CN109670557A - 一种基于杆状构筑物的公路点云自动配准方法 - Google Patents

一种基于杆状构筑物的公路点云自动配准方法 Download PDF

Info

Publication number
CN109670557A
CN109670557A CN201910004296.7A CN201910004296A CN109670557A CN 109670557 A CN109670557 A CN 109670557A CN 201910004296 A CN201910004296 A CN 201910004296A CN 109670557 A CN109670557 A CN 109670557A
Authority
CN
China
Prior art keywords
rod
shaped structures
point cloud
point
stage
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.)
Granted
Application number
CN201910004296.7A
Other languages
English (en)
Other versions
CN109670557B (zh
Inventor
张正华
陈国良
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201910004296.7A priority Critical patent/CN109670557B/zh
Publication of CN109670557A publication Critical patent/CN109670557A/zh
Application granted granted Critical
Publication of CN109670557B publication Critical patent/CN109670557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机技术领域，具体地说，是一种基于杆状构筑物的公路点云自动配准方法，主要分为三个阶段，第一阶段专注点云数据中杆状构筑物的自动提取与分割工作；第二阶段对上一阶段提取与分割后得到的杆状构筑物点云进行参数的提取，并且对两期数据中提取到的同名杆状物进行自动匹配；第三阶段利用匹配后的杆状构筑物以及其参数，进行两期数据间旋转与平移信息的获取，以完成配准工作。方法只需要两期数据中存在两对同名杆状构筑物，就可以完成配准工作，配准工作完成后可结合迭代最近点（ICP）算法，对配准精度进行进一步的提高。

Description

一种基于杆状构筑物的公路点云自动配准方法
技术领域
本发明涉及计算机技术领域，具体地说，是一种基于杆状构筑物的公路点云自动配准方法。
背景技术
点云配准方法通过两个坐标系之间的变化矩阵，其中变化矩阵包含旋转和平移，将一个数据点云（测试点集）的坐标匹配到另一个数据点云（参考点集）的坐标下，从而达到两片点云坐标的一致性。由于点云配准方法的配准精度直接影响误差分析等后续过程的可靠性，因此，在立体匹配、目标识别、姿态估计和图像匹配等计算机视觉领域和计算机辅助几何领域中，点云配准方法是一项关键步骤。
点云配准是三维激光扫描技术中处理多站获取数据的必经步骤之一；目前常用人工标靶点与测量过程进行配合，完成点云的配准工作，这种方法要求两站数据之间共同识别到不少于三个的同名标靶点；但当其实际应用于公路测量等工作中，标靶的携带、放置以及识别过程将消耗大量的外业测量工作时间，造成项目周期的加长以及项目支出的增加，而且在公路测量环境下，车辆经过引起的震动或遮挡以及环境因素（大风等），都会对标靶点的稳定性与识别效果产生影响，造成测量结果的不准确，影响项目进度。
发明内容
为了解决上述技术问题，本方法使用道路两侧十分常见且形状规则的杆状构筑物（路灯杆、电线杆等）代替标靶点进行公路点云的配准工作，配准过程只需要两对杆状物就可以完成，且方法配准过程实现完全自动化，应用在实际工作中可节省大量项目支出与时间，提高项目开展效率。且经过试验测试，方法可以带来较为理想的配准结果。
本发明采用的具体技术方案如下：
一种基于杆状构筑物的公路点云自动配准方法，主要分为三个阶段，第一阶段专注点云数据中杆状构筑物的自动提取与分割工作；第二阶段对上一阶段提取与分割后得到的杆状构筑物点云进行参数的提取，并且对两期数据中提取到的同名杆状物进行自动匹配；第三阶段利用匹配后的杆状构筑物以及其参数，进行两期数据间旋转与平移信息的获取，以完成配准工作。方法只需要两期数据中存在两对同名杆状构筑物，就可以完成配准工作，配准工作完成后可结合迭代最近点（ICP）算法，对配准精度进行进一步的提高。
本发明的进一步改进，第一阶段中对杆状构筑物的自动识别与分割，方法名称为二次聚类法。首先对点云数据进行水平方向上的切片处理，之后对各个切片上的点云进行欧式聚类分割，以初步分割出杆状构筑物上的点，在这个过程中，通过对聚类点数量的限制以及控制聚类形状与杆状物形状的符合程度，对初步提取效果进行优化，之后在水平投影面上，对所有切片上的聚类利用其中心点进行第二次欧式聚类，并通过聚类数量的限制对第二次聚类结果进行优化，对于场景内的杆状构筑物部分已经能够实现完整提取，为下一阶段的工作提供数据基础。
第二阶段对上一阶段提取出的杆状构筑物进行参数提取与匹配，参数提取使用随机采样一致性算法（RANSAC算法），并在提取过程中依据杆状构筑物特性，对提取出模型的角度和半径进行约束，以加快迭代提取速度并且提升提取效果。参数包括以圆柱为模型的杆状物中心线信息（中心线上一点（X0，Y0，Z0）以及中心线方向向量（m，n，l）），并结合路面信息的自动提取通过计算中心线与路面交点的形式，获取杆状构筑物的中心点信息（Xc，Yc，Zc）。其中中心点信息的获取需要结合对路面进行自动提取，路面自动提取的方法结合第一阶段中的切片信息，利用包含地面点切片与不包含地面点切片间点数的差异，初步提取出地面点集，之后利用RANSAC算法以平面为模型对地面信息进行获取，参数包括平面模型参数（a，b，c，d）。获取参数后，提取同名杆状物的过程为一个经典的最大团问题，因为该方法利用杆状构筑物进行配准，其数量相比利用特征点进行配准会少很多，所以可以利用相对鲁莽的算法解决最大团问题，且不会耗费很多计算时间，其中，中心点计算如下式所示：
本发明的进一步改进，第三阶段利用提取出的杆状构筑物信息（中心线和中心点信息）利用欧拉角原理进行旋转矩阵和平移值的求取，需要注意的是，在Z轴投影面上进行角度获取时，不需利用杆状物中心线参数，而用两根杆状物中心点的连线求取，这样做是因为现实中杆状物多为竖立，其中心线在Z轴投影面的投影距离过短，容易因测量误差而产生影响。对欧拉角进行求取后，可利用欧拉角根据相应公式获取旋转矩阵，之后利用旋转后对应杆状构筑物中心点坐标之间的差距，确定平移向量，此时，利用杆状构筑物的配准工作结束。
本发明的有益效果：本方法利用道路两侧常见的杆状构筑物（路灯杆、电线杆等）进行道路点云的粗配准工作，且配准过程只需两根同名杆状物就可完成且实现完全自动化，避免了对人工标靶点的使用，用于实际使用中可大幅提高公路监测的外业工作效率，且避免自然与人为因素对测量过程与结果产生的影响，对三维激光扫描技术在公路监测工作中的开展与应用具有很大意义。
附图说明
图1是本发明披露的点云自动配准方法流程图。
图2是本发明实施例利用杆状构筑物配准结果表。
图3是本发明实施例后续ICP算法实施后配准结果表。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：如图1所示，一种基于杆状构筑物的公路点云自动配准方法，主要分为三个阶段，第一阶段专注点云数据中杆状构筑物的自动提取与分割工作；第二阶段对上一阶段提取与分割后得到的杆状构筑物点云进行参数的提取，并且对两期数据中提取到的同名杆状物进行自动匹配；第三阶段利用匹配后的杆状构筑物以及其参数，进行两期数据间旋转与平移信息的获取，以完成配准工作。方法只需要两期数据中存在两对同名杆状构筑物，就可以完成配准工作，配准工作完成后可结合迭代最近点（ICP）算法，对配准精度进行进一步的提高。
在本实施例中，第一阶段中对杆状构筑物的自动识别与分割，方法名称为二次聚类法。首先对点云数据进行水平方向上的切片处理，之后对各个切片上的点云进行欧式聚类分割，以初步分割出杆状构筑物上的点，在这个过程中，通过对聚类点数量的限制以及控制聚类形状与杆状物形状的符合程度，对初步提取效果进行优化，之后在水平投影面上，对所有切片上的聚类利用其中心点进行第二次欧式聚类，并通过聚类数量的限制对第二次聚类结果进行优化，对于场景内的杆状构筑物部分已经能够实现完整提取，为下一阶段的工作提供数据基础。第二阶段对上一阶段提取出的杆状构筑物进行参数提取与匹配，参数提取使用随机采样一致性算法（RANSAC算法），并在提取过程中依据杆状构筑物特性，对提取出模型的角度和半径进行约束，以加快迭代提取速度并且提升提取效果。参数包括以圆柱为模型的杆状物中心线信息（中心线上一点（X0，Y0，Z0）以及中心线方向向量（m，n，l）），并结合路面信息的自动提取通过计算中心线与路面交点的形式，获取杆状构筑物的中心点信息（Xc，Yc，Zc）。其中中心点信息的获取需要结合对路面进行自动提取，路面自动提取的方法结合第一阶段中的切片信息，利用包含地面点切片与不包含地面点切片间点数的差异，初步提取出地面点集，之后利用RANSAC算法以平面为模型对地面信息进行获取，参数包括平面模型参数（a，b，c，d）。获取参数后，提取同名杆状物的过程为一个经典的最大团问题，因为该方法利用杆状构筑物进行配准，其数量相比利用特征点进行配准会少很多，所以可以利用相对鲁莽的算法解决最大团问题，且不会耗费很多计算时间。第三阶段利用提取出的杆状构筑物信息（中心线和中心点信息）利用欧拉角原理进行旋转矩阵和平移值的求取，需要注意的是，在Z轴投影面上进行角度获取时，不需利用杆状物中心线参数，而用两根杆状物中心点的连线求取，这样做是因为现实中杆状物多为竖立，其中心线在Z轴投影面的投影距离过短，容易因测量误差而产生影响。对欧拉角进行求取后，可利用欧拉角获取旋转矩阵，之后利用旋转后中心点坐标之间的差距，确定平移向量，此时，利用杆状构筑物的配准工作结束。
本实施例为对方法配准精度的检验，对一段道路实测点云按照设定的参数进行旋转平移，之后利用提出的方法利用道路两侧的杆状构筑物进行自动配准，其在不同点云密度的影响下的结果如图2所示，配准精度可以控制在8cm之内，后接精配准算法（ICP算法）继续进行自动化配准后，配准精度如图3所示，其误差可以忽略不计，方法经过实例检验配准精度完全可以用于工程实践中使用，且不受点云密度变化带来的影响，具有良好的鲁棒性。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于杆状构筑物的公路点云自动配准方法，其特征在于，无需利用人工标志点进行配准工作，通过形状规则、根基稳定且在公路场景下较为常见的杆状构筑物，完成公路点云的配准工作，方法主要包括以下阶段：
第一阶段：专注点云数据中杆状构筑物的自动提取与分割工作；
第二阶段：对第一阶段提取与分割后得到的杆状构筑物点云进行参数的提取，并且对两期数据中提取到的同名杆状物进行自动匹配；
第三阶段：利用匹配后的杆状构筑物以及其参数，进行两期数据间旋转与平移信息的获取，以完成配准工作。
2.根据权利要求1所述的基于杆状构筑物的公路点云自动配准方法，其特征在于，在第一阶段中对杆状构筑物的自动分割和提取使用二次聚类法，具体步骤如下：对点云数据进行水平方向上的切片处理，之后对各个切片上的点云进行欧式聚类分割，以初步分割出杆状构筑物上的点，在这个过程中，通过对聚类点数量的限制以及控制聚类形状与杆状物形状的符合程度，对初步提取效果进行优化，之后在水平投影面上，对所有切片上的聚类结果进行第二次欧式聚类，并通过聚类数量的限制对第二次聚类结果进行优化，以得到快速且有效的杆状构筑物识别及分割效果。
3.根据权利要求1所述的基于杆状构筑物的公路点云自动配准方法，其特征在于，在第二阶段中对上一阶段提取出的杆状构筑物进行参数提取与匹配，参数提取使用随机采样一致性算法（RANSAC算法），并在提取过程中依据杆状构筑物特性，对提取出模型的角度和半径进行约束，以加快迭代提取速度并且提升提取效果。
4.根据权利要求3所述的基于杆状构筑物的公路点云自动配准方法，其特征在于，在第二阶段使用的随机采样一致性算法（RANSAC算法）中参数设置：包括以圆柱为模型的杆状物中心线信息（中心线上一点（X0，Y0，Z0）以及中心线方向向量（m，n，l）），并结合路面信息的自动提取通过计算中心线与路面交点的形式，获取杆状构筑物的中心点信息（Xc，Yc，Zc），路面自动提取的方法结合第一阶段中的切片信息，利用包含地面点切片与不包含地面点切片间点数的差异，初步提取出地面点集，之后利用RANSAC算法以平面为模型对地面信息进行获取，参数包括平面模型参数（a，b，c，d），中心点计算如下式所示：
。
5.根据权利要求4所述的基于杆状构筑物的公路点云自动配准方法，其特征在于，所述第三阶段利用提取出的杆状构筑物信息利用欧拉角原理进行旋转矩阵和平移值的求取，利用中心线信息对欧拉角进行求取后，可利用欧拉角获取旋转矩阵，之后利用旋转后对应杆状构筑物中心点坐标之间的差距，确定平移向量，此时，利用杆状构筑物的配准工作结束。
CN201910004296.7A 2019-01-03 2019-01-03 一种基于杆状构筑物的公路点云自动配准方法 Active CN109670557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910004296.7A CN109670557B (zh) 2019-01-03 2019-01-03 一种基于杆状构筑物的公路点云自动配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910004296.7A CN109670557B (zh) 2019-01-03 2019-01-03 一种基于杆状构筑物的公路点云自动配准方法

Publications (2)

Publication Number Publication Date
CN109670557A true CN109670557A (zh) 2019-04-23
CN109670557B CN109670557B (zh) 2023-07-21

Family

ID=66147631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910004296.7A Active CN109670557B (zh) 2019-01-03 2019-01-03 一种基于杆状构筑物的公路点云自动配准方法

Country Status (1)

Country Link
CN (1) CN109670557B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260668A (zh) * 2020-01-20 2020-06-09 南方电网数字电网研究院有限公司 一种电力线提取方法、系统及终端
CN112581521A (zh) * 2020-12-22 2021-03-30 同济大学 一种磁浮轨道中心线提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
CN105139379A (zh) * 2015-07-30 2015-12-09 滁州学院 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN105654422A (zh) * 2015-12-23 2016-06-08 北京观著信息技术有限公司 点云配准方法和系统
CN106338277A (zh) * 2016-08-17 2017-01-18 河海大学 一种基于基线的建筑物变化检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
CN105139379A (zh) * 2015-07-30 2015-12-09 滁州学院 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN105654422A (zh) * 2015-12-23 2016-06-08 北京观著信息技术有限公司 点云配准方法和系统
CN106338277A (zh) * 2016-08-17 2017-01-18 河海大学 一种基于基线的建筑物变化检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260668A (zh) * 2020-01-20 2020-06-09 南方电网数字电网研究院有限公司 一种电力线提取方法、系统及终端
CN112581521A (zh) * 2020-12-22 2021-03-30 同济大学 一种磁浮轨道中心线提取方法
CN112581521B (zh) * 2020-12-22 2023-04-07 同济大学 一种磁浮轨道中心线提取方法

Also Published As

Publication number Publication date
CN109670557B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110570428B (zh) 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统
CN114170279B (zh) 一种基于激光扫描的点云配准方法
CN109993827B (zh) 一种将建筑图纸转换为三维bim模型的立面图识别方法
CN112927370B (zh) 三维建筑物模型构建方法、装置、电子设备及存储介质
CN106600690B (zh) 基于点云数据的复杂建筑体三维建模方法
CN109448034B (zh) 一种基于几何基元的零件位姿获取方法
CN111311650B (zh) 一种点云数据的配准方法、装置及存储介质
Strecha et al. Dynamic and scalable large scale image reconstruction
CN105913489A (zh) 一种利用平面特征的室内三维场景重构方法
CN111553292B (zh) 一种基于点云数据的岩体结构面识别与产状分类方法
CN102607459B (zh) Lidar测量数据的拼接方法和装置
Wei Building boundary extraction based on lidar point clouds data
CN107301654A (zh) 一种多传感器的高精度即时定位与建图方法
CN109685886A (zh) 一种基于混合现实技术的配网三维场景建模方法
CN105654483B (zh) 三维点云全自动配准方法
CN104392476A (zh) 基于最小包围盒算法提取隧道三维轴线的方法
CN111027140B (zh) 基于多视角点云数据的飞机标准件模型快速重构方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN115290097B (zh) 基于bim的实时精确地图构建方法、终端及存储介质
CN104463969B (zh) 一种对航空倾斜拍摄的地理照片的模型的建立方法
CN116402866A (zh) 基于点云的零件数字孪生几何建模与误差评定方法及系统
CN110136178B (zh) 一种基于端点拟合的三维激光点云配准方法及装置
CN109670557A (zh) 一种基于杆状构筑物的公路点云自动配准方法
CN110009745A (zh) 根据平面基元和模型驱动对点云提取平面的方法
CN110097598A (zh) 一种基于pvfh特征的三维物体位姿估计方法

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
GR01 Patent grant
GR01 Patent grant