CN114549601B - 一种顾及点对可靠性的滑坡多时相tls点云精配准方法 - Google Patents

Abstract

本发明公开了一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，选择参考点云和待配准点云并建立点对关系；每一个点对构建相似性因子、距离残差因子、点位不确定性因子，并确定点对的综合评估因子；建立点对总代价函数，获取精配准转换矩阵，利用精配准转换矩阵对待配准点云进行坐标变换，并迭代优化精配准转换矩阵。本发明通过对点对可靠性进行动态定量评估，更好地解决滑坡动态场景TLS点云噪声、密度变化、目标动态变化以及观测误差等因素导致多时相点云精配准精度低的问题，能够有效提高多时相点云配准质量，进而服务于滑坡微小形变探测。

Description

一种顾及点对可靠性的滑坡多时相TLS点云精配准方法

技术领域

本发明属于滑坡自然场景区域形变监测中地面激光雷达点云处理领域，具体涉及一种顾及点对可靠性的滑坡多时相TLS点云精配准方法。

背景技术

通常，在滑坡灾害前期，地表会出现厘米级别的微小形变前兆。因此，准确探测高分辨率的微小形变，为灾害管理、预警预报、机理研究等提供科技支撑，具有重要的科学意义和实用价值。地面激光扫描仪(Terrestrial Laser Scanning，TLS)是一种全天候无接触的高精度、高密集三维信息主动式采集手段，在滑坡形变区域性监测方面具有很好的优势，并且理论上可以实现mm-cm级别的形变监测。

多时相TLS点云配准，是滑坡形变计算的最基本前提，其误差是形变结果不确定性的主要来源之一。多时相TLS点云配准的质量直接决定了形变的可监测水平。TLS点云配准方法主要包括基于标靶的点云配准和自动点云配准方法。对于滑坡监测，基于标靶的TLS点云配准方法，标靶布设费时费力且存在安全问题。自动配准方法，通常包含初配准和精配准两步。现有研究主要集中于初配准，而精配准方面基本都采用经典的迭代最近点(Iterative Closest Point，ICP)。但是，对于滑坡动态场景多时相点云配准，由于噪声、点密度变化、目标动态变化以及观测误差等因素影响大，点对之间难以保持一致，采用点对等权处理的经典ICP方法得不到高精度配准结果，容易造成滑坡微小形变探测失败。

发明内容

本发明的目的在于针对现有技术中存在的问题，提供一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，利用本发明可以实现滑坡动态场景多时相TLS 点云空间参考高精度统一，进而提高滑坡形变TLS监测的水平，为滑坡微小形变探测提供最基本的保障。

为了解决上述技术问题，本发明采用如下的技术方案：

一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，包括以下步骤：

步骤一、选择参考点云和待配准点云；

步骤二、建立参考点p与待配准点q之间的点对关系；

步骤三、每一个点对构建相似性因子

距离残差因子/>

点位不确定性因子/>

并确定点对的综合评估因子；

步骤四、建立如下点对总代价函数，解算点对总代价函数，得到精配准转换矩阵T，

/>

其中，i为点对的序号，n为点对数量，ρⁱ为第i组点对的综合评估因子；

和/>

分别是第i组点对中点p和点q的局部邻域协方差矩阵；/>

和/>

分别是第i组点对中点p和q的坐标；V_i是第i组点对的向量；

步骤五：使用步骤四得到的精配准转换矩阵对待配准点云进行坐标变换，并迭代步骤二、步骤三和步骤四进行精配准转换矩阵优化，当满足以下条件之一，则跳出迭代，并将最后一次获得的精配准转换矩阵作为最终精配准转换矩阵，

条件一：相邻两次迭代所得精配准转换矩阵之间的平移量和旋转角度都小于对应的给定阈值；

条件二：当迭代次数达到给定的最大迭代次数。

如上所述的步骤二中建立参考点p与待配准点q之间的点对关系包括以下步骤：

对参考点云，采用KdTree构建参考点云空间索引，遍历待配准点云中的每个待配准点，并通过参考点云空间索引快速检索出参考点云中距离待配准点最近的参考点，获得参考点p与待配准点q之间的点对关系。

如上所述的步骤三中形状相似性因子

通过以下公式获得：

其中，d_h(p,q)表示点对的汉明距离，max(d_h(<P,Q>))表示点对集中汉明距离最大值；

所述步骤三中距离残差因子

通过以下公式获得：

其中，d(p,q)代表点对的距离残差，σ_d表示核函数的带宽；

所述步骤三中点位不确定性因子

通过以下公式获得：

α+β+ψ＝1

其中，

分别为点对的观测方位角模型、观测距离模型以及强度相关权重模型；θ为点对中观测方位角最大值；r_max为扫描仪观测距离最大值，r_min为扫描仪观测距离最小值；r为点对中观测距离最大值；b是常数；α、β、ψ分别是三个系数，Inc是点对中点云强度最小值。

