CN112785631A - 一种基于dlg的点云数据配准方法 - Google Patents
一种基于dlg的点云数据配准方法 Download PDFInfo
- Publication number
- CN112785631A CN112785631A CN202011628498.8A CN202011628498A CN112785631A CN 112785631 A CN112785631 A CN 112785631A CN 202011628498 A CN202011628498 A CN 202011628498A CN 112785631 A CN112785631 A CN 112785631A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dlg
- curve
- boundary
- registration method
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于DLG的点云数据配准方法,包括以下步骤:点云边界提取;将点云边界曲线与数字线划地图DLG匹配;进行点云匹配;对配准精度进行统计分析。上述技术方案通过提取点云地物边界曲线,以傅里叶描述子描述曲线特征来与DLG数据曲线进行匹配,得到校正向量,进而实现机载Lidar点云全地形自动配准,克服了常规方法中只提取直线特征的局限,适用范围更广,满足多种复杂地形的自动配准。
Description
技术领域
本发明涉及点云自动配准,尤其涉及一种基于DLG的点云数据配准方法。
背景技术
点云数据配准是逆向工程中的一个核心问题,是计算机视觉所有后续处理的基础,其配准结果在三维测量的精度和后续数据处理中起着至关重要的作用。利用激光雷达数据采集系统对特征目标与环境进行测量之后,得到的数据为场景的三维点云信息,并不是通常所谓的成像结果,要实现三维图像的显示与分析,还需要对获取的数据进一步处理,点云数据自身会存在相关性和冗余性,利用三维点云配准技术可以剔除冗余点、融合关键特征点。
应急救灾工作中具有突发性、灵活性、任务组织特殊性等特征,这些特征要求我们必须打破传统方式,提供实时、快速的测绘数据保障。有资料显示,传统测绘地理信息技术存在数据量大、处理流程操作步骤多等问题导致数据后处理效率较低,无法满足应急测绘对时效性的要求。由于机载LiDAR数据处理效率高、时效性强等特点,在地质灾害、山洪灾害、应急救援等领域应用不断普及,对于基于线特征的LiDAR点云配准方案,已有不少研究,如基于摄影测量原理,将从Lidar数据和影像数据中找到的关联直线特征上的点的位置信息代入变换函数,或者直接从LiDAR点云中提取线特征进行配准的方法。
中国专利文献CN107861920A公开了一种“点云数据配准方法”。采用了包括如下步骤:(a)获取第一点云数据集和第二点云数据集;(b)构造所述第一点云数据集和所述第二点云数据集的距离平方和;(c)使所述距离平方和最小以获得配准矩阵。上述技术方案只提取直线特征,适应性比较差,只能用于直线地物较多的城区,且自动化程度有待提高。
发明内容
本发明主要解决原有的技术方案只提取直线特征,适应性比较差,且自动化程度较低的技术问题,提供一种基于DLG的点云数据配准方法,通过提取点云地物边界曲线,以傅里叶描述子描述曲线特征来与DLG数据曲线进行匹配,得到校正向量,进而实现机载Lidar点云全地形自动配准,克服了常规方法中只提取直线特征的局限,适用范围更广,满足多种复杂地形的自动配准。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
(1)点云边界提取;
(2)将点云边界曲线与数字线划地图DLG匹配;
(3)进行点云匹配;
(4)对配准精度进行统计分析。
作为优选,所述的步骤1通过滤波原理和样条曲线拟合,提取点云中的地物边界曲线。边界提取是从中提取出地物之间边界的点。提取出的边界用于配准,无需提取出每种地物之间的边界,只需有一定的样本数量即可。坡度滤波算法的基本原理是:地面引起的坡度变化小于地物引起的坡度变化,即当Lidar数据中两相邻的点高程差异越大时,该高程差是由于地形变化引起的可能性越小,此处为地物边界的可能性就越大。
作为优选,所述的步骤1使用坡度滤波算法提取地物边界,具体包括:将点云进行2D网格划分为x*y个,计算网格内点云高程的方差,
其中n为单个格网中点云点的个数,hi为某点的高程,h为格网内所有点高程的平均值。
作为优选,设定参考方差V0,选取Vh>V0的格网,遍历选中的格网,若对于格网P(xi,yj),格网(xi+1,yj+1),(xi,yj+1),(xi-1,yj+1),(xi+1,yj),(xi-1,yj),(xi+1,yj-1),(xi,yj-1),(xi-1,yj-1)都不在选择集内,则P为孤立的格网,去除;剩下的格网即为边界格网,格网中的点云数据即为边界点云,通过边界点云,采用基于最小二乘法的分段B样条曲线精确拟合法,拟合出B样条曲线,在得到的线集合中,去除长度小于l0的线条。
作为优选,所述的步骤2计算比较点云边界曲线和数字线划地图DLG数据曲线的傅里叶描述子,寻找与点云边界匹配的DLG曲线,设定没有配准之前的误差为d,以点云边界曲线L为种子曲线,以d为缓冲距离,产生缓冲区M,在DLG中查找与M相交的所有曲线Lj(j=0,1,2……),作为匹配的候选曲线。
作为优选,Lj和L的长度相差很大,选取Lj和L中较短的一根Ls,然后从较长的一根中从端点截取Ls长度一样的一段作为比较曲线,分别将两根曲线的端点连接构成封闭的曲线,以便于计算傅里叶描述子,通过比较Lj和L的傅里叶描述子,寻找与边界曲线匹配的DLG数据。
作为优选,所述的将两条比较曲线中的一条Lb,逆时针在曲线上均匀取N个点[x(n),y(n)|n=0,1,2……N-1],其复数形式表示为:
z(n)=x(n)+iy(n),n=0,1,2......N-1
对于封闭的边界,这一序列具有周期性,周期为N,则离散傅里叶变换系数定义为:
傅里叶系数与形状的尺度、方向和起点有关,但DLG数据和点云提取出来的边界可能有轻微的平移和旋转,所以还需要对傅里叶系数进行归一化处理,以适应旋转和平移。
作为优选,对傅里叶系数进行归一化处理,在实际使用中,将每一个系数的幅值||Z(k)||除以||Z(1)||作为傅里叶描述子,即:
待比较的两条线之间的傅里叶描述子差值:
以△d为距离,循环截取较长的线,取得所有结果中的最小dis作为两条线比较的傅里叶描述子差。
作为优选,所述的步骤3具体包括,对于DLG数据曲线Ld与点云提取的地物边界Ll,根据傅里叶系数的特征,假设Ld相对于Ll平移了(x0,y0),旋转φ,则:
求解出x0,y0和φ。考虑到DLG中有可能会出现平行要素,还需要从相似的曲线中选取与L距离最近的线,作为匹配到的曲线,保留其中参与傅里叶描述子比较的线段Ld,Ll作为用来配准的控制线段。
作为优选,根据每条配对曲线求解出来的平移向量和旋转向量,进行空间内插,据此提取线上的特征点的校正向量,然后通过空间内插,得到平面空间上任意一点的校正向量,以此进行配准。
本发明的有益效果是:通过提取点云地物边界曲线,以傅里叶描述子描述曲线特征来与DLG数据曲线进行匹配,得到校正向量,进而实现机载Lidar点云全地形自动配准,克服了常规方法中只提取直线特征的局限,适用范围更广,满足多种复杂地形的自动配准。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于DLG的点云数据配准方法,如图1所示,包括以下步骤:
(1)通过滤波原理和样条曲线拟合,提取点云中的地物边界曲线。边界提取是从中提取出地物之间边界的点。提取出的边界用于配准,无需提取出每种地物之间的边界,只需有一定的样本数量即可。坡度滤波算法的基本原理是:地面引起的坡度变化小于地物引起的坡度变化,即当Lidar数据中两相邻的点高程差异越大时,该高程差是由于地形变化引起的可能性越小,此处为地物边界的可能性就越大。
用坡度滤波算法的原理,提取地物边界的算法如下:将点云进行2D网格划分为x*y个,要求格网足够小。计算网格内点云高程的方差:
其中n为单个格网中点云点的个数,hi为某点的高程,h为格网内所有点高程的平均值。
在所有格网中选取Vh>V0的格网,遍历选中的格网,如果对于格网P(xi,yj),格网(xi+1,yj+1),(xi,yj+1),(xi-1,yj+1),(xi+1,yj),(xi-1,yj),(xi+1,yj-1),(xi,yj-1),(xi-1,yj-1)都不在选择集内,则P为孤立的格网,去除。剩下的格网即为边界格网,格网中的点云数据即为边界点云。通过边界点云,采用基于最小二乘法的分段B样条曲线精确拟合法,拟合出B样条曲线,其基本原理为:先采用尖点或曲率最大作为线条的分段点,然后每段假定一个一次数的曲线形式,再使用最小二乘法进行拟合或者优化拟合。最后,在得到的线集合中,去除长度小于l0的线条,太短的线条不适于在DLG中寻找其拟合曲线。
(2)计算比较点云边界曲线和DLG数据曲线的傅里叶描述子,寻找与点云边界匹配的DLG曲线。
(2.1)设定没有配准之前的误差为d,以点云边界曲线L为种子曲线,以d为缓冲距离,产生缓冲区M,在DLG中查找与M相交的所有曲线Lj(j=0,1,2……),作为匹配的候选曲线。
(2.2)Lj和L的长度相差很大,选取Lj和L中较短的一根Ls,然后从较长的一根中从端点截取Ls长度一样的一段作为比较曲线,分别将两根曲线的端点连接构成封闭的曲线,以便于计算傅里叶描述子。
(2.3)以两条比较曲线中的一条Lb为例,逆时针在曲线上均匀取N个点[x(n),y(n)|n=0,1,2……N-1]。其复数形式表示为:
z(n)=x(n)+iy(n),n=0,1,2......N-1
对于封闭的边界,这一序列具有周期性,周期为N。则离散傅里叶变换系数定义为:
傅里叶系数与形状的尺度、方向和起点有关,但DLG数据和点云提取出来的边界可能有轻微的平移和旋转,所以还需要对傅里叶系数进行归一化处理,以适应旋转和平移。在实际使用中,经常会把每一个系数的幅值||Z(k)||除以||Z(1)||作为傅里叶描述子,即:
待比较的两条线之间的傅里叶描述子差值:
以△d为距离,循环截取较长的线,取得所有结果中的最小dis作为两条线比较的傅里叶描述子差。
(2.4)Lj中每条线都与L进行比较,得到Disj(j=0,1,2……),将小于Dis0的曲线作为形状相似的曲线。
(3)考虑到DLG中有可能会出现平行要素,还需要从相似的曲线中选取与L距离最近的线,作为匹配到的曲线,保留其中参与傅里叶描述子比较的线段Ld,Ll作为用来配准的控制线段。
对于DLG数据曲线Ld与点云提取的地物边界Ll,根据傅里叶系数的特征,假设Ld相对于Ll平移了(x0,y0),旋转φ,则:
可以求解出x0,y0和φ。
根据每条配对曲线求解出来的平移向量和旋转向量,进行空间内插,据此提取线上的特征点的校正向量,然后通过空间内插,得到平面空间上任意一点的校正向量,以此进行配准
(4)配准精度统计分析。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了点云边界曲线、傅里叶描述子等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种基于DLG的点云数据配准方法,其特征在于,包括以下步骤:
(1)点云边界提取;
(2)将点云边界曲线与数字线划地图DLG匹配;
(3)进行点云匹配;
(4)对配准精度进行统计分析。
2.根据权利要求1所述的一种基于DLG的点云数据配准方法,其特征在于,所述步骤1通过滤波原理和样条曲线拟合,提取点云中的地物边界曲线。
4.根据权利要求3所述的一种基于DLG的点云数据配准方法,其特征在于,设定参考方差V0,选取Vh>V0的格网,遍历选中的格网,若对于格网P(xi,yj),格网(xi+1,yj+1),(xi,yj+1),(xi-1,yj+1),(xi+1,yj),(xi-1,yj),(xi+1,yj-1),(xi,yj-1),(xi-1,yj-1)都不在选择集内,则P为孤立的格网,去除;剩下的格网即为边界格网,格网中的点云数据即为边界点云,通过边界点云,采用基于最小二乘法的分段B样条曲线精确拟合法,拟合出B样条曲线,在得到的线集合中,去除长度小于l0的线条。
5.根据权利要求1所述的一种基于DLG的点云数据配准方法,其特征在于,所述步骤2计算比较点云边界曲线和数字线划地图DLG数据曲线的傅里叶描述子,寻找与点云边界匹配的DLG曲线,设定没有配准之前的误差为d,以点云边界曲线L为种子曲线,以d为缓冲距离,产生缓冲区M,在DLG中查找与M相交的所有曲线Lj(j=0,1,2……),作为匹配的候选曲线。
6.根据权利要求5所述的一种基于DLG的点云数据配准方法,其特征在于,Lj和L的长度相差很大,选取Lj和L中较短的一根Ls,然后从较长的一根中从端点截取Ls长度一样的一段作为比较曲线,分别将两根曲线的端点连接构成封闭的曲线,以便于计算傅里叶描述子,通过比较Lj和L的傅里叶描述子,寻找与边界曲线匹配的DLG数据。
10.根据权利要求9所述的一种基于DLG的点云数据配准方法,其特征在于,根据每条配对曲线求解出来的平移向量和旋转向量,进行空间内插,据此提取线上的特征点的校正向量,然后通过空间内插,得到平面空间上任意一点的校正向量,以此进行配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628498.8A CN112785631A (zh) | 2020-12-31 | 2020-12-31 | 一种基于dlg的点云数据配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628498.8A CN112785631A (zh) | 2020-12-31 | 2020-12-31 | 一种基于dlg的点云数据配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785631A true CN112785631A (zh) | 2021-05-11 |
Family
ID=75754614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628498.8A Pending CN112785631A (zh) | 2020-12-31 | 2020-12-31 | 一种基于dlg的点云数据配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785631A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329726A (zh) * | 2021-12-31 | 2022-04-12 | 西南交通大学 | 一种基于列车行车性能的铁路桥梁成桥线形评价方法 |
CN114459505A (zh) * | 2022-02-22 | 2022-05-10 | 北京交通大学 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
-
2020
- 2020-12-31 CN CN202011628498.8A patent/CN112785631A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127530A (zh) * | 2019-12-24 | 2020-05-08 | 山东科技大学 | 一种多期道路三维激光点云精确配准方法 |
Non-Patent Citations (1)
Title |
---|
胡思雨 等;: "《基于DLG 的LiDAR 点云自动配准及精度分析》", 《地理空间信息》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329726A (zh) * | 2021-12-31 | 2022-04-12 | 西南交通大学 | 一种基于列车行车性能的铁路桥梁成桥线形评价方法 |
CN114329726B (zh) * | 2021-12-31 | 2022-08-12 | 西南交通大学 | 一种基于列车行车性能的铁路桥梁成桥线形评价方法 |
CN114459505A (zh) * | 2022-02-22 | 2022-05-10 | 北京交通大学 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
CN114459505B (zh) * | 2022-02-22 | 2023-12-26 | 北京交通大学 | 一种基于台账曲线特征点的动检数据绝对里程校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133325B (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN109241978B (zh) | 地基三维激光点云中平面片的快速提取方法 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN112785631A (zh) | 一种基于dlg的点云数据配准方法 | |
CN111339236B (zh) | 一种输电线路廊道多源空间数据库构建方法和装置 | |
Brenner | Global localization of vehicles using local pole patterns | |
US11861855B2 (en) | System and method for aerial to ground registration | |
Yi et al. | Survey of structure from motion | |
Li et al. | Improved algorithm for point cloud registration based on fast point feature histograms | |
Kim et al. | A method of generating depth images for view-based shape retrieval of 3D CAD models from partial point clouds | |
Yue et al. | A new plane segmentation method of point cloud based on mean shift and RANSAC | |
CN111739079A (zh) | 一种基于语义特征多源低空立体像对快速匹配方法 | |
Fan et al. | UAV image crop classification based on deep learning with spatial and spectral features | |
CN114140700A (zh) | 基于级联网络的分步异源图像模板匹配方法 | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
Jiang et al. | Leveraging vocabulary tree for simultaneous match pair selection and guided feature matching of UAV images | |
CN116452764A (zh) | 一种融合地形信息的机载激光雷达点云分级抽稀方法 | |
CN110927765A (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
CN114413882B (zh) | 一种基于多假设跟踪的全局初定位方法和装置 | |
CN115937715A (zh) | 林业无人机点云和地基点云无目标自动配准方法及装置 | |
Wang et al. | Automatic registration framework for multi-platform point cloud data in natural forests | |
Zhang et al. | Hierarchical Image Retrieval Method Based on Bag-of-Visual-Word and Eight-point Algorithm with Feature Clouds for Visual Indoor Positioning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |