平面分割。
步骤5.1，首先选择残差(residual)最小的正态分布变换单元作为种子单元c；
步骤5.2，通过判断种子单元集合中每个种子单元的所有近邻正态分布变换单元Q是否具有相似性进行迭代生长；
遍历所有的近邻正态分布变换单元，如果当前近邻正态分布变换单元qi表现为平面特征，相似性的判断标准是该近邻正态分布变换单元中心点距离d＝‖(gi-g)·n‖是否小于阈值，且法向量夹角θk＝ni·n是否小于阈值，即d<Δdandθk<Δθ。如果满足条件，则将该正态分布变换单元中所有的点加入平面集合Ψ；将该近邻正态分布变换单元作为新的生长中心，判断其近邻正态分布变换的相似性；
如果近邻正态分布变换单元qi表现为非平面特征，则对于正态分布变换单元内的每一个点pj，判断该点的到种子单元的距离dj′＝||(pj-g)·n||和法向量夹角θj＝nj·n是否满足条件dj′<Δd&θj<Δθ，如果满足条件将该点加入平面集合Ψ；如果正态分布变换单元点集中存在满足条件的平面点，将该近邻正态分布变换单元作为新的生长中心，判断其近邻正态分布变换单元的相似性；
步骤5.3，重复步骤5.2，直到所有的近邻正态分布变换单元都已经遍历完毕。
步骤6，重复步骤5，选择新的种子单元进行迭代，直到所有的种子单元都已经遍历完毕。
步骤7，当所有的种子单元都已经计算完毕，采用迭代重权重最小二乘方法(Iterative Reweighted Least Squares，IRLS)拟合平面Ψ，提高平面拟合的精度和稳健性。如图5为原始点云和本发明的平面分割结果。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于正态分布变换单元的点云平面分割方法，其特征在于，包括以下步骤：
步骤1：根据输入的体素Voxel大小，将点云离散化为网格，采用体素化表达三维空间，每个体素对应规则网格中的小立方体；
步骤2：当体素内的点数目大于α时，用正态分布描述每个体素内的点云的空间分布，计算每个体素单元正态分布的数字特征，包括均值gi和协方差矩阵∑；正态分布变换单元是采用正态分布描述的体素单元；利用协方差矩阵∑进行特征值分解，得到特征值λ1≤λ2≤λ3和对应的特征向量取特征值最小的特征向量作为正态分布变换单元的法向量ni；
步骤3：根据设定的阈值te标记每个正态分布变换单元的几何特征为平面和非平面；
步骤4：根据整个体素网格的行列高信息构造每个体素的近邻单元信息列表；
步骤5：利用正态分布变换单元作为区域生长算法的基本单元，进行点云平面分割；
步骤6：重复步骤5，选择新的种子单元进行迭代，直到所有的种子单元都已经遍历完毕；
步骤7：当所有的种子单元都已经计算完毕，采用迭代重权重最小二乘方法拟合平面Ψ，提高平面拟合的精度和稳健性。
2.根据权利要求1所述的基于正态分布变换单元的点云平面分割方法，其特征在于，步骤3中标记规则为：
3.根据权利要求2所述的基于正态分布变换单元的点云平面分割方法，其特征在于：步骤5中，利用正态分布变换单元作为区域生长算法的基本单元实现点云平面分割；
具体实现包括以下子步骤：
步骤5.1：选择残差最小的正态分布变换单元作为种子单元c；
步骤5.2：通过判断种子单元集合中每个种子单元的所有近邻正态分布变换单元Q是否具有相似性进行迭代生长；
遍历所有的近邻正态分布变换单元，如果当前近邻正态分布变换单元qi表现为平面特征，相似性的判断标准是该近邻正态分布变换单元中心点距离d＝||(gi-g)·n||是否小于阈值，且法向量夹角θk＝ni·n是否小于阈值，即d＜Δd and θk＜Δθ；如果满足条件，则将该正态分布变换单元中所有的点加入平面集合Ψ；将该正态分布变换单元作为新的生长中心，判断其近邻正态分布变换单元的相似性；
如果近邻正态分布变换单元qi表现为非平面特征，则对于正态分布变换单元内的每一个点pj，判断该点的到种子单元的距离dj′＝||(pj-g)·n||和法向量夹角θj＝nj·n是否满足条件dj′＜Δd&θj＜Δθ，如果满足条件将该点加入平面集合Ψ；如果近邻正态分布变换单元点集中存在满足条件的平面点，将该正态分布变换单元作为新的生长中心，判断其近邻正态分布变换单元的相似性；
步骤5.3：重复步骤5.2，直到所有的近邻正态分布变换单元都已经遍历完毕。
4.根据权利要求3所述的基于正态分布变换单元的点云平面分割方法，其特征在于：当所有的种子单元都已经计算完毕，采用迭代重权重最小二乘方法拟合平面Ψ，提高平面拟合的精度和稳健性。
CN201711219593.0A 2017-11-28 2017-11-28 一种基于正态分布变换单元的点云平面分割方法 Pending CN107945189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711219593.0A CN107945189A (zh) 2017-11-28 2017-11-28 一种基于正态分布变换单元的点云平面分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711219593.0A CN107945189A (zh) 2017-11-28 2017-11-28 一种基于正态分布变换单元的点云平面分割方法

Publications (1)

Publication Number Publication Date
CN107945189A true CN107945189A (zh) 2018-04-20

Family

ID=61950414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711219593.0A Pending CN107945189A (zh) 2017-11-28 2017-11-28 一种基于正态分布变换单元的点云平面分割方法

Country Status (1)

Country Link
CN (1) CN107945189A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685821A (zh) * 2018-12-26 2019-04-26 中国科学院大学 基于高质量体素的区域生长3d岩体点云平面提取方法
CN109917376A (zh) * 2019-02-26 2019-06-21 东软睿驰汽车技术（沈阳）有限公司 一种定位方法及装置
CN110599446A (zh) * 2019-07-26 2019-12-20 深圳供电局有限公司 隔离开关合闸位置判别方法
CN111080792A (zh) * 2019-10-17 2020-04-28 贝壳技术有限公司 模型简化处理方法、装置以及电子设备、存储介质
CN111553909A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于实测点云数据的飞机蒙皮窄端面提取方法
CN111736167A (zh) * 2019-03-25 2020-10-02 北京京东尚科信息技术有限公司 一种获取激光点云密度的方法和装置
CN111783181A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种考虑尖角特征约束的保外形拓扑优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877128A (zh) * 2009-12-23 2010-11-03 中国科学院自动化研究所 一种三维场景中不同物体的分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN LI等: "An Improved RANSAC for 3D Point Cloud Plane Segmentation Based on Normal Distribution Transformation Cells", 《REMOTE SENSING》 *
T. RABBANIA: "Segmentation of Point Clouds Using Smoothness Constraint", 《INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 *
李林竹等: "《图像立体匹配技术及其发展和应用》", 31 July 2007 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685821A (zh) * 2018-12-26 2019-04-26 中国科学院大学 基于高质量体素的区域生长3d岩体点云平面提取方法
CN109917376A (zh) * 2019-02-26 2019-06-21 东软睿驰汽车技术（沈阳）有限公司 一种定位方法及装置
CN109917376B (zh) * 2019-02-26 2021-08-06 东软睿驰汽车技术（沈阳）有限公司 一种定位方法及装置
CN111736167A (zh) * 2019-03-25 2020-10-02 北京京东尚科信息技术有限公司 一种获取激光点云密度的方法和装置
CN111736167B (zh) * 2019-03-25 2024-04-12 北京京东乾石科技有限公司 一种获取激光点云密度的方法和装置
CN110599446A (zh) * 2019-07-26 2019-12-20 深圳供电局有限公司 隔离开关合闸位置判别方法
CN111080792A (zh) * 2019-10-17 2020-04-28 贝壳技术有限公司 模型简化处理方法、装置以及电子设备、存储介质
WO2021073530A1 (zh) * 2019-10-17 2021-04-22 贝壳找房(北京)科技有限公司 房屋模型的简化处理方法、装置以及电子设备、存储介质
CN111553909A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于实测点云数据的飞机蒙皮窄端面提取方法
CN111783181A (zh) * 2020-06-30 2020-10-16 南京理工大学 一种考虑尖角特征约束的保外形拓扑优化方法
CN111783181B (zh) * 2020-06-30 2021-08-03 南京理工大学 一种考虑尖角特征约束的保外形拓扑优化方法

Similar Documents

Publication Publication Date Title
CN107945189A (zh) 一种基于正态分布变换单元的点云平面分割方法
CN106157309B (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN104331699B (zh) 一种三维点云平面化快速搜索比对的方法
CN108107444B (zh) 基于激光数据的变电站异物识别方法
CN110838115B (zh) 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
CN105184250A (zh) 一种电力走廊机载LiDAR点云数据的地物分类方法
CN106373118A (zh) 可有效保留边界和局部特征的复杂曲面零件点云精简方法
CN104616349A (zh) 基于局部曲面变化因子的散乱点云数据精简处理方法
CN113470090A (zh) 基于sift-shot特征的多固态激光雷达外参标定方法
CN105844602A (zh) 一种基于体元的机载lidar点云三维滤波方法
CN109685821A (zh) 基于高质量体素的区域生长3d岩体点云平面提取方法
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
Lund et al. Models for point processes observed with noise
CN114359226A (zh) 基于分层叠加和区域增长的三维模型组可视面积提取方法
CN106846382A (zh) 一种基于直方图控制点的图像配准目标检测方法
CN116008671A (zh) 一种基于时差和聚类的闪电定位方法
CN109191484B (zh) 一种从机载激光雷达点云中快速提取平面片的方法
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN107657272B (zh) 一种遥感图像海上目标检测方法
CN112581511A (zh) 基于近似直立扫描点云快速配准的三维重建方法及系统
CN114022526B (zh) 一种基于三维形状上下文的sac-ia点云配准方法
CN113066161B (zh) 一种城市电波传播模型的建模方法
CN115131571A (zh) 一种基于点云预处理六领域的建筑物局部特征点识别方法
CN109697754B (zh) 基于主方向估算的3d岩体点云特征面提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420