CN114581492A - 融合道路多元特征的车载激光雷达点云非刚性配准方法 - Google Patents

Abstract

本发明涉及车载激光雷达数据处理领域，公开了融合道路多元特征的车载激光雷达点云非刚性配准方法，包括以下步骤：步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿；步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。本方案有效解决了现在复杂城市环境中无法获取高质量点云三维坐标的问题。

Description

融合道路多元特征的车载激光雷达点云非刚性配准方法

技术领域

本发明涉及车载激光雷达数据处理领域，具体涉及一种融合道路多元特征的车载激光雷达点云非刚性配准方法。

背景技术

车载激光雷达（LiDAR）技术作为移动测量领域正处于快速发展的一种地理信息获取与处理技术，在平台移动过程中能实时测量道路面以及道路环境的几何信息和激光回波强度信息，以及GNSS/IMU组合系统（POS）所获载体的位置、姿态、速度等轨迹信息，具有三维数据获取速度快、更新周期短、数据处理自动化程度高、实景全要素“复制”等特点，在道路工程、街道工程、三维建模、无人驾驶三维高精度地图生产中应用广泛。

但是，当前的车载激光雷达技术仍然无法赶上多应用领域对于厘米级高精度点云获取的追求，究其原因是在于点云数据采集环境越来越复杂，使三维点云的采集总会因为各种原因而出现一定的误差，尤其是对于情况复杂多变的城市场景。

城市场景的道路网交错、层叠，构筑物复杂，建筑、行道树、高架桥等人工构筑物往往导致移动测量中车载LiDAR系统的GNSS定位信号强度减弱，使这个期间采集到的三维点云数据出现偏差，同时，也会因为定位信号减弱而产生多路径效应，进一步增大采集误差。虽然，经过多传感器出厂检校的车载LiDAR系统所获点云的点位精度可达到厘米级。然而，在GNSS弱定位环境下，移动测量载体的状态误差会随时间累积，产生平台位置和姿态（简称“位姿”）误差，不同区域精度水平不一致且随时间产生非刚性变换，点位精度会降低至分米级或米级。GNSS弱定位环境的客观存在，致使如何消除或减弱位姿误差已成为车载LiDAR点云精度提高急需解决的难题。

车载LiDAR点云存在厘米级至米级时变误差，致使重访点云的刚体地物存在一定非刚性变换；同时，现实场景存在行车、行人、飘动树叶等移动的非刚性地物现象，移动目标的影响应在刚体地物的时变非刚性配准中予以考虑。但是，现在已有非刚性配准方法存在待估参数多、精度和稳健性差、自动化程度低等严重不足，致使非刚性配准效果差。

为此，急需提供一种专门针对城市场景的且能够精准进行非刚性配准的方法。

发明内容

本发明意在提供融合道路多元特征的车载激光雷达点云非刚性配准方法，以达到能够在复杂的道路网中实现对车载激光雷达点云的高精度非刚性配准。

为达到上述目的，本发明采用如下技术方案：

融合道路多元特征的车载激光雷达点云非刚性配准方法，包括以下步骤：

步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；

步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿；

步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。

本方案的原理及优点是：

相比于现在没有专门针对城市复杂道路网进行的车载激光雷达点云获取方法，本方案针对城市复杂场景，融合道路多元特征，结合POS系统误差时间变化特性，从车载激光雷达数据内部匹配约束和稀疏地面控制外部约束两方面来对采集的三维点云进行修正，使得到修正后的三维点云精准度更高。

实际应用中，本方案不仅适用于复杂的城市场景，也适用于其他复杂程度小于等于城市场景的其他场景，本方案具有较强的通用性和迁移性。

在本领域中，无论在三维点云精准度提高方面，还是在城市场景的非刚性配准方面均存在较严重惯性思维。大家更多地集中精力单方面的考虑如何从后期数据处理能力上去提高计算上的精准度，或者是单方面的强调车载激光雷达本身或者POS系统本身的精度高低，而忽略了对现实场景的处理和利用，尤其是忽略了现场实际的移动目标烦扰和有效多元特征提取，以及忽略了车载激光雷达数据的时变非刚性特点，导致自动化程度低、计算效能低、精度和稳健性差、配准结果和现实场景相差较大。而本方案抛弃了这样的惯性思维，并没有一味追求单方面提高某个部分的精度，充分考虑了现场环境的复杂性，首先是选择面向对象的方式，充分利用场景的有效信息，用相对稳定的计算方法对车载激光雷达进行内部匹配，并结合场景对象的基元结构精确匹配建立广义同名对应；然后，建立模型和数据混合驱动的模型修正POS系统位姿误差，而不是单一地采用模型或数据去修正位姿，尽可能减少修正过程中出现的偏差；最后，结合广义同名对应和稀疏分布的地面控制外部参考约束平差结果，得到最终修正后的点云三维坐标。内部匹配和外部参考相互作用，减小车载激光雷达点云存在的相对误差和绝对误差，使修正结果更加精准。

本方案有效解决了现在复杂城市环境中无法获取高质量点云三维坐标的问题，解决了城市场景中会存在多种非刚性地物现象导致非刚性配准效果差的问题，解决了城市场景中会出现的GNSS弱定位导致车载激光雷达点云获取精度差的问题，更解决了现有坐标定位方法或精度提高方法对于城市场景的适应性差的问题。

优选的，作为一种改进，所述校正点云三维坐标为，稀疏控制增强的误差校正，通过以稀疏地面控制为绝对坐标参考，将配准后的车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。

将平差获得的整体最优车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。通过稀疏控制增强的误差校正，利用稀疏分布的少量控制点进行约束，在POS系统误差进行时变模型参数整体优化时，能够在保证一定计算量的前提下有效提高校正精准度，尤其针对路网交错、层叠，建筑、行道树、高架桥等人工构筑物体复杂场景进行合理处理，既提高绝对坐标精度，又能减轻操作实施复杂程度，减小计算量。

优选的，作为一种改进，在步骤一中，所述通过对车载激光雷达采集的数据进行内部匹配为，对车载激光雷达法采集的数据依次进行的点云时空划分、非动态对象层次提取、非刚性粗配准、非刚性精配准和广义同名对应建立；其中，所述车载激光雷达采集的数据包括点云数据和轨迹状态数据。

本方案相比于现有技术是面向对象，先划分对象、再进行配准，能够有效减小计算量的同时，提高配准的精准度。更重要的是，现有配准方法或者三维点云获取方法，其考虑到的往往是比较理想的场景，没有考虑到实际场景，其处理简单粗暴，考虑到的仅仅是非动态对象和动态对象的区分，没有再进一步做其他区分，更不会像本方案这样按照时空划分，因为其根本就没有从实际场景出发而单纯地仅仅只是停留在对数据处理本身上，因此其误差较大。而本方案，首先按照时空划分，尽最大限度考虑到显示场景，然后通过非动态对象层次提取保留非动态去掉会影响后续处理的动态对象，而在非刚性粗对准中，考虑到的不仅仅是遗留的动态对象，更考虑到了动态采集的误差，而一开始的时空划分考虑到刚性物体的非刚性与时间的关系，提高了后面配准的精度，在非刚性粗对准后进行非刚性精配准和广义同名对应建立，则进一步提高整体的配准精度。

优选的，作为一种改进，所述非动态对象层次提取为，依次进行的道路面及道路面标志提取、地面点滤波、杆状物/线状物提取和构筑物面提取。

本方案在排除非刚性物体，选择出稳健而常见的物体后，依次通过道路面及道路面标志提取、地面点滤波、杆状物/线状物提取和构筑物面提取，对这些常见物体进行分类，以便能够对提取后剩下的三维点云数据进行精准配准。

优选的，作为一种改进，所述非刚性粗配准为，依次进行的时变转换模型建立、特征投影影像匹配、最大化匹配分数之和评价以及遗传算法全局配准。

本方案的非刚性粗配准，能够很好地为后面的精配准提供基础，且处理并不复杂，有效控制了计算量。

优选的，作为一种改进，所述非刚性精配准和广义同名对应建立为，依次进行的匹配对应建立、对象的多基元配准模型建立以及改进的结合点、线、面的迭代最近匹配。

本方案通过匹配对应建立以及对象的多基元配准模型建立，能够从道路的多个基元结构分别进行并结合点、线、面的匹配，在不过分依赖计算量的前提下，能够有效提高配准精度。

优选的，作为一种改进，所述点云时空划分按照时空划分规则进行，所述时空划分规则包括时间规则、坐标规则、航向规则、速度规则和长度规则。

本方案通过时间规则、坐标规则和航向规则，基本能够对三维点云进行划分，并尽可能考虑到现实场景，而通过速度规则和长度规则的设置，则能够有效规避非刚性采集带来的误差，速度和长度限制车载数据，速度规则有助于剔除误差数据，尤其是车载激光雷达在行驶过程中可能遇到红灯停下的情况而造成的误差。长度规则，则进一步减小对速度的敏感性，减小因为车载激光雷达自身移动速度差异过大带来的误差，提高对非刚性的每一个数据块的处理一致性。

优选的，作为一种改进，在步骤二中，所述对POS系统误差进行时变建模为，依次进行的位姿测量误差校正时变模型建立、自由网平差与误匹配剔除以及稀疏化平差与高效参数估计。

通过对POS系统误差的外部匹配修正，得到修正后的POS位姿，使能够给后面采集的三维点云提供更加精准的三维点云坐标系。

优选的，作为一种改进，所述稀疏控制增强的误差校正为，依次进行的顾及地面控制的校正模型建立、带权整体平差参数估计以及地面控制分布精度影响分析。

本方案能够通过减少稀疏控制点，减少计算量和布置强度，同时又保证绝对坐标系更加精准和优化。更重要的是，本方案在广义同名对应基础上结合稀疏分布的地面控制外部参考，能够有效提高配准精度。

优选的，作为一种改进，所述地面控制分布精度影响分析为，依次进行的内部与外部符合精度评价以及时变模型参数分析。

本方案在时变模型后达到系统标称厘米级效果，但是相比于现有技术，本方案通过地面控制分布精度有效控制计算量在一个合理范围内，同时通过内部和外部双重的符合精度评价，来提高整体的配准精度。

优选的，作为一种改进，所述带权整体平差参数估计为，依次进行的平差模型随机变量定权和平差模型稀疏化。

本方案通过平差模型随机变量定权和平差模型稀疏化，能够对地面作为绝对坐标参考的前提下，合理设置参考点，保证计算量在合理范围内的前提下，提供更加精准的外部参考。

附图说明

图1为本发明实施例一的流程图。

图2为图1中第一步的流程图。

图3为图1中第二步的流程图。

图4为本发明实施例一的道路周围地物高于道路面的断面示意图。

图5为本发明实施例一的道路周围地物低于道路面的断面示意图。

图6为本发明实施例一的车载LiDAR系统几何定位模型各坐标系示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

实施例基本如附图1所示：

融合道路多元特征的车载激光雷达点云非刚性配准方法，包括以下内容：

S1，面向对象的点云刚性配准。

针对城市复杂道路场景点云数据移动混合目标干扰，且在弱 GNSS 环境下，扫描块内部存在时变非刚性变化，刚性配准方法精度低、稳健性弱的问题，本方案通过建立时变转换模型和非刚性精配准方法，建立顾及轨迹位姿状态时空变化的点云分块法，发展非移动目标提取与面向对象的配准方法，减少误匹配，提高匹配对应获取的精度和稳健性；同时，重叠扫描块间存在较大偏移，利用特征投影影像匹配和全局最优化的粗配准方法，以及结合点、线、面几何约束的精配准方法，实现非刚性转换模型参数精确估计，建立精确的匹配对应。

S2，模型数据混合驱动的POS位姿优化。

针对不同区域GNSS信号质量差异，区域测量非刚性误差累积严重，而POS导航定位模型具有多样性和保密性等问题，发展不依赖传感器物理模型的高精度POS位姿优化方法，根据地理定位几何模构建严密的观测函数模型，并建立全时域时变函数拟合模型作为运动状态函数模型近似的通用模型，提高模型的适用性性；研究错误匹配对应判别剔除方法和模型法方程稀疏化估计方法，实现位姿优化模型多参数高效率稳健估计，完成POS位姿整体优化。

S3，稀疏控制增强的误差校正与精度控制。

为解决带状轨迹上车载LiDAR点云的点位精度提高问题，研究利用稀疏地面控制的位姿测量系统误差校正方法，主要包括顾及车载LiDAR平台导航位姿误差和传感器标定误差的校正模型建立方法，稀疏地面控制约束的优化解算方法，以及地面控制分布对平差解算精度和效率的影响分析，实现在整体校正模型中综合考虑各项误差并加入稀疏分布的地面控制以有效提高点位精度。

S4，车载激光雷达测量参数非刚性配准偏差修正的同时，通过POS位姿优化后得到的点云三维坐标偏差修正，使通过修正后的车载激光雷达能够获取高精度的三维点云数据。

本方案现实通过面向对象的点云非刚性配准，解决车载激光雷达内部存在的匹配问题，对于城市场景中复杂的道路网情况，通过划分和提取近似性对象（例如道路面、路灯、路牌）的基础上，提高非刚性配准的精准性；然后，通过模型数据混合驱动的位姿优化，进行外部匹配，同时，通过模型，修正GPS和惯导的位置和姿态以及传感器本身的参与误差参数，调整和优化产生三维点云坐标的坐标系，提高坐标系的精准性；最后，通过稀疏控制增强的误差校正，以地面为参考，将车载激光雷达经过非刚性配准得到的测量参数与经过位置优化得到的三维坐标系结合起来，有效提高车载激光雷达在以后采集三维点云的精准度。

具体实施过程如下：

如图2所以，S1，面向对象的点云刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应，得到配准后的车载激光雷达测量参数。

S11，通过车载激光雷达采集点云数据和轨迹状态数据；

S12，对点云数据和轨迹状态数据按照时空划分规则进行点云时空划分；其中，时空划分规则为，按照时间规则、坐标规则、航向规则、速度规则和长度规则对点云数据和轨迹状态数据进行分类；

点云时空划分具体为，为了实现区域数据有效匹配，预先沿轨迹对点云进行时空划分，将点云划分为若干短时空域“扫描块”。局部块内，非刚性变换模型可以采用低次多项式变换模型逼近。

本实施例中的点云时空划分依据主要为时间规则、坐标规则、航向规则、速度规则、长度规则等。从起始时刻，当满足任意一个规则时，点云应被划为新的块。时间规则为如果超过给定时间则分块；坐标规则主要针对轨迹出现跳跃的情况，在跳跃处分块，满足每一块内部旋转和平移随时间变化的连续性；航向规则为如果超过给定转向角度（一般值为60°）则分块，用于处理急转弯时刻；速度规则为如果速度小于给定最小速度（一般值为5km/h），则认为平台接近静止，需进行分块；长度规则为如果超过给定最大轨迹长度则分块，如果小于给定最小轨迹长度则在后续配准中不予考虑，这种情况主要是载体的行驶速度过慢（如等待红绿灯）相应的点云数据可予以剔除。点云块的长度不宜过小，否则块内部的可匹配特征地物少；点云块的长度不能过大，否则因非刚性变换而影响配准精度。点云块对应的最大轨迹长度如果过短，则没有足够的地物特征；如果过长，则非刚性变化显著，影响配准的精度和效率，一般宜取20m。车辆在城区平均行驶速度一般为10km/h至50km/h，则在保证最大轨迹长度的情况下，点云分块的给定时间间隔一般位于1s至7s范围；在城市高速路平均行驶速度一般为60km/h至100km/h，则在保证最大轨迹长度的情况下，点云分块的给定时间间隔一般位于0.5s至2s。测量车在实际城市场景行驶时，有加减速，有快速和慢速，为了便于点云分块，在执行长度规则的前提下，可以适当增大时间规则的分块时间，比如，无论是慢速或慢速，一般宜设置为5s，在10km/h至100km/h情况下，行驶的轨迹长度最小值约为14m，最大轨迹长度为长度规则阈值。

S13，非动态对象层次提取，依次进行道路面及道路面标志提取、地面滤波、杆状物/线状物提取和构筑物面提取；

道路场景点云行驶车辆、行人、飘动树叶等混合移动目标影响匹配有效性。移动目标准确识别难度大，这里通过提取有效的对象用于建立匹配对应。基于现有的车载LiDAR云目标提取方法，采用分层次提取法，先使用车载激光点云道路面提取方法和滤波方法将场景分类为道路面、地面、非地面三类；再根据反射强度信息从道路面提取道路面标志和车道线；根据几何特征从非地面提取杆状地物，并根据邻域特征值特征显著性提取线性地物和构筑物面。非移动目标法不仅可提高匹配对应的可靠性，还通过数据量减少而提高了匹配效率。

因为车载LiDAR系统包含集成如Riegl激光扫描仪的高精度单线系统和如Velodyne、禾赛激光扫描仪的多视多线系统，为了统一和简化，道路面提取、地面滤波和道路面标志提取均采用伪扫描线（断面线）法，伪扫描线法的优势在有利于并行加速处理。道路面的提取基于最小二乘的移动窗口拟合。由于相邻道路点之间的高程差较小，局部范围内的道路点可以被拟合成为一条直线。路缘石位于道路边界处，路缘石点和道路边界点之间具有明显的高程阶跃、水平距离阶跃和坡度变化特征。基于此，该移动窗口被设计从种子点到伪扫描线两端，通过逐点滑动的方式检测阶跃特征。

道路面标志提取采用基于强度和强度梯度双边缘约束的方法，结合强度梯度与强度统计直方图进行提取。沿着伪扫描线从左到右，道路标线的双边缘定义如下：进入一个道路标线的边缘称为左边缘，离开该道路标线的边缘称为右边缘。左边缘点属于道路标点，其强度梯度和强度值均大于非道路标线点的强度梯度和强度值。右边缘点属于非道路标线点，其强度梯度小于非道路标志线点的强度梯度，且强度值小于道路标线点的强度值。根据道路标线左、右边缘点的强度特征，一旦双边缘点被成功检测，每条伪扫描内的道路标线点即能被提取。

地面滤波采用断面几何特征约束的地面滤波方法，从道路面点开始生长，根据其余点与道路面点的几何特征判断是否为地面点。图4、图5中柱坐标系原点位于道路面上；Z轴指向高程方向；A、B 点为道路边界点。图4中 C、D、E 点为地面点，F、G 点为地物点；原点到各点之间的实线代表各点的径向距离。图5中 C、D、E 为地面点，F 既为地面点又是建筑物脚点；原点到各点之间的虚线代表各点的径向距离。图4中 C、D、E 点的径向距离值依次递增，图5中 C、D、E、F 点的径向距离值也依次递增，即地面点在柱坐标系中的径向距离依次递增，车载 LiDAR 点云可以依据这一特性进行逐断面地面点粗提取。在同一条道路横断面内，当两个或两个以上的物体位于同一个方位区时，这些物体是不能区分，除了使用径向距离特征约束作为地面滤波规则，增加坡度差特征约束进行地面点精化提取，即在使用径向距离特征约束粗提地面点后，进一步滤除某些满足径向距离特征约束的立面特征地物以及顶面特征地物上的非地面点，如图4中 FG、图5中HI 区段。如果连续两点的坡度差值大于给定阈值，则将该点判定为非地面点。

杆状物包含多种不同属性的杆状物，如照明路灯、交通标识牌和交通信号灯等。在复杂的道路场景中，地物之间常出现相互粘连的现象，形成多地物混合的粘连对象，拟采用基于欧式聚类分割，结合形态特征粘连对象检测和基于最小割的粘连对象分割完成地物分割。照明路灯、交通标识牌、交通信号灯和行道树等都属于杆状对象。相较于行人、护栏及车辆等物体，杆状对象具有明显的高度特征；同时，相较于建筑物等物体，杆状对象又具有较小的投影长度特征。基于这些形态信息，可使用一个高度滤波器和一个长度滤波器从点云对象中滤除大部分非杆状物。虽然杆状对象的顶部存在很大的空间形态差异，但它们的中部都具有垂直的杆状部位。行道树的杆状部位非常粗糙、离散，而交通杆状物的杆状部位更加规整、平滑。行道树的杆状部位粗糙、离散，没有固定的几何结构，因此每个横断面切片的中心位置和对角线长度存在较大差异。与行道树相比，交通杆状物的杆状部位是规整、平滑的圆柱体，每个横断面切片的中心位置和对角线长度之间的差异较小。采用依次检查相邻横断面切片最小外接矩之间的中心位置和对角线长度的偏差，并统计出现大于偏差阈值的频数。如果偏差统计频数小于频数阈值，则提取该点云对象为交通杆状物。

线状地物和构筑物面根据邻域的几何特征进行检测，邻域几何特征按照现有技术手段根据最近邻搜索计算得到。根据几何特征统计规律很容易区分线性度显著的线状地物和平面度显著的构筑物面。

S14，非刚性粗配准，依次为时变转换模型建立、特征投影影像匹配、最大化匹配分数之和评价以及遗传算法全局配准；

其中，时变转化模型建立时，先建立刚性转换模型，然后考虑复杂环境下 POS 测量误差，得到非刚性转换模型：

点云一帧数据视被为一个刚体单元，以某一帧为起始帧，起始时刻为

如果存在系统性定位定姿误差，则单帧数据坐标相对真坐标的刚性变换模型为：

表示

时刻的观测坐标，

为相应的真坐标，

分别为三维旋转矩阵和平移向量。类推，第

帧数据坐标相对真坐标的刚性变换模型为：

复杂环境下 POS 测量误差不可避免，不同时刻的位姿精度水平不一致，导致不同帧的平台轨迹点偏差不一致，随时间累积的多帧点云存在非刚性变换。旋转矩阵和平移向量随时间变化而变化，如果这种变化具有连续性，则可通过级数展开的时变非刚性转换模型表示：

时变非刚性转换模型待估参数为旋转矩阵、平移向量以及它们的各阶导数。

时变非刚性转换模型空间表达不直观，在短时空域内，可用多项式空间变换模型逼近。累积时间

越短，则非刚性变换越不明显，可以用低阶展开进行逼近，待估参数少，可用低次多项式变换模型近似；反之，累积时间越长，则非刚性变换越明显，需要高阶展开进行逼近，待估参数增多，需用高次多项式变换模型代替。用 x ， y ， z 表示变换前p 的坐标，

表示变换后

的坐标，多项式变换模型可表示为：

一次多项式变换模型即为刚体变换模型，高次项则表达非刚性变换。

在弱 GNSS 环境，重叠点云块之间的偏差较大，如何通过粗配准获得稳健的变换模型初始参数是精确匹配的关键。粗配准方法结合 XY 平面特征投影影像匹配和遗传算法全局最优化配准。XY 平面特征投影影像根据高差特征、投影密度特征和强度等特征生成，根据特征投影影像匹配可获得二维平移量和旋转参数，即获得多项式变换模型的

的初始值，进而根据匹配点邻域的平均高程值之差获得竖直平移量

的初始值。

为了快速获得最优化初始值，通过最常见显著分布的路面标志、杆状物、线状物、构筑物面特征等地物目标建立最大化的面向对象配准模型：

表示通过道路面标志匹配建立的适应度评价；

表示通过杆状物匹配建立的适应度评价；

表示通过线状物匹配建立的适应度评价；

表示通过构筑物面匹配建立的适应度评价。适应度值越大，对应的参数值越优。

传统的迭代最近点算法（ICP）配准容易陷入局部最优解。为了获得不依赖初始估计的全局最优化解，提出归一化匹配分数之和最大的遗传算法配准模型估计非刚性变换参数初始值。适应度评价采用归一化匹配分数之和：

d 表示重叠区各类地物的最近距离值，s 是距离映射函数。S的值被称为匹配分数，它需满足：0<s≤1；单调递减。第一个条件使得 F 是归一化的，不会随匹配对应数目增大而无限增大；第二个条件使距离越大，分数越小，即对F贡献越小。为了保证距离较近的匹配获得高的分数，重叠区域又分为理想重叠区域和缓冲区域。重叠区域内两个区域分段处的距离阈值称为理想距离dideal。在dideal处，匹配点被赋予分数高置信度sideal=0.95；在dout处，被赋予分数低置信度sout=0.05，公式为：

当

时，

当

时，

当

时，

归一化匹配分数函数利用了概率置信度来定义，也被称作概率置信匹配分数函数，其带两个参数dideal和dout。dideal一般设置为一个很小值，一般取0.05 米。dout的设置比较重要，如果其值较小，则内点较少，遗传种群的整体适应度值较小，不利于遗传进化，即很难搜索到最优解；其值较大，遗传种群的整体适应度值较大，容易搜索到最优解，但分数函数变化较缓，个体差异变小，所获解的精度较低。

S15，非刚性精配准和广义同名对应建立，依次为匹配对应建立、对象的多基元配准模型建立以及改进的结合点、线、面的迭代最近点匹配。

重叠区点云块精配准采用改进的 ICP 算法，充分利用非移动目标特征地物建立最小化的配准模型：

E道路面表示通过道路面标志匹配建立的最近距离评价； E地面表示通过道路面标志匹配建立的最近距离评价； E路面标志表示通过道路面标志匹配建立的最近距离评价； E杆状物表示通过杆状物匹配建立的最近距离评价； E线状物表示通过线状物匹配建立的最近距离评价； E构筑物面表示通过构筑物面匹配建立的最近距离评价。

最近距离评价可根据特征地物性状建立“点-点”之间距离或“点-面”之间距离，或“面-面”之间距离，或“线-线”之间距离最小化目标。由于非移动目标提取的准确率无法达到百分之百，为了剔除错误的匹配，需要通过最大距离进行约束，道路面、道路面标志、地面和构筑物面增加法向约束，杆状地物和线状地物增加主轴向约束。另外，因道路面和地面点密集，信息冗余，可以均匀选择部分点进行配准，在保证不影响精度的前提下提高了计算效率。最小化配准模型，即可获得局部范围内的最优多项式变换参数，从而建立匹配对应。

如图3所示，S2，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿，得到修正后的三维坐标系；

S21，位姿测量误差校正模型建立，依次进行带状轨迹条带划分、地理参考定位几何模型建立、时变函数拟合模型建立以及匹配对应误差方程建立。

S22，自由网平差与误匹配剔除，依次进行位姿测量系统误差校正模型简化、点云块匹配对应观测约束、LM算法模型参数稳健估计和随机采样一致性误匹配检测。

S23，稀疏化平差与高效率参数估计，依次为模型系数矩阵与法方程稀疏化、法方程系数矩阵分块循环求逆、LM算法模型参数稳健估计以及模型精度评定。

车载LiDAR 系统的直接地理参考定位几何模型表述了激光扫描坐标pL=[XL,YL,ZL]T 转化为地球椭球空间直角坐标pW=[XW, YW, ZW]T 的过程。各坐标系示意图如图6所示。

车载 LiDAR 系统的安置参数

,x , y , z 在系统出厂时通过标定获得，安置参数被当作已知量。根据车载 LiDAR 系统多传感器的直接地理定位几何模型构建含位姿测量误差参数的误差方程。

因车载带状轨迹上位姿误差存在非刚性变换，位姿测量参数误差随时间变化差异变大，采用数学函数模型拟合位姿测量参数变化建立通用位姿测量参数状态模型的方法。先根据坐标规则和航向规则将带状轨迹分为若干条带。由于车载 LiDAR 系统集成高频率POS 系统，合理假设各条带内部位姿测量参数变化是近似连续的，即轨迹点时间相隔越近，相对的误差变化越小。在短时域内，位姿测量参数误差变化小，采用低次多项式函数来逼近。在长时域内，位姿测量参数误差变化大，需要用高次多项式逼近，而高次多项式函数拟合不稳定，宜采用分段的低次函数逼近。这里拟采用三次样条函数模型逼近。同一条带内，不同分段处样条函数值满足三个约束条件：①连续；②一阶导数连续；③二阶导数连续。那么，在某一时间段

内，时刻 t 的第 k点的点位误差

为：

的上标i，j，k 表示第i条带第 j 时分段的第 k 点。误差方程和时变函数拟合模型构成了位姿测量系统误差校正的基本模型，三次样条系数即为待求解参数。利用点云块匹配建立观测约束：

上标“1”表示某一条带，上标“2”表示另一条带。待求解的未知参数为：

观测方程可转化为：

其中，

平差目标函数为匹配对应间距离平方和最小：

W 为匹配对应权矩阵。有效范围内，同名对应的距离越远，POS 的误差越大，改正量可能越大，观测量对应的权重较小，为此根据同名对应的距离倒数进行权值确定。位姿测量系统误差校正的基本模型待估参数较多，需研究自由网平差的模型参数优化解算方法进行参数估计。列文伯格—马夸尔特非线性优化算法（Levenberg-Marquardt Algorithm，LM）为常用估计法，LM 法又被称作阻尼最小二乘法，是一种介于牛顿法与梯度下降法之间的一种最小二乘最优化信赖域算法。LM 算法有着高斯—牛顿法的快速收敛特性，还有最速下降法的全局搜索特性，在使用雅可比矩阵（Jacobian）近似代替海塞矩阵（Hessian）后不仅可以防止非正定及秩亏海塞矩阵的出现，迭代及收敛速度较牛顿法也大大加快。

因存在误匹配对应，采用随机采样一致性算法判别剔除误匹配，以获得高精度稳健模型参数。在参数求解后，通过模型估计参数和协方差矩阵构建内部符合精度评定方法，并通过地面控制点同名比较评价外部符合精度。针对长时域多条带整体优化，未知参数较多，常规LM法的法方程求逆速度慢，且耗费大量计算机内存。从公式B可推导，模型法方程系数矩阵是稀疏矩阵，可以通过分块循环矩阵求逆等估计模型参数，提高模型多参数估计的效率。

S3稀疏控制增强的误差校正，通过以稀疏地面控制为绝对坐标参考，将配准后的车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。

S31，顾及地面控制的校正模型建立，为同时通过位姿测量系统误差校正基本模型扩展以及地面控制数据，匹配对应与地面控制误差方程建立。

S32，带权整体平差参数估计，依次为平差模型随机变量定权、平差模型稀疏化以及LM算法模型参数稳健估计。

S33，地面控制分布精度影响分析，依次为内部与外部符合精度评价、时变模型参数分析以及不同地面控制分布实验分析。

具体地，车载 LiDAR 系统高精度数据采集需要满足两个条件：激光扫描仪经过严格标定；无系统性定位定姿误差。实际测量仍然不可避免存在系统性定位定姿误差。在系统出厂时，车载 LiDAR 系统即使经过了严格标定，但随着仪器使用损耗，标定误差亦不可避免。为解决车载 LiDAR 点云的位置偏差改正问题，提高大规模点云数据处理的效率，研究利用稀疏地面控制的位姿测量系统误差校正方法，包括建立顾及车载 LiDAR 系统标定误差和定位误差的校正模型。根据车载 LiDAR 系统多传感器的直接地理定位几何模型构建含位姿测量误差参数和标定参数的误差方程。

在某一时间段

内，时刻 t 的第 k 点的点位误差

扩展为

则未知向量扩展为：

观测方程的系矩阵扩展为：

这里，

表示总同名对应数和地面控制数之和。在具有地面控制约束的情况，需要增加观测方程：

下标“ground”表示地面控制。为了进行整体平差，这里对模型参数作为随机变量进行约束：

平差目标函数为匹配对应间以及地面控制加权距离平方和最小：

Wcorrespondence为匹配对应权矩阵，Wground为地面控制权矩阵，Wparameter为随机变量权矩阵。有效范围内，同名对应的距离越远，POS的误差越大，改正量可能越大，观测量对应的权重较小，拟根据同名对应和地面控制点的距离倒数确定Wcorrespondence和Wground。Wparameter则根据随机变量的经验大小范围值进行确定。为了稳健参数估计，模型参数估计仍然先对平差模型进行稀疏化，采用分块循环矩阵求逆减小求解对内存的消耗，提高效率。

地面控制数据为 cm 级或 mm 级精度的外部参考，可以由 GNSS/RTK、地面静态式激光扫描、无人机测量系统等测量设备获取的人工标志和自然地物特征。人工标志为人工制作的靶标，如球状的靶标或平面的靶标。车载LiDAR采集效率高，测量车的行驶速度一般为10km/h至100km/h，工作一天的里程达到数百公里，那么采用人工布设地面控制的方式效率低，且需花费一定的材料成本。实际测量更无法确保人工标志不被遮挡、移动和破坏，特别是有人区域的测量。自然特征地物的角点一般被作为特征点。道路场景中，路面标志，如斑马线、指示线、车道段线等，是一种常见的自然地物特征。路牌角点等几何特征点也是一种常见的距道路面一定高度的自然地物特征。

稀疏地面控制增强的平差可以提高点云的点位精度，仍然使用基于时变函数拟合模型构建的误差校正模型，需研究稀疏地面控制约束的优化解算。如何评定精度非常重要。地面控制点的分布比较稀疏，定量评定利用控制点的平差精度可以从两个方面考虑：如果轨迹位姿或点云的参照值（认为的理论值）已知，则将修正后的值与参照值进行比较，如计算差值、RMSE等。如果点云的参照值未知，则将修正后地面控制点和非刚性匹配点的残差及距离 RMSE 作为内符合精度；也在解算前选择部分地面控制点作为检核点，计算外符合精度。

因为时变函数拟合模型精度与样条时间间隔T有关，外符合精度能够体现时变位姿模型的拟合条件是否合理，如布设的地面控制点是否足够、T大小是否合适。如果地面控制点足够多，控制点间距很小，T大小合适，则内符合精度与外符合精度的 RMSE 值几乎相同。在T一定时，如果控制点间距变小，则内符合精度可能高于外符合精度。T越小，未知参数越多，需要的同名对应越多，方程数目随之增大，求解更加耗费时间和存储空间。随未知参数增加，求解的稳定性降低。求解的稳定性受控制点间距和T的影响。当T过小时，容易出现过拟合。如果控制点间距或T过大，则会出现欠拟合现象，导致平差精度降低。因此，需要研究合理设置T，并尽可能布设间距短、数目多的地面控制点。当地面控制点间距短，T适当小时，位姿误差拟合越准确，平差精度越高，出现过拟合的可能性也越小。控制点间距越小，同名对应越多，工作量增大。当控制点数目增加到一定数量时，受随机测量误差影响，平差精度会不再提高。控制点布设的总体原则是在保证精度的前提下尽可能减少数量。

在不考虑同名对应的情况下，如果保证每个样条时间间隔T内有3个及以上控制点。以v表示测量车时速，T时间段的测量路程为T×v。假设直线匀速行驶，应当保证控制点平均间距不大于T×v÷3。本实施例中T=10s需要布设的最少控制点。可见，在高速道路行驶时，可以适当增加地面控制点间距，减少地面控制点数量。在实际考虑重访点云配准的情况下，所布设的实际控制点少于预计的控制点数目，但由于姿态误差引起的偏移不仅与扫描测距有关，也与行车方向有关。为了能够解算出位姿误差偏移，在车辆转弯大的地方需要布设控制点。

稀疏地面控制增强的平差能够达到什么精度水平，间隔多远布设控制点或者一定范围内需要布设多少控制点能达到这样的水平，拟进行分析和实验。在实验设计时，重点考虑 GNSS 信号质量水平的影响性实验：位姿误差随时间发生变化，不同时间的位姿精度水平有差异，利用地面控制点的平差的实质是通过平差使位姿误差变小，并在整个测量范围内水平一致。如果 GNSS 的定位精度越高，测量范围内的位姿误差水平一致性越好，仅需要少量的地面控制点。如果 GNSS 定位精度差，测量范围内的位姿误差水平一致性越差，平差可能需要更多地面控制点。为了分析GNSS信号对平差精度的影响，采用对轨迹的 GNSS 信号进行截断的方式进行模拟和实验。

本实施例，相比于现在没有专门针对城市复杂道路网进行的车载激光雷达点云获取方法，本方案针对城市复杂场景，融合道路面、道路面标志、地面、杆状/线性地物、构筑物面等多元特征，结合POS系统误差时间变化特性，从车载激光雷达数据内部匹配约束和稀疏地面控制外部约束两方面来对采集的三维点云进行修正，使得到修正后的三维点云精准度更高。

实际应用中，本方案不仅适用于复杂的城市场景，也适用于其他复杂程度小于等于城市场景的其他场景，本方案具有较强的通用性和迁移性。

在本领域中，无论在三维点云精准度提高方面，还是在城市场景的非刚性配准方面均存在较严重惯性思维。大家更多地集中精力单方面的考虑如何从后期数据处理能力上去提高计算上的精准度，或者是单方面的强调车载激光雷达本身或者POS系统本身的精度高低，而忽略了对现实场景的处理和利用，尤其是忽略了现场实际的移动目标烦扰和有效多元特征提取，以及忽略了车载激光雷达数据的时变非刚性特点，导致自动化程度低、计算效能低、精度和稳健性差、配准结果和现实场景相差较大。而本方案抛弃了这样的惯性思维，并没有一味追求单方面提高某个部分的精度，充分考虑了现场环境的复杂性，首先是选择面向对象的方式，充分利用场景的有效信息，用相对稳定的计算方法对车载激光雷达进行内部匹配，并结合场景对象的点、线、面基元结构精确匹配建立广义同名约束；然后，建立模型和数据混合驱动的模型修正POS系统位姿误差，而不是单一地采用模型或数据去修正位姿，尽可能减少修正过程中出现的偏差；最后，结合广义同名对应和稀疏分布的地面控制外部参考约束平差结果，得到最终修正后的点云三维坐标。内部匹配和外部参考相互作用，减小车载激光雷达点云存在的相对误差和绝对误差，使修正结果更加精准。

本方案有效解决了现在复杂城市环境中无法获取高质量点云三维坐标的问题，解决了城市场景中会存在多种非刚性地物现象导致非刚性配准效果差的问题，解决了城市场景中会出现的GNSS弱定位导致车载激光雷达点云获取精度差的问题，更解决了现有坐标定位方法或精度提高方法对于城市场景的适应性差的问题。

实施例二

与实施例一不同的是，本实施例中的时空划分规则仅包括时间规则、坐标规则和航向规则。从起始时刻，当满足任意一个规则时，点云应被划为新的块。时间规则为如果超过给定时间（一般为10分钟-30分钟）则分块；坐标规则主要针对轨迹出现跳跃的情况，在跳跃处分块，满足每一块内部旋转和平移随时间变化的连续性；航向规则为如果超过给定转向角度（一般值为60°）则分块，用于处理急转弯时刻。仅采用这三种规则，虽然不能通用于各种道路环境中，但是能够适用于现在通用的大多数城市道路环境中。

以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，还可以作若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (11)

1.融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，包括以下步骤：

步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；

步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿；

步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。

2.根据权利要求1所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，在步骤三中，所述校正点云三维坐标为，稀疏控制增强的误差校正，通过以稀疏地面控制为绝对坐标参考，将配准后的车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。

3.根据权利要求1所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，在步骤一中，所述通过对车载激光雷达采集的数据进行内部匹配为，对车载激光雷达法采集的数据依次进行的点云时空划分、非动态对象层次提取、非刚性粗配准、非刚性精配准和广义同名对应建立；其中，所述车载激光雷达采集的数据包括点云数据和轨迹状态数据。

4.根据权利要求3所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述非动态对象层次提取为，依次进行的道路面及道路面标志提取、地面点滤波、杆状物/线状物提取和构筑物面提取。

5.根据权利要求3所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述非刚性粗配准为，依次进行的时变转换模型建立、特征投影影像匹配、最大化匹配分数之和评价以及遗传算法全局配准。

6.根据权利要求3所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述非刚性精配准和广义同名对应建立为，依次进行的匹配对应建立、对象的多基元配准模型建立以及改进的结合点、线、面的迭代最近匹配。

7.根据权利要求3所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述点云时空划分按照时空划分规则进行，所述时空划分规则包括时间规则、坐标规则、航向规则、速度规则和长度规则。

8.根据权利要求1所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，在步骤二中，所述对POS系统误差进行时变建模为，依次进行的位姿测量误差校正时变模型建立、自由网平差与误匹配剔除以及稀疏化平差与高效参数估计。

9.根据权利要求2所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述稀疏控制增强的误差校正为，依次进行的顾及地面控制的校正模型建立、带权整体平差参数估计以及地面控制分布精度影响分析。

10.根据权利要求9所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述地面控制分布精度影响分析为，依次进行的内部与外部符合精度评价以及时变模型参数分析。

11.根据权利要求9所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述带权整体平差参数估计为，依次进行的平差模型随机变量定权和平差模型稀疏化。

Images