CN108090923A

CN108090923A - 基于三维激光扫描的空间点云数据配准方法

Info

Publication number: CN108090923A
Application number: CN201611028851.2A
Authority: CN
Inventors: 陈墩金; 覃争鸣
Original assignee: Rich Intelligent Science And Technology Ltd Is Reflected In Guangzhou
Current assignee: Rich Intelligent Science And Technology Ltd Is Reflected In Guangzhou
Priority date: 2016-11-22
Filing date: 2016-11-22
Publication date: 2018-05-29

Abstract

本发明公开了一种基于三维激光扫描的空间点云数据配准方法，所述的基于三维激光扫描的空间点云数据配准方法，包括如下步骤：S1、利用三维激光扫描获取场景的空间点云数据；S2、对点云数据进行预处理；S3、利用降维分析方法求得点云转换参数；S4、根据转换后的点云数据判断算法是否收敛。本发明方案通过在点云配准前，对点云数据进行预处理，也即去噪、平滑和精简等，剔除孤立点或者噪声点，提高点云的配准效率；此外，利用主成分分析法寻找两片点云上的对点，然后再利用ICP算法进行精配准，从而提高了点云的配准速度。

Description

基于三维激光扫描的空间点云数据配准方法

技术领域

本发明涉及点云数据匹配技术，具体涉及基于三维激光扫描的空间点云数据配准方法。

背景技术

三维激光扫描技术，其数据采集过程高效，且能够全自动，经过立体扫描技术，获得目标物的空间信息，而且能够对相关研究有意义或者感兴趣的部位进行扫描，通过合理的设置扫描频率和精度，得到目标物完整的空间信息。这为定位导航地理信息背景(也可称为地图/三维地图)做了良好的铺垫。

点云数据，是通过三维激光扫描技术获得的，并且能够反应物体表面特征的空间数据集。利用三维激光扫描仪获取的点云数据，由于三维激光扫描仪扫描精度和扫描频率的不同，获得的点云数据有时候较为散乱，使得其处理过程变得复杂。并且，点云数据本身为三维数据，其处理过程就变得更加复杂和充满不确定性。

在获取点云数据时，由于经过一次设站不可能获得完整的目标物空间信息，所以要经过多站转移后，才能够获得目标物完整的三维数据。然而经过多站转移扫描得到的点云数据，由于站点的平移和旋转错位，或者是操作失误，会出现点云数据不在统一坐标系之下的问题。为了将点云数据统一到相同的坐标系下，便产生了配准的问题。

主流的点云数据配准方法采用ICP算法(Iterative Closest Point)(出自论文AMethod for Registration of 3-D Shaps，作者Paul J.Best，Member，IEEE，and NeilD.McKay，IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，VOL.14，NO.2，FEBRUARY 1992)，是一种点集对点集配准方法，其主要思想是找到使点云数据得到最优匹配的旋转参数R和平移参数T，对于点云数据量小的，使用最小奇异分解(SVD)法来求得旋转量和平移量。ICP算法不断寻找其对应点集中最近的点直至达到目标函数的收敛条件时停止，然而算法在搜索相应点对时，是通过计算欧式距离得知点对之间的距离，从而得知算法是否达到收敛条件，计算结果容易陷入局部最优而非全局最优；此外，算法搜索时需要遍历对应点集上的所有点，计算迭代时间长。

发明内容

本发明目的在于克服现有技术的不足，尤其解决现有ICP点云数据匹配算法容易陷入局部最优、计算迭代时间长的问题。

为解决上述技术问题，本发明的目的在于提供一种基于三维激光扫描的空间点云数据配准方法，其中，所述基于三维激光扫描的空间点云数据配准方法包括：S1，利用三维激光扫描获取场景的空间点云数据；S2，对点云数据进行预处理；S3，利用降维分析方法求得点云转换参数；S4，利用转换参数得到转换后的点云坐标；S5，根据转换后的点云数据判断算法是否收敛。

进一步地，利用降维分析方法求得点云转换参数操作可使用主成分分析(PCA)方法、线性判别分析(LDA)或其他合适的降维分析方法。

该发明方案的有益效果在于，在点云配准前，对点云数据其进行预处理，也即去噪、平滑和精简等，剔除孤立点或者噪声点，提高点云的配准效率；此外，利用主成分分析法寻找两片点云上的对点，然后再利用ICP算法进行精配准，从而提高了点云的配准速度。

附图说明

图1为本发明的实施例的基于三维激光扫描的空间点云数据配准方法的流程图。

具体实施方式

下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。

本发明提供一种基于三维激光扫描的空间点云数据配准方法，具体请参照图1，其是本发明实施例的基于三维激光扫描的空间点云数据配准方法的流程图。

根据本发明实施例的基于三维激光扫描的空间点云数据配准方法包括：S1、利用三维激光扫描获取场景的空间点云数据；S2、对点云数据进行预处理；S3、利用降维分析方法求得点云转换参数；S4、根据转换后的点云数据判断算法是否收敛。

此外，所述S3利用降维分析方法求得点云转换参数操作可使用主成分分析(PCA)方法、线性判别分析(LDA)或其他合适的降维分析方法。PCA方法是通过分析各个变量之间相关关系分析的基础上，用一组具有代表性的变量代替原来较多的量；LDA也是一种数据降维分析方法，将带上标签的数据通过投影的方法，投影到维度更低的空间中，会形成按类别区分，相同类别的点，将会在投影后的空间中更接近，从而实现数据降维。下面采用PCA方法对本实施例进行说明。

具体而言，本实施例描述如下：

步骤S1：利用三维激光扫描获取场景的空间点云数据。经过激光传感器对周围场景进行扫描后，得到多个离散的激光扫描点返回的点状数据。

步骤S2：对点云数据进行预处理。由于原始激光扫描数据携带噪声，扫描所得的场景并不完全符合场景表示，因而需要对激光扫描进行的预处理。采用自适应邻近点簇分割方法进行邻近点分簇，如公式(1)所示：

Δl＝mρ_k-1Δφ (1)

其中，ρ_k-1为前一点的观测值，Δl为相邻点的距离，Δφ为两相邻扫描点对应的偏转角度，m为经验系数。若实际两点距离小于Δl则认为是邻近点簇。

步骤S3：利用降维分析方法求得点云转换参数。

已知目标点云数据和参考点云数据计算两个点云数据的均值和如公式(2)所示：

根据点云数据的均值，计算两个点云数据的协方差矩阵，协方差矩阵用公式(3)表示如下：

计算出协方差矩阵S_p和S_o的特征值λ和γ，则其特征向量分别为R_p＝[R_λ1,R_λ2,R_λ3]和R_o＝[R_γ1,R_γ2,R_γ3]，两个点云数据之间的转换矩阵为平移矩阵为

S4、根据转换后的点云数据判断算法是否收敛。

利用R和T转换参考点云O，得到新的点云计算O'与P中对应点的距离d，其中当0＜d＜τ时，停止算法，其中τ为设定的距离阈值；否则返回S3，重新选择主元及特征值计算R和T，直至满足算法终止条件。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于三维激光扫描的空间点云数据配准方法，其特征在于，所述方法包括如下步骤：

S1、利用三维激光扫描获取场景的空间点云数据；

S2、对点云数据进行预处理；

S3、利用降维分析方法求得点云转换参数；

S4、根据转换后的点云数据判断算法是否收敛。

2.根据权利要求1所述的基于三维激光扫描的空间点云数据配准方法，其特征在于，所述S3利用降维分析方法求得点云转换参数操作可使用主成分分析(PCA)方法、线性判别分析(LDA)或其他合适的降维分析方法。