CN116721239A - 一种基于多个雷达设备的自动化点云拼接方法 - Google Patents

一种基于多个雷达设备的自动化点云拼接方法 Download PDF

Info

Publication number
CN116721239A
CN116721239A CN202310692359.9A CN202310692359A CN116721239A CN 116721239 A CN116721239 A CN 116721239A CN 202310692359 A CN202310692359 A CN 202310692359A CN 116721239 A CN116721239 A CN 116721239A
Authority
CN
China
Prior art keywords
point cloud
point
points
sphere
radar
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.)
Granted
Application number
CN202310692359.9A
Other languages
English (en)
Other versions
CN116721239B (zh
Inventor
高佳锋
李晓方
王强
张付岗
赵文静
张岩
武娇娇
贾颜兴
王磊
邵福
赵彦伟
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.)
Shanxi Sunshine Three Pole Polytron Technologies Inc
Original Assignee
Shanxi Sunshine Three Pole Polytron Technologies Inc
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 Shanxi Sunshine Three Pole Polytron Technologies Inc filed Critical Shanxi Sunshine Three Pole Polytron Technologies Inc
Priority to CN202310692359.9A priority Critical patent/CN116721239B/zh
Publication of CN116721239A publication Critical patent/CN116721239A/zh
Application granted granted Critical
Publication of CN116721239B publication Critical patent/CN116721239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多个雷达设备的自动化点云拼接方法，属于雷达点云技术领域，具体技术方案为：获取雷达点云数据，激光雷达点云数据的抽稀、去噪等预处理，采用空间中五组点坐标构建转换坐标系，通过标靶提取雷达间的公共点坐标，自动识别标靶点，采用点云球心拟合算法计算标靶球心，计算两两雷达间的旋转矩阵和平移向量的参数，使源点云旋转平移过去与目标点云重合，能够实现多个雷达的点云数据拼接，解决多视角残缺点云的补全问题，利用自动识别标靶来进行点云拼接，能够解决重叠率低的两片点云拼接难度大、精度低的问题，有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。

