CN109035207A - 密度自适应的激光点云特征检测方法 - Google Patents

Abstract

本发明公开一种密度自适应的激光点云特征检测方法，为了解决现有特征检测算法对点云密度变化鲁棒性差的问题；本发明通过密度自适应的特征点提取，使得算法具备可重复性、鲁棒性和敏感性三个重要特征；并且以当前观测中其他特征点的相对位置作为描述信息，构建几何形状特征描述子；提高了特征匹配的鲁棒性。

Description

密度自适应的激光点云特征检测方法

技术领域

本发明属于计算机视觉领域，特别涉及一种密度自适应的激光点云特征检测技术。

背景技术

二维激光雷达将激光发射装置安装在旋转机械上，通过计算激光发射和接收的相位差，获取被观测点到雷达的距离。二维激光雷达获取的障碍物相对雷达的角度以及距离信息，通过余弦和正弦操作就可以转换为激光点云，常用于同步定位与构图算法、定位算法和避障算法。机器人定位算法常采用扫描匹配的方法和基于特征的匹配方法。扫描匹配的方法在机器人先验位姿空间中搜索使得当前点云和地图最匹配最优的位姿。扫描匹配主要缺陷在于随着机器人位姿先验不确定性增大，搜索方法的计算效率随之降低。基于特征匹配的方法通过对当前点云提取特征，然后通过匹配当前特征与历史观测特征方法实现定位。激光点云特征是环境几何形状的高效表示方式，根据所处环境的不同，常用于检测的环境特征也有所不同，室内的特征主要包括角点、线和平面，室外的特征主要包括树木、建筑物轮廓等。基于特征匹配的方法，不依赖于运动先验，是实现同步定位与构图算法中回环检测的重要手段。因此，激光点云特征提取是一项十分有意义研究。但与图像信息不同，点云主要包含了环境的几何特征，并不包含环境的颜色和纹理信息，并且由于激光传感器噪声、点的离散误差和数据缺失等问题，要实现可重复的点云特征提取是一项极具挑战性的任务。

特征点提取最早出现在图像领域，在多视几何的三维重构中发挥着十分重要的作用。通过发现不同图像中的相同特征点，可找到两幅图像的关联点对，并用于求解相机参数以及恢复图像深度。因此，特征点提取在计算机视觉领域扮演着不可或缺的角色。随着计算机视觉的不断发展，特征点应具有的属性有了越来越清晰的定义，设计良好的特征点应该具备如下性质：

(1)敏感性。即要求能够响应环境的变化。

(2)可复现性。在不同观测条件下，相同的特征点应该能够被重复检测到，如：不同的观测距离或观测视角。

(3)鲁棒性。尽可能地减小光照和天气变化等观测噪声对特征点检测的影响。

(4)具有距离测度。能够检测不同特征点之间的相似程度。

由于图像本身容易受到光照和环境变化的影响，因此特征点检测也受限于这些条件，对光照条件恶劣和环境变化较快的场合稳定性很差。激光扫描仪由于利用激光发射和接受的相位差直接计算光源到物体的距离，其所得点云受环境光线干扰很小，因此点云特征具有更好的稳定性。与图像不同，由于点云描述了物体的形状，因此点云的特征能描述被检测物体的一些特定形状，如：角点、直线和平面。Blongie等提出了形状语境(ShapeContext)的概念，被广泛用于数字识别领域。由于形状语境能很好的表述点周围物体的形状，因此也被广泛用于激光点云的特征点描述。Tipaldi等提出了FLIRT(Fast LaserInterest Region Transform)特征用于检测二维激光雷达获取的距离数据所包含的特征，FLIRT利用了尺度空间的理论，设计了三种特征点响应函数：①直接使用距离数据作为响应函数的输入；②使用法向量作为响应函数的输入；③使用曲率作为响应函数的输入。FLIRT使用形状语境进行描述，同时新增加栅格描述子用于描述特征点周围空间的占有状态。Li等把二维和三维的激光转换为图像，然后利用多尺度的Kanade-Tomasi角点检测算子在图像中检测特征点的位置。随后，Li等在此基础上进行改进，通过在激光点云而非图像上使用结构张量来检测特征点，使特征提取算法变得更加鲁棒。Steder等通过把点云转换为深度图，在深度图中提取物体边界作为特征点，同时提出了NARF(Normal Aligned RadialFeature)用作点云几何特征的描述子。NARF是目前点云几何特征中相对完善的一类特征，其整体设计借鉴了视觉领域特征提取的思想。Zhang等提出通过比较点与邻域内点云重心的距离用来检测点云边和面特征，这些特征点被用于加速激光雷达里程计(LaserOdometry And Mapping,LOAM)位姿计算。Serafin等针对先前点云特征提取算法处理稀疏点云时鲁棒性差的缺陷，提出了利用主成分分析法(Principal ComponentsAnalysis,PCA)对点邻域进行分析，最终得到点云的线和面特征。Kallasi等提出了FALKO(FastAdaptiveLaser Keypoint Orientation)，用于提取二维激光点云中角点特征，通过实验与现有的FLIRT算法进行对比，发现该算法在可复现性上具有优势，并被用于同步定位与构图算法的回环检测中。以上方法依然存在众多局限，主要表现在：

(1)对点云密度变化的鲁棒性差。激光扫描仪装置主要是通过在旋转机械上安装一个激光发射装置，采用飞行时间原理计算光源到被观测物体的距离。受限于旋转机械的精度，激光雷达都具有一定的旋转分辨率。旋转分辨率不可避免地导致激光点云是一种离散的结构。激光点云密度与激光相对被观测物体的视角和距离紧密相关。现有的特征点检测算法对点云密度发生变化的适应性很差，不同的点云密度通常需要设置不同的参数。然而，由于视角和距离的变化，在一次观测点云中可能存在着不同密度的点云，为了实现稳定的特征点检测，就需要克服密度变化对特征检测的影响。

(2)局部形状特征描述子缺乏全局信息且不稳定。以往的方法采用特征点邻域内的点云对特征点进行描述，它不能提供全局信息，很容易造成误匹配。例如，在一个室内结构中，往往有很多相同结构特征，这时采用局部形状构描述子，难以区分特征点之间的差异。另一方面，局部形状特征受对点云密度的变化影响大，当邻域内点很稀疏的时候，局部形状描述就会产生很大的变化，影响匹配的准确性。

发明内容

为了解决上述技术问题，本发明提出了一种密度自适应的激光点云特征检测方法，克服了现有特征检测算法对点云密度变化鲁棒性差的缺点，能够重复稳定地检测激光点云特征，可用于机器人定位和构图算法。

本发明实现的核心包括提取特征点和构建特征描述子。在提取特征点步骤中，针对点云密度变化的特性，本发明设计了一种密度自适应的特征点提取算法，它具备可重复性、鲁棒性和敏感性的特征。在构建特征描述子的步骤中，针对以往特征描述子匹配效率低、鲁棒性差的缺点，本发明设计了几何形状语境，它以当前观测中其他特征点的相对位置作为描述信息，提高了特征匹配的鲁棒性。本发明涉及的技术如下：

1、几何形状语境

特征点集合为K，用向量G表示特征点k_i∈K的几何形状描述子，向量G中元素g_j具体计算方法为：

g_j＝ln||k_jc-k_i||₂ (1)

其中，k_jc是特征点k_i的第j个扇形分区中距离其最近的特征点。当第j个扇形分区没有特征点时，g_j＝0。

2、特征点提取

21、根据设置的聚类半径对点云进行聚类，具体为：

如果当前扫描点与前一个扫描点的距离在预设范围内，则当前点与前一个扫描点属于同一类；否则，把当前扫描点设置为新的聚类种子，对剩余的点进行聚类。重复以上步骤，直到点云中所有的点都被聚到不同的类中。对尺寸小于预设的类尺寸域值κ的类进行剔除。

22、提取候选点，具体为：遍历当前点的左邻域与右邻域，从左邻域与右邻域中各选取一点，记录每一种取值可以与当前点连成三角形的个数n，以及记录所述三角形中面积大于对应面积响应值的三角形个数m，计算响应比例α：

如果响应比例α超出了预设值τ，则将该点选为候选点。

23、评估当前候选点

假设激光点云中第k个点p_k被选为候选点，则对检测到的候选点p_k进行打分，用以评估当前候选点。具体的打分函数为：

且有：

其中，n_l为候选点p_k左邻内点的个数；n_r为候选点p_k右邻域内点的个数；s_ij三角形Δl_ip_kr_j的面积，表示s_ij对应的面积值；t_h为候选点邻域内满足条件的三角形面积s_ij，ζ_h为对应的面积阈值m为满足该条件的三角形个数，h＝1,2，…，m。

24、孤立点抑制。

判断邻域内候选点个数是否达到预设阈值λ，如果没有，则剔除该候选点。

25、非极大值抑制。

首先在候选特征点中找出打分最高的候选点，选为特征点，将其从候选点中剔除。在剩余的候选点中，剔除在极大值抑制半径r_nms内的点。迭代该过程，直到候选点为空。

综上，本发明的流程为：

S1、数据预处理，根据聚类半径对点云进行聚类；

S2、从每个类的点云中提取候选点；

S3、对步骤S2提取的候选点进行打分处理；

S4、若当前候选点邻域内的候选点个数超过预设阈值，则保留当前候选点，否则剔除；得到候选点集合；

S5、选出打分最高的候选点作为特征点，并将选出的候选点从候选点集合中剔除，然后更新候选点集合；

S6、在候选点集合中剔除极大值抑制半径内的候选点，然后更新候选点集合，若更新后的候选点集合为空，则得到特征点集合，然后执行步骤S7；否则返回步骤S5；

S7、将特征点周围区域在极坐标下划分为若干个扇形分区，从而得到该特征点方向在扇形分区中的位置；

S8、根据特征点集合以及各特征点的方向在扇形分区中的位置，得到各特征点的几何形状描述子。

本发明的有益效果：本发明通过数据预处理、对提取的候选点进行打分，然后进行孤立点抑制以及非极大值点抑制，从而得到特征点集合，能够实现自适应的特征点检测；并且以当前观测中其他特征点的相对位置作为描述信息设计了几何形状语境，得到各特征点的集合形状描述子，使得匹配效率更高，算法鲁棒性更好；本发明的方法适用于二维激光雷达获取的点云数据；相比现有的FALKO算法，本发明所提出的方法对激光点云密度变化更加鲁棒，可用于机器人同步定位与构图算法、导航定位算法。

附图说明

图1为本发明提供的密度自适应的激光点云特征点检测算法的流程图。

图2为本发明实施例对稠密点云步骤S2、S4、S5结束所得特征点检测效果图。

图3为本发明实施例DALKO与FALKO算法对稠密点云的特征检测效果对比图。

图4为本发明实施例DALKO与FALKO算法对稀疏点云的特征检测效果对比图。

图5为本发明实施例DALKO与FALKO算法对非结构点云的特征检测效果对比图。

图6为本发明实施例进行特征匹配的效果图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示，本发明的具体步骤如下：

初始化参数值，这些参数包括：聚类半径r_c、类尺寸阈值κ、邻域半径计算参数a和b、响应角度θ、响应比例阈值τ、非极大值抑制半径r_nms、扇形分区个数s_n、匹配阈值d_t、孤立点抑制阈值λ。具体的参数设置，如表1所示。

表1参数设置

参数	rc	θ	τ	rnms	κ
						取值	0.2m	π/6	0.6	0.2m	4
参数	a	b	sn	dt	λ
						取值	0.2	0.07	144	0.2	1

本发明的密度自适应的激光点云特征检测算法(DALKO)，包括以下步骤：

S1、数据预处理。设置聚类半径r_c，根据该半径对点云进行聚类，具体为：如果当前扫描点与前一个扫描点的距离在预设范围内，则当前点与前一个扫描点属于同一类；否则，把当前扫描点设置为新的聚类种子，对剩余的点进行聚类。重复以上步骤，直到点云中所有的点都被聚到不同的类中。由于噪声点所在类的尺寸通常较小，因此对尺寸小于预设的类尺寸域值κ的类进行剔除。预设的类尺寸域值κ根据实际情况设定。

S2、对每个类中点云进行特征点检测。根据aexp(b||p_k||)计算当前点p_k的邻域半径R_k，其中，a和b为预设参数，||p_k||表示点p_k到原点的距离。根据R_k计算出点p_k的邻域C(p_k)：

C(p_k)＝{p_j:||p_k-p_j||＜R_k} (5)

其中，||·||为欧式距离函数。p_k邻域C(p_k)内的点可以分为左邻域C_L(p_k)和右邻域C_R(p_k)两部分，分别为：

C_L(p_k)＝{p_j∈C(p_k):j＜k} (6)

C_R(p_k)＝{p_j∈C(p_k):j＞k} (7)

