CN113327276B - 一种面向移动测量大体量点云数据配准的方法 - Google Patents
一种面向移动测量大体量点云数据配准的方法 Download PDFInfo
- Publication number
- CN113327276B CN113327276B CN202110735735.9A CN202110735735A CN113327276B CN 113327276 B CN113327276 B CN 113327276B CN 202110735735 A CN202110735735 A CN 202110735735A CN 113327276 B CN113327276 B CN 113327276B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- registration
- registered
- ground
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 230000009466 transformation Effects 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 58
- 239000004744 fabric Substances 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种面向移动测量大体量点云数据配准的方法，主要包括：实验数据采集；改进ICP算法的数据预处理和改进ICP算法精配准；其中在改进ICP算法精配准方面，主要包括结合地面点集和变换矩阵的高程配准；结合动态范围参数的平面配准；将高程配准参数作为平面配准的初值，利用对应邻近点对进行迭代计算，沿着每次迭代的最优趋势进行收敛，最后利用线性内插修正前后高程差，实现了移动测量大体量点云数据的高效高精度配准。
Description
技术领域
本发明属于三维重建及计算机技术领域，具体涉及一种面向移动测量大体量点云数据配准的方法。
背景技术
随着智慧化城市的发展，车载移动测量系统的出现为自动驾驶和高精地图提供了重要的三维空间数据来源。而该系统在外业测量时，容易受大型车辆和行人等移动物体的遮挡，单次扫描时难以获取地物完整的三维空间信息，因此存在同一路线往返扫描的情况。在城市高楼、高架桥等区域作业时，系统搭载的GNSS传感器定位精度变差，往返多趟点云数据出现分层和偏移问题，严重影响了点云的后续处理，所以车载点云数据的高精度配准一直是移动测图的瓶颈问题之一。点云配准是点云数据后处理中极为重要的一环，其通过相关处理算法将不同位置和角度扫描到的两或多段点云数据精确配准到一起，以消除上述分层和偏移问题，从而获取被测物体精准、统一的点云信息。
目前，在点云配准领域使用最广的点云精配准方法是人工手动配准和传统ICP算法。其中手动配准通过人工选点进行配准，虽然相对精度较高，但是需要大量人员参与，耗时耗力，工作量庞大且效率较低；ICP算法是十分经典的点云配准方法，该算法核心是通过直接选取基准点云和待配准点云中的最邻近点构成对应点集，将所有对应点对的空间距离平方的平均值作为误差，通过迭代计算，当算法误差满足最小二乘函数时完成配准。
因为车载激光点云数据呈现噪点多、体量庞大和受遮挡严重等特点，传统ICP算法直接进行配准存在配准精度低、耗时长且容易陷入局部最优等问题，难以满足实际应用需求。因此，迫切需要发展一种配准算法，能够实现车载往返点云之间的高效精确配准，是行业内亟需解决的关键问题，并且对推动车载激光点云数据的发展具有较强的实际应用价值。
发明内容
本发明的目的在于提供一种面向移动测量大体量点云数据配准的方法,旨在消除往返点云在高程和平面位置上的偏差，实现两或多趟点云之间的有效、精准和高效率的配准，最终获取地物完整的外表面三维空间信息以供后续应用。
为了实现上述目的，本发明采用的技术方案如下：
一种面向移动测量大体量点云数据配准的方法，所述方法如下:
S1:获取原始彩色点云数据，对移动测量获取的长路线点云数据进行分段；
S2:利用梯度和布料模拟滤波组合方法获取地面点云数据，得到分段后点云数据的地面点集；
S3:基于提取的地面点集坐标建立虚拟范围矩形框，对往返点云进行搜索和判断，获取存在一定重叠区域和刚性对应关系的基准点云和待配准点云；
S4:将车载往返点云数据配准划分为两个步骤：高程配准和平面配准；
S5:所述的高程配准阶段，以S2提取出的基准和待配准地面点集为源数据，使用滤波算法剔除无效噪声点，随后通过地面中心点坐标对待配准点集进行初始平移，在搜索对应邻近点时以固定区间作为改进ICP算法的邻域半径，通过中心累积函数对范围内的对应点对距离进行迭代计算，获取最优变换参数，为下一步的平面配准提供良好的初始位置；
S6:在平面配准阶段，首先继承高程配准参数对待配准点云做初始修正，并使用下采样算法来精简点云数量；随后，在利用中心累积计算方法的同时，设计一种跟随迭代次数递减的动态范围因子参数，在减少无效邻近点对的前提下，用以获取更为准确的迭代初值，计算基准和待配准点集之间的变换矩阵，使得目标函数最小，直至满足收敛条件；
S7:基于线性内插的思想，消除前后连续路段因高程配准参数不同而造成的微小高程差，获得连续平滑的长路段点云数据。
优选地，所述S1中具体的方法是，对大体量下车载移动测量激光点云数据进行分割，每个*.las文件自上而下以固定点数划分，对点云M的分割结果点集{M-1，M-2，…M-m}和点云N的分割结果点集{N-1，N-2，…N-n}中的局部点集进行划分，为后面匹配对应基准点集和待配准点集打下基础；其中，m＝1，2，3…M，m为点云A分割的段数；其中：n＝1， 2，3…N，n为点云B分割的段数，通常与前者保持一致。
优选地，所述S2中梯度算法通过两点之间的空间欧式距离计算倾斜度，与所预先设置的阈值大小进行比较来判别地面点和非地面点地物类型，布料模拟滤波算法原理是将获取的激光点云进行翻转，随后用一种刚性布料遮盖倒置后的点云，根据布料节点和对应激光点之间的位置关系以生成近似的地表形状，计算公式如式(1)；先梯度后布料模拟的组合算法能够高效精准的获取地面点云数据；
其中，m为粒子质量，X代表“布料”中的粒子在t时刻的位置，Fext(X，t)表示外部驱动因素(重力，碰撞等)，Fint(X，t)表示内部驱动因素(粒子间的内部联系)。
