CN111861946A - 自适应多尺度车载激光雷达稠密点云数据滤波方法 - Google Patents

Abstract

一种数据滤波方法，包括以下步骤：多尺度点云分割；地表点递进分割提取；顾及邻域几何约束的自适应阈值设定及精细地表点提取。本发明首次提出并实现了针对车载激光雷达稠密点云数据的多尺度自适应滤波处理；弥补了尚无专门针对稠密车载激光雷达点云数据滤波方法的空缺。

Description

自适应多尺度车载激光雷达稠密点云数据滤波方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种自适应多尺度车载激光雷达稠密点云数据滤波方法。

背景技术

传统的航空摄影测量和机载激光雷达等可有效采集数据并测绘生成小比例尺、中等比例尺地形图。然而，近年来，随着智慧城市、智能交通及自动驾驶等新兴领域的快速发展，对城区及道路环境的高精度、可定期更新的三维数字地图的需求也越来越迫切。相对于上述两种数据采集方式而言，车载激光雷达扫描作为一种主动探测技术，由于其具有数据采集速度快、部署灵活、可采集高精度、高密度三维点云及高分辨率影像等多源数据的特点，已经成为国内外高校城区及道路信息提取、自动化精细目标识别及高精度大比例尺三维数字地图制图领域的发展趋势。

车载激光雷达系统在城区及道路环境应用中重点关注的对象包括道路标识、车道线、下水道口等功能性要素以及路灯、路标、交通灯等辅助性要素。由于数据采集过程中会存在目标遮蔽、镜面反射、GPS信号缺失等，导致所采集的点云数据出现空洞、粗差点及多次采集数据质量不一致等复杂情况，若要实现上述重点关注对象的高精度信息提取，必需通过高效滤波处理获取非地面点以保障有效的点云数据。点云滤波处理这一关键数据处理环节在车载激光雷达点云数据处理及后续应用中发挥着至关重要的作用。

点云滤波处理主要完成点云数据中地面点云和非地面点云的分割。近二十年来，国内外学者针对机载激光雷达点云数据滤波处理开展了间为深入的算法研究。针对机载激光雷达点云数据，目前常用的算法主要包括数学形态学滤波、递进式滤波、基于迭代内插的滤波及基于分割点云的滤波处理方法。然而，由于车载激光雷达系统在扫描方式、扫描角度、目标类型、地形复杂程度、激光点云平均点密度及单位体积内数据体量等因素的不同，采用上述针对机载激光雷达点云数据滤波算法对车载激光雷达点云数据进行处理时势必存在需引入大量人工操作、处理速度慢、滤波精细度差等诸多方面的不足，进而不能满足后续针对城区及道路复杂环境中高效地面点提取、自动化精细目标识别及高精度三维数字地图制图等的应用需求。

目前为止，国内外尚且没有专门针对车载激光雷达点云数据高效滤波处理的方法，目前对车载激光雷达点云的滤波处理方法均为基于针对机载激光雷达点云数据的方法。针对机载点云数据滤波方法主要包括：

1、基于数学形态学滤波方法

此类方法结合了在图像处理中成熟应用的膨胀和腐蚀算子二组成在形态学中的开运算和闭运算算子。该方法接著一个移动的窗口，在沿着破面进行移动的过程中，分别利用两个算子对点云进行处理以分割地面与非地面点。国内外学者也对此类方法做了相应的改进，如：为了更好的适应高程差对滤波的影响，Vosselman等提出根据激光点邻域内高程和坡度差构造差别函数限制可接受的最大高程变化；Susaki引入了自适应坡度的移动窗口算子；Hu等人引入了归一化弯曲能量模型等。然而，此类算法对地形的微小变化不敏感，在面向车载激光雷达点云数据就行滤波处理时导致将非地面点分类为地面点，导致较大的滤波误差。

2、递进式滤波方法

此类方法由Axelsson在2000年首次提出，基本思想是首先或的一部分地面点，然后根据获得的地面点进行递进式的搜索和拓展，直到所有的点云都处理完为止。滤波开始时，首先选取研究区域内的高程较低的一些点构建一个稀疏的不规则三角网。然后逐步对位于三角形中的点进行判断，若满足某个预先设定的阈值条件时，该点即被认为是地面点并被添加到不规则三角网中。后续学者对此类方法进行了改进，如Sohn采用研究区域内四角的点为种子点，然后进行递进是的搜索滤波；Nie等提出基于递进式加密TIN的方法进行滤波处理。此类算法的共同点在于首先采用了一种逐点递进式的滤波方式；其次，此类算法都需要逐步获得一个数字地面模型，进而分割地面和地物点。然而，由于车载激光雷达点云数据的平均点密度同机载激光雷达数据的相比，具有数量级级别的差别，且城区和道路环境地形表面的几何形态大多为近似平面的组合，若采用此类算法对车载激光雷达点云数据进行滤波，则势必导致大量的冗余计算，降低滤波处理的效率。

3、迭代内插滤波方法

此类方法对点云的内插和分割同步进行，最早由Kraus和Pfeifer提出，首先假设所有的点都是地面点，然后通过迭代内插逐步提出或者减小对模型影响较小的点，进而实现优化滤波结果的方法。整个过程主要包括三步：首先，对研究区域内每个点的权值进行均等初始化，并且采用低维多项式进行内插构建模拟地形面；其次，对每个点相对地形模型的距离进行计算；最后，根据距离的计算结果重新对每个点的权值进行更新。如上三个步骤迭代进行，直到每个点的权值没有太多变化为止。最后根据所计算的权值分割地形点和地物点，权值阈值依据所有点的残差直方图来确定。此类算法可以提取较好的趋势面进而分割地面和非地面点。但是滤波处理过程的尺度固定，高程阈值等滤波参数的设定仍然需要根据不同研究区域的地形复杂程度通过人工确定，局限了该类算法在面向处理不同复杂道路环境下车载激光点云数据的适用性。

4、分割点云滤波方法

基于分割点云的滤波算法的对象是已经分割后的点云簇。基本的滤波处理流程可分为两步。首先，通过诸如区域生长等算法生成具有类似属性的点云簇；然后，将分割生成的点云簇分类为地面点和地物点。一般的，分割点云可在目标空间中由诸如区域生长的方式完成。也可以在属性域中由点云间的相似性进行聚类等方法实现。此类滤波算法中具有代表性的是在2005年由Sithole所提出的。该算法首先将点云分割成一系列不同方向的剖面；然后将符合条件的剖面连接成线片段；最后，将不同剖面上的线片段进行聚类组合，实现点云的分割。2013年，Zhang和Lin针对机载激光雷达点云数据，基于引入了内嵌地形光滑度因子的点云分割进行滤波的算法。不同于经典递进式TIN加密算法中只选择最低点作为种子点后就进行TIN构建，该方法依据地形光滑度因子尽最大可能增加种子点，然后减少迭代次数，并最终实现点云滤波处理。然而，此类算法的滤波结果受到点云分割结果的直接影响，在复杂道路环境中对车载激光雷达点云数据分割的误差势必会累计到滤波结果中，导致对算法及滤波结果的影响因素分析更加困难。

综上所述，当前尚且没有专门针对车载激光雷达点云滤波处理的方法。另外，虽然目前针对机载激光雷达点云数据的滤波处理算法在近年得到了发展并取得了一些研究成果。然而，受到不同滤波处理策略和数据特征差异较大的约束限制，当应用上述针对机载激光雷达点云数据处理方法对车载激光雷达点云数据进行处理时，仍然存在很多问题亟待解决。

发明内容

有鉴于此，本发明的主要目的在于提供一种，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，作为本发明的一方面，提供了一种数据滤波方法，包括以下步骤：

多尺度点云分割；

地表点递进分割提取；

顾及邻域几何约束的自适应阈值设定及精细地表点提取。

其中，所述多尺度点云分割具体包括以下子步骤：

采用顾及邻域内点云的平均距离准则对点云粗差点进行剔除；

沿扫描轨迹方向对剔除完点云粗差点的稠密点云进行小块分割。

其中，所述顾及邻域内点云的平均距离准则表示如下式：

P＝{p_i| |p_i-p_query|²≤R_query}；

其中，P为在检索点P_query以邻域半径R_query内的点集；

通过对邻域内的点云的平均距离进行计算，选取满足给定的平均距离及点数量的点满足下式：

其中，P^*为剩余的点，μ_k及σ_k为在k邻域内点云离搜索点p_query的距离的平均值和均方差，

为平均距离。

其中，所述地表点递进分割提取具体包括以下子步骤：

将点云采用体素进行组织；

采用光线追踪的方式，按照初始体素尺寸的大小，生成由-∞→+∞方向的光线，如果同有相交的体素，则保留该体素；

所有体素中的点集被提取为初始粗略地表点。

其中，所述顾及邻域几何约束的自适应阈值设定及精细地表点提取具体包括以下子步骤：

采用几何条件约束的多尺度八叉树对导入的粗略地表点进行高效组织；

基于体素进一步构建不规则三角网，以表达所模拟的精细地表特征。

其中，所述几何约束的自适应阈值设定具体包括：基于体素构建不规则三角网，根据几何特征算子，对不规则三角网的每个顶点涉及的面片进行高程阈值因子计算，如下式所示：

其中，Q为所求的不规则三角网顶点的平面系数，λ₁，λ₂，λ₃分别为将局部几何张量M进行特征分解得到的三个特征值。

其中，所述八叉树数据结构中的每个内部节点为非空且不满足几何约束条件的节点，子节点为满足几何条件的节点或为最小的分割节点。

其中，所述几何约束条件为体素中点云的局部几何特征张量所构成的局部点云分布特征描述算子，如下式所示：

M∈R^3×3；

其中，M为局部几何张量，为一个3×3实对阵正定矩阵。

其中，所述局部几何张量M用单个点云表示如下：

其中，P_i为单个点云，

为单个体素中所包含的点云的质心。

其中，对所述单个体素所包含的点云几何分布进行描述的算子包括局部线性特征、面特征、体特征、面变化特征及分布熵，如下式所示：

E＝-L ln(L)-K ln(K)-S ln(s)；

其中，λ₁，λ₂，λ₃为对M进行特征分解，得到的三个特征值，且λ₁≥λ₂≥λ₃，L为局部线性特征，K为面特征，S为体特征，C为面变化特征，E为分布熵。

基于上述技术方案可知，本发明的自适应多尺度车载激光雷达稠密点云数据滤波方法相对于现有技术至少具有如下有益效果之一：

1、本发明首次提出并实现了针对车载激光雷达稠密点云数据的多尺度自适应滤波处理；

2、弥补了尚无专门针对稠密车载激光雷达点云数据滤波方法的空缺。

附图说明

图1是本发明实施例中自适应多尺度车载激光雷达稠密点云数据滤波方法流程图；

图2是本发明实施例中沿轨迹方向的点云逐块分割示意图；

图3是本发明实施例中沿扫描轨迹方向的激光雷达点云数据分块示意图；

图4是本发明实施例中对预处理后的点云数据采用体素进行组织的示意图；

图5是本发明实施例中面、棱及顶点邻接体素的示意图；

图6是本发明实施例中基于体素的粗略地表点提取示意图；

图7是本发明实施例中基于八叉树的激光雷达稠密点云三维空间分割及其树状数据结构，其中，图7(a)为八叉树的三维空间分割及索引，图7(b)为八叉树三维空间分割对应的梳妆数据结构；

图8是本发明实施例中基于多尺度八叉树的车载激光雷达稠密点云粗略地表分割的示意图；

图9是本发明实施例中基于不规则三角网的精细道路表面重建示意图；

图10是本发明实施例中自适应多尺度的车载激光雷达稠密点云数据滤波结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明针对车载激光雷达点云数据滤波处理存在需引入人工操作、处理效率低、滤波精细度差等诸多瓶颈问题，在深入分析车载激光雷达点云数据特性的基础上，通过开展多尺度点云分割、精细地形点递进提取、顾及邻域几何约束的自适应滤波阈值设定等方法，发明了新一代车载激光雷达点云滤波处理算法，实现高处理效率、强适应性的高精度稠密车载激光雷达点云滤波处理，以期弥补针对车载激光雷达滤波算法的缺失及为智能交通等新兴领域的产业化应用变革提供技术保障。

如图1所示，自适应多尺度车载激光雷达点云滤波方法主要包括如下步骤：

多尺度点云分割；

地表点递进分割提取；

顾及邻域几何约束的自适应阈值设定及精细地表点提取。

具体步骤如下：

1、多尺度点云分割

由于在数据采集过程中，对于同一城区或道路的多次扫描数据，由于导航及定位等误差的影响以及在数据采集中由于系统电路、建筑物玻璃墙面的镜面反射等导致的粗差点需要剔除以免对滤波处理引入误差。另外，研究区域内点云数据的体量较大时，仍然需要对数据进行重新分割，可沿扫描轨迹方向进行划分。

在对点云粗差点的剔除采用顾及邻域内点云的平均距离准则，如式(1)所示：

P＝{p_i| |p_i-p_query|²≤R_query} (1)

P为在检索点P_query以邻域半径R_query内的点集。

则通过对邻域内的点云的平均距离进行计算，选取满足给定的平均距离及点数量的点满足式(2)：

其中，P^*为剩余的点，μ_k及σ_k为在k邻域内点云离搜索点p_query的距离的平均值和均方差，

为平均距离。

针对大数据量的稠密点云，沿扫描轨迹方向进行小块分割，如图2所示，给定每个Tile在沿扫描方向和垂直扫描方向的尺寸，以及两个相邻的Tile的重叠尺寸，即可将所有的车载激光雷达点云数据分割为尺寸较小的Tile。图3所示为图2中详细的示例，其中k为所定义的分块的最小分辨率，L₁，L₂，L₃为扫描轨迹左侧的边缘点，R₁，R₂，R₃为扫描轨迹右侧的边缘点，P₁，P₂，P₃分别为在轨迹线上的节点。上述个点满足条件{L₂R₂上P₁P₂，L₃R₃⊥P₂P₃，...}。

2、地表点递进分割提取

在将初始的车载激光雷达稠密点云数据中的粗差点剔除并进行分块后，为进一步提高滤波效率，可将近似地表的点云进行提取，非近似地表点中不包含地表点。在后续的滤波处理中只处理近似地表的点云数据。首先将点云采用体素进行组织。如图4所示，在当前坐标系下，按照当前输入的体素尺寸，点云被重新采样为尺寸较大的体素，包含激光点的体素被称为有效提速，不包含激光点的体素被定义为背景体素。如此，则可高效的进行邻域检索，如图5所示，图5(a)，图5(b)，图5(c)分别为该体素在三维空间中的面邻接、棱邻接及顶点邻接的26个邻接体素。

粗略地表点的提取采用光线追踪的方式，按照初始体素尺寸的大小，生成由-∞→+∞方向的光线，如果同有相交的体素，则保留该体素。随后，所有体素中的点集被提取为初始粗略地表点。如图6所示，为按照尺寸大小为6米的体素分割后的车载激光雷达点云数据，经过粗略地表提取的点云，体素中的点云即为所提取的粗略地表点。

3、顾及邻域几何约束的自适应阈值设定及精细地表点提取

基于第二步中所提取的粗略地表点，采用几何条件约束的多尺度八叉树对导入的粗略地表点进行高效组织，所采用的八叉树数据结构如图7所示。

在图7(b)中，根节点对应图7(a)中的点云最大包裹立方体，每个内部节点为非空且不满足几何约束条件的节点，子节点为满足几何条件的节点或为最小的分割节点。本发明中的几何约束条件为体素中点云的局部几何特征张量所构成的局部点云分布特征描述算子，如式(3)所示：

M∈R^3×3 (3)

式中，P_i为单个点云，

为单个体素中所包含的点云的质心，M为局部点云张量，可见，当k＞1时，其为一个R^3×3对称正定矩阵。对M进行特征分解，则得到三个特征值，λ₁，λ₂，λ₃，且λ₁≥λ₂≥λ₃。对单个体素所包含的点云几何分布进行描述的算子包括局部线性特征、面特征、体特征、面变化特征及分布熵，如式(6)-(10)所示：

E＝-L ln(L)-P ln(P)-S ln(s) (10)

如图8所示，步骤2中所提取的粗略地表点由多尺度八叉树组织的体素进一步分割，路面等表面光滑几何简单的点云由较大尺寸的体素表达，道路边缘等点云分布非简单，则由尺寸较小的体素表达。

分割完成后，将基于体素进一步构建不规则三角网(TIN)，以表达所模拟的精细道路表面，如图9所示为所构建的精细道路表面，可见对应于图8，路面对应于较大尺寸的三角形，而道路边缘由于几何复杂，其对应的TIN由尺寸较小的三角形所描述。

多尺度分割完成后，将基于体素进一步构建不规则三角网(TIN)，以表达所模拟的精细道路表面，如图9所示为所构建的精细道路表面，可见对应于图8，路面对应于较大尺寸的三角形，而道路边缘由于几何复杂，其对应的TIN由尺寸较小的三角形所描述。此外，根据几何特征算子，对TIN的每个顶点涉及的面片进行高程阈值因子计算，如式(11)所示。

式中，R为所求的TIN顶点的平面系数，λ₁，λ₂，λ₃分别为三个特征值。由几何属性可知，R∈(0，1)，约粗糙的平面，R的值越趋向于1，约平滑的面则R的值趋向于0。基于所构建的精细道路表面，根据所输入的阈值便可将地面点和非地面点进行分割，也即完成车载激光雷达点云数据的滤波处理，滤波后的点云数据如图10所示，地面点和非地面点分别为白色和灰色。

以上所述的具体实施例，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，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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 (10)

1.一种数据滤波方法，其特征在于，包括以下步骤：

多尺度点云分割；

地表点递进分割提取；

顾及邻域几何约束的自适应阈值设定及精细地表点提取。

2.根据权利要求1所述的数据滤波方法，其特征在于，所述多尺度点云分割具体包括以下子步骤：

采用顾及邻域内点云的平均距离准则对点云粗差点进行剔除；

沿扫描轨迹方向对剔除完点云粗差点的稠密点云进行小块分割。

3.根据权利要求2所述的数据滤波方法，其特征在于，所述顾及邻域内点云的平均距离准则表示如下式：

P＝{p_i||p_i-p_query|²≤R_query}；

其中，P为在检索点P_query以邻域半径R_query内的点集；

通过对邻域内的点云的平均距离进行计算，选取满足给定的平均距离及点数量的点满足下式：

其中，P^*为剩余的点，μ_k及σ_k为在k邻域内点云离搜索点p_query的距离的平均值和均方差，

为平均距离。

4.根据权利要求1所述的数据滤波方法，其特征在于，所述地表点递进分割提取具体包括以下子步骤：

将点云采用体素进行组织；

采用光线追踪的方式，按照初始体素尺寸的大小，生成由-∞→+∞方向的光线，如果同有相交的体素，则保留该体素；

所有体素中的点集被提取为初始粗略地表点。

5.根据权利要求1所述的数据滤波方法，其特征在于，所述顾及邻域几何约束的自适应阈值设定及精细地表点提取具体包括以下子步骤：

采用几何条件约束的多尺度八叉树对导入的粗略地表点进行高效组织；

基于体素进一步构建不规则三角网，以表达所模拟的精细地表特征。

6.根据权利要求5所述的数据滤波方法，其特征在于，所述几何约束的自适应阈值设定具体包括：基于体素构建不规则三角网，根据几何特征算子，对不规则三角网的每个顶点涉及的面片进行高程阈值因子计算，如下式所示：

其中，Q为所求的不规则三角网顶点的平面系数，λ₁，λ₂，λ₃分别为将局部几何张量M进行特征分解得到的三个特征值。

7.根据权利要求5所述的数据滤波方法，其特征在于，所述八叉树数据结构中的每个内部节点为非空且不满足几何约束条件的节点，子节点为满足几何条件的节点或为最小的分割节点。

8.根据权利要求7所述的数据滤波方法，其特征在于，所述几何约束条件为体素中点云的局部几何特征张量所构成的局部点云分布特征描述算子，如下式所示：

M∈R^3×3；

其中，M为局部几何张量，为一个3×3实对阵正定矩阵。

9.根据权利要求8所述的数据滤波方法，其特征在于，所述局部几何张量M用单个点云表示如下：

其中，P_i为单个点云，

为单个体素中所包含的点云的质心。

10.根据权利要求9所述的数据滤波方法，其特征在于，对所述单个体素所包含的点云几何分布进行描述的算子包括局部线性特征、面特征、体特征、面变化特征及分布熵，如下式所示：

E＝-L ln(L)-K ln(K)-S ln(s)；

其中，λ₁，λ₂，λ₃为对M进行特征分解，得到的三个特征值，且λ₁≥λ₂≥λ₃，L为局部线性特征，K为面特征，S为体特征，C为面变化特征，E为分布熵。

Images