CN109544454B - 一种点云数据的自动拼接方法 - Google Patents
一种点云数据的自动拼接方法 Download PDFInfo
- Publication number
- CN109544454B CN109544454B CN201811385831.XA CN201811385831A CN109544454B CN 109544454 B CN109544454 B CN 109544454B CN 201811385831 A CN201811385831 A CN 201811385831A CN 109544454 B CN109544454 B CN 109544454B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- executing
- value
- data set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000009616 inductively coupled plasma Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理方法技术领域,具体为一种点云数据的自动拼接方法,包括:S100:获取站点原始数据;S200:从原始数据中筛选特征数据集;S300:将特征数据集放置初始位置处;S400‑1:设置旋转角度步长为γ,旋转角度θ的初始值为γ,设置残差阈值;S400‑2:对特征数据集中的数据转动θ度;S400‑3:计算旋转残差,判断旋转残差是否小于残差阈值,若是,执行S400‑4;若否,执行S400‑5;S400‑4:令最优旋转角度为θ,更新残差阈值为当前旋转残差;S400‑5:将θ增加γ,判断θ是否大于360,若是执行S500,若否则执行S400‑2。S500:将站点原始数据按照最优旋转角度进行旋转并完成拼接。本发明提供的一种点云数据的自动拼接方法,能够解决现有点云拼接方法所存在的计算时间长以及效率低的问题。
Description
技术领域
本发明涉及数据处理方法技术领域,具体为一种点云数据的自动拼接方法。
背景技术
目前大比例尺地形测绘仍以全站仪采集细部为主导的全野外数字化测图模式,地面激光扫描仪(以下简称扫描仪)进行地形测量仍在研究阶段。扫描仪是测绘领域的高新技术,获取的数据由点云和影像组成,不仅记录了地物地貌的坐标数据和尺寸信息,更能自动记录其拓扑信息、纹理信息。与传统测量手段相比,地面激光扫描仪具有不用照准部、扫描作业自动化、数据记录自动化、获取的数据信息丰富等特点。
虽然地面激光扫描仪单测站采集数据精度高、速度快,但是要获取完整的地形点云数据,则须采用多站扫描,并将多站点云拼接,然后转换到大地坐标系下。现有的点云拼接方法在进行点云拼接时,一般采用迭代就近点(Iterative Closest Point,ICP)算法进行点云的精确拼接。然而,ICP算法易受测量噪声的影响,在待拼接点云含有较多噪声时,ICP算法不能够得到一个精确的拼接结果。为此通常在ICP拼接前,对原始数据进行初始配准,但是由于数据量较大,现有的点云拼接方法存在计算时间长、效率低的问题。
发明内容
本发明意在提供一种点云数据的自动拼接方法,能够解决现有点云拼接方法所存在的计算时间长以及效率低的问题。
为了解决上述技术问题,本申请提供如下技术方案:
一种点云数据的自动拼接方法,包括以下步骤:
S100:获取站点原始数据和站点初始位置;
S200:从站点原始数据中筛选出特征数据集;
S300:以站点初始位置为基准,将特征数据集放置初始位置处;
S400:对特征数据集数据进行旋转操作,找出最优旋转角度;
S500:将站点原始数据按照最优旋转角度进行旋转并完成拼接;
所述S400包括以下步骤:
S400-1:设置旋转角度步长为γ,设置旋转角度θ的初始值为γ,设置残差阈值;
S400-2:对特征数据集中的所有数据沿一个维度轴转动θ度;
S400-3:计算旋转残差,并判断旋转残差是否小于残差阈值,若是,执行S400-4;若否,执行S400-5;
S400-4:设置最优旋转角度为θ,更新残差阈值为S400-3中计算出来的旋转残差;
S400-5:将θ角度增加γ,并判断增加后的θ是否大于360度,若是则结束S400步骤,若否则执行S400-2。
本发明技术方案中,首先计算出站点原始数据的特征数据集,通过对特征数据集进行旋转操作,计算旋转残差的方式,找到最优旋转角度,然后将原始数据按照最优旋转角度进行旋转,最终并完成点云数据拼接。本申请中,通过计算站点原始数据的特征数据集,可以在减少计算量的前提下,保留点云的几何特征,利用这些几何特征来进行最优旋转角度的计算,可以有效的减少计算量,增加处理的速度和效率。