计算三角形Δl_ip_kr_j的面积s_ij，则有：

其中，l_i∈C_L(p_k)、r_j∈C_R(p_k)，(l_ix,l_iy)为点l_i坐标；(p_kx,p_ky)为点p_k坐标；(r_jx,r_jy)为点r_j坐标；det(·)表示矩阵的行列式。计算s_ij对应的面积值则有：

其中，p_kl_i为顶点p_k与顶点l_i构成的边长；p_kr_j为顶点p_k与顶点r_j构成的边长；θ为预设值，表示预期的两边夹角大小。遍历l_i和r_j的可能取值，计算响应比例α：

其中，m表示满足条件s_ij＞ζ_Δlipkrj的三角形的个数；n为邻域内遍历l_i和r_j的可能取值得到的三角形个数。如果响应比例α超出了预设值τ，则将该点选为候选点。该步骤结果如图2中S2所示。

S3、对检测到的候选点p_k进行打分，用以评估当前候选点。具体的打分函数为：

且有：

其中，u没有具体的物理含义，是为了便于计算所提供的中间变量，n_l为候选点p_k左邻内点的个数；n_r为候选点p_k右邻域内点的个数；s_ij可由式(9)计算，由式(10)计算。t_h为候选点邻域内满足条件的三角形面积s_ij，ζ_h为对应的面积阈值m为满足该条件的三角形个数。

S4、孤立点抑制。判断邻域内候选点个数是否达到预设阈值λ，如果没有，则剔除该候选点。该步骤结果如图2中S4所示。

S5、非极大值抑制。首先在候选特征点中找出打分最高的候选点，选为特征点，将其从候选点中剔除。在剩余的候选点中，剔除在极大值抑制半径r_nms内的点。

S6、重复步骤S5，直到候选点为空，输出特征点集合。

S7、构建特征点方向。将特征点p_k的周围区域在极坐标下划分为s_n个扇形，计算左右邻域点重心o_l和o_r：

则o_l和o_r在扇形分区中的位置φ_l和φ_r分别为：

其中，(p_kx,p_ky)为点p_k的坐标；(o_lx,o_ly)为点o_l的坐标，(o_rx,o_ry)为点o_r的坐标。tan^-1(y/x)表示值域在(-π,π)上的反正切函数，表示向下取整，mod(·)表示求余函数。则特征点方向在扇形分区的位置φ_b为：

扇形分区上的距离函数定义为：

如果：

则：

S8、构建几何形状描述子。对扇形分区进行重新编号，将特征点方向逆时针方向起的第一个分区标记为1，其它分区编号依次递增。根据步骤S1～S6，可以求得特征点集合为K。则特征点k_i∈K的几何形状描述子用向量G进行表示，向量G中元素g_j具体计算方法如式(1)所示。

通过特征匹配对本发明方法中的几何形状语境效果进行验证。

特征点p具有几何特征描述子G_P，特征点q具有几何特征描述子G_q，g_p(i)和g_q(i)分别G_P和G_q中的第i分区元素，描述子的长度为N，N的取值大小与扇形分区个数s_n大小相同，则两点之间匹配的打分函数为：

其中，d_t是预设的阈值；i是一个取值1～N的循环变量，表示了一个迭代的过程。且仅当g_p(i)和g_q(i)都不为零时，执行式(23)；否则，分值不变，i取下一个值。最终打分超过200/N的则成功匹配。匹配结果如图6所示。

描述子的长度为N的取值大小与扇形分区数s_n大小相同；s_n值越大，特征描述子的长度就相应越长；取值过小，特征描述子容易缺乏区分度，取值过大，容易对噪声敏感；s_n为可调参数，本实施例中取值为144。

本发明实施例采用SICK公司的LMS151激光雷达采集数据。本发明实施例分别对三种不同情况的点云进行了特征提取，分别为：稠密点云、稀疏点云和非结构点云。通过改变激光雷达距离被观测物体的距离获得稀疏点云，通过在原房间中放置一些杂乱的家具获得非结构点云。本发明实施例也给出了FALKO算法提取点云特征的效果图，用以证实本发明的有益效果。同时，为了验证本发明所设计的特征点描述子的鲁棒性，对不同视点观测到的点云进行特征点匹配。

通过对稠密点云、稀疏点云和非结构点云应用步骤S1～S6可以获得分别如图3、图4、图5中DALKO的特征提取效果示意图。通过对比图3、图4、图5中DAKLO与FALKO算法的结果，可知本发明所提出的DAKLO征检测方法对激光点云密度变化更加鲁棒。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (7)

