CN109872352A - 基于杆塔特征点的电力巡线LiDAR数据自动配准方法 - Google Patents

Abstract

本发明公开了一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其包括以下步骤：S1、提取两期杆塔点云数据，分别利用随机抽样一致性算法提取出杆塔边角处特征点云；S2、基于主成分分析法和方向余弦法则确定两期杆塔点云质心坐标系对应关系，求解初始变换矩阵；S3、在初始变换的基础上，采用基于kd‑tree优化匹配点搜索的迭代最近点算法对杆塔特征点进行精匹配，获取最终变换矩阵，基于目标点云对初始点云进行空间坐标系转换。本发明在电力巡线LiDAR数据存在数据缺失和缺少地物特征的情况下，通过对杆塔区域的提取，利用Ransac直线拟合算法提取杆塔特征点云，结合PCA粗配准和ICP精配准，计算出变换矩阵，最终实现初始点云坐标系统到目标点云坐标系统的变换。

Description

基于杆塔特征点的电力巡线LiDAR数据自动配准方法

技术领域

本发明涉及遥感技术领域，具体涉及一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法。

背景技术

高压线路是国家主干电网的重要组成部分，日常运营所要求的安全保障越来越高。因此，常规电力巡线所使用的测量技术必须具有能够获取大范围地表三维坐标、数学精度高等特点。

机载激光雷达(Airborne Light Detection And Ranging,LiDAR)是一种航空对地观测传感器，具有主动观测、受天气影响小、对地物间隙有一定穿透性并能直接获取地表三维几何信息的优点。利用机载激光雷达技术获取电力走廊的地形地貌和三维产品，为电力巡线工作提供数据查询和各种分析功能。

由于不同时间、不同角度获取的电力巡线LiDAR数据坐标系统之间存在或多或少的偏差，因此在应用多时相LiDAR数据之前，必须将其统一到一个坐标系中，通过一系列的算法实现三维地形的配准。在实际应用中，LiDAR数据存在数据缺失，并且电力巡线区域大多为山区，缺少地形特征，这些都会对点云配准的精度产生影响。

发明内容

本发明的目的在于提供一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，主要适用于电力巡线的机载激光雷达数据，解决了多时相LiDAR数据应用的坐标统一问题，提高了配准的效率和稳定性。

为实现上述目的，本发明采用以下技术方案：

基于杆塔特征点的电力巡线LiDAR数据自动配准方法，包括以下步骤：

S1、针对电力巡线LiDAR数据，分别提取初始点云与目标点云的杆塔特征点集，所述杆塔特征点集包括杆塔边缘线和顶角处特征点云；

S2、确定两期杆塔特征点集的质心，基于主成分分析法和方向余弦法则确定两期杆塔点云质心坐标系对应关系，求解初始变换矩阵；

S3、在经过初始变换的基础上采用基于kd-tree优化匹配点搜索的迭代最近点算法进行精匹配，获取两期点云数据的最终变换矩阵，基于目标点云对初始点云进行空间坐标系转换。

进一步地，步骤S1具体包括：

S11、由电力巡线LiDAR数据中提取两期数据的杆塔点云集；

S12、利用Ransac直线拟合方法分别提取获取的两期杆塔点云数据边缘处和角点处的特征点，获得两期杆塔特征点集。

进一步地，步骤S12中具体为：

S121、设置一个最小采样集大小为n的模型，n为初始化模型参数所需要的最小样本数，从杆塔点云集中随机抽取包含n个样本的子集初始化模型；

S122、计算剩余点云集中样本与直线模型向量的叉积的L2范数，小于设定阈值t的样本和模型构成一致集；

S123、设定迭代次数，除去上次模型计算后的一致集，重复计算，获得所有的模型一致集，则提取出所有模型构成特征点集。

进一步地，步骤S123中通过设置模型集数量阈值和迭代次数阈值控制特征点集提取的数量。

进一步地，步骤S2具体包括：

S21、计算两期杆塔特征点集的质心，利用矩阵奇异值分解(SVD)分别计算以质心为中心的邻域的三个特征向量；

S22、基于方向余弦法则获得主轴矢量：

首先获取点集中距离质心最远点，得到质心指向最远点的向量；分别计算该向量与两个较大特征值对应的特征向量的夹角，如果小于90度，特征向量方向为坐标轴指向，否则特征向量反向为坐标轴指向，第三个坐标轴指向通过前两个坐标轴叉积计算确定指向；

S23、根据质心和三个主轴矢量计算初始变换矩阵。

进一步地，步骤S3具体包括：

S31、构建初始点云特征集的Kd树；

S32、基于Kd树搜索初始点云特征集中对应目标点云特征集中的最邻近点；

S33、计算最邻近点对的相似度，选取阈值t，若相似度小于阈值，则记录匹配点对，获得匹配点对集；

S34、根据匹配点对集，利用奇异值分解法计算旋转矩阵和平移矢量，由旋转矩阵和平移矢量计算得到初始点云特征集一次变换后的坐标，设置迭代次数n和收敛阈值，直至计算次数为n或迭代收敛则得到初始点云最后变换后的点集，收敛条件为两次变换的匹配点集距离方差。

进一步地，步骤S32中的最邻近点的判断准则为欧式距离。

进一步地，步骤S33中的相似度判断准则分别是协方差矩阵的最小特征值和最邻近点邻域三角形边长。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

本发明基于“三步走”策略实现配准，首先，在电力巡线LiDAR数据存在数据缺失和缺少地物特征的情况下，利用电力巡线中杆塔的点、线相似不变特征，先提取出两期杆塔特征点云，减少匹配过程内存和时间的消耗，提高配准效率；其次，利用主成分分析法，仅提取最大方差方向特征向量，利用方向余弦法则确定坐标轴对应关系，避免坐标轴反向，将两期杆塔特征点云包围盒旋转平移至基本重合；最后采用基于kd-tree优化匹配点搜索的ICP匹配算法，加快匹配点的寻找，提高两期杆塔特征点云精配准的算法效率和配准精度。

附图说明

图1为本发明整体流程示意图；

图2为本发明利用Ransac直线拟合算法提取特征点云的流程示意图；

图3为本发明利用PCA主轴旋转法和ICP匹配法对特征点云进行由粗到精的配准方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合实施例，进一步详细说明本发明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

参考图1所示，本发明公开了一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，包括以下步骤：

S1、针对电力巡线LiDAR数据，分别提取出两期数据的杆塔点云并采用随机一致性算法(Ransac)提取出杆塔边缘线和顶角处特征点云；

S2、确定两期杆塔特征点集的质心，基于主成分分析法和方向余弦法则确定两期杆塔点云质心坐标系对应关系，求解初始变换矩阵；

S3、在经过初始变换的基础上采用基于kd-tree优化匹配点搜索的迭代最近点算法(ICP)进行精匹配，获取两期点云数据的最终变换矩阵，基于目标点云对初始点云进行空间坐标系转换。

参考图2所示，步骤S1具体包括：

S11、获取两期数据的杆塔点云集；

S12、利用Ransac直线拟合方法分别提取获取的两期杆塔点云数据边缘处和角点处的特征点。

Ransac直线拟合方法包括模型判断阈值和迭代次数两个参数，判断阈值的大小和迭代次数是影响特征点提取数量的重要因素。当判断阈值越小，剩余点集中加入模型的点越少，当迭代次数越少，提取出模型的数量越少，所有模型一致集的点越少。特征点集会影响到匹配点对的搜索效率和配准精度。

因此，步骤S12中设置的模型判断阈值和迭代次数阈值应该利于提取杆塔大多数特征。其中，模型判断阈值为0.2～0.5m，迭代次数阈值为20～30次。

所述的直线拟合方法具体为：

S121、设置一个最小采样集大小为n的模型(n为初始化模型参数所需要的最小样本数，对于直线来说是2)，从杆塔点云集中随机抽取包含n个样本的子集初始化模型；

S122、计算剩余点云集中样本与直线模型向量的叉积的L2范数，小于模型判断阈值的样本和模型构成一致集；

S123、设定迭代次数，除去上次模型计算后的一致集，重复计算，获得所有的模型一致集，则提取出所有模型构成特征点集。

所述步骤S2具体包括：

S21、计算两期特征点云数据的质心，利用矩阵奇异值分解(SVD)，分别计算以质心为中心的邻域的三个特征向量，即S＝UDV^T，式中，V^T是V的转置矩阵，D是对角矩阵，U和V分别是左、右奇异正交矩阵；

奇异值分解可以得到与特征分解相同类型的信息。每个实数矩阵都有奇异值分解，但不一定都有特征分解。非方阵的矩阵没有特征分解，只能使用奇异值分解。奇异值分解是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。

S22、基于方向余弦法则获得主轴矢量：

其中，步骤S21中利用点集构成的矩阵进行奇异值分解求解三个特征向量作为主轴方向，需要确定坐标轴的指向，基于的方向余弦法则是：首先获取点集中距离质心最远点，得到质心指向最远点的向量，分别计算该向量与两个较大特征值对应的特征向量的夹角，如果小于90度，特征向量方向为坐标轴指向，否则特征向量反向为坐标轴指向，第三个坐标轴指向通过前两个坐标轴叉积计算确定指向。

S23、根据质心和三个主轴矢量计算初始变换矩阵，分别计算R和T，R是旋转矩阵，T是平移向量。

参考图3所示，所述步骤S3具体包括：

S31、构建初始点云特征集的Kd树；

Kd树是在三维欧几里德空间组织点的数据结构，可以实现快速搜寻及最邻近搜索。构建目标点云的Kd树，搜索初始点云中对应目标点云中的最近点。

S32、基于Kd树搜索初始点云特征集中对应目标点云特征集中的最邻近点，最邻近点的判断准则为欧氏距离。

S33、计算最邻近点对的相似度，选取阈值t，若相似度小于阈值，默认阈值分别设为0.05和0.2，则记录匹配点对。

其中，步骤S33中确定的最邻近点对需要判断它们的相似性，才能作为待定点对计算变换矩阵。这里的相似性度量准则包括：最邻近点对各自邻域内点集的协方差矩阵的最小特征值和最邻近点对各自邻域内构成的三角形边长。可以去除多数匹配错误的点对，在ICP精配准中提高算法精度和效率。

S34、根据匹配点对集，利用奇异值分解法计算旋转矩阵和平移矢量，R＝VU^T，平移矢量由旋转矩阵计算得到。由旋转矩阵与平移矢量计算得到初始点云特征集一次变换后的坐标，设置迭代次数n(默认为20)和收敛阈值(默认为1e-6)，直至计算次数为n或迭代收敛则得到初始点云最后变换后的点集。迭代收敛条件为两次变换的匹配点集距离均方根低于收敛阈值。

其中，步骤S34中变换矩阵计算方法：这里实际上是一个最小二乘优化问题。重复计算新的变换矩阵，直到迭代次数达到阈值或迭代收敛。实验中，通过设置较小的迭代次数阈值可以控制ICP配准的耗时。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，包括以下步骤：

S1、针对电力巡线LiDAR数据，分别提取初始点云与目标点云的杆塔特征点集，所述杆塔特征点集包括杆塔边缘线和顶角处特征点云；

S2、确定两期杆塔特征点集的质心，基于主成分分析法和方向余弦法则确定两期杆塔点云质心坐标系对应关系，求解初始变换矩阵；

S3、在经过初始变换的基础上采用基于kd-tree优化匹配点搜索的迭代最近点算法进行精匹配，获取两期点云数据的最终变换矩阵，基于目标点云对初始点云进行空间坐标系转换。

2.如权利要求1所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S1具体包括：

S11、由电力巡线LiDAR数据中提取两期数据的杆塔点云集；

S12、利用Ransac直线拟合方法分别提取获取的两期杆塔点云数据边缘处和角点处的特征点，获得两期杆塔特征点集。

3.如权利要求2所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S12中具体为：

S121、设置一个最小采样集大小为n的模型，n为初始化模型参数所需要的最小样本数，从杆塔点云集中随机抽取包含n个样本的子集初始化模型；

S122、计算剩余点云集中样本与直线模型向量的叉积的L2范数，小于设定阈值t的样本和模型构成一致集；

S123、设定迭代次数，除去上次模型计算后的一致集，重复计算，获得所有的模型一致集，则提取出所有模型构成特征点集。

4.如权利要求3所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S123中通过设置模型集数量阈值和迭代次数阈值控制特征点集提取的数量。

5.如权利要求1所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S2具体包括：

S21、计算两期杆塔特征点集的质心，利用矩阵奇异值分解(SVD)分别计算以质心为中心的邻域的三个特征向量；

S22、基于方向余弦法则获得主轴矢量：

首先获取点集中距离质心最远点，得到质心指向最远点的向量；分别计算该向量与两个较大特征值对应的特征向量的夹角，如果小于90度，特征向量方向为坐标轴指向，否则特征向量反向为坐标轴指向，第三个坐标轴指向通过前两个坐标轴叉积计算确定指向；

S23、根据质心和三个主轴矢量计算初始变换矩阵。

6.如权利要求1所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S3具体包括：

S31、构建初始点云特征集的Kd树；

S32、基于Kd树搜索初始点云特征集中对应目标点云特征集中的最邻近点；

S33、计算最邻近点对的相似度，选取阈值t，若相似度小于阈值，则记录匹配点对，获得匹配点对集；

S34、根据匹配点对集，利用奇异值分解法计算旋转矩阵和平移矢量，由旋转矩阵和平移矢量计算得到初始点云特征集一次变换后的坐标，设置迭代次数n和收敛阈值，直至计算次数为n或迭代收敛则得到初始点云最后变换后的点集，收敛条件为两次变换的匹配点集距离方差。

7.如权利要求6所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S32中，最邻近点的判断准则为欧式距离。

8.如权利要求6所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S33中的相似度判断准则分别是协方差矩阵的最小特征值和最邻近点邻域三角形边长。