进一步,所述S400-3中旋转残差的计算包括以下步骤:
S400-3-1:获取站点匹配队列,设置α=0,count=0,dis=0,并对匹配队列中每一对需要拼接的站点对,均执行S400-3-2到S400-3-4;
S400-3-2:以当前站点对中的一个站点中所有的数据形成点集P,针对点集P中每一个点Pj,执行S400-3-3;
S400-3-3:计算站点对的另一个站点中所有点距离点Pj的距离的最小值min_dis,判断min_dis是否小于预设值,若是,则另count=count+1,并令dis=dis+min_dis;
S400-3-4:令α=α+dis/count;
S400-3-5:将α作为旋转残差。通过计算匹配队列中拼接站点对的各个点之间的距离的平均值,来计算旋转的残差。
进一步,所述S200包括:
S200-1:对站点原始数据进行空间抽稀操作。先对原始数据进行抽稀操作,可以有效的降低数据点的密度,减少数据量,降低计算量,提高处理速度。
进一步,所述S200-1具体包括以下步骤:
S200-1-1:以原始数据为数据集A;
S200-1-2:从A中选取任意一个未处理的点S;
S200-1-3:计算剩余的所有其他点到S的距离,并从A中剔除距离小于预设值的点;
S200-1-4:将点S标记为已处理,判断A中是否还存在未处理的点,若是,则执行步骤S101-2;若否,则以数据集A作为原始数据抽稀后的数据集。通过距离作为条件值来对数据进行抽稀,可以快速的完成抽稀处理,并且有效的保留地形特征。
进一步,所述S200还包括以下步骤:
S200-2:计算空间特征量,得到三个维度的特征值;
S200-3:将至少一个维度的特征值大于预设值的数据提取出来,得到特征数据集。根据特征值的大小来提取特征数据集,将特征值小于预设值的点剔除,将大于预设值的一些关键的特征点保留并提取出来。
进一步,在S500之后还包括:
S600:使用ICP拼接算法进行高精度拼接。通过ICP拼接算法对数据进行进一步高精度的拼接。
进一步,所述S200-2中计算一个数据点在一个维度方向上的特征值的步骤具体如下:
S200-2-1:从数据集中筛选出在另两个维度方向轴所在的平面上的投影与当前数据点在另两个维度方向轴所在的平面上的投影的距离小于预设值的数据点,形成点集K;
S200-2-2:将点集K中的点按照预设的间隔沿着当前维度方向划分为多个方块;
S200-2-3:找到K中在当前维度方向上的坐标最大的点所在的方块的中心点的当前维度方向的坐标值max;
S200-2-4:找到K中在当前维度方向上的坐标最小的点所在的方块的中心点的当前维度方向的坐标值min;
S200-2-5:计算min到max之间所有的方块中包含有点集K中的点的方块的数量C;
S200-2-5:计算C/(max-min),并以该结果为当前点在当前维度方向上的特征值。
附图说明
图1为本发明一种点云数据的自动拼接方法实施例的流程图;
图2为本发明一种点云数据的自动拼接方法实施例中空间抽稀操作的流程图;
图3为本发明一种点云数据的自动拼接方法实施例中确定最优旋转角度的算法流程图;
图4为本发明一种点云数据的自动拼接方法实施例中计算旋转残差的算法流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
如图1所示,本实施例的一种点云数据的自动拼接方法,包括以下步骤:
S100:获取站点原始数据和站点初始位置;
S200:从站点原始数据中筛选出特征数据集;
S300:以站点初始位置为基准,将特征数据集放置初始位置处,本实施例中,站点初始位置是由测绘系统提供;
S400:对特征数据集数据进行旋转操作,找出最优旋转角度;
S500:将站点原始数据按照最优旋转角度进行旋转并完成拼接;
S600:使用ICP拼接算法进行高精度拼接。
具体的,S200包括:
S200-1:对站点原始数据进行空间抽稀操作。
S200-2:计算空间特征量,得到X、Y、Z三个维度的特征值,分别用feature_x、feature_y、feature_z表示;
S200-3:将至少一个维度的特征值大于预设值的数据提取出来,得到特征数据集,本实施例中,将feature_x、feature_y或feature_z中任一项大于0.9的数据点提取出来构成特征数据集。
如图2所示,S200-1具体包括以下步骤:
S200-1-1:以原始数据为数据集A;
S200-1-2:从A中选取任意一个未处理的点S;
S200-1-3:计算剩余的所有其他点到S的距离,并从A中剔除距离小于预设值的点,本实施中剔除距离小于0.1cm的点;
S200-1-4:将点S标记为已处理,判断A中是否还存在未处理的点,若是,则执行步骤S101-2;若否,则以数据集A作为原始数据抽稀后的数据集。通过距离作为条件值来对数据进行抽稀,可以快速的完成抽稀处理,并且有效的保留地形特征。
S200-2中计算一个数据点在一个维度方向上的特征值的步骤具体如下,本实施例中以X轴维度方向的特征值为例:
S200-2-1:从数据集中筛选出在Y-Z平面上的投影与当前数据点在Y-Z平面上的投影的距离小于预设值的数据点,形成点集K;
S200-2-2:将点集K中的点按照预设的间隔沿着当前X方向划分为多个方块;
S200-2-3:找到K中X坐标最大的点所在的方块的中心点的X坐标值Xmax;
S200-2-4:找到K中X坐标最小的点所在的方块的中心点的X坐标值Xmin;
S200-2-5:计算Xmin到Xmax之间所有的方块中包含有点集K中的点的方块的数量C;
S200-2-5:计算C/(Xmax-Xmin),并以该结果为当前点在X维度方向上的特征值feature_x。
如图3所示,S400包括以下步骤:
S400-1:设置旋转角度步长为γ,设置旋转角度θ的初始值为γ,设置残差阈值,残差阈值的初始值设置为一个较大的数,如1000,以保证S400-3中的判断可以被正确执行;本实施中γ设置为5度;
S400-2:对特征数据集中的所有数据沿一个维度轴转动θ度;
S400-3:计算旋转残差,并判断旋转残差是否小于残差阈值,若是,执行S400-4;若否,执行S400-5;
S400-4:设置最优旋转角度为θ,更新残差阈值为S400-3中计算出来的旋转残差;
S400-5:将θ角度增加γ,即5度,并判断增加后的θ是否大于360度,若是则结束S400步骤,若否则执行S400-2。
如图4所示,S400-3中旋转残差的计算包括以下步骤:
S400-3-1:获取站点匹配队列,设置α=0,count=0,dis=0,并对匹配队列中每一对需要拼接的站点对,均执行S400-3-2到S400-3-4;
S400-3-2:以当前站点对中的一个站点中所有的数据形成点集P,针对点集P中每一个点Pj,执行S400-3-3;
S400-3-3:计算站点对的另一个站点中所有点距离点Pj的距离的最小值min_dis,判断min_dis是否小于预设值,本实施例中为0.5m,若是,则另count=count+1,并令dis=dis+min_dis;
S400-3-4:令α=α+dis/count;
S400-3-5:将α作为旋转残差。通过计算匹配队列中拼接站点对的各个点之间的距离的平均值,来计算旋转的残差。
本实施例中,首先计算出站点原始数据的特征数据集,通过对特征数据集进行旋转操作,计算旋转残差的方式,找到最优旋转角度,然后将原始数据按照最优旋转角度进行旋转,最终并完成点云数据拼接。本申请中,通过计算站点原始数据的特征数据集,可以在减少计算量的前提下,保留点云的几何特征,利用这些几何特征来进行最优旋转角度的计算,可以有效的减少计算量,增加处理的速度和效率。先对原始数据进行抽稀操作,可以有效的降低数据点的密度,减少数据量,降低计算量,提高处理速度。根据特征值的大小来提取特征数据集,将特征值小于预设值的点剔除,将大于预设值的一些关键的特征点保留并提取出来。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种点云数据的自动拼接方法,其特征在于:包括以下步骤:
S100:获取站点原始数据和站点初始位置;
S200:从站点原始数据中筛选出特征数据集;
S300:以站点初始位置为基准,将特征数据集放置初始位置处;
S400:对特征数据集数据进行旋转操作,找出最优旋转角度;
S500:将站点原始数据按照最优旋转角度进行旋转并完成拼接;
所述S400包括以下步骤:
S400-1:设置旋转角度步长为γ,设置旋转角度θ的初始值为γ,设置残差阈值;
S400-2:对特征数据集中的所有数据沿一个维度轴转动θ度;
S400-3:计算旋转残差,并判断旋转残差是否小于残差阈值,若是,执行S400-4;若否,执行S400-5;
S400-4:设置最优旋转角度为θ,更新残差阈值为S400-3中计算出来的旋转残差;
S400-5:将θ角度增加γ,并判断增加后的θ是否大于360度,若是则结束S400步骤,若否则执行S400-2;
所述S400-3中旋转残差的计算包括以下步骤:
S400-3-1:获取站点匹配队列,设置α=0,count=0,dis=0,并对匹配队列中每一对需要拼接的站点对,均执行S400-3-2到S400-3-4;
S400-3-2:以当前站点对中的一个站点中所有的数据形成点集P,针对点集P中每一个点Pj,执行S400-3-3;
S400-3-3:计算站点对的另一个站点中所有点距离点Pj的距离的最小值min_dis,判断min_dis是否小于预设值,若是,则另count=count+1,并令dis=dis+min_dis;
S400-3-4:令α=α+dis/count;
S400-3-5:将α作为旋转残差。
2.根据权利要求1所述的一种点云数据的自动拼接方法,其特征在于:所述S200包括:
S200-1:对站点原始数据进行空间抽稀操作。
3.根据权利要求2所述的一种点云数据的自动拼接方法,其特征在于:所述S200-1具体包括以下步骤:
S200-1-1:以原始数据为数据集A;
S200-1-2:从A中选取任意一个未处理的点S;
S200-1-3:计算剩余的所有其他点到S的距离,并从A中剔除距离小于预设值的点;
S200-1-4:将点S标记为已处理,判断A中是否还存在未处理的点,若是,则执行步骤S101-2;若否,则以数据集A作为原始数据抽稀后的数据集。
4.根据权利要求3所述的一种点云数据的自动拼接方法,其特征在于:所述S200还包括以下步骤:
S200-2:计算数据集内每个数据点的三个维度方向的特征值;
S200-3:将至少一个维度的特征值大于预设值的数据提取出来,得到特征数据集。
5.根据权利要求4所述的一种点云数据的自动拼接方法,其特征在于:在S500之后还包括:
S600:使用ICP拼接算法进行高精度拼接。
6.根据权利要求4所述的一种点云数据的自动拼接方法,其特征在于:所述S200-2中计算一个数据点在一个维度方向上的特征值的步骤具体如下:
S200-2-1:从数据集中筛选出在另两个维度方向轴所在的平面上的投影与当前数据点在另两个维度方向轴所在的平面上的投影的距离小于预设值的数据点,形成点集K;
S200-2-2:将点集K中的点按照预设的间隔沿着当前维度方向划分为多个方块;
S200-2-3:找到K中在当前维度方向上的坐标最大的点所在的方块的中心点的当前维度方向的坐标值max;
S200-2-4:找到K中在当前维度方向上的坐标最小的点所在的方块的中心点的当前维度方向的坐标值min;
S200-2-5:计算min到max之间所有的方块中包含有点集K中的点的方块的数量C;
S200-2-5:计算C/(max-min),并以该结果为当前点在当前维度方向上的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385831.XA CN109544454B (zh) | 2018-11-20 | 2018-11-20 | 一种点云数据的自动拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811385831.XA CN109544454B (zh) | 2018-11-20 | 2018-11-20 | 一种点云数据的自动拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544454A CN109544454A (zh) | 2019-03-29 |
CN109544454B true CN109544454B (zh) | 2023-03-31 |
Family
ID=65848897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811385831.XA Active CN109544454B (zh) | 2018-11-20 | 2018-11-20 | 一种点云数据的自动拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544454B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101120632B1 (ko) * | 2010-04-21 | 2012-03-20 | 주식회사 매크로그래프 | 움직임이 있는 점 데이터의 정합 방법과 상기 방법을 수행할 수 있는 장치 |
CN102607459B (zh) * | 2012-03-06 | 2014-11-19 | 中国矿业大学(北京) | Lidar测量数据的拼接方法和装置 |
CN103711050B (zh) * | 2013-12-31 | 2016-04-06 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
CN104992074A (zh) * | 2015-07-29 | 2015-10-21 | 华南理工大学 | 机载激光扫描系统航带拼接方法与装置 |
CN105069826B (zh) * | 2015-08-26 | 2018-06-29 | 中国科学院深圳先进技术研究院 | 弹性物体变形运动的建模方法 |
CN107424193B (zh) * | 2017-04-27 | 2020-10-13 | 巧夺天宫(深圳)科技有限公司 | 一种门窗信息提取方法及其装置 |
CN107170043B (zh) * | 2017-06-19 | 2019-06-18 | 电子科技大学 | 一种三维重建方法 |
CN108171131B (zh) * | 2017-12-15 | 2022-01-14 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 |
CN108133458A (zh) * | 2018-01-17 | 2018-06-08 | 视缘(上海)智能科技有限公司 | 一种基于目标物体空间点云特征的自动拼接方法 |
CN108510587A (zh) * | 2018-02-11 | 2018-09-07 | 上海电力学院 | 一种基于2d激光扫描的室内室外环境建模方法及系统 |
-
2018
- 2018-11-20 CN CN201811385831.XA patent/CN109544454B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109544454A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN109243289B (zh) | 高精度地图制作中地下车库停车位提取方法及系统 | |
CN113409382B (zh) | 车辆损伤区域的测量方法和装置 | |
CN111311650B (zh) | 一种点云数据的配准方法、装置及存储介质 | |
CN108447016B (zh) | 基于直线交点的光学图像和sar图像的匹配方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位系统及方法 | |
CN112648976B (zh) | 实景影像测量方法、装置、电子设备及存储介质 | |
CN111027484A (zh) | 基于三维成像的隧道钢拱识别方法 | |
CN115018249B (zh) | 一种基于激光扫描技术的地铁站施工质量评价方法 | |
CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
CN111489416A (zh) | 隧道轴线拟合方法及在超欠挖方量计算上的应用 | |
CN112325809A (zh) | 一种法兰的平面度检测方法 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
CN109559374B (zh) | 基于点云数据的高效测绘系统 | |
CN111739071A (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN110044358B (zh) | 基于现场场线特征的移动机器人定位方法 | |
CN111985507A (zh) | 一种岩体三维点云节理迹线提取方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
CN109544454B (zh) | 一种点云数据的自动拼接方法 | |
CN111489386B (zh) | 点云特征点提取方法、装置、存储介质、设备及系统 | |
CN115790539B (zh) | 一种合作靶标水下摄影测量方法 | |
CN116385994A (zh) | 一种三维道路线提取方法及相关设备 | |
CN115657049A (zh) | 一种隧道车载激光雷达定位纠偏方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |