CN113137919B - 一种激光点云栅格化方法 - Google Patents

Abstract

本发明涉及一种激光点云栅格化方法，属于数据处理技术领域，根据原始激光点云数据的分辨率设定三维栅格的尺寸，根据三维坐标建立其对应的栅格索引关系式，计算得到三维栅格中心点坐标，若出现坐标相同的中心点，说明该三维栅格内存在多个点，去重，得到栅格化点云数据，在每个三维栅格内用当前栅格的中心点近似代表三维栅格内的所有点，本发明在保证对原始激光点云数据进行精简的情况下，用尽量少的点表征实物表面的几何形状的细节特征，栅格化点云数据的质量和精度明显提高。

Description

一种激光点云栅格化方法

技术领域

本发明属于数据处理技术领域，具体地说涉及一种激光点云栅格化方法。

背景技术

三维激光扫描是一种三维激光点云数据获取与模型重构技术，能在短时间内得到实物表面大量三维激光点云数据。相对于传统的单点量测，三维激光扫描技术的主要优势在于：获取数据速度快、数据量大，每秒扫描的点可达上百万，主动性强，能全天候作业，操作简单方便，测量扫描通过软件控制作业过程；获取的数据具有全数字特征，便于信息传输、加工和表达。三维激光扫描采用无接触的扫描测量模式，无需安置任何反射装置在被扫描实物上，通过对目标物的扫描，除了能获取实物的三维坐标信息外，还能同时获取对应的天顶距、方位角、反射率和目标实物的距离等。三维激光扫描技术主要应用于文物保护、逆向工程模型重构、土木工程、工业测量、变形监测、地形测量等方面。为将扫描得到的原始激光点云数据转换为最终的产品模型，必须对扫描得到的激光点云数据进行一系列的加工处理。由于激光扫描仪在数据采集过程中存在误差存在，同时，激光点云数据的密集以及数据量大的特征，使得点云数据必然存在冗余，因此，需要对采集的激光点云数据进行精简。

点云数据精简是在保证扫描对象有效信息的前提下最大可能的减少冗余数据，通过数据精简可极大的提高激光点云数据后续处理效率。现有技术常用的点云精简方法为体素栅格降采样算法及最近点算法，通过对激光点云数据构建一个长方体包围盒，对包围盒进行格网划分并将点云归入相应的格子，然后选择格子重心点或距离格子中心最近的点来对激光点云数据进行去冗简化，上述方法不能很好的保留实物的细节特征，对于海量的激光点云数据构网非常耗时。

发明内容

针对现有技术的种种不足，为了解决上述问题，现提出一种具有实时性的的激光点云栅格化方法。

为实现上述目的，本发明提供如下技术方案：

一种激光点云栅格化方法，包括以下步骤：

步骤S1、设置三维栅格尺寸；

步骤S2、读取原始激光点云数据获得坐标，根据坐标与三维栅格尺寸建立栅格索引关系式；

步骤S3、计算栅格索引关系式对应的三维栅格中心点坐标，遍历原始激光点云数据中所有点，去重，得到栅格化点云数据。

进一步，根据原始激光点云数据的分辨率，设置三维栅格尺寸。所述分辨率为原始激光点云数据中点与点的距离，原始激光点云数据由密集的点组成。点云数据要具有足够的分辨率才能提取实物表面的几何形状的细节特征，较高的点云密度可以获得较高的分辨率。

优选的，以原始激光点云数据中最高点云密度作为三维栅格尺寸。

优选的，以原始激光点云数据中平均点云密度作为三维栅格尺寸。

进一步，原始激光点云数据可以是机载、车载或搭载方式采集获得的激光点云数据。

进一步，三维栅格仅建立在原始激光点云数据中包含点的区域，即原始激光点云数据中不包含点的区域不建立三维栅格，避免因建立三维栅格增加新的点，保证了实物表面的几何形状的细节特征不会发生改变。

进一步，所述坐标为三维坐标。

进一步，所述步骤S3中去重的方法为：

若出现相同坐标的三维栅格中心点，说明三维栅格内存在多个点，仅保留其中一个三维栅格中心点坐标，并去除其余相同值，以三维栅格中心点作为栅格的代表点，即三维栅格中心点算法。

进一步，设定原始激光点云数据中点A的坐标为(a_x，a_y，a_z)，三维栅格的尺寸为l×l×l，建立点A与对应三维栅格间的栅格索引关系式Grid，计算栅格索引关系式Grid对应的三维栅格中心点坐标center,遍历原始激光点云数据中所有点，去除center数组中相同值，得到栅格化点云数据。

进一步，栅格索引关系式Grid的计算公式为：

其中，Grid-x表示x方向上的栅格索引关系式，Grid-y表示y方向上的栅格索引关系式，Grid-z表示z方向上的栅格索引关系式，floor()表示向下取整。

进一步，三维栅格中心点坐标center为(c_x，c_y，c_z)，则

本发明的有益效果是：

1、在保证对原始激光点云数据进行精简的情况下，用尽量少的点表征实物表面的几何形状的细节特征，栅格化点云数据的质量和精度明显提高。

2、在不丢失实物表面几何形状的细节特征的情况下，栅格化点云数据减小到原始激光点云数据的60％，最大可能的减少冗余数据。

3、相对于体素栅格降采样算法及最近点算法，本发明的时间复杂度最低，运算效率高。

4、具有提取精度高、运算稳定、实时性强的特点，实现了利用激光点云数据提取实物细节特征的海量数据无损轻量化运算。

5、基于激光点云数据进行精简，可极大的提高激光点云数据后续处理效率，可广泛应用于文物保护、逆向工程模型重构、土木工程、工业测量、变形监测、地形测量等方面。

附图说明

图1是本发明的流程框图；

图2(a)是二维平面中原始激光点云数据示意图；

图2(b)是图2(a)中建立三维栅格示意图；

图2(c)是二维平面中栅格化点云数据示意图。

附图中：图2(a)至图2(b)中p₀-p₂₅表示激光点云数据中的点。

具体实施方式

为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。此外，以下实施例中提到的方向用词，例如“上”“下”“左”“右”等仅是参考附图的方向，因此，使用的方向用词是用来说明而非限制本发明创造。

实施例一：

如图1所示，一种激光点云栅格化方法，包括以下步骤：

步骤S1、根据原始激光点云数据的分辨率，设置三维栅格尺寸。激光点云数据由密集的点组成，现阶段点云间距通常为厘米级，甚至可达毫米级，因此，三维栅格的尺寸由点云分辨率(即原始激光点云数据中点与点的距离)决定。点云数据要具有足够的分辨率才能提取实物表面的几何形状的细节特征，较高的点云密度可以获得较高的分辨率。扫描精度越高，描述实物越详细，划分的三维栅格越小，可在一定程度上减少特征丢失。优选的，以原始激光点云数据中最高点云密度作为三维栅格尺寸。在其他一些实施例中，以原始激光点云数据中平均点云密度作为三维栅格尺寸。

同时，三维栅格仅建立在原始激光点云数据中包含点的区域，即原始激光点云数据中不包含点的区域不建立三维栅格，保证了实物表面的几何形状的细节特征不会发生改变。

步骤S2、读取原始激光点云数据获得三维坐标，根据三维坐标与三维栅格尺寸建立栅格索引关系式。

步骤S3、计算栅格索引关系式对应的三维栅格中心点坐标，遍历原始激光点云数据中所有点，若出现相同坐标的三维栅格中心点，说明三维栅格内存在多个点，仅保留其中一个三维栅格中心点坐标，并去除其余相同值，以三维栅格中心点作为栅格的代表点，得到栅格化点云数据。

具体的，原始激光点云数据以二维平面为例，如图2(a)所示，设定原始激光点云数据中点A的坐标为(a_x，a_y，a_z)，三维栅格的尺寸为l×l×l，如图2(b)所示,建立点A与对应三维栅格间的栅格索引关系式Grid，计算栅格索引关系式Grid对应的三维栅格中心点坐标center,遍历原始激光点云数据中所有点，去除center数组中相同值，得到栅格化点云数据，如图2(c)所示。栅格索引关系式Grid的计算公式为：

其中，Grid-x表示x方向上的栅格索引关系式，Grid-y表示y方向上的栅格索引关系式，Grid-z表示z方向上的栅格索引关系式，floor()表示向下取整。三维栅格中心点坐标center为(c_x，c_y，c_z)，则

综上所述，根据原始激光点云数据的分辨率设定三维栅格的尺寸，根据三维坐标建立其对应的栅格索引关系式，计算得到三维栅格中心点坐标，若出现坐标相同的中心点，说明该三维栅格内存在多个点，去重，在每个三维栅格内用当前栅格的中心点近似代表三维栅格内的所有点，即中心点算法。在保证对原始激光点云数据进行精简的情况下，用尽量少的点表征实物表面的几何形状的细节特征，栅格化点云数据的质量和精度明显提高。

实施例二：

设定最坏情况复杂度T(n)，其定义为任何大小的输入n所需的最大运行时间。因此，语句总执行次数T(n)是关于n的函数，其时间变化趋势与n的关系式为T(n)＝O(f(n))。其中，O()表示时间复杂度，即执行算法所需要的计算工作量，f()表示算法的基本操作重复执行的次数，f(n)为n的函数。随着输入n的增大，算法执行的时间的增长率和f(n)的增长率成正比，f(n)越小，算法的时间复杂度越低，算法的效率越高。

对中心点算法、体素栅格降采样算法及最近点算法进行时间复杂度分析，如下：

中心点算法是先读入n个原始激光点云数据，从第一个点开始逐点计算栅格索引关系式，同时求得三维栅格中心点坐标，因此，运行过程需要计算n次，而后将每次获得的当前的三维栅格中心点坐标追加到curruntl_ist列表中，需要进行n次追加，当n个点计算完毕就结束循环，最后需要再次使用循环将curruntl_ist列表中坐标相同的中心点去除，需要进行n次比较，得到m个三维栅格，因此，T(n)＝3n，该算法的时间复杂度为O(n)。

体素栅格降采样算法首先需要划分三维栅格，该过程需要执行3n次，随后对原始激光点云数据及三维栅格中心数据进行x方向的快速排序，该过程需要执行2次，再通过嵌套循环做排序和截取，将原始激光点云数据放入三维栅格中，并计算当前三维栅格内点的均值，该过程需要执行m(3n+3)，因此，T(n)＝3nm+3n+3m+2，该算法的时间复杂度为O(nm)。

最近点算法与体素降采样算法在三维栅格划分和原始激光点云数据放置上是相同的方法，只是将原始激光点云数据放入对应三维栅格后，需要计算每个点与三维栅格中心点的距离，取出距离最小的点，若三维栅格内本就只存在一个点，则该点即为最近点，因此，T(n)＝3nm+3n+4m+2。若三维栅格内存在多个点，T(n)＝3nm+3n+6m+2，该算法的时间复杂度为O(nm)。

根据以上分析，中心点算法、体素栅格降采样算法及最近点算法的时间复杂度关系为O(n)<O(nm)＝O(nm)，也就是说，中心点算法的时间复杂度最低，运算效率最高。

实施例三：

本实施例中，用于原始激光点云数据由LEICA激光雷达扫描获取，其点云间距平均值为0.1m，分别为含有66663个点的立交桥以及含有1170633个点的公路路面，根据点云间距设定三维栅格尺寸为0.1m*0.1m*0.1m。

基于python语言实现三种不同栅格化算法(中心点算法、体素栅格降采样算法及最近点算法)，对这立交桥、公路路面的点云数据进行栅格处理，同时使用numpy内置函数对中心点算法进行加速处理，各算法精度及所用时长如表1所示。

表1：三种栅格化算法实验结果比较(原始点云分辨率平均值为0.1m)

同时，任何栅格化算法都会产生误差，通过计算每个三维栅格内所有点与当前三维栅格代表点的距离，评估不同栅格化算法精度RMSE，

其中，N表示三维栅格总数，n表示原始激光点云总数，Z′_ji表示当前三维栅格内的原始点云坐标，Z_ji表示当前三维栅格的代表点坐标。

如表1所示，三种栅格化算法在精度上差距不大，均小于原始点云间距0.1m，因此，精度丢失可忽略不计。但在运行时长上，使用中心点算法可在0.718秒内完成一百多万点云数据的栅格化，体素栅格降采样算法和最近点算法所消耗的时间是中心点算法的约500(1,170,633个点)至1200倍(66,663个点)，其运算时间变化趋势与实施例二中三种算法在理论上的时间复杂度分析结果一致。

实施例四：

利用原始激光点云数据及中心点算法处理后的栅格化点云完成数据集制作，随后基于英伟达AGX Xavier平台搭建嵌入式开发环境，并在开发环境中部署基于pytorch框架的pointnet++网络，最后将制作好的数据集分别输入pointnet++网络进行场景语义分割模型的训练，训练精度Best mIoU及训练时长如表2所示。其中，num_workers表示在每一轮迭代时预加载数据，当num_workers＝2时，则表示一次先读入2倍batch_size的数据，为下一次迭代做准备。

表2：原始激光点云数据与栅格化点云数据比较

如表2所示，经过相同的epoch训练(一代训练)，使用栅格化点云数据的网络训练精度在原始激光点云数据基础上得到了提高，而训练时长也大幅度缩短。由于数据量不够且缺乏多样性造成了训练精度较低，本实施例的目的在于呈现栅格化点云数据、原始激光点云数据的网络训练精度对比。同时，由于原始激光点云数据占用内存较大，因此，在使用num_workers＝4加载原始数据时，网络会自动结束训练，说明了对原始激光点云数据进行栅格化处理得到栅格化点云数据可以减轻约40％的计算负荷。也就是说，在不丢失实物表面几何形状的细节特征的情况下，栅格化点云数据减小到原始激光点云数据的60％，最大可能的减少冗余数据，具有提取精度高、运算稳定、实时性强的特点，实现了利用激光点云数据提取实物细节特征的海量数据无损轻量化运算，可极大的提高激光点云数据后续处理效率，可广泛应用于文物保护、逆向工程模型重构、土木工程、工业测量、变形监测、地形测量等方面。

以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本发明实施范围，即凡依本申请范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。

Claims (6)

1.一种激光点云栅格化方法，其特征在于，包括以下步骤：

步骤S1、设置三维栅格尺寸；

步骤S2、读取原始激光点云数据获得坐标，根据坐标与三维栅格尺寸建立栅格索引关系式；

设定原始激光点云数据中点A的坐标为(a_x，a_y，a_z)，三维栅格的尺寸为l×l×l，建立点A与对应三维栅格间的栅格索引关系式Grid，栅格索引关系式Grid的计算公式为：

其中，Grid_x表示x方向上的栅格索引关系式，Grid_y表示y方向上的栅格索引关系式，Grid_z表示z方向上的栅格索引关系式，floor()表示向下取整；

步骤S3、计算栅格索引关系式对应的三维栅格中心点坐标，三维栅格中心点坐标center为(c_x，c_y，c_z)，则

遍历原始激光点云数据中所有点，去除center数组中相同值，得到栅格化点云数据。

2.根据权利要求1所述的一种激光点云栅格化方法，其特征在于，根据原始激光点云数据的分辨率，设置三维栅格尺寸。

3.根据权利要求2所述的一种激光点云栅格化方法，其特征在于，以原始激光点云数据中最高点云密度作为三维栅格尺寸。

4.根据权利要求2所述的一种激光点云栅格化方法，其特征在于，以原始激光点云数据中平均点云密度作为三维栅格尺寸。

5.根据权利要求3或4所述的一种激光点云栅格化方法，其特征在于，三维栅格仅建立在原始激光点云数据中包含点的区域。

6.根据权利要求5所述的一种激光点云栅格化方法，其特征在于，所述坐标为三维坐标。

Images