CN115546266B - 基于局部法向相关的多条带机载激光点云配准方法 - Google Patents

基于局部法向相关的多条带机载激光点云配准方法 Download PDF

Info

Publication number
CN115546266B
CN115546266B CN202211478866.4A CN202211478866A CN115546266B CN 115546266 B CN115546266 B CN 115546266B CN 202211478866 A CN202211478866 A CN 202211478866A CN 115546266 B CN115546266 B CN 115546266B
Authority
CN
China
Prior art keywords
points
point cloud
point
strip
grid
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
Application number
CN202211478866.4A
Other languages
English (en)
Other versions
CN115546266A (zh
Inventor
王广帅
邓继伟
高文峰
张冠军
赵海
兰树增
聂虎啸
葛玉辉
张英杰
王凯
张文腾
岳亮
高帅
王建强
张金魁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Design Corp
Original Assignee
China Railway Design Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Design Corp filed Critical China Railway Design Corp
Priority to CN202211478866.4A priority Critical patent/CN115546266B/zh
Publication of CN115546266A publication Critical patent/CN115546266A/zh
Application granted granted Critical
Publication of CN115546266B publication Critical patent/CN115546266B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于局部法向相关的多条带机载激光点云配准方法，包括如下过程：获取多条带机载激光点云，根据所有激光脚点的平面坐标获取对应的矩形范围，并对矩形范围进行格网划分，计算格网点的高程值，形成数字表面模型；在数字表面模型中，计算每个格网点的局部单位法向量及平整度，并赋予颜色值，得到点云法向图；对得到的所有点云法向图，从参考图上选取特征点，在目标图中搜索匹配点，进行匹配点粗差剔除后，得到多条带点云连接点；根据得到的多条带点云连接点，进行多条带点云无基准几何变换纠正，实现多条带点云数据的精确配准。实现了机载激光点云条带的全自动配准，无需人工干预，有效避免了野外控制点测量所带来的成本与时间损耗。

Description

基于局部法向相关的多条带机载激光点云配准方法
技术领域
本发明涉及雷达测绘技术领域，尤其涉及一种基于局部法向相关的多条带机载激光点云配准方法。
背景技术
随着软硬件设备的发展，机载激光雷达测量已经成为一种不可或缺的测绘遥感数据采集方式。得益于激光雷达的主动式扫描方式，其获取得到的点云数据不受天气、日照的影响，并且具有一定的穿透性，可以获得植被覆盖区域的地面点坐标，这也是其相较于传统摄影测量的优势所在。因此，近年来机载激光雷达测量技术在国土测绘、工程勘察设计、城市三维建模、地物信息提取等领域得到了广泛的应用。在工程实践中，受限于激光雷达扫描角有限，往往需要多个点云条带才能覆盖测区范围，然而由于扫描仪安置角误差、GNSS定位误差等因素影响，各点云条带间通常存在一定的几何偏差，这将影响后续多条带点云联合应用的精度质量。因此，多条带机载激光点云应用的前提是实现它们之间的几何对齐，即实现精确配准。在传统点云处理过程中，需要人工测量控制点进行点云数据几何纠正与配准，工作量大，作业效率低。如何实现多条带机载激光点云的高精度快速自动配准，仍是一个难点。
综上所述，本发明提出了一种基于局部法向相关的多条带机载激光点云配准方法，解决上述问题。
发明内容
因此，本发明的目的在于提供一种基于局部法向相关的多条带机载激光点云配准方法，利用机载激光点云数据生成数字表面模型及法向图，然后利用局部法向的相关性，实现点云图连接点的匹配，最后进行顾及质心变化的多条带点云无基准几何变换进行纠正，从而实现多条带点云数据的精确配准。
为了实现上述目的，本发明的一种基于局部法向相关的多条带机载激光点云配准方法，包括以下步骤：
S1、获取多条带机载激光点云，根据所有激光脚点的平面坐标获取对应的矩形范围，并对所述矩形范围进行格网划分，计算格网点的高程值，形成数字表面模型；
S2、在所述数字表面模型中，计算每个格网点的局部单位法向量及平整度，当任意一个格网点的平整度超过预设阈值时，为该格网点相应的单位法向量映射至RGB彩色空间并为该格网点赋予颜色值，得到点云法向图；
S3、对得到的所有点云法向图，判断相互之间是否存在重叠范围，对存在重叠范围的点云法向图，以其中一个为目标图、另一个为参考图，从参考图上选取特征点，在目标图中搜索匹配点，并采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点；
S4、根据得到的多条带点云连接点，以七参数变换模型变换前后连接点三维距离残差、各条带点云质心变化量作为联合目标函数，进行多条带点云无基准几何变换纠正，实现多条带点云数据的精确配准。
进一步，优选的，在S1中，所述形成数字表面模型，包括如下步骤：
S101、在所有激光脚点的平面坐标中筛选X方向最大值、最小值和Y方向的最大值 和最小值；记为
Figure 234174DEST_PATH_IMAGE001
、
Figure 408803DEST_PATH_IMAGE002
、
Figure 884915DEST_PATH_IMAGE003
、和
Figure 144995DEST_PATH_IMAGE004
；根据筛选出来的最值，划定矩形范围；
S102、根据预设的采样间隔对所述矩形范围进行格网划分；利用每个格网中心点周围的激光点高程采用双线性内插法，计算格网点的高程值；
S103、按照S102的过程遍历所有格网点，得到所有格网点高程，完成数字表面模型的生成。
进一步，优选的，在S2中，所述计算每个格网点的局部单位法向量，采用如下方法：
S201、在得到的数字表面模型中，选取目标格网点
Figure 676339DEST_PATH_IMAGE005
，将周围邻域内的N个格网点 取出，记为
Figure 580841DEST_PATH_IMAGE006
；根据邻域内的格网点高程值，进行最小二乘平面拟 合，得到单位法向量
Figure 618068DEST_PATH_IMAGE007
与拟合残差
Figure 490078DEST_PATH_IMAGE008
，并用
Figure 903741DEST_PATH_IMAGE008
代表该格网点的平整度；
S202、判断平整度是否大于预设阈值
Figure 662750DEST_PATH_IMAGE009
，若大于，则认为该格网点平整度低，为 该点赋予颜色
Figure 136457DEST_PATH_IMAGE010
；反之，认为该点平整度好，为该点赋予颜色
Figure 230183DEST_PATH_IMAGE011
；
S203、遍历所有格网点，依次执行上述S201-S202的操作，生成点云法向图。
进一步优选的，在S3中，所述从参考图上选取特征点，在目标图中搜索匹配点，包括如下步骤：
S301、在得到的参考图中选取有效特征点
Figure 916380DEST_PATH_IMAGE012
，取其
Figure 795474DEST_PATH_IMAGE013
邻域内的格网点集
Figure 174503DEST_PATH_IMAGE014
作为 匹配窗口；根据
Figure 758455DEST_PATH_IMAGE012
点的坐标，在目标图中找到对应的位置记为
Figure 513922DEST_PATH_IMAGE015
，假设目标图预设的搜索 半径为
Figure 44260DEST_PATH_IMAGE016
，分别以
Figure 984403DEST_PATH_IMAGE012
及其周围
Figure 928088DEST_PATH_IMAGE016
范围内的格网点作为模板窗口中心，取
Figure 97033DEST_PATH_IMAGE013
邻域内的格网 点集作为待匹配窗口，则可得到N=(
Figure 809774DEST_PATH_IMAGE017
)*(
Figure 920818DEST_PATH_IMAGE017
)组待匹配点集，记为
Figure 351800DEST_PATH_IMAGE018
，分别计算
Figure 324435DEST_PATH_IMAGE014
与
Figure 626103DEST_PATH_IMAGE019
各点集的相关系数
Figure 908049DEST_PATH_IMAGE020
；
Figure 826326DEST_PATH_IMAGE021
其中，
Figure 602652DEST_PATH_IMAGE020
表示以目标图搜索窗口内第
Figure 289986DEST_PATH_IMAGE022
个点作为模板窗口中心时的相关系数，
Figure 745762DEST_PATH_IMAGE023
,
Figure 885757DEST_PATH_IMAGE024
表示参考图中模板窗口第
Figure 465774DEST_PATH_IMAGE025
个格网点的 RGB颜色值，
Figure 210876DEST_PATH_IMAGE026
表示目标图中模板窗口第
Figure 709990DEST_PATH_IMAGE025
个格网点RGB颜色值；
S302、将目标图搜索窗口内的点依次作为模板窗口中心，分别计算参考图模板窗 口与目标图模板窗口的相关系数，得到一组相关系数值，取该组相关系数值中最大值在目 标图中所对应的点位，作为有效特征点
Figure 461914DEST_PATH_IMAGE012
的同名匹配点
Figure 439098DEST_PATH_IMAGE027
；遍历参考图中的每一个特征 点分别进行上述操作，则可实现参考图与目标图的同名点匹配，得到两个点云条带中的一 组同名点。
进一步优选的，在S301中，所述选取有效的特征点
Figure 976389DEST_PATH_IMAGE012
时，采用如下方法：
首先，根据颜色选取有效的特征点，若选取的特征点为黑色则该特征点无效；
其次，当选取的特征点为其他颜色时，已选取的特征点作为中心点，选取中心点邻域内的各网点集作为匹配窗口，若所述匹配窗口内褐色的格网点数量超过半数，则所述选取的特征点为无效特征点；否则视为有效特征点。
进一步优选的，在S3中，采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点，包括如下方法，
S311、从多组同名点中随机抽取4对点，假设这四对点为正确匹配点，利用它们计 算一组七参数变换模型系数，将该系数记为
Figure 646405DEST_PATH_IMAGE028
；
S312、利用七参数变换模型系数
Figure 885625DEST_PATH_IMAGE029
，将点云
Figure 932079DEST_PATH_IMAGE030
中的匹配点坐标
Figure 58298DEST_PATH_IMAGE031
转 换到点云
Figure 820586DEST_PATH_IMAGE032
坐标系下，转换后的坐标记为
Figure 422469DEST_PATH_IMAGE033
，计算
Figure 616821DEST_PATH_IMAGE033
与
Figure 987760DEST_PATH_IMAGE034
对应坐标点的三维距离值，记为
Figure 127141DEST_PATH_IMAGE035
，统计其中小 于预设误差阈值
Figure 950741DEST_PATH_IMAGE036
的个数，记为
Figure 11101DEST_PATH_IMAGE037
，则认为该假设的置信度为
Figure 439808DEST_PATH_IMAGE037
；
S313、重复上述S311至S12，并操作M次，统计M次中置信度最高的假设，若该假设所 对应的模型系数为
Figure 543899DEST_PATH_IMAGE038
，则利用
Figure 995740DEST_PATH_IMAGE038
将点云
Figure 922108DEST_PATH_IMAGE030
中的匹配点 坐标
Figure 126693DEST_PATH_IMAGE031
转换到点云
Figure 745893DEST_PATH_IMAGE032
坐标系下，并计算转换后坐标与
Figure 153872DEST_PATH_IMAGE034
中 相应坐标的三维距离值，将距离值大于预设误差阈值
Figure 883931DEST_PATH_IMAGE036
的匹配点判定为粗差并剔除，则保 留下的点均为正确匹配点，作为带点云连接点。
进一步优选的，在S4中，进行多条带点云无基准几何变换纠正，包括如下步骤
S401、对得到的多条带点云同名点列出几何变换代价方程，形式如下：
Figure 208602DEST_PATH_IMAGE039
式中，
Figure 998703DEST_PATH_IMAGE040
为第
Figure 893978DEST_PATH_IMAGE022
个点云条带的七参数变换模型系数，
Figure 427727DEST_PATH_IMAGE041
为第
Figure 598116DEST_PATH_IMAGE025
个点云条带的七参数 变换模型系数，
Figure 293539DEST_PATH_IMAGE042
为第
Figure 941690DEST_PATH_IMAGE022
个点云条带和第
Figure 747972DEST_PATH_IMAGE025
个点云条带间第
Figure 781655DEST_PATH_IMAGE043
对匹配点坐标，
Figure 913560DEST_PATH_IMAGE044
表示两个三维点间的距离函数。
S402、对变换前后的各条带点云质心变化量列出代价方程，形式如下：
Figure 783427DEST_PATH_IMAGE045
式中，
Figure 658979DEST_PATH_IMAGE040
为第
Figure 812748DEST_PATH_IMAGE022
个点云条带的七参数变换模型系数，
Figure 115554DEST_PATH_IMAGE046
为第
Figure 738296DEST_PATH_IMAGE022
个点云数据中的第
Figure 151960DEST_PATH_IMAGE043
个点的三维坐标，
Figure 894657DEST_PATH_IMAGE047
表示第
Figure 368363DEST_PATH_IMAGE022
个点云数据的总点数，
Figure 947244DEST_PATH_IMAGE044
表示两个三维点间的距离函 数。
S403、多条带点云整体几何变换代价值为
Figure 164598DEST_PATH_IMAGE048
，
其中，W1和W2分别为两类观测值的权矩阵，
Figure 30311DEST_PATH_IMAGE049
为单位矩阵，
Figure 674919DEST_PATH_IMAGE050
，
Figure 6674DEST_PATH_IMAGE051
为点 云条带平均偏差大小的先验值。
S404、通过S401~S403形成的多条带点云无基准几何变换平差模型，按照最小二乘平差准则，精确求解每个点云条带的七参数变换模型系数，利用变换模型系数进行点云坐标纠正，实现多条带点云数据的整体精确配准。
本申请公开的一种基于局部法向相关的多条带机载激光点云配准方法，与现有技术方法相比，具有的优点和积极效果如下：
1. 本发明实现了机载激光点云条带的全自动配准，无需人工干预，有效避免了野外控制点测量所带来的成本与时间损耗，提高了作业效率和安全性，满足了工程勘察和地形测绘中点云快速配准的应用需求；
2. 本发明设计了基于点云局部法向相关的同名点匹配方法，结合基于七参数变换的RANSAC误匹配粗差剔除，有效保证了点云条带间连接点的正确性，为后续配准提供了精确几何约束信息；
3.本发明中采用顾及质心变化的多条带点云无基准几何变换纠正方法，结合点云多条带质心变化及连接点残差整体最小的最小二乘平差准则，实现了多条带点云的整体精确配准，具有较强的实际应用和推广价值。
附图说明
图1为本发明提供的基于局部法向相关的多条带机载激光点云配准方法的流程示意图。
图2为点云局部法向图同名点模板匹配示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的一种基于局部法向相关的多条带机载激光点云配准方法，包括以下步骤：
S1、获取多条带机载激光点云，根据所有激光脚点的平面坐标获取对应的矩形范围，并对所述矩形范围进行格网划分，计算格网点的高程值，形成数字表面模型；
S2、在所述数字表面模型中，计算每个格网点的局部单位法向量及平整度，当任意一个格网点的平整度超过预设阈值时，为该格网点相应的单位法向量映射至RGB彩色空间并为该格网点赋予颜色值，得到点云法向图；
S3、对得到的所有点云法向图，判断相互之间是否存在重叠范围，对存在重叠范围的点云法向图，以其中一个为目标图、另一个为参考图，从参考图上选取特征点，在目标图中搜索匹配点，并采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点；
S4、根据得到的多条带点云连接点，以七参数变换模型变换前后连接点三维距离残差、各条带点云质心变化量作为联合目标函数，进行多条带点云无基准几何变换纠正，实现多条带点云数据的精确配准。
在S1中，所述形成数字表面模型，包括如下步骤：
S101、在所有激光脚点的平面坐标中筛选X方向最大值、最小值和Y方向的最大值 和最小值；记为
Figure 762140DEST_PATH_IMAGE001
、
Figure 745009DEST_PATH_IMAGE002
、
Figure 232622DEST_PATH_IMAGE003
、和
Figure 910728DEST_PATH_IMAGE004
；根据筛选出来的最值，划定矩形范围；
S102、根据预设的采样间隔对所述矩形范围进行格网划分；利用每个格网中心点周围的激光点高程采用双线性内插法，计算格网点的高程值；
S103、按照S102的过程遍历所有格网点，得到所有格网点高程，完成数字表面模型的生成。
具体操作为：
首先计算所有激光脚点平面X和Y方向的最小值和最大值，记为
Figure 594519DEST_PATH_IMAGE001
、
Figure 307260DEST_PATH_IMAGE002
、
Figure 169037DEST_PATH_IMAGE003
、和
Figure 334439DEST_PATH_IMAGE004
，则该矩形范围的左下角和右上角点坐标分别为
Figure 556342DEST_PATH_IMAGE052
和
Figure 389168DEST_PATH_IMAGE053
。 假设预置的格网大小为
Figure 156267DEST_PATH_IMAGE054
，则X方向上可划分格网数为
Figure 808966DEST_PATH_IMAGE055
，Y方向上可 划分格网数为
Figure 837489DEST_PATH_IMAGE056
，各格网点的平面坐标分别为
Figure 524822DEST_PATH_IMAGE057
， 其中
Figure 728402DEST_PATH_IMAGE022
表示格网点所在的行数，
Figure 133975DEST_PATH_IMAGE025
表示各网点所在的列数。
对各网点高程插值计算时，包括假设格网点
Figure 697680DEST_PATH_IMAGE005
的平面坐标为
Figure 239520DEST_PATH_IMAGE058
，则统计 该点一定半径
Figure 614001DEST_PATH_IMAGE059
范围内的激光点集合，根据这些激光点到目标格网点的高程值及其到目标 格网点的平面距离，采用双线性插值的方式计算
Figure 241291DEST_PATH_IMAGE005
的高程值。遍历所有格网分别进行此操 作，可以得到所有格网点高程，从而完成数字表面模型的生成。
在S2中，所述计算每个格网点的局部单位法向量，采用如下方法：
S201、在得到的数字表面模型中，选取目标格网点
Figure 343108DEST_PATH_IMAGE005
，将周围邻域内的N个格网点 取出，记为
Figure 270613DEST_PATH_IMAGE006
；根据邻域内的格网点高程值，进行最小二乘平面拟 合，得到单位法向量
Figure 550416DEST_PATH_IMAGE060
与拟合残差
Figure 399423DEST_PATH_IMAGE008
，并用
Figure 570510DEST_PATH_IMAGE008
代表该格网点的平整度；
S202、判断平整度是否大于预设阈值
Figure 86942DEST_PATH_IMAGE009
，若大于，则认为该格网点平整度低，为 该点赋予颜色
Figure 803226DEST_PATH_IMAGE010
；反之认为该点平整度好，为该网格点赋予颜色
Figure 139529DEST_PATH_IMAGE011
；
S203、遍历所有格网点，依次执行上述S201-S202的操作，生成点云法向图。
需要说明的是，选取目标格网点时，需要选取非边缘格网点，假设格网的总行数和 总列数分别为
Figure 648395DEST_PATH_IMAGE061
和
Figure 894700DEST_PATH_IMAGE062
、法向量计算宽度为
Figure 906518DEST_PATH_IMAGE063
，则非边缘各网点为行号大于
Figure 120331DEST_PATH_IMAGE063
且小于
Figure 243008DEST_PATH_IMAGE064
、列号大于
Figure 609398DEST_PATH_IMAGE063
且小于
Figure 792118DEST_PATH_IMAGE065
的格网点。对于格网点
Figure 227647DEST_PATH_IMAGE005
，将其周围
Figure 154015DEST_PATH_IMAGE063
邻域内 的N个格网点取出，记为
Figure 374912DEST_PATH_IMAGE006
，利用
Figure 728533DEST_PATH_IMAGE066
中的点进行最小二乘平面拟合， 得到单位法向量
Figure 385779DEST_PATH_IMAGE060
与拟合残差
Figure 115838DEST_PATH_IMAGE008
，则以
Figure 456820DEST_PATH_IMAGE008
代表该格网点的平整度。遍历所有非边缘各网 点，分别为它们计算单位法向量及平整度。
假设格网点
Figure 981342DEST_PATH_IMAGE005
单位法向量及平整度分别为
Figure 406112DEST_PATH_IMAGE067
和
Figure 939862DEST_PATH_IMAGE008
，判断
Figure 869772DEST_PATH_IMAGE008
是否大于 预设阈值
Figure 565195DEST_PATH_IMAGE009
，若大于，则认为该格网点平整度较低，为该点赋予颜色
Figure 462613DEST_PATH_IMAGE010
； 反之认为该点平整度较好，为
Figure 534474DEST_PATH_IMAGE005
赋予颜色
Figure 318891DEST_PATH_IMAGE011
。 遍历所有格网点，依次执行上述操作，则可生成点云法向图。
如图2所示，在S3中，所述从参考图上选取特征点，在目标图中搜索匹配点，包括如下步骤：
假设格网的总行数和总列数分别为
Figure 450795DEST_PATH_IMAGE061
和
Figure 569929DEST_PATH_IMAGE062
，参考图特征点的采样步长为
Figure 445482DEST_PATH_IMAGE068
，模 板窗口大小为
Figure 412301DEST_PATH_IMAGE013
，则在参考图上的特征点坐标为
Figure 387210DEST_PATH_IMAGE069
。
在得到的参考图中选取有效的特征点
Figure 993640DEST_PATH_IMAGE012
，取其
Figure 407304DEST_PATH_IMAGE013
邻域内的格网点集
Figure 900734DEST_PATH_IMAGE014
作为匹配窗 口；根据
Figure 374440DEST_PATH_IMAGE012
点的坐标，在目标图中找到对应的位置记为
Figure 471097DEST_PATH_IMAGE015
，假设目标图预设的搜索半径为
Figure 688452DEST_PATH_IMAGE016
，分别以
Figure 567546DEST_PATH_IMAGE012
及其周围
Figure 946575DEST_PATH_IMAGE016
范围内的格网点作为模板窗口中心，取
Figure 324335DEST_PATH_IMAGE013
邻域内的格网点集作 为待匹配窗口，则可得到N=(
Figure 955168DEST_PATH_IMAGE017
)*(
Figure 813402DEST_PATH_IMAGE017
)组待匹配点集，记为
Figure 487966DEST_PATH_IMAGE018
， 分别计算
Figure 431651DEST_PATH_IMAGE014
与
Figure 194071DEST_PATH_IMAGE019
各点集的相关系数
Figure 578916DEST_PATH_IMAGE020
；
Figure 689960DEST_PATH_IMAGE021
其中，
Figure 589783DEST_PATH_IMAGE020
表示以目标图搜索窗口内第
Figure 827998DEST_PATH_IMAGE022
个点作为模板窗口中心时的相关系数，
Figure 395245DEST_PATH_IMAGE023
,
Figure 680121DEST_PATH_IMAGE024
表示参考图中模板窗口第
Figure 332819DEST_PATH_IMAGE025
个格网点的 RGB颜色值，
Figure 109145DEST_PATH_IMAGE026
表示目标图中模板窗口第
Figure 796478DEST_PATH_IMAGE025
个格网点RGB颜色值。
S302、将目标图搜索窗口内的点依次作为模板窗口中心，分别计算参考图模板窗 口与目标图模板窗口的相关系数，得到一组相关系数值，取该组相关系数值中最大值在目 标图中所对应的点位作为
Figure 514904DEST_PATH_IMAGE012
的同名匹配点
Figure 389319DEST_PATH_IMAGE027
；遍历参考图中的每一个特征点分别进行上 述操作，则可实现参考图与目标图的同名点匹配，得到两个点云条带中的一组同名点。
在S301中，所述选取有效的特征点
Figure 703757DEST_PATH_IMAGE012
时，采用如下方法：
首先，根据颜色选取有效的特征点，若选取的特征点为黑色则该特征点无效；
其次，当选取的特征点为其他颜色时，已选取的特征点作为中心点，选取中心点邻域内的各网点集作为匹配窗口，若所述匹配窗口内褐色的格网点数量超过半数，则所述选取的特征点为无效特征点；否则视为有效特征点。
在S3中，采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点，包括如下方法，
S311、从多组同名点中随机抽取4对点，假设这四对点为正确匹配点，利用它们计 算一组七参数变换模型系数，将该系数记为
Figure 245597DEST_PATH_IMAGE028
；
S312、利用七参数变换模型系数
Figure 869345DEST_PATH_IMAGE029
，将点云
Figure 496636DEST_PATH_IMAGE030
中的匹配点坐标
Figure 614764DEST_PATH_IMAGE031
转 换到点云
Figure 11111DEST_PATH_IMAGE032
坐标系下，转换后的坐标记为
Figure 805760DEST_PATH_IMAGE033
，计算
Figure 920347DEST_PATH_IMAGE033
与
Figure 107746DEST_PATH_IMAGE034
对应坐标点的三维距离值，记为
Figure 358598DEST_PATH_IMAGE035
，统计其中小 于预设误差阈值
Figure 61500DEST_PATH_IMAGE036
的个数，记为
Figure 663382DEST_PATH_IMAGE037
，则认为该假设的置信度为
Figure 123314DEST_PATH_IMAGE037
；
S313、重复上述S311至S12，并操作M次，统计M次中置信度最高的假设，若该假设所 对应的模型系数为
Figure 494252DEST_PATH_IMAGE038
，则利用
Figure 630704DEST_PATH_IMAGE038
将点云
Figure 719883DEST_PATH_IMAGE030
中的匹配点 坐标
Figure 717926DEST_PATH_IMAGE031
转换到点云
Figure 864742DEST_PATH_IMAGE032
坐标系下，并计算转换后坐标与
Figure 313041DEST_PATH_IMAGE034
中 相应坐标的三维距离值，将距离值大于预设误差阈值
Figure 499303DEST_PATH_IMAGE036
的匹配点判定为粗差并剔除，则保 留下的点均为正确匹配点，作为带点云连接点。
在S4中，进行多条带点云无基准几何变换纠正，包括如下步骤：
S401、对得到的多条带点云同名点列出几何变换代价方程，形式如下：
Figure 425671DEST_PATH_IMAGE070
式中，
Figure 895835DEST_PATH_IMAGE040
为第
Figure 249456DEST_PATH_IMAGE022
个点云条带的七参数变换模型系数，
Figure 923014DEST_PATH_IMAGE041
为第
Figure 387494DEST_PATH_IMAGE025
个点云条带的七参数 变换模型系数，
Figure 968955DEST_PATH_IMAGE071
为第
Figure 227898DEST_PATH_IMAGE022
个点云条带和第
Figure 654331DEST_PATH_IMAGE025
个点云条带间第
Figure 922501DEST_PATH_IMAGE043
对匹配点坐标，
Figure 101679DEST_PATH_IMAGE044
表示两个三维点间的距离函数。
S402、对变换前后的各条带点云质心变化量列出代价方程，形式如下：
Figure 62682DEST_PATH_IMAGE045
式中，
Figure 710832DEST_PATH_IMAGE040
为第
Figure 517114DEST_PATH_IMAGE022
个点云条带的七参数变换模型系数，
Figure 816377DEST_PATH_IMAGE046
为第
Figure 682702DEST_PATH_IMAGE022
个点云数据中的第
Figure 818148DEST_PATH_IMAGE043
个点的三维坐标，
Figure 428121DEST_PATH_IMAGE047
表示第
Figure 581891DEST_PATH_IMAGE022
个点云数据的总点数，
Figure 884696DEST_PATH_IMAGE044
表示两个三维点间的距离函 数。
S403、多条带点云整体几何变换代价值为
Figure 241859DEST_PATH_IMAGE048
，
其中，W1和W2分别为两类观测值的权矩阵，
Figure 655523DEST_PATH_IMAGE049
为单位矩阵，
Figure 666729DEST_PATH_IMAGE050
，
Figure 140435DEST_PATH_IMAGE051
为点 云条带平均偏差大小的先验值。
S404、通过S401~S403形成的多条带点云无基准几何变换平差模型，按照最小二乘平差准则，精确求解每个点云条带的七参数变换模型系数，利用变换模型系数进行点云坐标纠正，实现多条带点云数据的整体精确配准。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种基于局部法向相关的多条带机载激光点云配准方法，其特征在于，包括以下步骤：
S1、获取多条带机载激光点云，根据所有激光脚点的平面坐标获取对应的矩形范围，并对所述矩形范围进行格网划分，计算格网点的高程值，形成数字表面模型；
S2、在所述数字表面模型中，计算每个格网点的局部单位法向量及平整度，当任意一个格网点的平整度超过预设阈值时，为该格网点相应的单位法向量映射至RGB彩色空间并为该格网点赋予颜色值，得到点云法向图；
S3、对得到的所有点云法向图，判断相互之间是否存在重叠范围，对存在重叠范围的点云法向图，以其中一个为目标图、另一个为参考图，从参考图上选取特征点，在目标图中搜索匹配点，并采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点；
S4、根据得到的多条带点云连接点，以七参数变换模型变换前后连接点三维距离残差、各条带点云质心变化量作为联合目标函数，进行多条带点云无基准几何变换纠正，实现多条带点云数据的精确配准。
2.根据权利要求1所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S1中，所述形成数字表面模型，包括如下步骤：
S101、在所有激光脚点的平面坐标中筛选X方向最大值、最小值和Y方向的最大值和最小值；记为Xmin、Xmax、Ymin、和Ymax；根据筛选出来的最值，划定矩形范围；
S102、根据预设的采样间隔对所述矩形范围进行格网划分；利用每个格网中心点周围的激光点高程采用双线性内插法，计算格网点的高程值；
S103、按照S102的过程遍历所有格网点，得到所有格网点高程，完成数字表面模型的生成。
3.根据权利要求1所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S2中，所述计算每个格网点的局部单位法向量，采用如下方法：
S201、在得到的数字表面模型中，选取目标格网点PT，将周围邻域内的N个格网点取出，记为T＝{Pi|i＝1，2，3...N}；根据邻域内的格网点高程值，进行最小二乘平面拟合，得到单位法向量VT＝(aT，bT，cT)与拟合残差RT，并用RT代表该格网点的平整度；
S202、判断平整度是否大于预设阈值RES，若大于，则认为该格网点平整度低，为该点赋予颜色{R＝0，G＝0，B＝0}；若不大于，认为该格网点平整度高，为该点赋予颜色{R＝127*aT，G＝127*bT，B＝255*cT}；
S203、遍历所有格网点，依次执行上述S201-S202的操作，生成点云法向图。
4.根据权利要求1所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S3中，所述从参考图上选取特征点，在目标图中搜索匹配点，包括如下步骤：
S301、在得到的参考图中选取有效特征点PF，取其dM邻域内的格网点集Q1作为匹配窗口；其中，dM表示模板窗口的大小；根据PF点的坐标，在目标图中找到对应的位置记为PH，假设目标图预设的搜索半径为dS，分别以PF及其周围dS范围内的格网点作为模板窗口中心，取dM邻域内的格网点集作为待匹配窗口，则可得到N＝(dS+1)*(dS+1)组待匹配点集，记为
Figure QLYQS_1
其中i＝1，2，3，...(dS+1)*(dS+1)；分别计算Q1与
Figure QLYQS_2
各点集的相关系数Ci；
Figure QLYQS_3
其中，Ci表示以目标图搜索窗口内第i个点作为模板窗口中心时的相关系数，i＝1，2，3，...(dS+1)*(dS+1)，
Figure QLYQS_4
表示参考图中模板窗口第j个格网点的RGB颜色值，
Figure QLYQS_5
表示目标图中模板窗口第j个格网点RGB颜色值；
S302、将目标图搜索窗口内的点依次作为模板窗口中心，分别计算参考图模板窗口与目标图模板窗口的相关系数，得到一组相关系数值，取该组相关系数值中最大值在目标图中所对应的点位，作为有效特征点PF的同名匹配点PF2；遍历参考图中的每一个特征点分别进行上述操作，则可实现参考图与目标图的同名点匹配，得到两个点云条带中的一组同名点。
5.根据权利要求4所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S301中，所述选取有效的特征点PF时，采用如下方法：
首先，根据颜色选取有效的特征点，若选取的特征点为黑色则该特征点无效；
其次，当选取的特征点为其他颜色时，已选取的特征点作为中心点，选取中心点邻域内的各网点集作为匹配窗口，若所述匹配窗口内褐色的格网点数量超过半数，则所述选取的特征点为无效特征点；否则视为有效特征点。
6.根据权利要求4所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S3中，采用七参数变换模型进行RANSAC匹配点粗差剔除后，得到多条带点云连接点，包括如下方法，
S311、从多组同名点中随机抽取4对点，假设这四对点为正确匹配点，利用它们计算一组七参数变换模型系数，将该系数记为Ti，其中，i＝1、2、3...7；
S312、利用七参数变换模型系数Ti，将点云LF中的匹配点坐标
Figure QLYQS_6
转换到点云LH坐标系下，转换后的坐标记为
Figure QLYQS_7
计算
Figure QLYQS_8
与
Figure QLYQS_9
对应坐标点的三维距离值，记为Ri，统计其中小于预设误差阈值ω的个数，记为s，则认为该假设的置信度为s，其中，
Figure QLYQS_10
Ri中i＝1，2，3，...N；
S313、重复上述S311至S312，并操作M次，统计M次中置信度最高的假设，若该假设所对应的模型系数为Wi，其中，i＝1，2，3，...7，则利用Wi将点云LF中的匹配点坐标
Figure QLYQS_11
转换到点云LH坐标系下，并计算转换后坐标与
Figure QLYQS_12
中相应坐标的三维距离值，将距离值大于预设误差阈值ω的匹配点判定为粗差并剔除，则保留下的点均为正确匹配点，作为带点云连接点。
7.根据权利要求1所述的基于局部法向相关的多条带机载激光点云配准方法，其特征在于，在S4中，进行多条带点云无基准几何变换纠正，包括如下步骤：
S401、对得到的多条带点云同名点列出几何变换代价方程，形式如下：
Figure QLYQS_13
式中，Ti为第i个点云条带的七参数变换模型系数，Tj为第j个点云条带的七参数变换模型系数，
Figure QLYQS_14
为第i个点云条带和第j个点云条带间第k对匹配点坐标，dist(*)表示两个三维点间的距离函数；
S402、对变换前后的各条带点云质心变化量列出代价方程，形式如下：
Figure QLYQS_15
式中，Ti为第i个点云条带的七参数变换模型系数，
Figure QLYQS_16
为第i个点云数据中的第k个点的三维坐标，Ni表示第i个点云数据的总点数，dist(*)表示两个三维点间的距离函数；
S403、多条带点云整体几何变换代价值为CTotal＝W1CP+W2CL，
其中，W1和W2分别为两类观测值的权矩阵，W1为单位矩阵，W2＝W1/u，u为点云条带平均偏差大小的先验值；
S404、通过S401～S403形成的多条带点云无基准几何变换平差模型，按照最小二乘平差准则，精确求解每个点云条带的七参数变换模型系数，利用变换模型系数进行点云坐标纠正，实现多条带点云数据的整体精确配准。
CN202211478866.4A 2022-11-24 2022-11-24 基于局部法向相关的多条带机载激光点云配准方法 Active CN115546266B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211478866.4A CN115546266B (zh) 2022-11-24 2022-11-24 基于局部法向相关的多条带机载激光点云配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211478866.4A CN115546266B (zh) 2022-11-24 2022-11-24 基于局部法向相关的多条带机载激光点云配准方法

Publications (2)

Publication Number Publication Date
CN115546266A CN115546266A (zh) 2022-12-30
CN115546266B true CN115546266B (zh) 2023-03-17

Family

ID=84721421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211478866.4A Active CN115546266B (zh) 2022-11-24 2022-11-24 基于局部法向相关的多条带机载激光点云配准方法

Country Status (1)

Country Link
CN (1) CN115546266B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516695A (zh) * 2021-05-25 2021-10-19 中国计量大学 激光轮廓仪平面度测量中的点云配准策略
CN114170279A (zh) * 2021-11-30 2022-03-11 哈尔滨工程大学 一种基于激光扫描的点云配准方法
CN114299318A (zh) * 2021-12-24 2022-04-08 电子科技大学 一种快速点云数据处理和目标图像匹配的方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010092B (zh) * 2017-12-26 2018-11-13 哈尔滨工业大学 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法
CN109410256B (zh) * 2018-10-29 2021-10-15 北京建筑大学 基于互信息的点云与影像自动高精度配准方法
CN110473239A (zh) * 2019-08-08 2019-11-19 刘秀萍 一种三维激光扫描的高精度点云配准方法
CN111986115A (zh) * 2020-08-22 2020-11-24 王程 激光点云噪声和冗余数据的精准剔除方法
CN112330661A (zh) * 2020-11-24 2021-02-05 交通运输部公路科学研究所 一种多期车载激光点云道路变化监测方法
CN112489094B (zh) * 2020-11-25 2023-08-04 国网福建省电力有限公司 一种多线机载激光雷达点云数据配准方法
CN113870123B (zh) * 2021-08-19 2023-01-03 中国铁路设计集团有限公司 基于车载移动激光点云的接触网导高与拉出值自动检测方法
CN114283070B (zh) * 2022-03-07 2022-05-03 中国铁路设计集团有限公司 融合无人机影像与激光点云的地形断面制作方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516695A (zh) * 2021-05-25 2021-10-19 中国计量大学 激光轮廓仪平面度测量中的点云配准策略
CN114170279A (zh) * 2021-11-30 2022-03-11 哈尔滨工程大学 一种基于激光扫描的点云配准方法
CN114299318A (zh) * 2021-12-24 2022-04-08 电子科技大学 一种快速点云数据处理和目标图像匹配的方法及系统

Also Published As

Publication number Publication date
CN115546266A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN112017224B (zh) Sar数据区域网平差处理方法和系统
CN110443879B (zh) 一种基于神经网络的透视误差补偿方法
CN108759788B (zh) 无人机影像定位定姿方法及无人机
CN111486864B (zh) 基于立体正八边结构的多源传感器联合标定方法
CN103822615A (zh) 一种多控制点自动提取与聚合的无人机地面目标实时定位方法
CN113793270A (zh) 一种基于无人机姿态信息的航拍图像几何校正方法
CN104318583A (zh) 一种可见光宽带光谱图像配准方法
CN107274380A (zh) 一种无人机多光谱影像快速拼接方法
CN108447100B (zh) 一种机载三线阵ccd相机的偏心矢量和视轴偏心角标定方法
CN108917722B (zh) 植被覆盖度计算方法及装置
CN111003214B (zh) 基于云控制的国产陆地观测卫星姿轨精化方法
CN110030968B (zh) 一种基于星载立体光学影像的地面遮挡物仰角测量方法
CN112435303A (zh) 振镜系统校正表构建方法、构建系统及振镜系统校正方法
CN115546266B (zh) 基于局部法向相关的多条带机载激光点云配准方法
CN116499364B (zh) 盘煤仪三维激光点云调畸变方法及系统
CN117392237A (zh) 一种鲁棒的激光雷达-相机自标定方法
CN109658446B (zh) 一种高分辨率遥感影像几何配准方法及装置
CN117092621A (zh) 基于光线追踪校正的高光谱图像-点云立体配准方法
CN115690380B (zh) 一种配准方法及系统
CN112819900B (zh) 一种智能立体摄影内方位、相对定向和畸变系数标定方法
CN112884676B (zh) 一种基于分空间渐进控制的大范围航空遥感影像调色方法
Lindenthal et al. Airborne LIDAR: A fully-automated self-calibration procedure
CN113496505B (zh) 图像配准方法、装置、多光谱相机、无人设备及存储介质
CN108052986A (zh) 基于多通道的最小二乘匹配方法
CN113379648A (zh) 一种高分七号和资源三号立体影像联合平差方法

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