CN113836484B - 基于路径点邻近域与地面滤波的自适应点云抽稀方法 - Google Patents

Abstract

本发明提出了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，包括：S1，对所有点云进行一次随机采样S2，使用Octree算法将点云分成体素；S3，导入采集设备保留的路径点数据，计算每个Octree体素的中心点和每一个路径点的欧式距离，然后根据欧式距离决定体素的保留与否，然后再去除掉距离过大的体素中的所有点，得到新的样本空间；S4，进行地面滤波，分离地面数据和地面上物体数据；S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样；然后重新合并两个点云，最终得到点云抽稀结果。本发明能大比例的抽稀点云，能保留道路目标对象位置和信息不失真；提高了算法下采样时保留关键的特征点的能力，增强了面对噪声时的鲁棒性。

Description

基于路径点邻近域与地面滤波的自适应点云抽稀方法

技术领域

本发明涉及测绘科学与技术、点云和高精地图算法领域，尤其涉及一种基于路径点邻近域与地面滤波的自适应点云抽稀方法。

背景技术

自动驾驶高精地图相对普通导航电子地图，拥有更丰富的道路地理信息和更直观的渲染视觉效果，已经逐步成为了一种未来地图载体发展的趋势。点云作为其数据的主要形式之一，随着目前相关采集设备的发展，越来越高分辨率的设备也能采集信息越来越完善的点云数据，点云的数据量也在飞快的增加。然而点云体量和规模的增大是一把双刃剑。一方面，他让整个空间中的道路对象更加清晰，形态更加完整。另一方面，庞大的数据量增加了对硬件设备的要求，使生产设备在作业时出现卡顿甚至无法读取。而点云数据中有许多对象、区域是自动驾驶应用并不关心的，例如道路和道路上的标志牌、道路标注线等是关注的重点，对路两边的建筑物并不关注，这些无用的点云徒增了数据量和设备压力，对实际生产没有实际作用。因此，需要一种能够对点云进行下采样，同时又能去除道路两边建筑物的抽稀算法。

传统的抽稀算法例如随机采样，体素滤波等算法可以有效的下采样一份点云数据。但是其存在着两个问题：1)无法去除道路外对生产并不起实际作用的建筑的点云数据。2)自动驾驶高精地图中的道路标注线和标志牌具有不同的几何特性，对不同下采样的表现不同。有的道路对象在法向特征显著值采样后表现更好，有的道路对象在随机采样时表现更好，单一的下采样不能同时满足多类型道路目标对象的采样需求。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法。

为了实现本发明的上述目的，本发明提供了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，包括以下步骤：

S1，对外业采集的所有点云进行一次随机采样；

S2，使用Octree算法将点云分成体素；

S3，计算每个体素的中心点和每一个路径点的欧式距离，然后根据欧式距离决定体素的保留与否，然后再去除掉距离过大的体素中的所有点，得到新的样本空间；

S4，进行地面滤波，分离地面数据和地面上物体数据；

S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样；然后重新合并两个点云，最终得到点云抽稀结果。

进一步地，所述S1包括：

输入的激光点云的样本空间为：S＝{ω(x,y,z,I)|x,y,z,I∈R}，S为关于函数ω的点云空间，其中x,y,z为三维坐标值，I为点的强度值，其均属于实数R；对激光点云进行一次随机采样，设置采样率为α，根据采样率随机的去除点，生成新样本空间S_α。

进一步地，所述S2包括以下步骤：

S2-1，对S1生成的样本空间S_α使用Octree算法将点云分成体素，设置分辨率为p，以p³为一个正方体体素，将样本空间分割成x轴体素个数为：

y轴体素个数为：

z轴体素个数为：

的体素八叉树；其中X_max为该样本空间X轴方向的最大值，X_min为该样本空间X轴方向的最小值，Y_max为该样本空间Y轴方向的最大值，Y_min为该样本空间Y轴方向的最小值，Z_max为该样本空间Z轴方向的最大值，Z_min为该样本空间Z轴方向的最小值；

S2-2，去除每个体素内的没有任何点的体素，生成样本空间S_p，S_p为关于函数λ的点云空间，其表达式为：S_p＝{λ(x_p,y_p,z_p)|x,y,z∈N}；其中x_p,y_p,z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点，N为自然数。

进一步地，所述欧式距离包括：

其中x_γ、y_γ、z_γ分别为体素在样本空间X、Y、Z轴方向上的下标索引值为γ的点，x_p、y_p、z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点。

进一步地，所述S4包括：

使用点云地面滤波算法进行地面滤波，对S3的样本空间S_r分离为地面样本空间S_g和地面以上物体的样本空间S_up。

进一步地，所述S5包括以下步骤：

由于地面以上物体的点多为我们关心的点，一方面我们不希望有较为严重的失真，另一方面，物体点的特征大多数都集中在物体转角，边缘，形状发生突变的位置。因此对地面上的点我们更多的希望能在其平坦的部分下采样的多一些，在突变的地方保留的多一些。针对这一特点：

S5-1，对地面以上样本空间S_up根据法向特征显著性进行下采样，计算每一个点的区域法向特征显著值和中心法向特征显著值；

S5-2，根据设定阈值，得到新样本空间S_normal；

S5-3，对于地面样本空间S_g，采用体素滤波的方法进行下采样得到新样本空间S_voxel；

S5-4，最后重新合并两个点云S_normal+S_voxel，得到最终的抽稀结果S_downsample。

进一步地，所述S5-1包括：

根据下列公式计算出区域法向特征显著值：

其中N是区域内点的个数，σ为高斯分布的方差；Θ_i,j是角度差矩阵Θ第i行第j列的夹角，D_i,j是矩阵D第i行第j列的中心点，α为常数；

根据下列公式计算出中心法向特征显著值：

其中e表示自然基数，Θ_1,j为角度差矩阵Θ第1行第j列的夹角，D_1,j为矩阵D第1行第j列的中心点。

综上所述，由于采用了上述技术方案，本发明的有益效果是：利用采用设备预先记录下的一条路径点来去除掉道路两边的点云数据，同时采用不同抽稀算法对道路目标对象进行下采样，旨在达到既能大比例的抽稀点云，又能保留道路目标对象位置和信息不失真；同时设计了一种法向特征显著值算法，通过计算区域法向特征显著值和中心法向特征显著值来量化一个点是特征点的可能性，进一步提高了算法下采样时保留关键的特征点的能力，又增强了面对噪声时的鲁棒性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的整体框架图；

图2是本发明压缩前的示意图；

图3是本发明压缩后的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

本算法的整体流程如图1所示，其包含了以下几个步骤：

S1，对外业采集的所有点云进行一次随机采样。

S2，使用Octree算法将点云分成体素。

S3，导入由外业移动激光点云采集车采集的激光点云步骤S2生成的点云数据，读取并从中获得点云采集车采集点云时，保留的路径点数据。计算每个Octree体素的中心点和每一个路径点的欧式距离，根据这个距离来决定体素的保留与否，去除掉距离过大的体素中的所有点。

S4，进行地面滤波，分离地面数据和地面上物体数据。

S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样。之后重新合并两个点云，最终得到点云抽稀结果。

所述S1包括：将外业采集的激光点云数据作为输入，设输入的激光点云的样本空间为：S＝{ω(x,y,z,I)|x,y,z,I∈R}，S为关于函数ω的点云空间，其中x,y,z为三维坐标值，I为点的强度值，其均属于实数R。对激光点云进行一次随机采样，设置采样率为α，根据采样率随机的去除点。生成新样本空间S_α。

所述S2包括：对S1生成的样本空间S_α使用Octree算法将点云分成体素，设置分辨率为p，以p³为一个正方体体素，将样本空间分割成x轴体素个数为：

y轴体素个数为：

z轴体素个数为：

的体素八叉树；其中X_max为该样本空间X轴方向的最大值，X_min为该样本空间X轴方向的最小值，Y_max为该样本空间Y轴方向的最大值，Y_min为该样本空间Y轴方向的最小值，Z_max为该样本空间Z轴方向的最大值，Z_min为该样本空间Z轴方向的最小值。然后去除每个体素内的没有任何点的体素，生成样本空间S_p，S_p为关于函数λ的点云空间，其表达式为：S_p＝{λ(x_p,y_p,z_p)|x,y,z∈N}。其中x_p,y_p,z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点，N为自然数。

所述S3包括：导入集车采集点云时的路径点数据R，R为关于函数f的空间点集，其表达式为：R＝{f(x_γ,y_γ,z_γ)|x_γ,y_γ,z_γ∈R}，其中x_γ,y_γ,z_γ分别为体素在样本空间X、Y、Z轴方向上的下标索引值为γ的点，R为实数。计算每个Octree体素的中心点和每一个路径点的欧式距离：

根据这个距离来决定体素的保留与否。若欧氏距离大于设置的道路距离阈值，则去掉该体素。这样就可以根据事先采集点云数据时，车辆行驶路径轨迹的信息，加上设置的道路距离阈值来去掉绝大部分道路以外的点，得到新的样本空间S_r。

所述S4包括：使用点云地面滤波算法进行地面滤波，对S3的样本空间S_r分离为地面样本空间S_g和地面以上物体的样本空间S_up。其具体过程如下：

以俯视视角(Z轴为高程)，对XY平面使用窗口大小windowsize＝0.5米的滤波窗口w，对地面进行渐进形态学滤波，滤波操作为执行“开操作”，即，先进行“腐蚀”再进行“膨胀”操作。“膨胀”操作可以用以下公式表述：

“腐蚀”操作可以用以下公式表述：

其中x_p,y_p,z_p代表滤波窗口w以内的点x_p,y_p,z_p，其中x_p,y_p,z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点。膨胀完成后会输出p点在窗口w内具有最大高程值的近邻点d_p。腐蚀完成后会输出p点在窗口w内具有最低高程值的近邻点e_p。根据这个高程差，设置高程差阈值MaxDistance为0.5米，高程差低于这个值被认为是地面点，反之则是地面上物体。初始窗口大小和高程阈值得到的结果比较粗糙，需要不断放大窗口大小，增加高程阈值来对已经过滤出的地面进行多次迭代得到精确结果。因此，第一次运行时输入的是初始点云和初始设置的窗口大小和高程阈值。在完成第一次计算后将计算出的地面点云结果和变化后的窗口大小和高程阈值重新作为输入，直到窗口达到最大窗口阈值，迭代结束。在本发明实践中，窗口每次迭代放大为原来的两倍，而高程差阈值每次迭代增加1米，最大窗口阈值为8米。

所述S5包括：地面以上物体的点多为我们关心的点，一方面我们不希望有较为严重的失真，另一方面，物体点的特征大多数都集中在物体转角，边缘，形状发生突变的位置。因此对地面上的点我们更多的希望能在其平坦的部分下采样的多一些，在突变的地方保留的多一些。针对这一特点，对地面以上样本空间S_up根据法向特征显著值进行下采样。计算每一个点的区域法向特征显著值和中心法向特征显著值，舍弃法向特征显著值小于预先设定阈值的点或者法向特征显著值为空的点，得到新样本空间S_normal。其具体过程为：

步骤1：计算所有点的法向特征显著值，直接抛弃法向特征显著值计算为空的点。

步骤2：在一个点O上，根据其邻近的一点O_t，建立一个独立的新坐标系，其s

坐标轴U，V，W分别为：

其中n_s为当前中心点O_s的法向量，||·||₂为二范数。

步骤3：计算法向特征显著值。根据步骤2中的坐标系即可计算点O_s的临近点O_t法向特征显著值与坐标轴U的夹角θ和欧氏距离d_st，以此反映当前点与其他点的法向特征显著值差异。θ的计算公式为：

θ＝arctan(W·n_t,U·n_t)

其中W表示坐标轴W，U表示坐标轴U，n_t为邻近点O_t的法向量；

用该方法计算O_s半径R(本方法设置R为0.5毫米)内所有临近点两两之间的夹角θ，用矩阵的形式表示如下，其中由于θ₁₂＝θ₂₁，故矩阵下半部分赋为0，不参与运算。

角度差矩阵Θ：

此外再计算欧氏距离d_st，用矩阵的形式表示如下，其中由于d₁₂＝d₂₁，故矩阵下半部分赋为0，不参与运算。

距离矩阵D：

角度差矩阵Θ与距离矩阵D的第一行，分别代表中心点自身与其他点的距离和夹角；角度差矩阵Θ与距离矩阵D的第二行分别代表的是点2与除中心点以外的其他所有点的距离和夹角.......，角度差矩阵Θ与距离矩阵D代表所有点法向量之间两两的夹角和距离。

其中矩阵Θ和矩阵D中的n即区域内点的个数N。

根据两个矩阵中的所有元素，根据下列公式计算出区域法向特征显著值：

其中N是该区域内点的个数，σ为高斯分布的方差，是一个常数，此处设置为0.3；Θ_i,j是角度差矩阵Θ第i行第j列的夹角，D_i,j是矩阵D第i行第j列的中心点。

其中加入了高斯权重强化距离影响，α为很小的常数，设置为0.0001毫米，防止D(i,j)为0时式子无意义。可以发现区域法向特征显著值，实际上代表的是一个点所在区域法向特征显著值的混乱程度。区域混乱程度越大，则该点越有可能是拐点，曲面点等特征点。此外我们为了消除噪声的敏感度，增强系统的鲁棒性，我们还需要评估O_s自身与其他点之间的中心法向特征显著值：

其中e表示自然基数，j代表周围点的序号，Θ_1,j为角度差矩阵Θ第1行第j列的夹角，D_1,j为矩阵D第1行第j列的中心点。

若中心法向特征显著值过大，则更有可能是噪声点，因为即便是拐点或是曲面点，在高密度点云中也应该有一个渐变的过程，但是噪点则更容易表现为突变。因此，设置阈值Y_reg、Y_cen，若N_reg>Y_reg且N_cen＜Y_cen，则保留该点。最终选出所有点，得到点云S_normal。

对于地面样本空间S_g，采用体素滤波的方法进行下采样得到新样本空间S_voxel，此处设置体素下采样的栅格大小为1毫米，即，每隔一毫米创建一个体素，保留体素内距离中心最近的点。最后重新合并两个点云S_normal+S_voxel，得到最终的抽稀结果S_downsample。

为进一步阐述本发明的计算过程，其伪代码如下：

算法压缩效果对比图如图2和图3所示。在适当的参数下，压缩后越减小为原点云数据的百分之30左右，且基本保留了道路的主要特征。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，包括以下步骤：

S1，对外业采集的所有点云进行一次随机采样；

S2，使用Octree算法将点云分成体素；

S3，计算每个体素的中心点和每一个路径点的欧式距离，然后根据欧式距离决定体素的保留与否，然后再去除掉距离过大的体素中的所有点，得到新的样本空间；

S4，进行地面滤波，分离地面数据和地面上物体数据；

S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样；

所述法向特征显著值包括区域法向特征显著值和中心法向特征显著值；

根据下列公式计算出区域法向特征显著值：

其中N是区域内点的个数，σ为高斯分布的方差，Θ_i,j是角度差矩阵Θ第i行第j列的夹角，D_i,j是矩阵D第i行第j列的中心点，α为常数；

根据下列公式计算出中心法向特征显著值：

其中e表示自然基数，Θ_1,j为角度差矩阵Θ第1行第j列的夹角，D_1,j为矩阵D第1行第j列的中心点；

然后重新合并两个点云，最终得到点云抽稀结果。

2.根据权利要求1所述的一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，所述S1包括：

输入的激光点云的样本空间为：S＝{ω(x,y,z,I)|x,y,z,I∈R}，S为关于函数ω的点云空间，其中x,y,z为三维坐标值，I为点的强度值，其均属于实数R；对激光点云进行一次随机采样，设置采样率为α，根据采样率随机的去除点，生成新样本空间S_α。

3.根据权利要求1所述的一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，所述S2包括以下步骤：

S2-1，对S1生成的样本空间S_α使用Octree算法将点云分成体素，设置分辨率为p，以p³为一个正方体体素，将样本空间分割成x轴体素个数为：

y轴体素个数为：

z轴体素个数为：

的体素八叉树；其中X_max为该样本空间X轴方向的最大值，X_min为该样本空间X轴方向的最小值，Y_max为该样本空间Y轴方向的最大值，Y_min为该样本空间Y轴方向的最小值，Z_max为该样本空间Z轴方向的最大值，Z_min为该样本空间Z轴方向的最小值；

S2-2，去除每个体素内的没有任何点的体素，生成样本空间S_p，S_p为关于函数λ的点云空间，其表达式为：S_p＝{λ(x_p,y_p,z_p)|x,y,z∈N}；其中x_p,y_p,z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点，N为自然数。

4.根据权利要求1所述的一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，所述欧式距离包括：

其中x_γ、y_γ、z_γ分别为体素在样本空间X、Y、Z轴方向上的下标索引值为γ的点，x_p、y_p、z_p分别为体素在样本空间X、Y、Z轴方向上的下标索引值为p的点。

5.根据权利要求1所述的一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，所述S4包括：

使用点云地面滤波算法进行地面滤波，对S3的样本空间S_r分离为地面样本空间S_g和地面以上物体的样本空间S_up。

6.根据权利要求1所述的一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，其特征在于，所述S5包括以下步骤：

S5-1，对地面以上样本空间S_up根据法向特征显著性进行下采样，计算每一个点的区域法向特征显著值和中心法向特征显著值；

S5-2，根据设定阈值，得到新样本空间S_normal；

S5-3，对于地面样本空间S_g，采用体素滤波的方法进行下采样得到新样本空间S_voxel；

S5-4，最后重新合并两个点云S_normal+S_voxel，得到最终的抽稀结果S_downsample。

Images