Description

一种基于多个雷达设备的自动化点云拼接方法
技术领域
本发明属于雷达点云技术领域，具体涉及一种基于多个雷达设备的自动化点云拼接方法。
背景技术
点云扫描设备在对环境进行扫描时，往往不能在同一坐标系下将环境的点云数据一次性测量。其原因是环境大小超过了扫描设备的测量范围，并且环境里的物体之间相互遮挡，点云扫描设备在一个角度不太可能扫描到物体的完整点云。得到多片点云数据后，我们需要一种技术将多片点云数据旋转平移到统一的坐标系下，使它们能够组成完整的环境点云数据，这种技术叫点云拼接，点云拼接技术使得大规模、无死角场景三维建模成为可能。
已有的激光雷达点云拼接技术按照不同的分类依据，可以划分为多个类别。根据转换矩阵解算时所依赖的基元不同，点云配准方法可划分为基于点基元的方法、基于几何基元的方法以及基于体素基元的方法三大类。此种方法依赖于特征描述准确性，否则会严重降低算法精度；按照配准的目的或者阶段不同，可以分为粗配准和精配准两种方法，其中粗配准主要用于解决较大初始转换误差条件下配准矩阵的粗搜寻问题，精配准方法主要用于解决较小初始转换误差条件下配准矩阵的高精度优化问题，此种方法的精配准依赖初始值，否则容易陷入局部最优解当中，在点云拼接中的鲁棒性较低。
发明内容
为解决同一空间中多个雷达设备的点云拼接技术问题，本发明提供了一种基于多个雷达设备的自动化点云拼接方法，提高了点云拼接的鲁棒性。
为实现上述目的，本发明所采用的技术方案为：一种基于多个雷达设备的自动化点云拼接方法，包括：
S1、获取激光雷达点云数据，对环境中布设好的雷达定时采集点云数据，点云数据包括源点云和目标点云，并存入对应路径下。
S2、点云预处理，对原始激光雷达点云数据进行降采样、去噪等预处理。
进一步是，步骤S2具体包括以下步骤：
S21、点云降采样，对采集到的原始激光雷达点云数据采用体素化降采样方法进行抽稀，该方法通过使用规则体素网格从输入点云创造一致化降采样点云，具体为：①把点云装进体素网格；②把每个被占据的体素中点做平均，取一个精确的点。
S22、点云去噪，对降采样后的点云数据进行统计滤波方法去噪，该方法计算每个点到其所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，被定义为离群点并从数据集中去除掉。
S3、建立用于雷达间坐标转换的空间直角坐标系，利用共顶点互相垂直的三条棱构建直角坐标系的原理，采用空间中五组点建立用于转换的空间直角坐标系。
S4、球体标靶特征提取、自动识别，对每个激光雷达采集到的全局点云中提取球体标靶的球面点，再对球面点的点位按雷达关系进行一一对应的识别。
进一步是，步骤S4具体包括以下步骤：
S41、球体标靶特征提取，对采集到的点云数据进行球体特征识别和反射率的筛选，提取出五组标靶的点云数据。具体为：在全局点云中提取球体目标区域中的点作为待检测点，再从中筛选出反射率较高的点。
关于球体特征识别，采用球面点的自动提取算法，具体为：
1)、利用最小二乘法拟合二次曲面，计算点的平均曲率和高斯曲率，筛选出平均曲率K>0，高斯曲率H>0的所有点。
2)、在筛选出的点中随机取一点，计算邻域，拟合局部球面得到球半径r，球心坐标(x0,y0,z0)，给定半径误差阈值ε(ε>0)。
3)、对邻域中的每个点到球心的距离d进行计算，若符合条件：r-ε≤d≤r+ε，则认为该点为球面点。若不符合半径条件的点超过给定的数量条件(本实施例设定3至6个)，则认为随机点与其邻域组成的局部点不是球面点，将这些点删除，重新随机取点，直到取到局部球面。
4)、计算所有到球心坐标距离符合半径条件的点，并输出球面点。
关于反射率的筛选，因为球体标靶贴了高反射率纸，正常情况下，它们的反射率参数在150左右，在上述步骤(识别球体特征)之后，对提取出的点再进行反射率筛选，即可确定全局点中的标靶球面点。
S42、球体标靶自动识别，这个步骤主要是做到将两两雷达间的标靶一一对应起来(标靶的点位对应)，用于后续源点云与目标点云间的旋转矩阵r和平移向量t参数的计算。本实施例中对标靶点位的自动识别算法包括：先采用聚类算法，再进行分类(包括计算每个类的中心点、中心距离以及向量叉乘方法)，将五组点一一对应并依次写入指定路径下。
S5、球面拟合算法计算球心，考虑到噪点的影响，在拟合球面之前，先对点云数据进行统计滤波预处理，处理过程同上述步骤S22。然后再采用最小二乘法拟合三维球面数据，旨在使拟合的半径在均方意义下误差达到最小，目标函数如下：
ei(x0,y0,z0,r)＝(xi-x0)2+(yi-y0)2+(zi-z0)2-r2
式中，ei是拟合半径的误差，(xi,yi,zi)是已知球面坐标，(x0,y0,z0)和r是拟合的球心坐标和半径。
则误差的平方和为：
式中，E是x0,y0,z0,r的函数，因此，令E分别对x0,y0,z0,r的偏导数等于0，即可求出球心(x0,y0,z0)和半径r。
S6、求解旋转矩阵R和平移向量t，求两个点云之间的旋转平移矩阵，将源点云变换到目标点云相同的坐标系下。
实施例中有相邻两个激光雷达A、B的扫描数据，有公共球标靶C1、C2、C3、C4、C5，通过点拟合的方法提取A中的C1、C2、C3、C4、C5的三维坐标，同理提取B中的五个球标靶的三维坐标，采用点云配准公式Pt＝R·Ps+T(其中，R是旋转矩阵，T是平移向量，Ps和Pt是源点云和目标点云中的对应点)把雷达B的点云坐标转换到雷达A的坐标系下。
其中，求解旋转矩阵R和平移向量t，采用奇异值分解的最小二乘刚性配准，最优化求解旋转矩阵R和平移向量t等价于最小化目标函数如下：
式中，R就是旋转矩阵，t是平移向量，SO(d)表示d维空间的一组旋转群，Rd是变换空间，pi和qi是变换空间中的两组点集，wi(wi>0)是每对点的权重，利用特征值分解S＝U∑VT计算旋转矩阵，旋转矩阵具体如下：
其中，U和V分别为m×m和n×n的单位正交矩阵，U称为左奇异矩阵，V称为右奇异矩阵，∑是一个对角阵，对角线上的元素为奇异值。
平移向量其中，/>是两个点集的加权质心。
S7、利用点云合成序列，进行多个雷达点云的拼接。首先采用广度优先搜索思想，将要合成的多个雷达的id输出为序列。在点云拼接中，按照合成序列和上述步骤S6计算出的雷达间的旋转矩阵R和平移向量t，将源点云变换到目标点云相同的坐标系下。
关于广度优先搜索算法：将某一雷达id1作为序列初始点，依次访问雷达id1的各个邻接点，直至所有已被访问的顶点的邻接点都被访问到。若此时还有雷达id未被访问，则选此未被访问的雷达id作为新的起始点，重复上述过程，使得所有雷达id均被访问。
综上所述，本发明具有如下的有益技术效果：
(1)本发明利用自动识别标靶来进行点云拼接，能够解决重叠率低的两片点云拼接难度大、精度低的问题，有效提高了初始重叠程度较低的点云数据的拼接精度和时间效率。
(2)本发明通过获取球体标靶球心的方法进行点云拼接，在实际应用中简便易行，且获取的靶心坐标精度较高，利用靶心坐标解算旋转平移参数，实现点云数据向目标坐标系的转换，能够发挥其便于布设和精度较高的优点，可以有效提高点云拼接的效率和质量。
附图说明
图1为本发明的流程示意图。
图2为本发明实用的球体标靶示意图。
图3为雷达设备采集的第一期点云数据图像。
图4为雷达设备采集的第二期点云数据图像。
图5为一期数据与二期数据拼接后的点云数据图像。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，一种基于多个雷达设备的自动化点云拼接方法，包括以下具体步骤：
S1、激光雷达点云数据采集。对合成区域的尺寸(长、宽、高)进行测量，结合激光雷达扫描的有效距离等性能指标，合理布设激光雷达，并定时采集数据。本实施例的点云数据获取是通过某煤矿的煤仓中布设好的雷达定时采集点云数据，雷达安装高度约11m。最终将采集数据存入对应路径下。具体实施时，所采用的激光雷达参数如下表1所示：
表1激光雷达设备技术参数
激光波长 905nm
量程 60m 5％反射率
视场角(FOV) 70.4圆形
测距误差 ＜＝2cm
数据率 240000点/秒
数据延迟 ＜＝2ms
供电 127VAC
输出接口 1路以太网
S2、点云预处理，对原始激光雷达点云数据进行降采样、去噪等预处理。
进一步是，步骤S2包括以下步骤：
S21、点云降采样，对采集到的原始激光雷达点云数据采用体素化降采样方法进行抽稀，该方法通过使用规则体素网格从输入点云创造一致化降采样点云，具体为：①把点云装进体素网格；②把每个被占据的体素中点做平均，取一个精确的点。本实施例中指定体素尺寸为1cm，以此进行体素化降采样。
S22、点云去噪，对降采样后的点云数据进行统计滤波方法去噪，该方法计算每个点到其所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，被定义为离群点并从数据集中去除掉。本实施例中指定邻域点数量为30，以此计算平均距离，基于点云的平均距离的标准差乘数选取0.05。
S3、建立用于雷达间坐标转换的空间直角坐标系，利用共顶点互相垂直的三条棱构建直角坐标系的原理，采用空间中四组点(每三个点确定的平面互相垂直)建立用于转换的空间直角坐标系。图2示出了本实施例中使用的球体标靶，采用五组标靶点构建坐标系，增加对角线上的点，是为了提高标靶的稳健性，提高合成精度。
S4、球体标靶特征提取、自动识别。对每个激光雷达采集到的全局点云中提取球体标靶的球面点，再对球面点的点位按雷达关系进行一一对应的识别。
进一步是，步骤S4包括以下步骤：
S41、球体标靶特征提取，对采集到的点云数据进行球体特征识别和反射率的筛选，提取出五组标靶的点云数据。具体为：在全局点云中提取球体目标区域中的点作为待检测点，再从中筛选出反射率较高的点，本实施例中的反射率阈值定为50。
关于球体特征识别，采用球面点的自动提取算法，具体为：
1)、利用最小二乘法拟合二次曲面，计算点的平均曲率和高斯曲率，筛选出平均曲率K>0，高斯曲率H>0的所有点。
2)、在筛选出的点中随机取一点，计算邻域，拟合局部球面得到球半径r，球心坐标(x0,y0,z0)，给定半径误差阈值ε(ε>0)。
3)、对邻域中的每个点到球心的距离d进行计算，若符合条件：r-ε≤d≤r+ε，则认为该点为球面点，若不符合半径条件的点超过给定的数量条件(本实施例设定3至6个)，则认为随机点与其邻域组成的局部点不是球面点，将这些点删除。重新随机取点，直到取到局部球面。
4)、计算所有到球心坐标距离符合半径条件的点，并输出球面点。
关于反射率的筛选，因为球体标靶贴了高反射率纸，正常情况下，它们的反射率参数在150左右，在上述步骤(识别球体特征)之后，对提取出的点再进行反射率筛选，即可确定全局点中的标靶球面点。
S42、球体标靶自动识别，这个步骤主要是做到将两两雷达间的标靶一一对应起来(标靶的点位对应)，用于后续源点云与目标点云间的旋转矩阵r和平移向量t参数的计算。本实施例中对标靶点位的自动识别算法包括：先采用聚类算法，再进行分类(计算中心点、中心距离以及向量叉乘方法)，将五组点一一对应并依次写入指定路径下。
具体步骤是：1)、将识别到的五组标靶球面点采用dbscan聚类算法，通过寻找一系列的紧紧挨着的高密度核心点，以及这批核心点外层的边界点，将其聚类成簇，得到带标签的类。本实施例中同一聚类中最大点间距为100mm，有效聚类的最小点数为50。2)、对聚类后的数据进行分类，计算五组点的中心，并计算中心点间的距离，按距离大小排序，选出排序后距离较大的五条边，计算各标签出现的总次数，获得数组中每个值出现的次数，获得个数最多的值的下标即为最高点集的标签，获得个数最少的值的下标即为原点点集的标签，取出最长的一条边，这条边出现的标签是最高点和对角线的点，排除最高点，获得对角线的点集对应的标签，最终用距离判断出高点、原点(高点正下方的点)、对角线的点；再用向量叉乘的右手法则判断剩余两个点，两个向量的叉乘公式为：
n＝u(x1,y1,z1)×v(x1,y1,z1)＝(y1*z2-y2*z1,x2*z1-x1*z2,x1*y2-x2*y1)
当n>0时，向量u到向量v为逆时针旋转；当n<0时，向量u到向量v为顺时针旋转。最终得到一一对应的标靶数据。本实施例中对雷达采到数据的文件名(煤仓id_雷达id_时间戳.pcd形式的文件)进行切片，得到雷达id，依次将每个雷达id对应的标靶文件写入对应路径下。
S5、球面拟合算法计算球心，考虑到噪点的影响，在拟合球面之前，先对点云数据进行统计滤波预处理，处理过程同上述步骤S22。然后再采用最小二乘法拟合三维球面数据，旨在使拟合的半径在均方意义下误差达到最小，目标函数如下：
ei(x0,y0,z0,r)＝(xi-x0)2+(yi-y0)2+(zi-z0)2-r2
式中，ei是拟合半径的误差，(xi,yi,zi)是已知球面坐标，(x0,y0,z0)和r分别是拟合的球心坐标和半径。
则误差的平方和为：
式中，E是x0,y0,z0,r的函数，因此令E分别对x0,y0,z0,r的偏导数等于0，即可求出球心(x0,y0,z0)和半径r。
S6、求解旋转矩阵R和平移向量t。求两个点云之间的旋转平移矩阵，将源点云变换到目标点云相同的坐标系下。
实施例中有相邻两个激光雷达A、B的扫描数据，有公共球标靶C1、C2、C3、C4、C5。通过点拟合的方法提取A中的C1、C2、C3、C4、C5的三维坐标，同理提取B中的五个球标靶的三维坐标。采用点云配准公式Pt＝R·Ps+T(其中，R是旋转矩阵，T是平移向量，Ps和Pt分别是源点云和目标点云中的对应点)，把雷达A的点云坐标转换到雷达B的坐标系下。图3和图4分别示出了激光雷达A、B用于拼接的两期煤堆点云数据。
其中，求解旋转矩阵R和平移向量t，采用奇异值分解的最小二乘刚性配准，最优化求解旋转矩阵R和平移向量t等价于最小化目标函数如下：
式中，R就是旋转矩阵，t是平移向量，SO(d)表示d维空间的一组旋转群，Rd是变换空间，pi和qi是变换空间中的两组点集，wi(wi>0)是每对点的权重，利用特征值分解S＝U∑VT计算旋转矩阵，旋转矩阵具体如下：
其中，U和V分别为m×m和n×n的单位正交矩阵，U称为左奇异矩阵，V称为右奇异矩阵，∑是一个对角阵，对角线上的元素为奇异值。
平移向量其中，/>是两个点集的加权质心。
表2为本实施例中两个激光雷达计算出的公共球标靶的球心坐标，根据上述求解旋转矩阵R和平移向量t的公式编制点云旋转及平移程序，得到源点云向目标点云坐标转换的旋转平移参数，如表3所示。
表2公共球标靶的球心坐标(单位：mm)
表3旋转平移参数
S7、利用点云合成序列，进行多个雷达点云的拼接。首先采用广度优先搜索(BFS)思想，将要合成的多个雷达的id输出为序列。在点云拼接中，按照合成序列和上述步骤S6计算出的雷达间的旋转矩阵R和平移向量t，将源点云变换到目标点云相同的坐标系下。
关于广度优先搜索算法(BFS)：从某一雷达id1出发，在访问了id1之后依次访问其邻接点，然后分别从这些邻接点出发依次访问它们的邻接点，并使得“先被访问的顶点的邻接点先于后被访问的顶点的邻接点被访问”，直至图中所有已被访问的顶点的邻接点都被访问到。如果此时尚有雷达id未被访问，则需要另选一个未曾被访问过的雷达id作为新的起始点，重复上述过程，直至所有雷达id都被访问到为止。本实施例中所有雷达id记录在数据库中的表内，依据广度优先搜索算法对所有雷达id进行序列化，并将序列计算结果入库，进一步结合雷达间的旋转矩阵R和平移向量t，最终将序列中其余雷达id的点云坐标变换到序列末的雷达id点云相同的坐标系下。
图5示出了本实施例雷达设备采集的两期数据自动拼接后的点云数据图像，利用本发明可以拼接出完整的煤堆点云数据且拼接效果较好。利用表2和表3计算出的球标靶球心坐标和雷达间的旋转平移参数，选择雷达A和雷达B的同名点对，将雷达A的坐标转换到B雷达坐标系后的结果与雷达B坐标的真实点云数据进行坐标差的对比分析，结果如表4所示。由下表4计算结果可知：本实施例用球标靶配准后的坐标误差在3cm以内，对于大规模场景点云的合成和三维重建，影响不大，是一种可靠的点云拼接方法。
表4球标靶配准后精度分析(单位：mm)
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包在本发明范围内。

Claims (7)

1.一种基于多个雷达设备的自动化点云拼接方法，其特征在于，具体步骤如下：
S1、获取激光雷达点云数据，对环境中布设好的雷达定时采集点云数据，并存入对应路径下；
S2、点云预处理，对原始激光雷达点云数据进行降采样、去噪预处理；
S3、建立用于雷达间坐标转换的空间直角坐标系，利用共顶点互相垂直的三条棱构建直角坐标系的原理，采用空间中五组点建立用于转换的空间直角坐标系；
S4、球体标靶特征提取、自动识别，对每个激光雷达采集到的全局点云中提取球体标靶的球面点，再对球面点的点位按雷达关系进行一一对应的识别；
S5、球面拟合算法计算球心，在拟合球面之前，先对点云数据进行统计滤波预处理，然后再采用最小二乘法拟合三维球面数据，使拟合的半径在均方意义下误差达到最小，目标函数如下：
ei(x0,y0,z0,r)＝(xi-x0)2+(yi-y0)2+(zi-z0)2-r2
式中，ei是拟合半径的误差，(xi,yi,zi)是已知球面坐标，(x0,y0,z0)是拟合的球心坐标，r是拟合的半径；
则误差的平方和为：
式中，E是半径误差平方和，令E分别对x0,y0,z0,r的偏导数等于0，即可求出球心(x0,y0,z0)和半径r；
S6、求解旋转矩阵R和平移向量t，求不同雷达坐标系间的旋转平移矩阵，将源点云变换到目标点云相同的坐标系下；
S7、利用点云合成序列，进行多个雷达点云的拼接，首先采用广度优先搜索思想，将要合成的多个雷达的id输出为序列，在点云拼接中，按照合成序列和上述步骤S6计算出的雷达间的旋转矩阵R和平移向量t，将源点云变换到目标点云相同的坐标系下。
2.根据权利要求1所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，所述点云数据由源点云和目标点云组成。
3.根据权利要求1所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，在步骤S2中，具体步骤如下：
S21、点云降采样，对采集到的原始激光雷达点云数据采用体素化降采样方法进行抽稀，该方法通过使用规则体素网格从输入点云创造一致化降采样点云，具体为：把点云装进体素网格；把每个被占据的体素中点做平均，取一个精确的点；
S22、点云去噪，对降采样后的点云数据进行统计滤波方法去噪，该方法计算每个点到其所有临近点的平均距离，假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围之外的点，被定义为离群点并从数据集中去除掉。
4.根据权利要求1所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，在步骤S4中，具体步骤如下：
S41、球体标靶特征提取，对采集到的点云数据进行球体特征识别和反射率的筛选，提取出五组标靶的点云数据，在全局点云中提取球体目标区域中的点作为待检测点，再从中筛选出反射率较高的点；
关于球体特征识别，采用球面点的自动提取算法，具体为：1)、利用最小二乘法拟合二次曲面，计算点的平均曲率和高斯曲率，筛选出平均曲率K>0，高斯曲率H>0的所有点；2)、在筛选出的点中随机取一点，计算邻域，拟合局部球面得到球半径r，球心坐标(x0,y0,z0)；给定半径误差阈值ε(ε>0)；3)、对邻域中的每个点到球心的距离d进行计算，若符合条件：r-ε≤d≤r+ε，则认为该点为球面点，若不符合半径条件的点超过给定的数量条件，则认为随机点与其邻域组成的局部点不是球面点，将这些点删除，重新随机取点，直到取到局部球面；4)、计算所有到球心坐标距离符合半径条件的点，并输出球面点；
对提取出的点再进行反射率筛选，即可确定全局点中的标靶球面点；
S42、球体标靶自动识别，将两两雷达间的标靶一一对应起来，用于后续源点云与目标点云间的旋转矩阵r和平移向量t参数的计算。
5.根据权利要求3所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，在步骤S5中，点云数据进行统计滤波预处理过程同上述步骤S22。
6.根据权利要求1所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，相邻两个激光雷达A、B的扫描数据，有公共球标靶C1、C2、C3、C4、C5，通过点拟合的方法提取A中的C1、C2、C3、C4、C5的三维坐标，同理提取B中的五个球标靶的三维坐标，采用点云配准公式Pt＝R·Ps+T，把雷达B的点云坐标转换到雷达A的坐标系下；
其中，R是旋转矩阵，T是平移向量，Ps和Pt是源点云和目标点云中的对应点；
其中，求解旋转矩阵R和平移向量t，采用奇异值分解的最小二乘刚性配准，最优化求解旋转矩阵R和平移向量t等价于最小化目标函数如下：
式中，R就是旋转矩阵，t是平移向量，SO(d)表示d维空间的一组旋转群，Rd是变换空间，pi和qi是变换空间中的两组点集，wi(wi>0)是每对点的权重，利用特征值分解S＝U∑VT计算旋转矩阵，旋转矩阵具体如下：
其中，U和V分别为m×m和n×n的单位正交矩阵，U称为左奇异矩阵，V称为右奇异矩阵，∑是一个对角阵，对角线上的元素为奇异值；
平移向量其中，/>是两个点集的加权质心。
7.根据权利要求1所述的一种基于多个雷达设备的自动化点云拼接方法，其特征在于，在步骤S7中，关于广度优先搜索算法为：将雷达id1作为序列初始点，依次访问雷达id1的各个邻接点，直至所有已被访问的顶点的邻接点都被访问到，若此时还有雷达id未被访问，则选此未被访问的雷达id作为新的起始点，重复上述过程，使得所有雷达id均被访问。
CN202310692359.9A 2023-06-12 2023-06-12 一种基于多个雷达设备的自动化点云拼接方法 Active CN116721239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310692359.9A CN116721239B (zh) 2023-06-12 2023-06-12 一种基于多个雷达设备的自动化点云拼接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310692359.9A CN116721239B (zh) 2023-06-12 2023-06-12 一种基于多个雷达设备的自动化点云拼接方法

Publications (2)

Publication Number Publication Date
CN116721239A true CN116721239A (zh) 2023-09-08
CN116721239B CN116721239B (zh) 2024-01-26

Family

ID=87872909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310692359.9A Active CN116721239B (zh) 2023-06-12 2023-06-12 一种基于多个雷达设备的自动化点云拼接方法

Country Status (1)

Country Link
CN (1) CN116721239B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036647A (zh) * 2023-10-10 2023-11-10 中国电建集团昆明勘测设计研究院有限公司 基于倾斜实景三维模型的地面曲面提取方法
CN117471433A (zh) * 2023-12-28 2024-01-30 广东威恒输变电工程有限公司 基于高反射强度标靶的施工机械激光点云实时提取方法
CN117726886A (zh) * 2024-02-08 2024-03-19 华侨大学 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205603A (zh) * 2021-05-07 2021-08-03 无锡信捷电气股份有限公司 一种基于旋转台的三维点云拼接重建方法
CN113269673A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于标准球架的三维点云拼接方法
WO2021212844A1 (zh) * 2020-04-21 2021-10-28 广东博智林机器人有限公司 点云拼接方法、装置、设备和存储设备
CN113936099A (zh) * 2021-09-30 2022-01-14 东北大学 基于单目结构光和旋转平台的三维图像重建方法及系统
CN115063458A (zh) * 2022-07-27 2022-09-16 武汉工程大学 一种基于三维激光点云的料堆体积计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021212844A1 (zh) * 2020-04-21 2021-10-28 广东博智林机器人有限公司 点云拼接方法、装置、设备和存储设备
CN113269673A (zh) * 2021-04-26 2021-08-17 西安交通大学 一种基于标准球架的三维点云拼接方法
CN113205603A (zh) * 2021-05-07 2021-08-03 无锡信捷电气股份有限公司 一种基于旋转台的三维点云拼接重建方法
CN113936099A (zh) * 2021-09-30 2022-01-14 东北大学 基于单目结构光和旋转平台的三维图像重建方法及系统
CN115063458A (zh) * 2022-07-27 2022-09-16 武汉工程大学 一种基于三维激光点云的料堆体积计算方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036647A (zh) * 2023-10-10 2023-11-10 中国电建集团昆明勘测设计研究院有限公司 基于倾斜实景三维模型的地面曲面提取方法
CN117036647B (zh) * 2023-10-10 2023-12-12 中国电建集团昆明勘测设计研究院有限公司 基于倾斜实景三维模型的地面曲面提取方法
CN117471433A (zh) * 2023-12-28 2024-01-30 广东威恒输变电工程有限公司 基于高反射强度标靶的施工机械激光点云实时提取方法
CN117471433B (zh) * 2023-12-28 2024-04-02 广东威恒输变电工程有限公司 基于高反射强度标靶的施工机械激光点云实时提取方法
CN117726886A (zh) * 2024-02-08 2024-03-19 华侨大学 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质
CN117726886B (zh) * 2024-02-08 2024-05-14 华侨大学 鲁棒的激光雷达点云地面点提取方法、装置、设备及介质

Also Published As

Publication number Publication date
CN116721239B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN116721239B (zh) 一种基于多个雷达设备的自动化点云拼接方法
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
Lari et al. An adaptive approach for segmentation of 3D laser point cloud
Tazir et al. CICP: Cluster Iterative Closest Point for sparse–dense point cloud registration
CN100485662C (zh) 基于数据动态存取模型的产品点云型面特征分析方法
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN107192350A (zh) 一种三维激光扫描仪内参数标定方法及装置
CN108107444A (zh) 基于激光数据的变电站异物识别方法
CN116736331A (zh) 一种基于激光雷达的煤仓中存煤量的自动化测量方法
CN103020637B (zh) 一种基于K-plane算法的建筑物顶面点云数据分割方法
CN107798696A (zh) 一种基于保局pca的三维点云配准方法
CN114663373B (zh) 一种用于零件表面质量检测的点云配准方法及装置
CN114200477A (zh) 一种激光三维成像雷达地面目标点云数据处理方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN111932669A (zh) 一种基于边坡岩体特征对象的变形监测方法
CN115205354B (zh) 基于ransac和icp点云配准的相控阵激光雷达成像方法
Jiang et al. Learned local features for structure from motion of uav images: A comparative evaluation
CN111507194B (zh) 一种基于分形维监督学习的地基LiDAR枝叶点云分离方法
CN112581511A (zh) 基于近似直立扫描点云快速配准的三维重建方法及系统
Kim et al. New approach for planar patch segmentation using airborne laser data
Wang et al. Banana pseudostem width detection based on kinect V2 depth sensor
CN112950708B (zh) 一种定位方法、定位装置及机器人
Wang et al. Coarse point cloud registration by EGI matching of voxel clusters
Jiang et al. Efficient Match Pair Retrieval for Large-scale UAV Images via Graph Indexed Global Descriptor
CN113724305B (zh) 一种林区点云快速配准方法

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