CN112330661A - 一种多期车载激光点云道路变化监测方法 - Google Patents

一种多期车载激光点云道路变化监测方法 Download PDF

Info

Publication number
CN112330661A
CN112330661A CN202011336211.4A CN202011336211A CN112330661A CN 112330661 A CN112330661 A CN 112330661A CN 202011336211 A CN202011336211 A CN 202011336211A CN 112330661 A CN112330661 A CN 112330661A
Authority
CN
China
Prior art keywords
point
points
point cloud
registration
road
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.)
Pending
Application number
CN202011336211.4A
Other languages
English (en)
Inventor
任红伟
刘如飞
卢秀山
陈敏
王飞
柴永宁
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.)
Qingdao Xiushan Mobile Surveying Co ltd
Research Institute of Highway Ministry of Transport
Original Assignee
Qingdao Xiushan Mobile Surveying Co ltd
Research Institute of Highway Ministry of Transport
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 Qingdao Xiushan Mobile Surveying Co ltd, Research Institute of Highway Ministry of Transport filed Critical Qingdao Xiushan Mobile Surveying Co ltd
Priority to CN202011336211.4A priority Critical patent/CN112330661A/zh
Publication of CN112330661A publication Critical patent/CN112330661A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种多期车载激光点云道路变化监测方法，首先分析车载激光道路点云的特征，将道路场景点云数据预处理为与点云配准相关的信息和无关信息，进一步以道路场景特有的路缘石作为边界辅助，分离出路面点云，然后基于路缘石边界和地物点云数据，建立八叉树索引，采用法向量提取特征区域和LSP(Local Surface Patches)特征检测法等间隔提取特征点；最后用基于特征点的4PCS(4‑Points Congruent Sets)配准算法完成粗配准，用双向KD树索引的加速ICP(Iterative Closest Point)算法完成精配准。以变化监测的精度要求为约束条件，对道路进行变化监测，配准精度更高速度更快。

Description

一种多期车载激光点云道路变化监测方法
技术领域
本发明涉及一种多期车载激光点云道路变化监测方法，属于移动测量系统道路检测技术领域。
背景技术
道路主要包括路面、行道树、路灯、护栏、交通信号灯、交通标识牌等诸多地物要素，环境复杂；道路是城市环境中车流量最大，行人活动最频繁的场所。道路系统中任何一个要素出现异常都有可能影响道路正常运行，因此，需要对道路进行变化监测。
车载移动测量系统能够快速动态获取高精度、高密度、高分辨率三维激光点云数据，为城市道路信息采集和更新提供数据支撑。
发明人在实现本发明的过程中，发现目前还没有基于多期点云的道路变化检测方法，车载激光点云场景复杂、目标多样、数据量大且点密度分布不均，车载激光点云数据的配准和变化监测难度较大。
发明内容
针对现有技术的不足，本发明提供一种多期车载激光点云道路变化监测方法。
本发明的技术方案如下：
一种多期车载激光点云道路变化监测方法，具体包含以下步骤：
a、选取相同位置的不同期道路点云数据，以路缘石为基准，确定道路边界；使用布料模拟算法分割地面点和非地面点，保留非地面点；删除非地面点中的非刚性物体，非刚性物体包括车辆、行人、绿化带、植被、行道树，提取完整的人造地物，人造地物包括路缘石、路灯、交通标示牌；
b、计算每一个点的法向量，以小于单块路缘石长度的阈值，等间隔获取邻域内法向量夹角之和的平均值，提取特征区域，用LSP特征点检测法提取特征区域内点云表面起伏变化大的点，获取分布均匀、描述性强的特征点；
c、用提取的特征点进行4PCS粗配准，在粗配准后原有特征点的基础上建立KD树索引，采用双向K近邻搜索的策略提取特征点对，进行ICP精确配准；
d、以变化监测的精度为约束条件，对配准后的点云进行处理，检测不同时间点道路的变化。
优选的，步骤b中：根据每一个点的法向量信息，提取特征区域，步骤如下：
1)采用最小二乘拟合平面的方法，使任一点Pi及其k邻域内的点所拟合平面为最佳拟合平面；
将任一点Pi及其k邻域内的点，组成协方差矩阵：
Figure BDA0002797016150000021
其中，k是点Pi临近点的数目，
Figure BDA0002797016150000022
是k邻域内所有点的三维质心，λj是协方差矩阵的第j个特征值，Vj是第j个特征值所对应的特征向量；
求解该协方差矩阵的最小特征值所对应的特征向量就是Pi点的法向量
Figure BDA0002797016150000023
计算出来的法向量方向不统一，需要对整个点云数据集的法向量方向进行一致性定向，假设视点Vp的坐标为(0，0，0)，使所有的法向量
Figure BDA0002797016150000024
一致朝向视点方向，只需满足：
Figure BDA0002797016150000025
对计算完法向量后的点云建立八叉树索引，以八叉树体素中心点为采样点，计算体素邻域内每一个点的法向量与体素中心点法向量夹角，计算过程如下：
①确定点云分布范围、根据不同的实验确定体素的大小：
②计算体素中心点：
Figure BDA0002797016150000026
其中，num为体素内点的个数，n.x、n.y、n.z表示编号为n的点的坐标值，center.x、center.y、center.z是体素中心点的坐标值；
③计算体素邻域内每一个点的法向量与体素中心点法向量的夹角之和：
Figure BDA0002797016150000027
其中，sumrad为体素邻域内每一个点法向量与体素中心点法向量的夹角之和，n为体素邻域内点云的个数，
Figure BDA0002797016150000031
为体素中心点法向量的值，
Figure BDA0002797016150000032
为体素内点云法向量的值；
④遍历数据中所有的点，对每个点进行步骤②③操作，得到每一个点的法向量与对应体素中心点法向量的夹角之和；
2)由归一化后的法向量夹角之和，提取特征区域；
①体素中心点的个数记作Vn，每一个体素内归一化后法向量夹角之和：
Figure BDA0002797016150000033
②对所有的everad按照从小到大的顺序进行排序，取
Figure BDA0002797016150000034
位置处的值为阈值，大于阈值的区域即为特征区域。
优选的，步骤b中，检测特征区域内变化明显的点，标记为特征点；
3)曲率的计算采用局部曲面拟合的方法，首先建立局部坐标系，在局部基面参数化的基础上，对空间点进行二次曲面拟合，得到最佳拟合二次曲面的参数方程为：
Figure BDA0002797016150000035
其中,(u,n,w)为任意一点P在局部坐标系下的坐标值，a,b,c为最佳拟合二次曲面的参数；
根据参数曲面的曲率性质计算其主曲率；记二次曲面为：S，S在点P(u,v)＝(0,0)处的一阶偏导为：Su|(0,0)，Sv|(0,0)；S在点Pi处的法向量为：n|(0,0)，则：
二次曲面S的第一基本量为：
Figure BDA0002797016150000036
二次曲面S的第二基本量为：
Figure BDA0002797016150000037
其中，由第一基本量和第二基本量可解得主曲率为：
Figure BDA0002797016150000038
4)用形状指数S(p)检测点云表面变化较大的区域；
用主曲率计算出每一个点的形状指数，形状指数定义为：
Figure BDA0002797016150000039
所有形状指数都映射到区间[0,1]，较大的形状指数值代表凸点，较小的形状指数值代表凹点，计算特征区域每一个八叉树邻域内各点形状指数的极值，极值点即为特征点。
优选的，步骤c中，车载激光点云道路变化监测方法的配准主要包括以下步骤：
c1、4PCS算法粗配准；
c1.1)假定源点云为P，目标点云为Q，源点云的特征点集为Pt，目标点云的特征点集为Qt，Pt内任一点为Pti，Qt内任一点为Qti；
c1.2)首先在源点云特征点集Pt中随机选取3个不共线的点，根据源点云特征点集Pt中最远两个点的距离dp以及源点云和目标点云的重叠度f，选取与其他三个点距离在
Figure BDA0002797016150000041
的第四不共线点组成共面四点基B；
c1.3)通过仿射变换，在目标点云特征点集Qt中找到所有与B全等的共面四点集；仿射不变量定义如下：
已知道在源点云特征点集Pt中有任一共面四点集B{a,b,c,d}，且共面四点集B{a,b,c,d}中任意三点不共线，令直线ab和cd相交于e，其比率表示为：
Figure BDA0002797016150000042
这两个比率在仿射变换下是不变的，如果B′{a′,b′,c′,d′}是位于目标点云特征点集Qt中与B{a,b,c,d}相匹配的一个共面四点集，则B′{a′,b′,c′,d′}满足以下关系:
Figure BDA0002797016150000043
c1.4)根据共面四点基对{B,B′}，计算变换矩阵，迭代计算L次，选取两个特征点集Qt和Pt在对应距离δ内对应点对数量最多的一次变换作为最佳变换矩阵T；对应距离δ设置为0.1m，最大迭代次数L的确定公式如下：
Figure BDA0002797016150000044
其中，f为源点云P和目标点云Q的重叠度，v为算法成功的期望概率，h为选取点的总个数；
c2、双向KD树加速ICP进行精确配准；
c2.1)由于源点云特征点集Pt是P的一个子集，因此将4.1中得到的最佳变换矩阵T作用于源点云P，可得到初始配准后的源点云P′和源点云特征点集Pt′；在配准后的源点云特征点集Pt′和目标点云的特征点集为Qt中建立KD树索引；
c2.2)在Qt内搜索Pti的最近点Qti,在Pt′内搜索Qti的最近点若为Pti′；则Pti′与Qti为一对具有唯一对应关系的点；
c2.3)遍历Pt′和Qt内各点，找到所有一一对应的匹配点对；
c2.4)通过迭代计算，减小源点云P和目标点云Q之间变换后的误差，直到收敛；
c3、配准精度评定；
计算配准后的主要道路设施点云数据的均方根误差RMSE,并从配准后的主要道路设施点云数据中随机均匀选取若干对应点对，计算对应点对之间的欧式距离δ，以均方根误差和对应点之间欧式距离衡量配准精度；
均方根误差定义为：
Figure BDA0002797016150000051
其中，n为对应点对的个数，Xi为配准后对应点之间的距离，
Figure BDA0002797016150000052
对应点之间的真值；
对应点对之间的欧式距离δ′的计算公式为：
Figure BDA0002797016150000053
其中，xp,xq表示对应点的x坐标，yp,yq表示对应点的y坐标，zp,zq表示对应点的z坐标；
如果均方根误差小于某一阈值，则表明整体配准精度在该阈值范围内，如果对应点之间的欧氏距离小于某一阈值，则表明该对应点对的配准精度在该阈值范围内。进一步优选的，该阈值设置为5cm。
优选的，步骤d中，以变化监测的精度为限制条件，对配准后的点云数据进行误差分析，获取有变形的区域；
车载激光点云的道路变化监测是通过在多个时间点获得道路点云数据的差异确定道路的变化，变化监测的精度即为源点云与目标中对应点之间欧式距离的最大值，根据对应点之间欧式距离的不同，进行不同程度的颜色渲染，得到道路变化监测分析图，对道路进行变化分析，标注表示对应区域控制点之间的距离，以此来研究不同时期同一地物的变形程度。
本发明的有益效果在于：
(1)将道路点云数据预处理成与配准相关和与配准无关的信息，变离散大场景点云为有序分布的特征地物，通过特征点提取的方法，根据道路点云数据的特点合理提取边界，克服了车载激光点云数据量大、场景复杂的问题；
(2)法向量提取特征区域和LSP特征检测法从离散点云中提取的特征点分布更加均匀、描述性更强，同时也解决了海量点云数据处理速度慢的问题；
(3)基于特征点的配准精度更高速度更快，路缘石作为辅助边界，在特征点集合中运用4PCS粗配准算法，找到对应四点基的概率增大，匹配正确四点基的效率增高；
(4)以基于粗配准后的特征点，建立KD树索引提高了ICP查找对应点的效率，进一步以双向K近邻搜索提纯匹配点对，解决了错误匹配点对导致ICP配准陷入局部最优的问题。
附图说明
图1为本发明中车载激光点云道路变化监测方法的特征点提取流程图；
图2为两期道路点云数据初始位置分布图；
图3为两期道路点云数据的配准结果图；
图4为变化监测分析图。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明，但不限于此。
实施例1：
一种多期车载激光点云道路变化监测方法，具体包含以下步骤：
a、选取相同位置的不同期道路点云数据，以路缘石为基准，确定道路边界；使用布料模拟算法分割地面点和非地面点，保留非地面点；删除非地面点中的非刚性物体，非刚性物体包括车辆、行人、绿化带、植被、行道树，提取完整的人造地物，人造地物包括路缘石、路灯、交通标示牌。
b、计算每一个点的法向量，以小于单块路缘石长度的阈值，等间隔获取邻域内法向量夹角之和的平均值，提取特征区域，用LSP特征点检测法提取特征区域内点云表面起伏变化大的点，获取分布均匀、描述性强的特征点；
步骤b中：根据每一个点的法向量信息，提取特征区域，步骤如下：
1)采用最小二乘拟合平面的方法，使任一点Pi及其k邻域内的点所拟合平面为最佳拟合平面；
将任一点Pi及其k邻域内的点，组成协方差矩阵：
Figure BDA0002797016150000061
其中，k是点Pi临近点的数目，
Figure BDA0002797016150000062
是k邻域内所有点的三维质心，λj是协方差矩阵的第j个特征值，Vj是第j个特征值所对应的特征向量；
求解该协方差矩阵的最小特征值所对应的特征向量就是Pi点的法向量
Figure BDA0002797016150000063
计算出来的法向量方向不统一，需要对整个点云数据集的法向量方向进行一致性定向，假设视点Vp的坐标为(0，0，0)，使所有的法向量
Figure BDA0002797016150000071
一致朝向视点方向，只需满足：
Figure BDA0002797016150000072
对计算完法向量后的点云建立八叉树索引，以八叉树体素中心点为采样点，计算体素邻域内每一个点的法向量与体素中心点法向量夹角，计算过程如下：
①确定点云分布范围、根据不同的实验确定体素的大小：
②计算体素中心点：
Figure BDA0002797016150000073
其中，num为体素内点的个数，n.x、n.y、n.z表示编号为n的点的坐标值，center.x、center.y、center.z是体素中心点的坐标值；
③计算体素邻域内每一个点的法向量与体素中心点法向量的夹角之和：
Figure BDA0002797016150000074
其中，sumrad为体素邻域内每一个点法向量与体素中心点法向量的夹角之和，n为体素邻域内点云的个数，
Figure BDA0002797016150000075
为体素中心点法向量的值，
Figure BDA0002797016150000076
为体素内点云法向量的值；
④遍历数据中所有的点，对每个点进行步骤②③操作，得到每一个点的法向量与对应体素中心点法向量的夹角之和；
2)由归一化后的法向量夹角之和，提取特征区域；
①体素中心点的个数记作Vn，每一个体素内归一化后法向量夹角之和：
Figure BDA0002797016150000077
②对所有的everad按照从小到大的顺序进行排序，取
Figure BDA0002797016150000078
位置处的值为阈值，大于阈值的区域即为特征区域。
步骤b中，检测特征区域内变化明显的点，标记为特征点；
3)曲率的计算采用局部曲面拟合的方法，首先建立局部坐标系，在局部基面参数化的基础上，对空间点进行二次曲面拟合，得到最佳拟合二次曲面的参数方程为：
Figure BDA0002797016150000081
其中,(u,n,w)为任意一点P在局部坐标系下的坐标值，a,b,c为最佳拟合二次曲面的参数；
根据参数曲面的曲率性质计算其主曲率；记二次曲面为：S，S在点P(u,v)＝(0,0)处的一阶偏导为：Su|(0,0)，Sv|(0,0)；S在点Pi处的法向量为：n|(0,0)，则：
二次曲面S的第一基本量为：
Figure BDA0002797016150000082
二次曲面S的第二基本量为：
Figure BDA0002797016150000083
其中，由第一基本量和第二基本量可解得主曲率为：
Figure BDA0002797016150000084
4)用形状指数S(p)检测点云表面变化较大的区域；
用主曲率计算出每一个点的形状指数，形状指数定义为：
Figure BDA0002797016150000085
所有形状指数都映射到区间[0,1]，较大的形状指数值代表凸点，较小的形状指数值代表凹点，计算特征区域每一个八叉树邻域内各点形状指数的极值，极值点即为特征点。
c、用提取的特征点进行4PCS粗配准，在粗配准后原有特征点的基础上建立KD树索引，采用双向K近邻搜索的策略提取特征点对，进行ICP精确配准；
步骤c中，车载激光点云道路变化监测方法的配准主要包括以下步骤：
c1、4PCS算法粗配准；
c1.1)源点云与目标点云的初始位置如图2所示，假定源点云为P，目标点云为Q，源点云的特征点集为Pt，目标点云的特征点集为Qt，Pt内任一点为Pti，Qt内任一点为Qti；
c1.2)首先在源点云特征点集Pt中随机选取3个不共线的点，根据源点云特征点集Pt中最远两个点的距离dp以及源点云和目标点云的重叠度f，选取与其他三个点距离在
Figure BDA0002797016150000086
的第四不共线点组成共面四点基B；
c1.3)通过仿射变换，在目标点云特征点集Qt中找到所有与B全等的共面四点集；仿射不变量定义如下：
已知道在源点云特征点集Pt中有任一共面四点集B{a,b,c,d}，且共面四点集B{a,b,c,d}中任意三点不共线，令直线ab和cd相交于e，其比率表示为：
Figure BDA0002797016150000091
这两个比率在仿射变换下是不变的，如果B′{a′,b′,c′,d′}是位于目标点云特征点集Qt中与B{a,b,c,d}相匹配的一个共面四点集，则B′{a′,b′,c′,d′}满足以下关系:
Figure BDA0002797016150000092
c1.4)根据共面四点基对{B,B′}，计算变换矩阵，迭代计算L次，选取两个特征点集Qt和Pt在对应距离δ内对应点对数量最多的一次变换作为最佳变换矩阵T；对应距离δ设置为0.1m，最大迭代次数L的确定公式如下：
Figure BDA0002797016150000093
其中，f为源点云P和目标点云Q的重叠度，v为算法成功的期望概率，h为选取点的总个数；
c2、双向KD树加速ICP进行精确配准；
c2.1)由于源点云特征点集Pt是P的一个子集，因此将4.1中得到的最佳变换矩阵T作用于源点云P，可得到初始配准后的源点云P′和源点云特征点集Pt′；在配准后的源点云特征点集Pt′和目标点云的特征点集为Qt中建立KD树索引；
c2.2)在Qt内搜索Pti的最近点Qti,在Pt′内搜索Qti的最近点若为Pti′；则Pti′与Qti为一对具有唯一对应关系的点；
c2.3)遍历Pt′和Qt内各点，找到所有一一对应的匹配点对；
c2.4)通过迭代计算，减小源点云P和目标点云Q之间变换后的误差，直到收敛；
c3、配准精度评定；
源点云与目标点云配准后的结果如图3所示，计算配准后的主要道路设施点云数据的均方根误差RMSE,并从配准后的主要道路设施点云数据中随机均匀选取若干对应点对，计算对应点对之间的欧式距离δ，以均方根误差和对应点之间欧式距离衡量配准精度；
均方根误差定义为：
Figure BDA0002797016150000094
其中，n为对应点对的个数，Xi为配准后对应点之间的距离，
Figure BDA0002797016150000095
对应点之间的真值；
对应点对之间的欧式距离δ′的计算公式为：
Figure BDA0002797016150000101
其中，xp,xq表示对应点的x坐标，yp,yq表示对应点的y坐标，zp,zq表示对应点的z坐标；
如果均方根误差小于某一阈值，则表明整体配准精度在该阈值范围内，如果对应点之间的欧氏距离小于某一阈值，则表明该对应点对的配准精度在该阈值范围内。该阈值设置为5cm。
d、以变化监测的精度为约束条件，对配准后的点云进行处理，检测不同时间点道路的变化。
步骤d中，以变化监测的精度为限制条件，对配准后的点云数据进行误差分析，获取有变形的区域；
车载激光点云的道路变化监测是通过在多个时间点获得道路点云数据的差异确定道路的变化，变化监测的精度即为源点云与目标中对应点之间欧式距离的最大值，根据对应点之间欧式距离的不同，进行不同程度的颜色渲染，对应点之间欧式距离与渲染颜色及变化监测结果如图4所示，图中右侧色谱图表示距离与颜色的对应关系，长度单位是米，浅色部分为对应点之间欧式距离很大的区域，表示变化特征明显，深色部分为对应点之间欧式距离很小的区域，表示未发生变化的区域；
得到道路变化监测分析图，对道路进行变化分析，标注d表示对应区域控制点之间的距离，以此来研究不同时期同一地物的变形程度。

Claims (6)

1.一种多期车载激光点云道路变化监测方法，其特征在于，包含以下步骤：
a、选取相同位置的不同期道路点云数据，以路缘石为基准，确定道路边界；使用布料模拟算法分割地面点和非地面点，保留非地面点；删除非地面点中的非刚性物体，非刚性物体包括车辆、行人、绿化带、植被、行道树，提取完整的人造地物，人造地物包括路缘石、路灯、交通标示牌；
b、计算每一个点的法向量，以小于单块路缘石长度的阈值，等间隔获取邻域内法向量夹角之和的平均值，提取特征区域，用LSP特征点检测法提取特征区域内点云表面起伏变化大的点，获取特征点；
c、用提取的特征点进行4PCS粗配准，在粗配准后原有特征点的基础上建立KD树索引，采用双向K近邻搜索的策略提取特征点对，进行ICP精确配准；
d、以变化监测的精度为约束条件，对配准后的点云进行处理，检测不同时间点道路的变化。
2.根据权利要求1所述的多期车载激光点云道路变化监测方法，其特征在于，步骤b中：根据每一个点的法向量信息，提取特征区域，步骤如下：
1)采用最小二乘拟合平面的方法，使任一点Pi及其k邻域内的点所拟合平面为最佳拟合平面；
将任一点Pi及其k邻域内的点，组成协方差矩阵：
Figure FDA0002797016140000011
其中，k是点Pi临近点的数目，
Figure FDA0002797016140000012
是k邻域内所有点的三维质心，λj是协方差矩阵的第j个特征值，Vj是第j个特征值所对应的特征向量；
求解该协方差矩阵的最小特征值所对应的特征向量就是Pi点的法向量
Figure FDA0002797016140000013
假设视点Vp的坐标为(0，0，0)，使所有的法向量
Figure FDA0002797016140000014
一致朝向视点方向，只需满足：
Figure FDA0002797016140000015
对计算完法向量后的点云建立八叉树索引，以八叉树体素中心点为采样点，计算体素邻域内每一个点的法向量与体素中心点法向量夹角，计算过程如下：
①确定点云分布范围、根据不同的实验确定体素的大小：
②计算体素中心点：
Figure FDA0002797016140000021
其中，num为体素内点的个数，n.x、n.y、n.z表示编号为n的点的坐标值，center.x、center.y、center.z是体素中心点的坐标值；
③计算体素邻域内每一个点的法向量与体素中心点法向量的夹角之和：
Figure FDA0002797016140000022
其中，sumrad为体素邻域内每一个点法向量与体素中心点法向量的夹角之和，n为体素邻域内点云的个数，
Figure FDA0002797016140000023
为体素中心点法向量的值，
Figure FDA0002797016140000024
为体素内点云法向量的值；
④遍历数据中所有的点，对每个点进行步骤②③操作，得到每一个点的法向量与对应体素中心点法向量的夹角之和；
2)由归一化后的法向量夹角之和，提取特征区域；
①体素中心点的个数记作Vn，每一个体素内归一化后法向量夹角之和：
Figure FDA0002797016140000025
②对所有的everad按照从小到大的顺序进行排序，取
Figure FDA0002797016140000026
位置处的值为阈值，大于阈值的区域即为特征区域。
3.根据权利要求2所述的多期车载激光点云道路变化监测方法，其特征在于，步骤b中，检测特征区域内变化明显的点，标记为特征点；
3)曲率的计算采用局部曲面拟合的方法，首先建立局部坐标系，在局部基面参数化的基础上，对空间点进行二次曲面拟合，得到最佳拟合二次曲面的参数方程为：
Figure FDA0002797016140000027
其中,(u,n,w)为任意一点P在局部坐标系下的坐标值，a,b,c为最佳拟合二次曲面的参数；
根据参数曲面的曲率性质计算其主曲率；记二次曲面为：S，S在点P(u,v)＝(0,0)处的一阶偏导为：Su|(0,0)，Sv|(0,0)；S在点Pi处的法向量为：n|(0,0)，则：
二次曲面S的第一基本量为：
Figure FDA0002797016140000031
二次曲面S的第二基本量为：
Figure FDA0002797016140000032
其中，由第一基本量和第二基本量可解得主曲率为：
Figure FDA0002797016140000033
4)用形状指数S(p)检测点云表面变化较大的区域；
用主曲率计算出每一个点的形状指数，形状指数定义为：
Figure FDA0002797016140000034
所有形状指数都映射到区间[0,1]，较大的形状指数值代表凸点，较小的形状指数值代表凹点，计算特征区域每一个八叉树邻域内各点形状指数的极值，极值点即为特征点。
4.根据权利要求3所述的多期车载激光点云道路变化监测方法，其特征在于，步骤c中，车载激光点云道路变化监测方法的配准主要包括以下步骤：
c1、4PCS算法粗配准；
c1.1)假定源点云为P，目标点云为Q，源点云的特征点集为Pt，目标点云的特征点集为Qt，Pt内任一点为Pti，Qt内任一点为Qti；
c1.2)首先在源点云特征点集Pt中随机选取3个不共线的点，根据源点云特征点集Pt中最远两个点的距离dp以及源点云和目标点云的重叠度f，选取与其他三个点距离在
Figure FDA0002797016140000035
的第四不共线点组成共面四点基B；
c1.3)通过仿射变换，在目标点云特征点集Qt中找到所有与B全等的共面四点集；仿射不变量定义如下：
已知道在源点云特征点集Pt中有任一共面四点集B{a,b,c,d}，且共面四点集B{a,b,c,d}中任意三点不共线，令直线ab和cd相交于e，其比率表示为：
Figure FDA0002797016140000036
这两个比率在仿射变换下是不变的，如果B′{a′,b′,c′,d′}是位于目标点云特征点集Qt中与B{a,b,c,d}相匹配的一个共面四点集，则B′{a′,b′,c′,d′}满足以下关系:
Figure FDA0002797016140000041
c1.4)根据共面四点基对{B,B′}，计算变换矩阵，迭代计算L次，选取两个特征点集Qt和Pt在对应距离δ内对应点对数量最多的一次变换作为最佳变换矩阵T；对应距离δ设置为0.1m，最大迭代次数L的确定公式如下：
Figure FDA0002797016140000042
其中，f为源点云P和目标点云Q的重叠度，v为算法成功的期望概率，h为选取点的总个数；
c2、双向KD树加速ICP进行精确配准；
c2.1)由于源点云特征点集Pt是P的一个子集，因此将4.1中得到的最佳变换矩阵T作用于源点云P，可得到初始配准后的源点云P′和源点云特征点集Pt′；在配准后的源点云特征点集Pt′和目标点云的特征点集为Qt中建立KD树索引；
c2.2)在Qt内搜索Pti的最近点Qti,在Pt′内搜索Qti的最近点若为Pti′；则Pti′与Qti为一对具有唯一对应关系的点；
c2.3)遍历Pt′和Qt内各点，找到所有一一对应的匹配点对；
c2.4)通过迭代计算，减小源点云P和目标点云Q之间变换后的误差，直到收敛；
c3、配准精度评定；
计算配准后的主要道路设施点云数据的均方根误差RMSE,并从配准后的主要道路设施点云数据中随机均匀选取若干对应点对，计算对应点对之间的欧式距离δ，以均方根误差和对应点之间欧式距离衡量配准精度；
均方根误差定义为：
Figure FDA0002797016140000043
其中，n为对应点对的个数，Xi为配准后对应点之间的距离，
Figure FDA0002797016140000044
对应点之间的真值；
对应点对之间的欧式距离δ′的计算公式为：
Figure FDA0002797016140000045
其中，xp,xq表示对应点的x坐标，yp,yq表示对应点的y坐标，zp,zq表示对应点的z坐标；
如果均方根误差小于某一阈值，则表明整体配准精度在该阈值范围内，如果对应点之间的欧氏距离小于某一阈值，则表明该对应点对的配准精度在该阈值范围内。
5.根据权利要求4所述的多期车载激光点云道路变化监测方法，其特征在于，c3中该阈值设置为5cm。
6.根据权利要求4所述的多期车载激光点云道路变化监测方法，其特征在于，步骤d中，以变化监测的精度为限制条件，对配准后的点云数据进行误差分析，获取有变形的区域；
车载激光点云的道路变化监测是通过在多个时间点获得道路点云数据的差异确定道路的变化，变化监测的精度即为源点云与目标中对应点之间欧式距离的最大值，根据对应点之间欧式距离的不同，进行不同程度的颜色渲染，得到道路变化监测分析图，对道路进行变化分析，标注表示对应区域控制点之间的距离，以此来研究不同时期同一地物的变形程度。
CN202011336211.4A 2020-11-24 2020-11-24 一种多期车载激光点云道路变化监测方法 Pending CN112330661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011336211.4A CN112330661A (zh) 2020-11-24 2020-11-24 一种多期车载激光点云道路变化监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011336211.4A CN112330661A (zh) 2020-11-24 2020-11-24 一种多期车载激光点云道路变化监测方法

Publications (1)

Publication Number Publication Date
CN112330661A true CN112330661A (zh) 2021-02-05

Family

ID=74308004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011336211.4A Pending CN112330661A (zh) 2020-11-24 2020-11-24 一种多期车载激光点云道路变化监测方法

Country Status (1)

Country Link
CN (1) CN112330661A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344992A (zh) * 2021-05-31 2021-09-03 山东大学 一种全局点云配准方法、系统、存储介质及设备
CN113340201A (zh) * 2021-06-25 2021-09-03 上海应用技术大学 一种基于rgbd相机的三维测量方法
CN113554705A (zh) * 2021-07-14 2021-10-26 南京航空航天大学 一种变化场景下的激光雷达鲁棒定位方法
CN113689471A (zh) * 2021-09-09 2021-11-23 中国联合网络通信集团有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN113836484A (zh) * 2021-08-11 2021-12-24 浙江省测绘科学技术研究院 基于路径点邻近域与地面滤波的自适应点云抽稀方法
CN114723867A (zh) * 2022-03-29 2022-07-08 北京百度网讯科技有限公司 点云地图的渲染方法、装置、设备及存储介质
CN115147551A (zh) * 2022-07-18 2022-10-04 南昌工程学院 远程地面激光扫描技术提取监测对象表面同名特征点的方法
CN115423854A (zh) * 2022-08-31 2022-12-02 哈尔滨岛田大鹏工业股份有限公司 一种基于多尺度特征提取的多视角点云配准及点云融合方法
CN115546266A (zh) * 2022-11-24 2022-12-30 中国铁路设计集团有限公司 基于局部法向相关的多条带机载激光点云配准方法
CN115661215A (zh) * 2022-10-17 2023-01-31 北京四维远见信息技术有限公司 一种车载激光点云数据配准方法、装置、电子设备及介质
CN116758238A (zh) * 2023-08-17 2023-09-15 山东高速工程检测有限公司 一种基于车载激光点云公路护栏自动建模方法
CN118314015A (zh) * 2024-06-11 2024-07-09 铁正检测科技有限公司 一种隧道病害数据智能采集方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127667A (zh) * 2019-11-19 2020-05-08 西北大学 基于区域曲率二进制描述符的点云初始配准方法
CN111553936A (zh) * 2020-04-14 2020-08-18 北京理工大学珠海学院 一种点云配准方法、系统、装置和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127667A (zh) * 2019-11-19 2020-05-08 西北大学 基于区域曲率二进制描述符的点云初始配准方法
CN111553936A (zh) * 2020-04-14 2020-08-18 北京理工大学珠海学院 一种点云配准方法、系统、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王飞，刘如飞，任红伟，柴永宁: "利用道路目标特征的多期车载激光点云配准", 《测绘科学技术学报》 *
蔡文娜;刘凤连;: "一种基于法向量夹角的点云配准方法", 天津理工大学学报 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344992A (zh) * 2021-05-31 2021-09-03 山东大学 一种全局点云配准方法、系统、存储介质及设备
CN113344992B (zh) * 2021-05-31 2022-06-28 山东大学 一种全局点云配准方法、系统、存储介质及设备
CN113340201B (zh) * 2021-06-25 2023-08-01 上海应用技术大学 一种基于rgbd相机的三维测量方法
CN113340201A (zh) * 2021-06-25 2021-09-03 上海应用技术大学 一种基于rgbd相机的三维测量方法
CN113554705A (zh) * 2021-07-14 2021-10-26 南京航空航天大学 一种变化场景下的激光雷达鲁棒定位方法
CN113554705B (zh) * 2021-07-14 2024-03-19 南京航空航天大学 一种变化场景下的激光雷达鲁棒定位方法
CN113836484A (zh) * 2021-08-11 2021-12-24 浙江省测绘科学技术研究院 基于路径点邻近域与地面滤波的自适应点云抽稀方法
CN113836484B (zh) * 2021-08-11 2023-05-16 浙江省测绘科学技术研究院 基于路径点邻近域与地面滤波的自适应点云抽稀方法
CN113689471B (zh) * 2021-09-09 2023-08-18 中国联合网络通信集团有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN113689471A (zh) * 2021-09-09 2021-11-23 中国联合网络通信集团有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN114723867A (zh) * 2022-03-29 2022-07-08 北京百度网讯科技有限公司 点云地图的渲染方法、装置、设备及存储介质
CN115147551A (zh) * 2022-07-18 2022-10-04 南昌工程学院 远程地面激光扫描技术提取监测对象表面同名特征点的方法
CN115423854A (zh) * 2022-08-31 2022-12-02 哈尔滨岛田大鹏工业股份有限公司 一种基于多尺度特征提取的多视角点云配准及点云融合方法
CN115423854B (zh) * 2022-08-31 2024-02-06 哈尔滨岛田大鹏工业股份有限公司 一种基于多尺度特征提取的多视角点云配准及点云融合方法
CN115661215A (zh) * 2022-10-17 2023-01-31 北京四维远见信息技术有限公司 一种车载激光点云数据配准方法、装置、电子设备及介质
CN115546266A (zh) * 2022-11-24 2022-12-30 中国铁路设计集团有限公司 基于局部法向相关的多条带机载激光点云配准方法
CN116758238A (zh) * 2023-08-17 2023-09-15 山东高速工程检测有限公司 一种基于车载激光点云公路护栏自动建模方法
CN116758238B (zh) * 2023-08-17 2024-01-23 山东高速工程检测有限公司 一种基于车载激光点云公路护栏自动建模方法
CN118314015A (zh) * 2024-06-11 2024-07-09 铁正检测科技有限公司 一种隧道病害数据智能采集方法及系统

Similar Documents

Publication Publication Date Title
CN112330661A (zh) 一种多期车载激光点云道路变化监测方法
Yang et al. 3D local feature BKD to extract road information from mobile laser scanning point clouds
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
CN112767490B (zh) 一种基于激光雷达的室外三维同步定位与建图方法
Hu et al. Road network extraction and intersection detection from aerial images by tracking road footprints
CN108564650B (zh) 基于车载2D LiDAR点云数据的行道树靶标识别方法
CN104700398A (zh) 一种点云场景物体提取方法
CN101915570B (zh) 一种基于灭点的地面移动测量影像线段自动提取分类方法
CN105740798A (zh) 一种基于结构分析的点云场景物体识别方法
CN113327276B (zh) 一种面向移动测量大体量点云数据配准的方法
Xu et al. A new clustering-based framework to the stem estimation and growth fitting of street trees from mobile laser scanning data
CN114581492A (zh) 融合道路多元特征的车载激光雷达点云非刚性配准方法
CN111354083A (zh) 一种基于原始激光点云的递进式建筑物提取方法
CN111221334A (zh) 一种用于自动驾驶汽车仿真的环境传感器模拟方法
CN111861946B (zh) 自适应多尺度车载激光雷达稠密点云数据滤波方法
CN114863376A (zh) 一种基于车载激光点云数据的道路标线分割方法及系统
CN113963259A (zh) 基于点云数据的街景地物多维度提取方法和系统
CN111487643A (zh) 一种基于激光雷达点云和近红外影像的建筑物检测方法
CN115657049A (zh) 一种隧道车载激光雷达定位纠偏方法及系统
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
Cong et al. Research on a point cloud registration method of mobile laser scanning and terrestrial laser scanning
CN113721254A (zh) 一种基于道路指纹空间关联矩阵的车辆定位方法
CN116740307A (zh) 智慧城市三维模型构建方法
CN114758323A (zh) 一种基于车载激光点云的城市道路标牌提取方法
Li et al. Segment-based traffic sign detection from mobile laser scanning data

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