1.密度自适应的激光点云特征检测方法，其特征在于，包括：

S1、数据预处理，根据聚类半径对点云进行聚类；

S2、从每个类的点云中提取候选点；

S3、对步骤S2提取的候选点进行打分处理；

S4、若当前候选点邻域内的候选点个数超过预设阈值，则保留当前候选点，否则剔除；得到候选点集合；

S5、选出打分最高的候选点作为特征点，并将选出的候选点从候选点集合中剔除，然后更新候选点集合；

S6、在候选点集合中剔除极大值抑制半径内的候选点，然后更新候选点集合，若更新后的候选点集合为空，则得到特征点集合，然后执行步骤S7；否则返回步骤S5；

S7、将每个特征点周围区域在极坐标下划分为若干个扇形分区，通过分析各自邻域点在其扇形分区的位置计算得到每个特征点的方向在扇形分区中的位置；

S8、根据特征点集合以及各特征点方向在扇形分区中的位置，得到各特征点的几何形状描述子。

2.根据权利要求1所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S1具体为：通过设置聚类半径对点云进行聚类，并对小于预设类尺寸的类进行剔除。

3.根据权利要求1所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S2具体为：

S21、根据aexp(b||p_k||)计算当前点p_k的邻域半径R_k；

其中，a和b为预设参数，||·||为欧式距离函数；

S22、根据R_k计算出点p_k的邻域C(p_k)：

C(p_k)＝{p_j:||p_k-p_j||＜R_k}

p_k的邻域C(p_k)内的点可以分为左邻域C_L(p_k)和右邻域C_R(p_k)两部分，分别为：

C_L(p_k)＝{p_j∈C(p_k):j＜k}

C_R(p_k)＝{p_j∈C(p_k):j＞k}

其中，下标k表示点p_k在激光点云中的索引，下标j表示点p_j在激光点云中的索引，且k≠j；

S23、计算三角形Δl_ip_kr_j的面积s_ij,则有：

其中，l_i∈C_L(p_k)，r_j∈C_R(p_k)，(l_ix,l_iy)为点l_i坐标；(p_kx,p_ky)为点p_k坐标；(r_jx,r_jy)为点r_j坐标；det(·)表示矩阵的行列式；C_L(p_k)表示p_k的左邻域，C_R(p_k)表示p_k的右邻域；

S24、计算s_ij对应的面积值则有：

其中，p_kl_i为顶点p_k与顶点l_i构成的边长；p_kr_j为顶点p_k与顶点r_j构成的边长；θ为预设值；

S25、遍历l_i和r_j的可能取值，计算响应比例α：

其中，m表示满足条件的三角形的个数；n为邻域内遍历l_i和r_j的可能取值得到的三角形个数；

S26、如果响应比例α超出了预设值τ，则将该点选为候选点。

4.根据权利要求3所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S3所述打分函数为：

且有：

其中，n_l为候选点p_k左邻内点的个数；n_r为候选点p_k右邻域内点的个数；t_h为候选点邻域内满足条件的三角形面积s_ij，ζ_h为对应的面积阈值

5.根据权利要求4所述的密度自适应的激光点云特征检测方法，其特征在于，所述步骤S7具体为：

S71、将特征点p_k的周围区域在极坐标下划分为s_n个扇形区域，并计算左右邻域点重心o_l和o_r：

S72、计算o_l和o_r所在的扇形区域φ_l和φ_r：

其中，(p_kx,p_ky)为点p_k的坐标；(o_lx,o_ly)为点o_l的坐标，(o_rx,o_ry)为点o_r的坐标；tan^-1(y/x)表示值域在(-π,π)上的反正切函数；表示向下取整；

S73、角点方向所在扇形区域的位置φ_b为：

6.根据权利要求5所述的密度自适应的激光点云特征检测方法，其特征在于，如果：

则：

其中，d_θ(·)表示扇形分区上的距离函数，表达式为：

7.根据权利要求6所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S8所述几何形状描述子具体为：特征点集合为K，特征点k_i∈K，特征点k_i的几何形状描述子用向量G进行表示，向量G中元素g_j具体计算方法为：

g_j＝ln||k_jc-k_i||₂

其中，k_jc是第j个分区中距离点k_i最近的特征点。