如上所述的步骤三中点对的综合评估因子基于以下公式获得：

F^s+F^d+F^u＝1

其中，ρ^<p,q>为点对的综合评估因子，F^s、F^d、F^u分别是形状相似性因子、距离残差因子和点位不确定性因子的系数，F^d和F^u为单调递增的对数函数， F^s为单调递减的对数函数。

与现有技术相比，本发明具有以下有益效果：

(1)高精度性：本发明通过对点对可靠性进行动态定量评估，更好地解决滑坡动态场景TLS点云噪声、密度变化、目标动态变化以及观测误差等因素导致多时相点云精配准精度低的问题，能够有效提高多时相点云配准质量，进而服务于滑坡微小形变探测；

(2)实用性：本发明可以实现滑坡场景多时相点云自动高精度配准，无需在滑坡危险区域进行任何靶标设置等作业，可以很好地降低人工强度和滑坡危险性的影响，具有更好的普适性和实用性。

附图说明

图1为本发明的流程示意图；

图2是重庆市奉节县某处滑坡的Google Earth光学图像与一期TLS点云；其中，(a)为Google Earth影像；(b)为TLS点云数据，强度赋色图。

图3是用本发明最终获得的配准结果在稳定区域效果，以及与传统精配准方法对比。其中，(a)为利用本发明的结果示意图；(b)为传统精配准方法的结果示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

实施例：

一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，具体包括以下步骤：

步骤一：对不同时相TLS点云，选择其中一份点云作为参考点云，另外一份点云则作为待配准点云。对参考点云，采用KdTree构建参考点云空间索引。

步骤二：遍历待配准点云中的每个待配准点，并通过参考点云空间索引快速检索出参考点云中距离待配准点最近的参考点，以此建立参考点p与待配准点q 之间的点对关系。

步骤三：为了克服小形变场、空间分布不均的点密度和观测误差等因素对精配准的影响，通过定量衡量形状、距离残差和点对不确定度等因子对点对不一致性的贡献，自适应确定不同点对的重要程度。

基于点云几何和强度等信息，对每一组点对<p,q>构建相似性因子

距离残差因子/>

点位不确定性因子/>

(1)形状相似性因子

通过分析邻域空间形态分布特征差异性来评价点对可靠性，弱化点密度、剧烈变化区域对精配准的影响。本发明采用一种具有旋转不变性且运算效率高的二进制形状上下文描述子(Binary shape context,BSC)刻画局部空间形态分布，并采用汉明距离计算两组BSC描述子之间的差异，以刻画点对之间的局部形状差异，从而对点对可靠性进行重要性评估，如下列公式所示。

其中，d_h(p,q)表示点对的汉明距离，max(d_h(<P,Q>))表示点对集中汉明距离最大值，BSC_p和BSC_q分别表示点对<p,q>中的点p和点q的形状上下文描述子。

(2)距离残差因子

将点对之间的距离残差作为参量，采用高斯核函数进行点对可靠性评估，如公式(3)所示。距离残差越大，重要性越小。如此，可以有效地克服动态变化区域、噪声等对精配准的影响。

其中，d(p,q)代表点对的距离残差，采用法向距离表示；σ_d表示核函数的带宽，可以采用EM算法估计。

(3)点位不确定性因子

TLS点云存在不同程度的位置不确定性，影响点对的可靠性。通常，点位不确定性与强度、观测距离和观测角度等存在较大关联。经理论和实验证明，强度越高、观测距离越近、观测角度越小，点位不确定性越小。根据强度、观测距离、观测方位角与点位不确定性之间的随机误差方程，分别构建因子重要性模型，如公式(4、5、6)所示，并分别进行归一化，最终组合成关于点位不确定性的点对可靠性评估模型，如公式(7)所示。

其中，

分别为点对的观测方位角模型、观测距离模型以及强度相关权重模型；θ为点对中观测方位角最大值；r_max为扫描仪观测距离最大值，r_min为扫描仪观测距离最小值；r为点对中观测距离最大值；b是一个常数；α、β、ψ是三个系数，Inc是点对中点云强度最小值。

每点对都被赋予了三种不同类型的可靠性评估因子(相似性因子

距离残差因子/>

点位不确定性因子/>

)，需要将其进行组合。然而，在精配准迭代的不同阶段，三种因子表现出不同的重要性。对于距离残差因子：早期阶段，初配准结果不理想，应该赋予较小比重，避免陷入局部最优化；后期，可以赋予距离残差更大的比重，以削弱动态变化区域点对影响。对于形状相似性因子：早期阶段，需要设置较大比重，稳健地判定点对的相似度；但是随着迭代次数的增加，大部分点对局部区域性形状相似度很好，其赋权应降低。对于点位不确定性因子：由于点位误差相对较小，早期阶段，其表现力相对弱些，而对配准的影响越来越大。因此，本发明拟采用动态加权组合模型，如公式(8)所示。其中，F^d和F^u定义为单调递增的对数函数，F^s定义为单调递减的对数函数。

其中，ρ^<p,q>为点对<p,q>组合三种因子后的综合评估因子，F^s、F^d、F^u分别是形状相似性因子、距离残差因子和点位不确定性因子的系数。

步骤四：在各点对可靠性定量评估后，建立综合不同因子的点对总代价函数，如公式(9)。然后利用Levenberg-Marquardt非线性最小二乘方法解算点对总代价函数，得到精配准转换矩阵T。

其中

和/>

分别是第i组点对中点p和点q的局部邻域协方差矩阵；/>

和

分别是第i组点对中点p和q的坐标；V_i是第i组点对的向量；n是点对数量；T是求解的精配准转换矩阵；ρⁱ为第i组点对的综合评估因子。

步骤五：使用步骤四得到的精配准转换矩阵对待配准点云进行坐标变换，并迭代步骤二、步骤三和步骤四进行精配准转换矩阵优化。其中，当满足以下条件之一，则跳出迭代，并将最后一次获得的精配准转换矩阵作为最终精配准转换矩阵。

条件一：相邻两次迭代所得精配准转换矩阵之间的平移量和旋转角度都小于对应的给定阈值；

条件二：当迭代次数达到给定的最大迭代次数。

实施实例

为说明本发明的有效性，进行重庆奉节县某处滑坡场景2期TLS点云高精度精配准验证实验。图2是重庆奉节县某处滑坡场景的Google Earth光学图像和对应的一期TLS点云。2014年9月，该区域发生了一次强降雨诱发的滑坡，日降雨量～300mm。此次滑坡造成了多处建筑物损毁，并且在滑坡后滑坡还以缓慢速度在运动。为了预防二次滑坡，利用了Riegl VZ1000对缓慢运动滑坡体进行了远程监测。本次实例采用9月23日和9月25日两期数据进行本发明效果展示和对比。

为了验证本发明实现的不同时相TLS点云精配准结果，选择一栋稳定的建筑物立面进行配准结果展示。本发明稳定区域配准误差如图3第(a)幅图所示，中误差为6.2mm。相比传统精配准方法的配准误差(如图3第(b)幅图所示，中误差17.0mm)，本发明配准结果具有明显的优势和质量提升。

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。

Claims (2)

1.一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，其特征在于，包括以下步骤：

步骤一、选择参考点云和待配准点云；

步骤二、建立参考点p与待配准点q之间的点对关系；

步骤三、每一个点对构建相似性因子

距离残差因子/>

点位不确定性因子

并确定点对的综合评估因子；

步骤四、建立如下点对总代价函数，解算点对总代价函数，得到精配准转换矩阵T，

其中，i为点对的序号，n为点对数量，ρⁱ为第i组点对的综合评估因子；

和/>

分别是第i组点对中点p和点q的局部邻域协方差矩阵；/>

和/>

分别是第i组点对中点p和q的坐标；V_i是第i组点对的向量；

步骤五：使用步骤四得到的精配准转换矩阵对待配准点云进行坐标变换，并迭代步骤二、步骤三和步骤四进行精配准转换矩阵优化，当满足以下条件之一，则跳出迭代，并将最后一次获得的精配准转换矩阵作为最终精配准转换矩阵，

条件一：相邻两次迭代所得精配准转换矩阵之间的平移量和旋转角度都小于对应的给定阈值；

条件二：当迭代次数达到给定的最大迭代次数，

所述的步骤二中建立参考点p与待配准点q之间的点对关系包括以下步骤：

对参考点云，采用KdTree构建参考点云空间索引，遍历待配准点云中的每个待配准点，并通过参考点云空间索引快速检索出参考点云中距离待配准点最近的参考点，获得参考点p与待配准点q之间的点对关系，

所述的步骤三中形状相似性因子

通过以下公式获得：

其中，d_h(p,q)表示点对的汉明距离，max(d_h(＜P,Q＞))表示点对集中汉明距离最大值；

所述步骤三中距离残差因子

通过以下公式获得：

其中，d(p,q)代表点对的距离残差，σ_d表示核函数的带宽；

所述步骤三中点位不确定性因子

通过以下公式获得：

/>

其中，

分别为点对的观测方位角模型、观测距离模型以及强度相关权重模型；θ为点对中观测方位角最大值；r_max为扫描仪观测距离最大值，r_min为扫描仪观测距离最小值；r为点对中观测距离最大值；b是常数；α、β、ψ分别是三个系数，Inc是点对中点云强度最小值。

2.根据权利要求1所述的一种顾及点对可靠性的滑坡多时相TLS点云精配准方法，其特征在于，所述的步骤三中点对的综合评估因子基于以下公式获得：

其中，ρ^＜p,q＞为点对的综合评估因子，F^s、F^d、F^u分别是形状相似性因子、距离残差因子和点位不确定性因子的系数，F^d和F^u为单调递增的对数函数，F^s为单调递减的对数函数。

Images