CN110009029B - 基于点云分割的特征匹配方法 - Google Patents

Abstract

本发明提供了一种基于点云分割的特征匹配方法，包括：将原始点云处理为距离图像并划分为多个子图像；对属于地面的点云设置地面标签；基于距离图像，对其余点云进行聚类，生成多簇点云；当每簇点云中点云的个数大于预设第一阈值时，对该簇点云添加唯一标签；计算每个子图像中设置有有效标签的点云的曲率；并由此确定为平面点和边缘点候选点；计算平面点特征匹配对的相似性，得到位姿变换中的第一组状态量；计算边缘点特征匹配对的相似性，得到位姿变换中的第二组状态量；将当前帧中的平面点特征点、边缘点特征点与之前N帧构成的局部特征点云地图进行匹配，更新第一组状态量和第二组状态量。由此，提高了计算效率。

Description

基于点云分割的特征匹配方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于点云分割的特征匹配方法。

背景技术

随着近年来科技水平的不断提升，人工智能飞速发展，其广泛运用到各个领域之中。其中，由于自动驾驶车辆能够高效利用交通资源，缓解交通拥堵、减少碳排放，自动驾驶技术越来越成为人们所关注的焦点，但乘用车自动驾驶距真正商业化还有一定的距离，而限定环境内的小型低速环卫清扫车为自动驾驶技术的落地提供了具体的应用场景。另一方面，由于人口老龄化的加剧，国内劳动力的成本逐年呈上升趋势，且繁重的重复性体力劳动增加了人们的工作负担，例如，对于公园、校园、大型商场、工业园区等场景的环境卫生清扫作业，环卫工人需要长时间进行重复性的体力劳动，作业繁重，故由智能化的无人驾驶自动清扫代替繁重的人工清扫势不可挡。

小型低速环卫清扫车能够实现高精度定位、路径规划等技术离不开高精度地图，而高精度地图的关键在于创建点云地图的技术，即基于激光传感器的同时定位与建图(Simultaneously Localization and Mapping，SLAM)。通过帧与帧之间点云匹配算法和闭环检测等模块可以在估计出传感器平台移动轨迹的同时创建出较高精度的点云地图。但是实际应用中，基于完整的原始点云的匹配算法消耗较多的计算资源，这使得建大规模场景的点云地图时耗时较久，且地图维护成本高，建图流程效率整体低下，严重影响低速清扫车投放市场的速度。

目前应用较多的提高建图效率方法是对从原始点云中提取的特征进行帧间匹配计算。

基于边缘点和平面点的特征匹配法往往对环境的结构化要求较高，如果环境为草丛和树叶等非结构化特征较多的场景，由于传感器平台移动带来的视角变换或者场景强风吹拂树叶等原因，很难从点云的树叶和杂草部分提取出可靠的边缘点和平面点特征，这些特征将作为噪音参与匹配计算，导致匹配结果存在较大的误差。

发明内容

本发明实施例的目的是提供一种基于点云分割的特征匹配方法，以解决现有技术中存在的匹配结果误差大的问题。

为解决上述问题，第一方面，本发明提供了一种基于点云分割的特征匹配方法，所述方法包括：

将原始点云处理为距离图像；

根据预设份额，对所述距离图像进行划分，生成多个子图像；

对所述原始点云进行计算，筛选出属于地面的点云，并对所述属于地面的点云设置地面标签；

基于所述距离图像，对所述原始点云中除所述属于地面的点云外的其余点云进行聚类，生成多簇点云；

当每簇点云中点云的个数大于预设第一阈值时，对该簇点云添加唯一标签；

计算每个所述子图像中设置有有效标签的点云的曲率；所述有效标签包括地面标签和唯一标签；

将所述曲率不大于预设的第二阈值，且有效标签为地面标签的点云确定为平面点候选点；

从所述平面点候选点中确定当前帧的平面点特征点；

计算平面点特征匹配对的相似性，得到位姿变换中的第一组状态量；所述平面点特征匹配对包括当前帧和前一帧的平面点特征点；所述第一组状态量包括z轴方向的位移、横滚角和俯仰角；