优选地，所述S3中具体计算过程如下：
针对该区域地面点的范围极值(Xmin，Ymin，Xmax，Ymax)和中心点三维坐标(Xmean，Ymean，Zmean)，建立虚拟范围矩形框并以此为依据进行判别，以确保两者之间的重叠关系，快速构建对应基准点云和待配准点云之间的刚性对应关系；其中，依据时间的连续性，将时间小的一趟点云作为基准点云，匹配到的其他点云作为待配准点云；
基准地面点云范围为A(A.Xmin，A.Ymin，A.Xmax，A.Ymax)，待配准地面点云范围为B(B.Xmin,B.Ymin,B.Xmax，B.Ymax)，dx和dy分别为X，Y方向上的重叠偏差，重叠面积S，计算公式如式(2)：
优选地，增设地面中心点的限制条件，用以精准的获取单侧道路的往返点云。假设基准点云地面中心点坐标M(M.Xmean，M.Ymean，M.Zmean)，待配准点云地面中心点坐标为N(N.Xmean， N.Ymean，N.Zmean)，所遴选出的往返点云地面中心点需要满足公式(3)(单位：m)：
优选地，所述S5中具体计算过程如下：
根据S2和S3获取到的对应基准地面点集(S)和待配准地面点集(T)，使用半径滤波去噪方法剔除无效离散点，在保持原地形的情况下减少输入ICP的点数；如公式(4)所示，基于两个点集之间的刚体变换关系，首先考虑利用地面中心点之间的高程差值对待配准点云做初始高程平移，使待配准点集快速靠近基准点集，以加速配准过程；
Tb＝Tp+(Sz_mean-Tz_mean) (4)
其中，Tb表示高程平移后的待配准地面点集，Tp表示原始待配准点集的每一个高程点坐标值，Sz_mean和 Tz_mean分别表示对应的地面中心点高程均值。
优选地，引入了k-d tree算法用以快速查找对应点对。k-d tree计算结果会得出对应点对之间的索引位置index和空间距离distance，计算公式如式(5)：
index,distance＝KDtree(Sa，Tb，distance_bound) (5)
其中，Sa表示基准地面点集，Tb表示待配准地面点集，distance_bound表示仅返回该距离内的邻距；
在上述获取邻近点对的基础上，限制搜索点云的空间范围，建立点云搜索时的拓扑关系。其中，依据范围内的对应点对，计算变换矩阵的方式为中心累积法。中心累积法通过计算对应点对序列之间的均值，以此获取基准和待配准地面点集的空间位置关系，并求出变换矩阵，计算公式如式(6)-(8)：
Paramatrix＝[center_xs，center_ys，center_zs]-[center_xt，center_vt，center_zt] (8)
式中：Q为范围内有效对应点对的数量，Si，Ti分别为基准地面点和待配准地面点的三维空间坐标， [center_xs，center_ys，center_zs]和[center_xt，center_yt，center_zt]分别为两者对应点的中心点坐标， Paramatrix为空间变换矩阵，变换矩阵被用作待配准点的平移矢量不断向基准点逼近；
以距离均值和的平方表示每一次迭代误差Err，并以此作为判别迭代结束的条件，计算公式如式(9)；
其中，Q为范围内有效对应点对的数量，distQi为索引对应的有效点对的空间距离；
结合上一步得到的变换后的点集，依据原始待配准地面点集，得到点对为(Tb，T′b)(i＝1，2，...，b)，最终求出高程参数ground_Δz的，计算公式如所式(10)(11)：
结合车载移动测量激光点云配准的特点，基于最小二乘法原理，在高程配准阶段设置以下两个算法迭代结束条件：①Err小于预先给定的误差阈值且连续两次距离均值平方和之差的绝对值小于等于前后差阈值，计算公式如(12)所示；②大于预设的最大迭代次数。满足以上条件，停止迭代计算：
Err＜σ∧|Preverr-Err|≤thres (12)
式中：Err表示目前的迭代误差，σ表示预设的误差阈值，Preverr表示前一次迭代误差，thres表示前后差阈值。
优选地，S6中具体计算过程如下：
在平面配准过程中，首先获取基准点云(S)和待配准点云(T)的完整点集数组，使用体素格网滤波器对点集进行下采样，保留特征信息并大幅度精简点云数量，下采样后的基准点云和待配准点云总点数分别为Sc、Td，继承地面点高程配准中获取的全局平移矩阵ground_matrix，首先利用该矩阵中的高程配准参数ground_Δz对待配准点云做初始纠正，为平面配准提供一个良好的初始位置，变换后的待配准点云用T′d表示，计算公式如式(13)；
T′d＝Td+ground_Δz (13)
利用k-d tree对待配准点云建立索引，用于在基准点云中快速查找相对应的最邻近点，k-d tree 计算结果会得出基准点与对应点之间的索引位置index和空间距离distance，结合上一步得到的邻近点对序列，考虑到车载点云数据体量大、离散点多的特点，ICP平面位置配准存在效率低和精度差的问题，设计一种范围阈值用以解决此类问题；
以点的X,Y和Z三个维度为基准建立空间球体圆域，圆域中心表示待配准点的三维空间坐标，在ICP建立对应点关系时以所预设的步长单位逐次进行搜索，随着迭代次数的不断增大，相对应的有效邻近点对范围不断缩小，以确保点对序列始终保持在有效点云空间内，从而减少无效配对并提高了对应点对序列的搜索精度和效率；递减性动态范围因子的设置可以有效提高点云之间的重合率并加速迭代过程；随后利用中心累积法计算中心点，计算公式如式(14) -(16)：
Area＝thres0-iter*unit(Area≥thres1) (14)
其中，Area为迭代次数对应的动态范围阈值，thres0为动态范围阈值上限，thres1为动态范围阈值下限， unit为每一次递减的单位数值，iter为循环迭代次数，KArea为Area范围内的对应点对数目， [core_xs，core_ys，core_zs]、[core_xt，core_yt，core_zt]分别为两者对应点对的中心点坐标；
以距离均值和的平方表示每一次迭代误差Err，并以此作为判别迭代结束的条件，计算公式如式(17)；
其中，KArea为Area范围内的对应点对数目，为有效点对的空间距离；
对两者范围内对应点的中心点做差值，获得基准点集和待配准点集之间的变换矩阵 Flat_matrix，计算公式如式(18)；
Flatmatrix＝[core_xs，core_ys，core_zs]-[core_xt，core_yt，core_zt] (18)
利用变换矩阵Flat_matrix对待配准点集T′d中的每个点进行平移，得到变换后的待配准点集T″d；
依据最原始待配准点云，得到点对为(T′d，T″d)(i＝1，2，3..，d)，使用中心累积法来计算全局平移矩阵，矩阵形式如下；final_matrix1＝[flat_Δx，flat_Δy，flat_Δz]，计算公式如式(19)；
基于最小二乘法原理，将预设的误差参数与当前的误差阈值进行比较，当满足迭代结束条件时，将高程配准参数和平面配准参数相结合，获取最终的三轴空间刚性变换矩阵final_matrix，计算公式如式(20)；
final_matrix＝[flat_Δx，flat_Δy，ground_Δz] (20)
其中，flat_Δx，flat_Δy分别表示待配准点云在x，y方向上的变换参数，ground_Δz表示待配准点云在z方向上的变换参数。
优选地，S7中具体计算过程如下：
在高程配准和平面配准的基础上，因变换参数不同，前后路段依旧存在一个微小的高度差，为了得到一个连续平滑的完整路线点云，基于线性内插等比计算的思想在连续分段的点云之间进行分配，计算公式如式(21)(22)：
dif_unit＝(ground1_Δz-ground0_Δz)/num (21)
Point_z′＝Point_z+dif_unit*j(j＝1，2，3，4，5，6......num) (22)
式中：dif_unit表示按时间分配的平均高差，ground0_Δz和ground1_Δ1分别表示前后路段点云的高程配准参数，num表示前路段点云的总点数，Point_z表示前路段点云的每一个点的高程坐标，Point_z′表示线性内差后的每一个点的高程坐标；
线性内插后，其对应的变换矩阵即为最终的变换矩阵，完成车载往返点云数据的精确配准。
上述技术方案可以得到以下有益效果：
(1)该方法通过对传统ICP算法进行改进，实现了同一路线往返多趟点云数据的精确配准，以此获取坐标一致的点云数据，提高车载激光点云数据精度，为实际工程应用提供支持；
(2)本发明设计的点云配准方案应用于实际工程项目中，经过实际验证，取得了较为良好的配准结果，消除往返点云在高程和平面位置上的偏差，实现两或多趟点云之间的有效、精准和高效率的配准，最终获取地物完整的外表面三维空间信息以供后续应用。
(3)本发明所述点云配准方法仅利用车载激光点云的三维坐标即可实现有效、快速和高精度的配准效果，能有效降低传统人工作业量，具有一定的推广应用价值。
附图说明
图1为本发明所述的一种面向移动测量大体量点云数据配准的方法总体流程图；
图2为改进ICP算法精配准技术流程图(高程配准和平面配准)；
图3为改进ICP算法数据预处理中点云分段的效果图；
图4为梯度算法和布料模拟滤波算法的原理示意图，其中图4(a)为两点梯度示意图；图4 (b)为布料模拟滤波算法原理图；
图5为基于地面点坐标的原始往返点云的交叉重叠区域示意图，其中图5(a)为同一路段的往返地面点云；图5(b)为建立的二维虚拟范围矩形框；
图6为高程配准前后的效果对比图；其中图6(a)为配准前的往返地面点集；图6(b)为配准后的往返地面点集；
图7为平面配准中动态范围参数的示意图；
图8为平面配准前后的效果对比图；其中图8(a)为配准前的往返街景点云；图8(b)为配准后的往返街景点云；
图9为改进后的ICP算法与传统ICP算法的配准结果对比图；其中图9(a)为原始点云(红色表示基准点云，绿色表示待配准点云)；图9(b)为原始往返点云杆状物局部视图；图9 (c)为算法配准结果局部视图-传统ICP算法(灰色椭圆标记)改进ICP算法(白色椭圆标记)；
图10为同一区域改进后的ICP算法与传统ICP算法的迭代关系图；其中图10(a)为传统ICP 算法迭代关系图；图10(b)为改进ICP算法迭代关系图；
图11为实际工程项目中实测车载点云数据的配准效果图；其中(a)为基准点云与待配准点云；(b)为改进ICP算法配准结果；(c)为局部细节放大图。
具体实施方式
下面结合实验例的附图来具体阐述本发明所述点云配准方案的具体技术方法，这部分作为本说明书的一部分，通过图表结合的方式来表述本发明的实际配准精度和应用效果。并且更为清晰的凸显本发明在大体量车载移动测量往返点云数据配准方面的特性和优势：
如图1所示，本发明公开了一种面向移动测量大体量点云数据配准的方法，主要包括：实验数据采集；改进ICP算法的数据预处理和改进ICP算法精配准；如图2所示，其中在改进ICP 算法精配准方面，主要包括结合地面点集和变换矩阵的高程配准；结合动态范围参数的平面配准；将高程配准参数作为平面配准的初值，利用对应邻近点对进行迭代计算，沿着每次迭代的最优趋势进行收敛，最后利用线性内插修正前后高程差，实现了移动测量大体量点云数据的高效高精度配准。
上述方式具体步骤如下
步骤1：对移动测量获取的长路线点云数据进行分段，划分为数量基本一致的多个局部点集；
步骤2：利用梯度和布料模拟滤波组合方法获取地面点云数据，得到分段后点云数据的地面点集；
步骤3：基于提取的地面点集坐标建立虚拟范围矩形框，对往返点云进行搜索和判断，获取存在一定重叠区域和刚性对应关系的基准点云和待配准点云；
步骤4：将车载往返点云数据配准划分为两个步骤：高程配准和平面配准，分别对传统ICP 算法作出改进：对邻近点查找方式优化；对变换矩阵计算方式改进；对邻近点对精度改进。
步骤5：在高程配准阶段，以步骤2提取出的基准和待配准地面点集为源数据，使用滤波算法剔除无效噪声点，随后通过地面中心点坐标对待配准点集进行初始平移，在搜索对应邻近点时以固定区间作为改进ICP算法的邻域半径，通过中心累积函数对范围内的对应点对距离进行迭代计算，获取最优变换参数，为下一步的平面配准提供良好的初始位置。
步骤6：在平面配准阶段，首先继承高程配准参数对待配准点云做初始修正，并使用下采样算法来精简点云数量。随后，在利用中心累积计算方法的同时，设计了一种跟随迭代次数递减的动态范围因子参数，在减少无效邻近点对的前提下，用以获取更为准确的迭代初值，计算基准和待配准点集之间的变换矩阵，使得目标函数最小，直至满足收敛条件。
步骤7：基于线性内插的思想，消除前后连续路段因高程配准参数不同而造成的微小高程差，获得连续平滑的长路段点云数据。
所述步骤1中具体计算过程如下：
对大体量下车载移动测量激光点云数据进行分割，每个*.las文件自上而下以固定点数划分，例如，对点云M的分割结果点集{M-1，M-2，…M-m}和点云N的分割结果点集{N-1，N-2，… N-n}中的局部点集进行划分，为后面匹配对应基准点集和待配准点集打下基础。
其中，m＝1，2，3…M，m为点云A分割的段数；其中：n＝1，2，3…N，n为点云 B分割的段数，通常与前者保持一致；
所述步骤2中具体计算过程如下：
作为高程配准重要的源数据，考虑到单一的地面滤波方法效果不够理想，本发明基于梯度滤波和布料模拟滤波的组合精准高效的提取地面点云。梯度算法通过两点之间的空间欧式距离计算倾斜度，与所预先设置的阈值大小进行比较来判别地面点和非地面点地物类型。
布料模拟滤波算法原理是将获取的激光点云进行翻转，随后用一种刚性布料遮盖倒置后的点云，根据布料节点和对应激光点之间的位置关系以生成近似的地表形状，计算公式如式(1)。先梯度后布料模拟的组合算法能够高效精准的获取地面点云数据。
其中，m为粒子质量，X代表“布料”中的粒子在t时刻的位置，Fext(X，t)表示外部驱动因素(重力，碰撞等)，Fint(X，t)表示内部驱动因素(粒子间的内部联系)。
所述步骤3中具体计算过程如下：
针对该区域地面点的范围极值(Xmin，Ymin，Xmax，Ymax)和中心点三维坐标(Xmean，Ymean，Zmean)，建立虚拟范围矩形框并以此为依据进行判别，以确保两者之间的重叠关系，快速构建对应基准点云和待配准点云之间的刚性对应关系。其中，依据时间的连续性，将时间小的一趟点云作为基准点云，匹配到的其他点云作为待配准点云。
基准地面点云范围为A(A.Xmin，A.Ymin，A.Xmax，A.Ymax)，待配准地面点云范围为B(B.Xmin,B.Ymin,B. Xmax，B.Ymax)，dx和dy分别为X，Y方向上的重叠偏差，重叠面积S，计算公式如式(2)：
为了避免双向车道、主辅路等之间点云的错误对应，避免非目标数据的误判问题，在限制重叠面积的基础上，本发明还增设了地面中心点的限制条件，用以精准的获取单侧道路的往返点云。假设基准点云地面中心点坐标M(M.Xmean，M.Ymean，M.Zmean)，待配准点云地面中心点坐标为N(N.Xmean，N.Ymean，N.Zmean)，所遴选出的往返点云地面中心点需要满足公式(3) (单位：m)：
所述步骤5中具体计算过程如下：
根据步骤2和步骤3获取到的对应基准地面点集(S)和待配准地面点集(T)，使用半径滤波去噪方法剔除无效离散点，在保持原地形的情况下减少输入ICP的点数。如公式(4)所示，基于两个点集之间的刚体变换关系，首先考虑利用地面中心点之间的高程差值对待配准点云做初始高程平移，使待配准点集快速靠近基准点集，以加速配准过程。
Tb＝Tp+(Sz_mean-Tz_mean) (4)
其中，Tb表示高程平移后的待配准地面点集，Tp表示原始待配准点集的每一个高程点坐标值，Sz_mean和 Tz_mean分别表示对应的地面中心点高程均值。
大体量车载点云数据下，传统ICP算法通过暴力搜索邻近点对的方式效率极低，因此本方法引入了k-d tree算法用以快速查找对应点对。k-d tree计算结果会得出对应点对之间的索引位置index和空间距离distance，计算公式如式(5)。
index，distance＝KDtree(Sa，Tb，distance_bound) (5)
其中，Sa表示基准地面点集，Tb表示待配准地面点集，distance_bound表示仅返回该距离内的邻距。
在上述获取邻近点对的基础上，限制搜索点云的空间范围，建立点云搜索时的拓扑关系。其中，依据范围内的对应点对，计算变换矩阵的方式为中心累积法。中心累积法通过计算对应点对序列之间的均值，以此获取基准和待配准地面点集的空间位置关系，并求出变换矩阵，计算公式如式(6)-(8)：
Paramatrix＝[center_xs，center_ys，center_zs]-[center_xt，center_yt，center_zt] (8)
式中：Q为范围内有效对应点对的数量，Si，Ti分别为基准地面点和待配准地面点的三维空间坐标， [center_xs，center_ys，center_zs]和[center_xt，center_yt，center_zt]分别为两者对应点的中心点坐标， Paramatrix为空间变换矩阵，变换矩阵被用作待配准点的平移矢量不断向基准点逼近。
以距离均值和的平方表示每一次迭代误差Err，并以此作为判别迭代结束的条件，计算公式如式(9)。
其中，Q为范围内有效对应点对的数量，distQi为索引对应的有效点对的空间距离。
利用变换向量Paramatrix对待配准地面点集Tb的每个点进行变换，变换后的待配准点集用T′b表示。
结合上一步得到的变换后的点集，依据原始待配准地面点集，得到点对为(Tb，T′b)(i ＝1，2，...，b)，最终求出高程参数ground_Δz的，计算公式如所式(10)(11)：
结合车载移动测量激光点云配准的特点，基于最小二乘法原理，在高程配准阶段设置以下两个算法迭代结束条件：①Err小于预先给定的误差阈值且连续两次距离均值平方和之差的绝对值小于等于前后差阈值，计算公式如(12)所示；②大于预设的最大迭代次数。满足以上条件，停止迭代计算；
Err＜σ∧|Preverr-Err|≤thres (12)
式中：Err表示目前的迭代误差，σ表示预设的误差阈值，Preverr表示前一次迭代误差，thres表示前后差阈值。
所述步骤6中具体计算过程如下：
在平面配准过程中，首先获取基准点云(S)和待配准点云(T)的完整点集数组，使用体素格网滤波器对点集进行下采样，保留特征信息并大幅度精简点云数量，下采样后的基准点云和待配准点云总点数分别为Sc、Td。
继承地面点高程配准中获取的全局平移矩阵ground_matrix，首先利用该矩阵中的高程配准参数ground_Δz对待配准点云做初始纠正，为平面配准提供一个良好的初始位置，变换后的待配准点云用T′d表示，计算公式如式(13)：
T′d＝Td+ground_Δz (13)
利用k-d tree对待配准点云建立索引，用于在基准点云中快速查找相对应的最邻近点，k-d tree 计算结果会得出基准点与对应点之间的索引位置index和空间距离distance，结合上一步得到的邻近点对序列，考虑到车载点云数据体量大、离散点多的特点，ICP平面位置配准存在效率低和精度差的问题，设计一种范围阈值用以解决此类问题。
以点的X,Y和Z三个维度为基准建立空间球体圆域，圆域中心表示待配准点的三维空间坐标，在ICP建立对应点关系时以所预设的步长单位逐次进行搜索，随着迭代次数的不断增大，相对应的有效邻近点对范围不断缩小，以确保点对序列始终保持在有效点云空间内，从而减少无效配对并提高了对应点对序列的搜索精度和效率。递减性动态范围因子的设置可以有效提高点云之间的重合率并加速迭代过程。随后利用中心累积法计算中心点，计算公式如式(14)-(16)：
Area＝thres0-iter*unit(Area≥thres1) (14)
其中，Area为迭代次数对应的动态范围阈值，thres0为动态范围阈值上限，thres1为动态范围阈值下限，unit为每一次递减的单位数值，iter为循环迭代次数，KArea为Area范围内的对应点对数目，[core_xs，core_ys，core_zs]、[core_xt，core_yt，core_zt]分别为两者对应点对的中心点坐标。
以距离均值和的平方表示每一次迭代误差Err，并以此作为判别迭代结束的条件，计算公式如式(17)。
其中，KArea为Area范围内的对应点对数目，为有效点对的空间距离。
对两者范围内对应点的中心点做差值，获得基准点集和待配准点集之间的变换矩阵 Flat_matrix，计算公式如式(18)。
Flatmatrix＝[core_xs，core_ys，core_zs]-[core_xt，core_yt，core_zt] (18)
利用变换矩阵Flat_matrix对待配准点集T′d中的每个点进行平移，得到变换后的待配准点集T″d。
依据最原始待配准点云，得到点对为(T′d，T″d)(i＝1，2，3..，d)，使用中心累积法来计算全局平移矩阵，矩阵形式如下；final_matrix1＝[flat_Δx，flat_Δy，flat_Δz]，计算公式如式(19)。
基于最小二乘法原理，将预设的误差参数与当前的误差阈值进行比较，当满足迭代结束条件时，将高程配准参数和平面配准参数相结合，获取最终的三轴空间刚性变换矩阵final_matrix，计算公式如式(20)。
final_matrix＝[flat_Δx，flat_Δy，ground_Δz] (20)
其中，flat_Δx，flat_Δy分别表示待配准点云在x，y方向上的变换参数，ground_Δz表示待配准点云在z方向上的变换参数。
所述步骤7中具体计算过程如下：
在高程配准和平面配准的基础上，因变换参数不同，前后路段依旧存在一个微小的高度差，为了得到一个连续平滑的完整路线点云，基于线性内插等比计算的思想在连续分段的点云之间进行分配，计算公式如式(21)(22)。
dif_unit＝(groud1_Δz-ground0_Δz)/num (21)
Point_z′＝Point_z+dif_unit*j(j＝1，2，3，4，5，6......，num) (22)
式中：dif_unit表示按时间分配的平均高差，ground0_Δz和ground1_Δz分别表示前后路段点云的高程配准参数，num表示前路段点云的总点数，Point_z表示前路段点云的每一个点的高程坐标，Point_z′表示线性内差后的每一个点的高程坐标。
线性内插后，其对应的变换矩阵即为最终的变换矩阵，完成车载往返点云数据的精确配准。
实验数据获取及前期准备；
实验所用车载设备为某型号国产车载移动测量系统，将其生产的点云数据应用于本发明所述的点云配准实验测试；实验所用编程语言为Python，实验设备基于一台Win10操作系统的笔记本电脑，CPU为英特尔酷睿i5-8300H处理器，运行内存8G，主频2.3GHz。云服务器主要借助其搭载的一个CPU模块测试点云配准工作，其硬件参数配置为主频3.6GHz，内存128G。点云配准实验中，所测试的每一组基准点云和待配准点云的数量都在50万左右，点云分辨率较高。当同时存在多个点集需要配准时，基于Python解释器设置线程池执行多文件异步并行处理。
算法中主要推荐参数设置。
改进ICP算法数据预处理；
(1)点云分段：车载移动测量外业采集的点云数据体量庞大，通常，一个路段的点云数据量可达千万级且前后路段的点云偏移程度不一致，因此多趟往返点云之间为了快速寻找稳定的刚体对应关系，考虑先对一趟完整的点云数据进行分段，并将分段后的点云数据作为源数据进行搜索匹配。如图3所示，为一条长路线的点云分段结果，其中分段后每段点云数据使用不同的颜色进行标记。
(2)组合地面滤波算法：其中梯度算法通过计算相邻区域的梯度数值，依据预先设置的倾斜阈值，可以快速获取精准的贴近地面点云数据；如图4(a)所示，假定现有点集中一点a(xa，ya，za)，以a点为球体中心，在其一定空间范围内获取到邻近点b(xb，yb，zb)，梯度算法以高程值作为标量，通过公式(23) 计算a，b两点之间的倾斜度。当a点半径范围内存在多个邻近点时，通过公式(24)统计计算每个邻近点的倾斜度并取均值赋值给基准点，以此来判断点a是否属于地面点；
/>
其中，a为点集中一点，b为a点一定空间范围内的邻近点，Tgrad表示基准点的梯度值，num表示落在半径范围内的邻近点总数，Ti表示基准点与各个邻近点的倾斜度。
如图4(b)所示，布料模拟算法对某些区域的根部去除效果并不理想，但是可以在保留并优化梯度滤波的地面点成果的基础上，对其进行二次滤波以剔除无效悬浮噪点，两者优势互补。
(3)如图5(a)所示，红色和绿色分别为原始往返点云提取出的地面点区域，两者之间通过平面坐标极值集合确定空间范围；图5(b)为地面点在XOY坐标平面所建立的虚拟范围矩形框，浅蓝色阴影面积表示上下矩形框所对应的真实的交叉重叠区域。本发明所述点云配准方法严格限制两个平面的最小重叠面积和上下高程差值，同时满足以上两个限制条件的被认定为搜索到正确的往返对应点集。
高程配准阶段的算法主要改进思路：针对地面点云数量少且能够真实反映地形起伏的特性，首先采用地面点作为高程配准的源数据；其次经过噪声剔除，使用上一步获得的地面中心点高程对待配准点集做平移，使其快速逼近基准点集；之后限定邻近点对范围，舍弃传统的奇异值分解或四元数变换矩阵计算方法，使用中心累积的思想快速计算空间位置关系；最后，通过迭代计算的思想，设置迭代结束条件，进行循环往复的运算。从图6中可以看出，配准后的点云数据与基准点云在高程上实现了完全融合。
平面配准阶段的算法主要改进思路：考虑到车载点云数据受遮挡严重、体量大和离散点多的特点，平面配准难度较大，因此为了给ICP算法提供良好的初始位置，首先读入高程配准结束后输出的变换参数，并利用该参数对待配准点云做初始高程平移，以下采样后的完整基准点云和高程平移后的待配准点云作为平面配准的源数据。然后，为了实现高效高精度的平面配准，如图7所示，本发明所述方法中新增加一个表示动态范围因子的变量，在调用 k-d tree函数寻找邻近点时，以点的x，y和z三个维度建立空间球体圆域，并仅在该圆域范围内进行寻找，以此构成对应点对序列。之后使用中心累积法计算变换矩阵，并依据迭代计算的思想不断循环配准，设置合适的最大迭代次数和误差阈值，不断进行对比判断，直至满足迭代结束条件。从图8中可以看出，即使配准前的基准点云和待配准配准初始位置偏差较大，配准后的点云数据与基准点云在平面上仍然实现了完全融合，配准效果良好。
分别利用传统ICP算法和本发明提出改进ICP算法，对实测的车载移动测量激光点云数据进行配准实验，生成配准结果图并展示配准细节。从图9的真实街景点云数据模型的配准效果图可以看出，传统ICP算法虽然可以进行点云配准，但是存在一定的配准误差，配准效果不够理想，难以满足精准配准的需求；而本发明所述的改进ICP算法配准结果与基准点云基本完全重合，完成了精配准且点云整体配准效果较好，说明改进后的算法具有较高的科学性和可行性。
如图10所示，以所选取的实际场景的点云测试数据为例，将迭代次数iter设为横坐标，每次迭代的误差Err设为纵坐标，并依据程序运行时间生成迭代关系图。分别统计四组数据的最终配准误差和迭代时间，如表1所示。
对图10和表1的结果从迭代次数、配准精度和时间进行分析，详细如下：
(1)迭代次数：相同的四组实验数据，与改进ICP算法获得的配准结果相对比，传统的ICP 算法需要更多迭代次数。也就是说，传统ICP算法在迭代计算上存在一定的局限性，在迭代次数方面改进ICP算法效率更高；
(2)配准精度：在前30次迭代中，两者偏差都与迭代次数成反比，仔细对比图10(a)和图10(b)的曲线变化趋势，发现改进ICP算法在前10次迭代中误差减小程度明显且迅速，而传统ICP算法的误差减小幅度要小得多，这意味着就误差收敛速度而言，改进ICP算法优于传统ICP算法；在精度方面，传统ICP算法受限于矩阵计算方法和邻近点查找方式，难以达到车载激光点云配准的精度和效率要求，会大概率的出现误差无法收敛的情况；结合表1内容分析也得出，传统算法的误差收敛数值较高，最大能达到改进ICP算法配准误差的4倍，代表着在同等条件下改进算法配准效果更好，配准精度也更高；
(3)迭代时间：从表1中得出，基于传统ICP算法的一组点云数据配准时间在400s至500s 左右，在单机上运行的改进ICP算法耗时约为60s，总运行时间前者约是后者的8.6倍；而在同等参数条件下，基于云服务器运行该算法可以有效的缩短程序运行时间，最大效率可以提高10多倍，这意味着结合了k-d tree和线程并行处理方式的改进ICP算法可以大幅度的提高配准效率，且硬件设备的性能也会直接影响到点云配准的时间长短。
表1点云配准精度和时间统计表
上述结果表明，本发明所述的点云配准方法能够满足大体量下车载激光点云的配准要求；在基准点云和待配准点云数都达到50万的情况下，证明了本发明所述的改进ICP算法在精度和耗时上都优于传统ICP算法且具备较高的配准效率和精度。
以上所述均为本发明的优选实施方式，对于本技术领域的普通技术人员，在不脱离本发明的原理前提下，对本发明的各种等价形式的修改均属于本申请所附权利要求的保护范围。
Claims (9)
1.一种面向移动测量大体量点云数据配准的方法，其特征在于：所述方法如下:
S1:获取原始彩色点云数据，对移动测量获取的长路线点云数据进行分段；
S2:利用梯度和布料模拟滤波组合方法获取地面点云数据，得到分段后点云数据的地面点集；
S3:基于提取的地面点集坐标建立虚拟范围矩形框，对往返点云进行搜索和判断，获取存在一定重叠区域和刚性对应关系的基准点云和待配准点云；
S4:将车载往返点云数据配准划分为两个步骤：高程配准和平面配准；
S5:所述的高程配准阶段，以S2提取出的基准和待配准地面点集为源数据，使用滤波算法剔除无效噪声点，随后通过地面中心点坐标对待配准点集进行初始平移，在搜索对应邻近点时以固定区间作为改进ICP算法的邻域半径，通过中心累积函数对范围内的对应点对距离进行迭代计算，获取最优变换参数，为下一步的平面配准提供良好的初始位置；
S6: 在平面配准阶段，首先继承高程配准参数对待配准点云做初始修正，并使用下采样算法来精简点云数量；随后，在利用中心累积计算方法的同时，设计一种跟随迭代次数递减的动态范围因子参数，在减少无效邻近点对的前提下，用以获取更为准确的迭代初值，计算基准和待配准点集之间的变换矩阵，使得目标函数最小，直至满足收敛条件；
S7: 基于线性内插的思想，消除前后连续路段因高程配准参数不同而造成的微小高程差，获得连续平滑的长路段点云数据。
2.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：所述S1中具体的方法是，对大体量下车载移动测量激光点云数据进行分割，每个*.las文件自上而下以固定点数划分，对点云M的分割结果点集{M-1，M-2，…M-m}和点云N的分割结果点集{N-1，N-2，…N-n}中的局部点集进行划分，为后面匹配对应基准点集和待配准点集打下基础；其中，m＝1，2，3…M，m为点云A分割的段数；其中：n＝1，2，3…N，n为点云B分割的段数，通常与前者保持一致。
3.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：所述S2中梯度算法通过两点之间的空间欧式距离计算倾斜度，与所预先设置的阈值大小进行比较来判别地面点和非地面点地物类型，布料模拟滤波算法原理是将获取的激光点云进行翻转，随后用一种刚性布料遮盖倒置后的点云，根据布料节点和对应激光点之间的位置关系以生成近似的地表形状。
4.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：所述S3中具体过程如下：
针对该区域地面点的范围极值和中心点三维坐标，建立虚拟范围矩形框并以此为依据进行判别，以确保两者之间的重叠关系，快速构建对应基准点云和待配准点云之间的刚性对应关系；其中，依据时间的连续性，将时间小的一趟点云作为基准点云，匹配到的其他点云作为待配准点云。
5.根据权利要求4所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：增设地面中心点的限制条件，用以精准的获取单侧道路的往返点云。
6.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：所述S5中具体过程如下：
根据S2和S3获取到的对应基准地面点集和待配准地面点集，使用半径滤波去噪方法剔除无效离散点，在保持原地形的情况下减少输入ICP的点数；基于两个点集之间的刚体变换关系，首先考虑利用地面中心点之间的高程差值对待配准点云做初始高程平移，使待配准点集快速靠近基准点集，以加速配准过程。
7.根据权利要求1或6所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：引入k-d tree算法用以快速查找对应点对；k-d tree计算结果会得出对应点对之间的索引位置和空间距离，
在上述获取邻近点对的基础上，限制搜索点云的空间范围，建立点云搜索时的拓扑关系；其中，依据范围内的对应点对，计算变换矩阵的方式为中心累积法；中心累积法通过计算对应点对序列之间的均值，以此获取基准和待配准地面点集的空间位置关系，并求出变换矩阵；
利用变换向量对待配准地面点集的每个点进行变换，变换后的待配准点集用表示；结合上一步得到的变换后的点集，依据原始待配准地面点集，得到点对，最终求出高程参数，计算公式；
结合车载移动测量激光点云配准的特点，基于最小二乘法原理，在高程配准阶段设置以下两个算法迭代结束条件：①小于预先给定的误差阈值且连续两次距离均值平方和之差的绝对值小于等于前后差阈值；②大于预设的最大迭代次数；满足以上条件，停止迭代计算。
8.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：S6中具体计算过程如下：
在平面配准过程中，首先获取基准点云（S）和待配准点云（T）的完整点集数组，使用体素格网滤波器对点集进行下采样，保留特征信息并大幅度精简点云数量，下采样后的基准点云和待配准点云总点数分别为、/>，继承地面点高程配准中获取的全局平移矩阵，首先利用该矩阵中的高程配准参数对待配准点云做初始纠正，为平面配准提供一个良好的初始位置，变换后的待配准点云用表示；
利用k-d tree对待配准点云建立索引，用于在基准点云中快速查找相对应的最邻近点，k-d tree计算结果会得出基准点与对应点之间的索引位置和空间距离，结合上一步得到的邻近点对序列，考虑到车载点云数据体量大、离散点多的特点，ICP平面位置配准存在效率低和精度差的问题，设计一种范围阈值用以解决此类问题；
以点的X,Y和Z三个维度为基准建立空间球体圆域，圆域中心表示待配准点的三维空间坐标，在ICP建立对应点关系时以所预设的步长单位逐次进行搜索，随着迭代次数的不断增大，相对应的有效邻近点对范围不断缩小，以确保点对序列始终保持在有效点云空间内，从而减少无效配对并提高了对应点对序列的搜索精度和效率；递减性动态范围因子的设置可以有效提高点云之间的重合率并加速迭代过程；随后利用中心累积法计算中心点
对两者范围内对应点的中心点做差值，获得基准点集和待配准点集之间的变换矩阵，
利用变换矩阵对待配准点集中的每个点进行平移，得到变换后的待配准点集；
依据最原始待配准点云，得到点对，使用中心累积法来计算全局平移矩阵；
基于最小二乘法原理，将预设的误差参数与当前的误差阈值进行比较，当满足迭代结束条件时，将高程配准参数和平面配准参数相结合，获取最终的三轴空间刚性变换矩阵。
9.根据权利要求1所述的一种面向移动测量大体量点云数据配准的方法，其特征在于：S7中具体计算过程如下：
在高程配准和平面配准的基础上，因变换参数不同，前后路段依旧存在一个微小的高度差，为了得到一个连续平滑的完整路线点云，基于线性内插等比计算的思想在连续分段的点云之间进行分配， 线性内插后，其对应的变换矩阵即为最终的变换矩阵，完成车载往返点云数据的精确配准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735735.9A CN113327276B (zh) | 2021-06-30 | 2021-06-30 | 一种面向移动测量大体量点云数据配准的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735735.9A CN113327276B (zh) | 2021-06-30 | 2021-06-30 | 一种面向移动测量大体量点云数据配准的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113327276A CN113327276A (zh) | 2021-08-31 |
| CN113327276B true CN113327276B (zh) | 2023-08-22 |
Family
ID=77423459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110735735.9A Active CN113327276B (zh) | 2021-06-30 | 2021-06-30 | 一种面向移动测量大体量点云数据配准的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327276B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113819882B (zh) * | 2021-09-09 | 2023-06-16 | 江苏海洋大学 | 一种跨海高程点间重力位差计算方法 |
| CN114073625B (zh) * | 2021-12-13 | 2023-12-08 | 曲阜师范大学 | 一种可自主导航的脑电控制电动轮椅 |
| CN114612806A (zh) * | 2022-02-07 | 2022-06-10 | 安徽理工大学 | 一种提高消费级无人机dem产品精度方法 |
| CN115661215B (zh) * | 2022-10-17 | 2023-06-09 | 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516077A (zh) * | 2017-08-17 | 2017-12-26 | 武汉大学 | 基于激光点云和影像数据融合的交通标牌信息提取方法 |
| CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
| CN109544607A (zh) * | 2018-11-24 | 2019-03-29 | 上海勘察设计研究院(集团)有限公司 | 一种基于道路标志线的点云数据配准方法 |
| CN110794377A (zh) * | 2019-12-12 | 2020-02-14 | 南京市测绘勘察研究院股份有限公司 | 一种基于机载LiDAR数据自动提取树木变化信息方法 |
| CN110853081A (zh) * | 2019-11-18 | 2020-02-28 | 武汉数智云绘技术有限公司 | 基于单木分割的地面和机载LiDAR点云配准方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335295B (zh) * | 2019-06-06 | 2021-05-11 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
-
2021
- 2021-06-30 CN CN202110735735.9A patent/CN113327276B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516077A (zh) * | 2017-08-17 | 2017-12-26 | 武汉大学 | 基于激光点云和影像数据融合的交通标牌信息提取方法 |
| CN108564605A (zh) * | 2018-04-09 | 2018-09-21 | 大连理工大学 | 一种三维测量点云优化配准方法 |
| CN109544607A (zh) * | 2018-11-24 | 2019-03-29 | 上海勘察设计研究院(集团)有限公司 | 一种基于道路标志线的点云数据配准方法 |
| CN110853081A (zh) * | 2019-11-18 | 2020-02-28 | 武汉数智云绘技术有限公司 | 基于单木分割的地面和机载LiDAR点云配准方法 |
| CN110794377A (zh) * | 2019-12-12 | 2020-02-14 | 南京市测绘勘察研究院股份有限公司 | 一种基于机载LiDAR数据自动提取树木变化信息方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于PCA的ICP点云配准算法的改进研究;李为民;刘超;;工业控制计算机(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113327276A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113327276B (zh) | 一种面向移动测量大体量点云数据配准的方法 | |
| CN105844064B (zh) | 基于激光点云数据的三维变电站半自动重建方法 | |
| CN106023298B (zh) | 基于局部泊松曲面重建的点云刚性配准方法 | |
| CN110363849A (zh) | 一种室内三维建模方法及系统 | |
| CN112595258A (zh) | 基于地面激光点云的地物轮廓提取方法 | |
| CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
| CN105654483B (zh) | 三维点云全自动配准方法 | |
| CN112330661A (zh) | 一种多期车载激光点云道路变化监测方法 | |
| CN109960402A (zh) | 一种基于点云和视觉特征融合的虚实注册方法 | |
| CN111612896B (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
| CN110335234A (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
| CN112396641B (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
| CN109872350A (zh) | 一种新的点云自动配准方法 | |
| CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
| CN110070567A (zh) | 一种地面激光点云配准方法 | |
| Wei et al. | Automatic coarse registration of point clouds using plane contour shape descriptor and topological graph voting | |
| CN107025449A (zh) | 一种视角不变局部区域约束的倾斜影像直线特征匹配方法 | |
| CN110176061A (zh) | 一种三维重建中人体表面重构方法 | |
| WO2011085435A1 (en) | Classification process for an extracted object or terrain feature | |
| CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
| CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
| CN114399603A (zh) | 一种煤矿隧道拱面的三维曲面重构方法 | |
| CN112446844A (zh) | 一种基于点云特征提取与配准融合方法 | |
| CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
| CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |