密度自适应的激光点云特征检测方法技术

本发明专利技术公开一种密度自适应的激光点云特征检测方法，为了解决现有特征检测算法对点云密度变化鲁棒性差的问题；本发明专利技术通过密度自适应的特征点提取，使得算法具备可重复性、鲁棒性和敏感性三个重要特征；并且以当前观测中其他特征点的相对位置作为描述信息，构建几何形状特征描述子；提高了特征匹配的鲁棒性。

【技术实现步骤摘要】
密度自适应的激光点云特征检测方法
本专利技术属于计算机视觉领域，特别涉及一种密度自适应的激光点云特征检测技术。
技术介绍
二维激光雷达将激光发射装置安装在旋转机械上，通过计算激光发射和接收的相位差，获取被观测点到雷达的距离。二维激光雷达获取的障碍物相对雷达的角度以及距离信息，通过余弦和正弦操作就可以转换为激光点云，常用于同步定位与构图算法、定位算法和避障算法。机器人定位算法常采用扫描匹配的方法和基于特征的匹配方法。扫描匹配的方法在机器人先验位姿空间中搜索使得当前点云和地图最匹配最优的位姿。扫描匹配主要缺陷在于随着机器人位姿先验不确定性增大，搜索方法的计算效率随之降低。基于特征匹配的方法通过对当前点云提取特征，然后通过匹配当前特征与历史观测特征方法实现定位。激光点云特征是环境几何形状的高效表示方式，根据所处环境的不同，常用于检测的环境特征也有所不同，室内的特征主要包括角点、线和平面，室外的特征主要包括树木、建筑物轮廓等。基于特征匹配的方法，不依赖于运动先验，是实现同步定位与构图算法中回环检测的重要手段。因此，激光点云特征提取是一项十分有意义研究。但与图像信息不同，点云主要包含了环境的几何特征，并不包含环境的颜色和纹理信息，并且由于激光传感器噪声、点的离散误差和数据缺失等问题，要实现可重复的点云特征提取是一项极具挑战性的任务。特征点提取最早出现在图像领域，在多视几何的三维重构中发挥着十分重要的作用。通过发现不同图像中的相同特征点，可找到两幅图像的关联点对，并用于求解相机参数以及恢复图像深度。因此，特征点提取在计算机视觉领域扮演着不可或缺的角色。随着计算机视觉的不断发展，特征点应具有的属性有了越来越清晰的定义，设计良好的特征点应该具备如下性质：(1)敏感性。即要求能够响应环境的变化。(2)可复现性。在不同观测条件下，相同的特征点应该能够被重复检测到，如：不同的观测距离或观测视角。(3)鲁棒性。尽可能地减小光照和天气变化等观测噪声对特征点检测的影响。(4)具有距离测度。能够检测不同特征点之间的相似程度。由于图像本身容易受到光照和环境变化的影响，因此特征点检测也受限于这些条件，对光照条件恶劣和环境变化较快的场合稳定性很差。激光扫描仪由于利用激光发射和接受的相位差直接计算光源到物体的距离，其所得点云受环境光线干扰很小，因此点云特征具有更好的稳定性。与图像不同，由于点云描述了物体的形状，因此点云的特征能描述被检测物体的一些特定形状，如：角点、直线和平面。Blongie等提出了形状语境(ShapeContext)的概念，被广泛用于数字识别领域。由于形状语境能很好的表述点周围物体的形状，因此也被广泛用于激光点云的特征点描述。Tipaldi等提出了FLIRT(FastLaserInterestRegionTransform)特征用于检测二维激光雷达获取的距离数据所包含的特征，FLIRT利用了尺度空间的理论，设计了三种特征点响应函数：①直接使用距离数据作为响应函数的输入；②使用法向量作为响应函数的输入；③使用曲率作为响应函数的输入。FLIRT使用形状语境进行描述，同时新增加栅格描述子用于描述特征点周围空间的占有状态。Li等把二维和三维的激光转换为图像，然后利用多尺度的Kanade-Tomasi角点检测算子在图像中检测特征点的位置。随后，Li等在此基础上进行改进，通过在激光点云而非图像上使用结构张量来检测特征点，使特征提取算法变得更加鲁棒。Steder等通过把点云转换为深度图，在深度图中提取物体边界作为特征点，同时提出了NARF(NormalAlignedRadialFeature)用作点云几何特征的描述子。NARF是目前点云几何特征中相对完善的一类特征，其整体设计借鉴了视觉领域特征提取的思想。Zhang等提出通过比较点与邻域内点云重心的距离用来检测点云边和面特征，这些特征点被用于加速激光雷达里程计(LaserOdometryAndMapping,LOAM)位姿计算。Serafin等针对先前点云特征提取算法处理稀疏点云时鲁棒性差的缺陷，提出了利用主成分分析法(PrincipalComponentsAnalysis,PCA)对点邻域进行分析，最终得到点云的线和面特征。Kallasi等提出了FALKO(FastAdaptiveLaserKeypointOrientation)，用于提取二维激光点云中角点特征，通过实验与现有的FLIRT算法进行对比，发现该算法在可复现性上具有优势，并被用于同步定位与构图算法的回环检测中。以上方法依然存在众多局限，主要表现在：(1)对点云密度变化的鲁棒性差。激光扫描仪装置主要是通过在旋转机械上安装一个激光发射装置，采用飞行时间原理计算光源到被观测物体的距离。受限于旋转机械的精度，激光雷达都具有一定的旋转分辨率。旋转分辨率不可避免地导致激光点云是一种离散的结构。激光点云密度与激光相对被观测物体的视角和距离紧密相关。现有的特征点检测算法对点云密度发生变化的适应性很差，不同的点云密度通常需要设置不同的参数。然而，由于视角和距离的变化，在一次观测点云中可能存在着不同密度的点云，为了实现稳定的特征点检测，就需要克服密度变化对特征检测的影响。(2)局部形状特征描述子缺乏全局信息且不稳定。以往的方法采用特征点邻域内的点云对特征点进行描述，它不能提供全局信息，很容易造成误匹配。例如，在一个室内结构中，往往有很多相同结构特征，这时采用局部形状构描述子，难以区分特征点之间的差异。另一方面，局部形状特征受对点云密度的变化影响大，当邻域内点很稀疏的时候，局部形状描述就会产生很大的变化，影响匹配的准确性。
技术实现思路
为了解决上述技术问题，本专利技术提出了一种密度自适应的激光点云特征检测方法，克服了现有特征检测算法对点云密度变化鲁棒性差的缺点，能够重复稳定地检测激光点云特征，可用于机器人定位和构图算法。本专利技术实现的核心包括提取特征点和构建特征描述子。在提取特征点步骤中，针对点云密度变化的特性，本专利技术设计了一种密度自适应的特征点提取算法，它具备可重复性、鲁棒性和敏感性的特征。在构建特征描述子的步骤中，针对以往特征描述子匹配效率低、鲁棒性差的缺点，本专利技术设计了几何形状语境，它以当前观测中其他特征点的相对位置作为描述信息，提高了特征匹配的鲁棒性。本专利技术涉及的技术如下：1、几何形状语境特征点集合为K，用向量G表示特征点ki∈K的几何形状描述子，向量G中元素gj具体计算方法为：gj＝ln||kjc-ki||2(1)其中，kjc是特征点ki的第j个扇形分区中距离其最近的特征点。当第j个扇形分区没有特征点时，gj＝0。2、特征点提取21、根据设置的聚类半径对点云进行聚类，具体为：如果当前扫描点与前一个扫描点的距离在预设范围内，则当前点与前一个扫描点属于同一类；否则，把当前扫描点设置为新的聚类种子，对剩余的点进行聚类。重复以上步骤，直到点云中所有的点都被聚到不同的类中。对尺寸小于预设的类尺寸域值κ的类进行剔除。22、提取候选点，具体为：遍历当前点的左邻域与右邻域，从左邻域与右邻域中各选取一点，记录每一种取值可以与当前点连成三角形的个数n，以及记录所述三角形中面积大于对应面积响应值的三角形个数m，计算响应比例α：如果响应比例α超出了预设值本文档来自技高网...

【技术保护点】
1.密度自适应的激光点云特征检测方法，其特征在于，包括：S1、数据预处理，根据聚类半径对点云进行聚类；S2、从每个类的点云中提取候选点；S3、对步骤S2提取的候选点进行打分处理；S4、若当前候选点邻域内的候选点个数超过预设阈值，则保留当前候选点，否则剔除；得到候选点集合；S5、选出打分最高的候选点作为特征点，并将选出的候选点从候选点集合中剔除，然后更新候选点集合；S6、在候选点集合中剔除极大值抑制半径内的候选点，然后更新候选点集合，若更新后的候选点集合为空，则得到特征点集合，然后执行步骤S7；否则返回步骤S5；S7、将每个特征点周围区域在极坐标下划分为若干个扇形分区，通过分析各自邻域点在其扇形分区的位置计算得到每个特征点的方向在扇形分区中的位置；S8、根据特征点集合以及各特征点方向在扇形分区中的位置，得到各特征点的几何形状描述子。

【技术特征摘要】
1.密度自适应的激光点云特征检测方法，其特征在于，包括：S1、数据预处理，根据聚类半径对点云进行聚类；S2、从每个类的点云中提取候选点；S3、对步骤S2提取的候选点进行打分处理；S4、若当前候选点邻域内的候选点个数超过预设阈值，则保留当前候选点，否则剔除；得到候选点集合；S5、选出打分最高的候选点作为特征点，并将选出的候选点从候选点集合中剔除，然后更新候选点集合；S6、在候选点集合中剔除极大值抑制半径内的候选点，然后更新候选点集合，若更新后的候选点集合为空，则得到特征点集合，然后执行步骤S7；否则返回步骤S5；S7、将每个特征点周围区域在极坐标下划分为若干个扇形分区，通过分析各自邻域点在其扇形分区的位置计算得到每个特征点的方向在扇形分区中的位置；S8、根据特征点集合以及各特征点方向在扇形分区中的位置，得到各特征点的几何形状描述子。2.根据权利要求1所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S1具体为：通过设置聚类半径对点云进行聚类，并对小于预设类尺寸的类进行剔除。3.根据权利要求1所述的密度自适应的激光点云特征检测方法，其特征在于，步骤S2具体为：S21、根据aexp(b||pk||)计算当前点pk的邻域半径Rk；其中，a和b为预设参数，||·||为欧式距离函数；S22、根据Rk计算出点pk的邻域C(pk)：C(pk)＝{pj:||pk-pj||＜Rk}pk的邻域C(pk)内的点可以分为左邻域CL(pk)和右邻域CR(pk)两部分，分别为：CL(pk)＝{pj∈C(pk):j＜k}CR(pk)＝{pj∈C(pk):j＞k}其中，下标k表示点pk在激光点云中的索引，下标j表示点pj在激光点云中的索引，且k≠j；S23、计算三角形Δlipkrj的面积sij,则有：其中，li∈CL(pk)，rj∈CR(pk)，(lix,liy)为点li坐标；(pkx,p...

【专利技术属性】
技术研发人员：左琳，赵绍安，张昌华，刘宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51