CN107993242B - 基于机载LiDAR点云数据缺失区域边界提取方法 - Google Patents

Abstract

本发明公开了一种基于机载LiDAR点云数据缺失区域边界提取方法，包括以下步骤：对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；对每一缺失区域进行外扩，获取包围缺失区域的网孔集合；采用Kd‑Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。本发明能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。

Description

基于机载LiDAR点云数据缺失区域边界提取方法

技术领域

本发明涉及机载激光雷达三维点云数据处理领域，尤其涉及一种基于机载LiDAR点云数据缺失区域边界提取方法。

背景技术

随着科学技术的进步及社会的发展，“数字地球”这一概念已经深入到各行各业中，人们逐渐认识到，想要实现信息化社会，空间地理信息是必不可少的，可以说空间地理信息是一切地理信息应用的基础。现阶段，空间地理信息主要通过传统的摄影测量方式获取，但是通过传统的摄影测量方式获取空间地理信息，其生成周期慢、数据质量差，已不能满足日益增长的社会需求，如何能够快速、准确、实时的获取空间地理信息已成为测绘领域的发展难题。

激光扫描测距技术(LiDAR，Light Detection and Ranging)的出现，弥补了传统摄影测量的缺点。LiDAR作为一种主动式遥感技术，可以快速获取地表物体的三维空间信息，且与传统摄影测量不同的是，其不受天气、光照等自然因素的影响，可以直接获取目标点在三维空间的位置，实现真正的全天时、全天候的数据获取。

但是在机载LiDAR点云数据的获取过程中，由于地表物体的遮挡以及水体吸收等原因，会造成获取的数据中出现缺失区域，不能为后续处理及应用提供完整的数据源，因此在数据的后续处理及使用过程中，需对其进行修补。缺失区域的边界提取作为后续缺失区域修补的首要工作，其提取结果的优劣将直接影响着修补的效果，进而影响整个点云数据后续应用。

发明内容

本发明提供了一种基于机载LiDAR点云数据缺失区域边界提取方法，本发明通过将机载LiDAR点云数据栅格化，快速的定位缺失区域，并且所提取出的边界与缺失区域一一对应，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法，详见下文描述：

一种基于机载LiDAR点云数据缺失区域边界提取方法，所述方法包括以下步骤：

对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；

对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；

采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；

通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。

所述对原始机载LiDAR点云数据进行网格化处理具体为：

将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。

其中，每个网格中包含2～3个点云数据。

所述采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：

采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域。

所述对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：

采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔。

所述采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：

建立机载LiDAR点云数据在二维平面间的拓扑关系。

所述通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点具体为：

采用最大角度差法对待判断点是否为边界特征点进行判断。

本发明提供的技术方案的有益效果是：

1、本发明解决了常规机载LiDAR点云数据缺失区域边界提取中出现的运算效率低、需后处理等问题，能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。

2、本发明突破了常规的机载LiDAR点云数据边界提取方法因对每一点云数据运算造成的提取速度慢，需后处理分离特定缺失区域边界的不足，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法。

附图说明

图1为基于预定位的机载LiDAR点云数据缺失区域边界提取方法流程图；

图2为机载LiDAR点云数据网格化的示意图；

图3为缺失区域定位及边界网孔提取的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

因此，本发明实施例在总结和分析现有的缺失区域边界提取方法的基础上，提出了一种基于预定位的机载LiDAR点云数据缺失区域边界提取方法，该方法能够较为快速的提取出点云数据中缺失区域的边界。

实施例1

一种基于机载LiDAR点云数据缺失区域边界提取方法，参见图1，该方法包括以下步骤：

101：对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；

102：对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；

103：采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；

104：通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。

其中，步骤101中的对原始机载LiDAR点云数据进行网格化处理具体为：

将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。每个网格中包含2～3个点云数据。

其中，步骤101中的采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：

采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域。

进一步地，步骤102中的对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：

采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔。

具体实现时，步骤103中的采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：建立机载LiDAR点云数据在二维平面间的拓扑关系。

其中，步骤104中的通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点具体为：采用最大角度差法对待判断点是否为边界特征点进行判断。

综上所述，本发明实施例通过上述步骤101-步骤104突破了常规的机载LiDAR点云数据边界提取方法因对每一点云数据运算造成的提取速度慢，需后处理分离特定缺失区域边界的不足，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法。

实施例2

下面结合具体的计算公式、图2、图3对实施例1中的方案进行进一步地介绍，详见下文描述：

201：机载LiDAR点云数据网格化；

对点云数据网格化的主要目的是为了能快速的定位缺失区域并获取包围缺失区域的点云数据。网格化的过程可以分为三步：

1)首先将点云数据投影至平面；

2)根据一定条件确定网格划分规模(行数R及列数C)；

3)对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。点云数据网格化示意图如附图2所示。

网格化过程中最主要的步骤是确定网格的划分规模，在确定网格划分规模时应保证网格边长大于点云密度，同时又要小于缺失区域边界轮廓的变化程度。网格划分规模对缺失区域的边界提取有着至关重要的影响，当网格规模较小时会导致缺失区域断开，从而影响着后续缺失区域定位的效果；而当规模较大时则会导致非缺失区域连通，影响着缺失区域边界定位与提取的正确性。同时，网格规模还影响着整个方法的运行效率。

为了权衡以上的利弊，本发明实施例提出根据点云密度决定网格的划分规模，使每个网格平均包含2～3个点云，本发明实施例中每个网格包含3个点云，其计算公式如下

其中，α为网格边长，R为行数；C为列数；XMAX，XMIN，YMAX，YMIN分别表示点云数据在水平和垂直方向的最大值及最小值，符号

表示取整。

在确定网格划分规模后，对于任意点云数据P(X,Y,Z)，根据其在平面上的投影坐标可以计算出P(X,Y,Z)所在的行i和列j：

结合式(1)及式(2)，点云数据被划分一个大小为R×C的网格。同时，根据网格内网孔是否包含点云数据，将网孔分为实孔和空孔两部分，含有点云数据称其为实孔，否则称其为空孔。

202：定位缺失区域；

缺失区域的定位是指通过对网格M的遍历寻找缺失区域，即获取网格中相互连通的空孔数量大于给定阈值的集合。

本发明实施例采用种子方法的空间聚类思想寻找点云数据中的缺失区域。种子方法的思路是在缺失区域的寻找过程中不关心缺失区域的形状，而是通过获取缺失区域内部的一个空孔并以这个空孔作为种子，不断的寻找M中与种子空孔相互连通的空孔，最终覆盖整个缺失区域。通过种子方法可以获取缺失区域所包含空孔的集合以及缺失区域中所包含空孔的数量。

种子方法的关键在于缺失区域中连通空孔的搜索。按照搜索方式的不同，种子方法可以分为四方向搜索和八方向搜索。本发明实施例采用四方向搜索定位缺失区域。设缺失区域的集合为L，对于任意缺失区域l∈L而言，种子方法定位缺失区域的执行过程如下：

1)设m_ij∈M为寻找到的缺失区域l的首个空孔，利用四方向搜索寻找其相邻网孔中的空孔m_ij，同时建立栈结构S保存搜索到的空孔作为缺失区域的下一步搜索方向；

2)保存空孔m_ij至缺失区域l中，同时为了避免缺失区域的重复查找，将m_ij设为实孔；

3)弹出栈结构S的首个空孔s₁，保存空孔s₁至缺失区域l中并将其设为实孔，然后对s₁执行四方位搜索，同时将搜索到的空孔压入栈结构中；

4)重复步骤3)至栈结构S为空，判断缺失区域l中所保存的空洞个数，若小于给定阈值，则清空l。

如附图3(a)所示，对网格M进行遍历，可以得到大于给定阈值的缺失区域的集合L。

203：获取缺失区域边界网孔；

本发明实施例利用八方向搜索遍历缺失区域的集合L中任意缺失区域l的每个网孔，获取包围缺失区域l的实孔，所获实孔的集合即为该缺失区域l的边界网孔。

对缺失区域集合L中每个缺失区域l执行以上步骤，可以获取所有缺失区域l的边界网孔，且每个缺失区域l的边界网孔相互独立。

附图3(b)为边界网孔提取的示意图，图中所标记数字为缺失区域l及边界网孔依次提取的顺序。

通过提取缺失区域l的边界网孔，提高了缺失区域l边界特征点的识别精度和搜索效率，为后续的缺失区域边界特征点提取打下了坚实的基础。

204：建立机载LiDAR点云数据拓扑关系；

Kd-Tree在原理上与二叉树相同，但是在具体实现上Kd-Tree的每个节点表示k维空间的一个点，并且Kd-Tree每一层的分支走向都是该层的判别值决定的。本发明实施例主要针对机载LiDAR点云数据在XOY平面的投影点所组成的二维空间构建Kd-Tree，其构建过程如下：

1)确定分割维度：

分别计算点云数据在X，Y维度的方差，选择方差较大的维度作为分割维度。

2)确定根节点：

对分割维度上点云数据的坐标值排列，选择中间的数据点作为Kd-Tree的根节点。

3)将根节点左侧的点云数据分配到左子树，其余的分配到右子树，循环选择X，Y维度作为每层子树划分的分割维度。

例如，根节点的分割维度为X维度，则后续每层子树的分割维度顺序为：Y，X，Y，X，Y……。

4)分别对左右子树重复执行2)和3)，直至已分割的空间只剩下一个点云数据。

205：判断缺失区域边界特征点；

本发明实施例采用最大角度差法提取缺失区域边界特征点。设缺失区域边界网孔中所包含点云数据的集合为B，其中任意点云数据表示为B_i，Q_mn为B_i在XOY平面的k邻域点。

首先，取点B_i在其k邻域点中的最近点Q_m作有向向量

并将其设为起始向量。分别计算除Q_m以外的其他向量

按顺时针或逆时针的方向旋转到

所经过的角度α，从而得到一个角度序列S＝(α₁,α₂,…,α_k-1)；利用快速排序方法对角度序列S进行升序排列并加入两个极值角度0和2π，

从而得到新的角度序列S′＝(0,α₁′,α₂′,…,α_k-1′,2π)，并且在新的角度序列的基础上根据公式(3)计算出角度序列差D：

D＝α_i+1′-α_i′,i∈[0,1,…,k] (3)

由此可以通过最大角度D_max来判别边界特征点，即当D_max超过某一阈值时，B_i为边界特征点。

对点云数据集B遍历执行以上步骤，可以得到缺失区域的边界特征点。在边界特征点提取的过程中，角度阈值设定的大小由点云数据的空间分布情况决定，该值要根据实际点云数据的复杂程度进行动态调整。当边界较为平缓时阈值应设定小一些，同理当边界较为尖锐时阈值应设定大一些。

经最大角度差法提取出的边界特征点之间相互连接的顺序呈现随机状态分布，而随机分布的边界特征点对点云数据缺失区域的修补工作没有任何实际意义。这时需对无序的边界特征点排序，将无序的点连接成边界线。

本发明实施例采用最近点搜索方法对边界特征点排序，其具体步骤如下：

1)在所有的无序边界特征点中任取一点P_s作为起点，找到无序边界特征点中距离P_s的最近点P_e将其作为生长终点；

2)对于P_s(P_e)端，查找距离P_s(P_e)的最近点P，计算P到P_s和P_e的距离d_s和d_e，如果d_s(d_e)≤d_e(d_s)，则将P插入到P_s(P_e)之前，并将点P作为新的起点(终点)；否则往另一端生长；

3)点集中所有点是否判断完成，是则结束排序；否则转到2)。

206：边界线连接。

采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。

综上所述，本发明实施例通过上述步骤201-步骤206解决了常规机载LiDAR点云数据缺失区域边界提取中出现的运算效率低、需后处理等问题，能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述方法包括以下步骤：

对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；

对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；

采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；

通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点；

所述采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：

采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域；

设缺失区域的集合为L，对于任意缺失区域l∈L而言，种子方法定位缺失区域的执行过程如下：

1)设m_ij∈M为寻找到的缺失区域l的首个空孔，利用四方向搜索寻找其相邻网孔中的空孔m_ij，建立栈结构S保存搜索到的空孔作为缺失区域的下一步搜索方向；

2)保存空孔m_ij至缺失区域l中，将m_ij设为实孔；

3)弹出栈结构S的首个空孔s₁，保存空孔s₁至缺失区域l中并将其设为实孔，对s₁执行四方位搜索，同时将搜索到的空孔压入栈结构中；

4)重复步骤3)至栈结构S为空，判断缺失区域l中所保存的空洞个数，若小于给定阈值，则清空l；

所述对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：

采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔；

所述通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点具体为：

采用最大角度差法对待判断点是否为边界特征点进行判断；

设缺失区域边界网孔中所包含点云数据的集合为B，其中任意点云数据表示为B_i，Q_mn为B_i在XOY平面的k邻域点；

首先，取点B_i在其k邻域点中的最近点Q_m作有向向量

并将其设为起始向量，分别计算除Q_m以外的其他向量

其中j∈[1,2,…,k]，j≠m，按顺时针或逆时针的方向旋转到

所经过的角度α，从而得到一个角度序列S＝(α₁,α₂,…,α_k-1)；利用快速排序方法对角度序列S进行升序排列并加入两个极值角度0和2π，

从而得到新的角度序列S′＝(0,α₁′,α₂′,…,α_k-1′,2π)，并且在新的角度序列的基础上计算出角度序列差D：

D＝α_i+1′-α_i′,i∈[0,1,…,k]

通过最大角度D_max来判别边界特征点，当D_max超过某一阈值时，B_i为边界特征点；

对点云数据集B遍历执行以上步骤，得到缺失区域的边界特征点；

采用最近点搜索方法对边界特征点排序，步骤如下：

(1)在所有的无序边界特征点中任取一点P_s作为起点，找到无序边界特征点中距离P_s的最近点P_e将其作为生长终点；

(2)对于P_s(P_e)端，查找距离P_s(P_e)的最近点P，计算P到P_s和P_e的距离d_s和d_e，如果d_s(d_e)≤d_e(d_s)，则将P插入到P_s(P_e)之前，并将点P作为新的起点；否则往另一端生长；

(3)点集中所有点是否判断完成，是则结束排序；否则转到(2)。

2.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述对原始机载LiDAR点云数据进行网格化处理具体为：

将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。

3.根据权利要求2所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，每个网格中包含2～3个点云数据。

4.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：

建立机载LiDAR点云数据在二维平面间的拓扑关系。

Images