将所述曲率大于预设的第二阈值，且有效标签为唯一标签的点云确定为边缘点候选点；

从所述边缘点候选点中确定当前帧的边缘点特征点；

计算边缘点特征匹配对的相似性，得到位姿变换中的第二组状态量；所述边缘点特征匹配对包括当前帧和前一帧的边缘点特征点；所述第二组状态量包括航向角、x轴的位移和y轴的位移；

将当前帧中的平面点特征点、边缘点特征点与之前N帧构成的局部特征点云地图进行匹配，更新所述第一组状态量和所述第二组状态量。

在一种可能的实现方式中，所述从所述平面点候选点中确定当前帧的平面点特征点具体包括：

从所述平面点的候选点中选择子图像每行曲率最小且标签为地面标签的4个点作为子图像的平面特征点。

在一种可能的实现方式中，所述从所述边缘点候选点中确定当前帧的边缘点特征点具体包括：

从所述边缘点候选点中选择子图像每行曲率最大的2个点作为子图像的边缘点特征点。

在一种可能的实现方式中，所述计算每个所述子图像中设置有有效标签的点云的曲率具体包括：

在每个子图像中，对设置有有效标签的点云，选取其左右各五个设置有有效标签的点云，

计算左右各五个设置有有效标签的点云的曲率。

在一种可能的实现方式中，分别通过列文伯格-马夸尔优化算法计算边缘点特征匹配对和平面点特征匹配对的相似性。

在一种可能的实现方式中，所述距离图像每一行表示多线激光每一条线的点云，每一列表示0到360度之间水平旋转对应的分辨率角度，每个元素表示原始点云中的每个点到传感器中心的距离。

在一种可能的实现方式中，所述第一阈值具体为30。

第二方面，本发明提供了一种设备，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于执行第一方面任一所述的方法。

第三方面，本发明提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面任一所述的方法。

第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一所述的方法。

通过应用本发明提供的基于点云分割的特征匹配方法，可以剔除杂草和树叶等噪音点云，特征点提取速度因此加快，特征匹配对的搜索准确率也更高，并且两步匹配求解也在保证计算精度的同时减少了计算资源，算法规则简单、逻辑清晰、对场景的规则化依赖减弱从而适应性增强，提升了创建大规模场景点云地图时的作业效率。

附图说明

图1为本发明实施例一提供的基于点云分割的特征匹配方法流程示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为本发明实施例一提供的基于点云分割的特征匹配方法流程示意图。该方法应用在自动驾驶领域中，该方法的执行主体为车辆的计算处理单元，该计算处理单元可以是车辆控制单元，如图1所示，该方法包括以下步骤：

步骤101，将原始点云处理为距离图像。

其中，原始点云包括被扫描场景的物体的坐标；距离图像包括物体距离传感器中心的距离。

具体的，对于每一帧原始点云，可以先对原始点云进行投影，将原始点云投影成距离图像，距离图像每一行代表了多线激光每一条线的激光点云，每一列代表了0到360度之间水平旋转对应的分辨率角度，距离图像中的每个元素表示原始点云中的每个点云到传感器中心的距离。

其中，上述传感器可以是激光传感器，比如激光雷达。上述坐标，可以是基于激光传感器的坐标，可以理解的是，也可以根据需要将该坐标换算为基于车辆的坐标。因为激光传感器安装位置与车辆中心的相对位置是预先设定好的，因此，可以根据基于激光传感器的坐标，得到点云相对于车辆的坐标。

步骤102，根据预设份额，对距离图像进行划分，生成多个子图像。

具体的，可以对距离图像进行划分，预设份额可以是比如4、6、8、12等，目的在于将360度等分，保证均匀提取点云特征。在划分时，不宜划分的太多，因为划分的份额太多会使得每个子图像元素太少，得到的样本太少，导致后续计算曲率时的精确度下降。也不宜划分太少，这样会导致点云特征集中在某一个局部区域，提取的特征点不均匀，从而对后续的匹配和优化计算非常不友好。

示例而非限定，可以取6作为预设份额。

步骤103，对原始点云进行计算，筛选出属于地面的点云，并对属于地面的点云设置地面标签。

具体的，多线激光扫描一圈后将会有几条线的点云是分布在地面上的，比如，16线激光有7条线的点云分布在地面，32线激光有15条线的点云分布在地面，64线激光有50条线的点云分布在地面。对这些分布在地面上的点云进行计算，拟合出地面。以16线激光举例，对7条线的每个点进行计算，找出其后一条线上相同射出角度的点(假设计算激光传感器旋转了60度时第一条线的点，则找到第二条线上同样是60度的那个点即可)，计算两者之间正切角，如果该角度较大，则认为这两个点没有分布在地面上，反之认为两者分布在地面上，并对两者打上“地面”标签。

对其它的点进行相同计算，最终所有打上“地面”标签的点的集合就是拟合后的地面点云。在计算正切值时，没有利用距离图像，而是直接用点云原始数据计算的，但是每个点的结果和距离图像一一对应，用于后续的点云分割。

步骤104，基于距离图像，对原始点云中除属于地面的点云外的其余点云进行聚类，生成多簇点云。

具体的，对地面上的点云进行地面拟合，将拟合后属于地面的点云打上地面标签，通过基于图像的分割方法对分离地面后剩下的点云进行基于距离图像的聚类。

其中，聚类的目的是区分出不同的物体，即识别出水平面上相邻的两个点云属于两个不同的物体，并将第一个点云之前的点云与第二个点云之后的点云区别开。如果水平上相邻的两个点云属于同一个物体，则两者连线与第一个点云和激光传感器中心连线的夹角就会较大，反之亦然。

距离图像的每个元素的信息包括：该元素对应的点距离激光中心的距离、所在的射出角度。而利用这两个信息通过几何的方法可以计算出水平上两个相邻点连线与第一个点和激光中心连线的夹角。

步骤105，当每簇点云中点云的个数大于预设第一阈值时，对该簇点云添加唯一标签。

具体的，通过基于图像的分割方法对分离地面后剩下的点云进行基于距离图像的聚类，每簇点云中点的个数必须大于30，并且被打上唯一的标签，由此，通过设置第一阈值30，将树叶等微小物体在点云分割的过程中剔除，分割后的点云基本表示了较大的物体，如树干、建筑物和地面等，作为后续特征提取的输入。

比如，总共有三簇点云，这三簇点云中点云的个数都大于30，分别为A、B和C，对于A中的每个点云，可以打上标签1，对于B中的每个点云，可以打上标签2，对于C中的每个点云，可以打上标签3，从而每簇点云都具有不同于其它簇点云的唯一标签。

步骤106，计算每个子图像中设置有有效标签的点云的曲率；有效标签包括地面标签和唯一标签。

具体的，点云的曲率计算是基于激光点云的分布特性的，激光传感器水平旋转一圈射出的线束间的角度是相同的，当点云分布在平面上时，点云的分布紧密，当点云分布在边缘附近时，点云的分布比平面分散。在计算点云的曲率时，可以对每个子图像中打有有效标签的点云，选取其左右各5个点云进行曲率计算。

比如，6个子图像中的子图像1中有50个有效标签，可以选取一个点云，然后取该点云左右各五个点云，计算这10个点云至选取的这个点云的距离的和，该和的平方即可描述该选取的点云的曲率特性。

步骤107，将曲率不大于预设的第二阈值，且有效标签为地面标签的点云确定为平面点候选点。

具体的，继续接上例，当选取的这个点云的曲率不大于预设的第二阈值时，且该选取的点云的标签为地面标签时，可以将选取的这个点云确定为平面点候选点。

步骤108，从平面点候选点中确定当前帧的平面特征点。

具体的，继续接上例，依据此方法，可以在比如子图像1中得到多个平面点候选点，接着，可以从平面点候选点中选择每行曲率最小且标签为地面的4个点作为子图像的平面点特征点。其中，此处的每一行，表示子图像中，多线激光每一条线中的平面点候选点。

计算出每个子图像的平面点特征点后，这6个子图像的平面点特征点，构成当前帧的平面点特征点。

步骤109，计算平面点特征匹配对的相似性，得到位姿变换中的第一组状态量；平面点特征匹配对包括当前帧和前一帧的平面点特征点。

其中，第一组状态量包括z轴方向的位移、横滚角和俯仰角。

具体的，首先依据点云分割后每个特征点的标签进行两帧特征点云之间的对应关系的搜索，当前帧中平面点特征的标签为地面，所以其只需在前一帧标签也是地面的特征点云中进行最近邻搜索，找到距离最近的特征点组成平面点特征匹配对，从而通过确定平面点特征匹配对的方式减少了误匹配的概率，准确率得以提升。然后利用匹配算法求解两帧点云之间6自由度的位姿变换。其中，先计算平面点特征匹配对之间的相似性，可以利用列文伯格-马夸尔的非线性优化算法求解两帧点云之间6自由度位姿变换中的z轴方向的位移、横滚角和俯仰角这3个自由度的状态变量，由于平面点特征描述的是地面信息，所以其在要求解的3个自由度变量上具有较强的约束。

步骤110，将曲率大于预设的第二阈值，且有效标签为唯一标签的点云确定为边缘点候选点。

具体的，继续接步骤106下的例子，当选取的这个点云的曲率大于预设的第二阈值时，且该选取的点云的标签为唯一标签时，可以将选取的这个点云确定为平面点候选点。

步骤111，从边缘点候选点中确定当前帧的边缘点特征点。

具体的，继续接上例，依据此方法，可以在每个子图像中得到多个边缘点候选点，接着，从边缘点候选点中选择出子图像每行曲率最大的2个点作为子图像的边缘点特征点。其中，此处的每一行，表示子图像中，多线激光每一条线中的边缘点候选点。

计算出每个子图像的边缘点特征点后，这6个子图像的边缘点特征点，构成当前帧的边缘点特征点。

步骤112，计算边缘点特征匹配对的相似性，得到位姿变换中的第二组状态量；边缘点特征匹配对包括当前帧和前一帧的边缘点特征点。

其中，第二组状态量包括航向角、x轴的位移和y轴的位移。

具体的，对于边缘点特征，其只需在前一帧标签不是地面的特征点云中进行最近邻搜索，找到距离最近的特征点组成边缘点特征匹配对，然后利用匹配算法求解两帧点云之间6自由度的位姿变换。

其中，可以计算边缘点特征匹配对之间的相似性，在计算相似性时，可以再次利用列文伯格-马夸尔优化算法求解位姿变换中另外3个自由度变量，即航向角、x轴和y轴方向的位移。

从而，通过步骤109和步骤112中的两步匹配优化求解通过分割后更加准确的特征匹配对将6个自由度一次性优化问题拆分成两个3自由度优化问题，在保证精度的同时减少了计算时间。

其中，上述涉及到的x轴、y轴和z轴，是基于激光坐标系的，其原点是激光传感器的中心点，X轴可以是车头朝前方向，Y轴是朝左方向，Z轴是朝上方向。

步骤113，将当前帧中的平面点特征点、边缘点特征点与之前N帧构成的局部特征点云地图进行匹配，更新第一组状态量和第二组状态量。

具体的，假设当前帧是Lk,局部特征点云地图就是Lk-n,...Lk-1这N帧中，每帧的边缘点特征点和平面点特征点的点云在全局坐标系下的一个“叠加”。

相邻两帧点云间匹配求解的是两帧之间的相对位姿变换，且是基于前一帧坐标系的。比如，L1和L2是相邻两帧，在匹配后，求出的相对位姿变换是基于L1的激光坐标系的，而设定L1的激光坐标系是全局世界坐标系，所以就可以得到L2在全局坐标系下的位姿；L2和L3匹配求解出基于L2激光坐标系的相对位姿变换，再乘以L2在全局坐标系下的位姿即可得到L3在全局坐标系下的位姿....同样的，Lk和Lk-1匹配后也可以得到基于Lk-1激光坐标系的相对位姿变换，乘以Lk-1的全局位姿后即可计算出Lk的全局位姿。但是，这种帧间匹配特别容易累积误差，计算出的全局位姿很快就偏离真实值了。所以需要再通过帧与局部特征点云地图匹配的方式再进行一次匹配，调整一下Lk的位姿(局部优化)，这样优化后的位姿会准很多，因为局部特征点云地图比单帧点云的特征更加丰富，特征间的匹配更多，从而约束更多，计算出的结果也更加准确。

其中，在进行匹配时，可以采用列文伯格-马夸尔优化算法。

其中，更新第一组状态量和第二组状态量的具体步骤为：先设定一定的迭代次数和收敛阈值，在利用步骤113开始计算时，每计算一次，计算出来的结果会直接替代原先的状态变量(即之前步骤中计算出的第一组状态量和第二组状态量)，然后再基于这个新的状态变量再次计算，就这样迭代计算下去，当计算到设定的迭代次数时，停止计算，用最后一次计算的结果作为最终的状态变量。这个迭代过程中，如果中间某一次迭代计算出的结果和上一次迭代的结果之间的差小于设定的收敛阈值时，就不再迭代，把这次迭代后的结果作为最终的状态变量。

可以理解的是，本申请所涉及的基于点云分割的特征匹配方法，也可以应用在多传感器融合定位中的激光定位模块。

通过应用本发明提供的基于点云分割的特征匹配方法，可以剔除杂草和树叶等噪音点云，特征点提取速度因此加快，特征匹配对的搜索准确率也更高，并且两步匹配求解也在保证计算精度的同时减少了计算资源，算法规则简单、逻辑清晰、对场景的规则化依赖减弱从而适应性增强，提升了创建大规模场景点云地图时的作业效率。

本发明实施例二提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例一提供的方法。

本发明实施例三提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。

本发明实施例四提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于点云分割的特征匹配方法，其特征在于，所述方法包括：

将原始点云处理为距离图像；

根据预设份额，对所述距离图像进行划分，生成多个子图像；

对所述原始点云进行计算，筛选出属于地面的点云，并对所述属于地面的点云设置地面标签；

基于所述距离图像，对所述原始点云中除所述属于地面的点云外的其余点云进行聚类，生成多簇点云；

当每簇点云中点云的个数大于预设第一阈值时，对该簇点云添加唯一标签；

计算每个所述子图像中设置有有效标签的点云的曲率；所述有效标签包括地面标签和唯一标签；

将所述曲率不大于预设的第二阈值，且有效标签为地面标签的点云确定为平面点候选点；

从所述平面点候选点中确定当前帧的平面点特征点；

计算平面点特征匹配对的相似性，得到位姿变换中的第一组状态量；所述平面点特征匹配对包括当前帧和前一帧的平面点特征点；所述第一组状态量包括z轴方向的位移、横滚角和俯仰角；

将所述曲率大于预设的第二阈值，且有效标签为唯一标签的点云确定为边缘点候选点；

从所述边缘点候选点中确定当前帧的边缘点特征点；

计算边缘点特征匹配对的相似性，得到位姿变换中的第二组状态量；所述边缘点特征匹配对包括当前帧和前一帧的边缘点特征点；所述第二组状态量包括航向角、x轴的位移和y轴的位移；

将当前帧中的平面点特征点、边缘点特征点与之前N帧构成的局部特征点云地图进行匹配，更新所述第一组状态量和所述第二组状态量。

2.根据权利要求1所述的方法，其特征在于，所述从所述平面点候选点中确定当前帧的平面点特征点具体包括：

从所述平面点的候选点中选择子图像每行曲率最小且标签为地面标签的4个点作为子图像的平面特征点。

3.根据权利要求1所述的方法，其特征在于，所述从所述边缘点候选点中确定当前帧的边缘点特征点具体包括：

从所述边缘点候选点中选择子图像每行曲率最大的2个点作为子图像的边缘点特征点。

4.根据权利要求1所述的方法，其特征在于，所述计算每个所述子图像中设置有有效标签的点云的曲率具体包括：

在每个子图像中，对设置有有效标签的点云，选取其左右各五个设置有有效标签的点云，

计算左右各五个设置有有效标签的点云的曲率。

5.根据权利要求1所述的方法，其特征在于，分别通过列文伯格-马夸尔优化算法计算边缘点特征匹配对和平面点特征匹配对的相似性。

6.根据权利要求1所述的方法，其特征在于，所述距离图像每一行表示多线激光每一条线的点云，每一列表示0到360度之间水平旋转对应的分辨率角度，每个元素表示原始点云中的每个点到传感器中心的距离。

7.根据权利要求1所述的方法，其特征在于，所述第一阈值具体为30。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。

Images