一种三维激光扫描点云精度评价方法技术

本发明专利技术公开了一种三维激光扫描点云精度评价方法，首先对三维激光扫描误差源进行系统的分析，构建由光斑、测距、测角及配准引起的点位误差模型；然后引入信息熵，利用激光点位概率密度函数模型，建立激光点位信息熵，并根据误差熵和信息熵的关系，构建激光点位误差熵模型；最后，考虑相邻激光点位误差熵相互影响的情况下，构建邻近点误差熵，并利用投影算法，构建点云误差熵，实现基于误差熵空间的点云精度评价。本发明专利技术克服了传统三维激光扫描点云精度无法评价的缺点，有助于真实反映点云产品构建的精度，为三维激光扫描应用的可靠性提供了理论依据。

A precision evaluation method for 3D laser scanning point cloud

The invention discloses a 3D laser scanning point cloud accuracy evaluation method, the first systematic analysis of 3D laser scanning error source, caused by the construction spot, and angle measurement and registration error of the model; then information entropy is introduced, using laser point probability density function model, and set up the laser point information entropy. According to the relation between error entropy and information entropy, construct the laser point error entropy model; finally, considering adjacent laser point error entropy interaction under the condition of construction of adjacent point error entropy, and the projection algorithm, error model of point cloud entropy, realize the evaluation of error entropy space point cloud based on precision. The invention overcomes the shortcomings that the traditional three-dimensional laser scanning point cloud can not be evaluated accurately, and can help to accurately reflect the precision of the dot cloud product construction, and provides a theoretical basis for the reliability of the three-dimensional laser scanning application.

【技术实现步骤摘要】
一种三维激光扫描点云精度评价方法
本专利技术属于三维激光扫描
，涉及一种点云精度评价方法，具体涉及一种三维激光扫描点云精度评价方法。
技术介绍
近几年三维激光扫描技术得到了广泛的应用，其主要应用于虚拟场景再现、城市空间测绘及文物修复等领域，而目前基于三维激光扫描的点云精度评价是研究的热点内容，主要是由于三维激光扫描采集的点云应用在了各个领域，如点云产品的构建及变形监测等，点云精度的评价将直接影响其应用领域的可靠性，而传统的评价只是针对单点，无法实现点云整体的精度评价，而目前，学者对其研究较多的是基于标靶或基于特征点的三维激光扫描点位精度的评价，如对反射标靶进行重复扫描，通过重心拟合或K-均值聚类方法提取标靶中心来实现激光点位精度的评价，Pereira(1999)提取了建筑物顶部特征点的激光点位数据，并将这些特征点坐标与参考数据进行比较来评价激光点云数据质量；Ahokas(2003)对半径两米内的激光点云数据进行分析，利用统计分析的方法将半径2m内的点云与圆形中心参考点进行对比分析，以此来评价激光点云数据精度；另一种方法主要是基于重复扫描相同区域进行对比分析来评价点云精度Ahokas,E(2005)。虽然给出了三维激光扫描点位及重复扫描点云精度评价方法，但没有给出点云内符合精度评价方法，同时对于激光点云仍然采用标准差对其进行评价，失去了角度分辨率及扫描间隔对点云精度影响的分析。如何构建评价点云精度的激光点云误差模型，如何由误差模型构建点云内符合精度的指标体系，是三维激光扫描进行可靠性应用的关键问题。在三维激光扫描过程中，普遍的认为只有测距、测角误差。而忽略了激光点位光斑对激光点位精度的影响，光斑是激光点位误差的主要来源之一(Schaer，2008)，其影响三维激光扫描点云精度评价的主要因素之一。传统的三维激光扫描点云精度评价中，没有考虑这些误差因素对点云精度的影响，造成了点云精度评价的可靠性受到质疑，甚至给出了错误的点云精度。因此，有必要解决三维激光扫描点云精度评价指标模型构建问题。目前，三维激光扫描点云精度的评价还存在以下不足：1.没有对激光点位误差进行系统分析，造成点云精度的评价得不到保证；2.只是单纯的对激光扫描点位精度及重复扫描精度进行评价，该评价结果并不能代表真实的点云精度；3.激光点位精度评价主要是采用标准差进行的，而忽略了角度分辨率及扫描间隔对邻近点位精度的相互影响，造成评价结果的不可靠。
技术实现思路
为了解决现有技术存在的问题，本专利技术提供了一种三维激光扫描点云精度评价方法，以提高激光扫描应用的可靠性。本专利技术所采用的技术方案是：一种三维激光扫描点云精度评价方法，其特征在于，包括以下步骤：步骤1：三维激光扫描，获得点云数据；步骤2：对三维激光扫描误差源进行分析，建立由光斑误差引起的激光点光斑误差模型，建立由测距误差、测角误差引起的测距测角误差模型；结合激光点光斑误差模型、测距侧角误差模型和配准误差模型，获得激光点位误差模型；步骤3：引入信息熵模型，在考虑广义分布情况下的激光点位概率密度函数，构建激光点位信息熵，通过误差熵和信息熵的关系，构建反应点位误差空间的点位误差熵模型；步骤4：在考虑邻近点误差熵相互影响的前提下，构建邻近点误差熵模型；步骤5：利用投影算法，构建真实激光点云误差熵模型；步骤6：利用真实点云误差熵和原始点云误差熵的比对关系，实现基于点云误差熵点云精度的评价。作为优选，步骤1中，针对采集的三维激光扫描点云数据，采用改进的ICP方法或四元素方法，实现点云整体匹配；利用水平集对统一后的点云进行噪声剔除，获取无粗差的点云数据，并采用法向量夹角信息熵对邻近点均匀状况进行描述，得到目标物表面凸凹的判断，对不同凸凹状况的点云设置不同的简化率，实现点云的非均匀自动简化。作为优选，所述改进的ICP方法，具体实现过程是：首先采用图像进行初始配准，再将图像转换到点云下面，并在原有的ICP算法的基础上，采用八叉树的方法对于每次搜索到的对应点都对其进行剔除，从而避免了搜索点的重复，提高了搜索效率。作为优选，步骤2中所述建立由光斑误差引起的激光点光斑误差模型，具体实现过程是：首先分析激光点位光斑特性，给出激光点位在光斑中服从高斯分布的概率密度函数，并由此构建基于光斑影响的激光点光斑误差模型。作为优选，步骤2中所述激光点位误差模型为：式中：为旋转角和平移参数协方差矩阵；为雅克比矩阵，Rig为旋转参数，Ccar为测距、测角及光斑引起的激光点位误差协方差矩阵。作为优选，步骤3中所述构建反应点位误差空间的点位误差熵模型，具体实现过程是：假设邻近点误差熵以邻近点u,v,w坐标系为中心原点，则邻近点激光点位误差熵如下式所示：其中，ai,、bi、ci及ai+1、bi+1、ci+1为邻近点误差熵三个半长轴长度；u、v、w为激光点误差熵的三个轴向；假设邻近点误差熵在u方向存在交集，且交点为-ai和d+ai,利用邻近误差椭球交点计算公式，确定邻近激光点误差熵在u轴方向的交点为:其中，d为扫描间隔；则对于邻近点第一个激光点误差熵，在区间[-aim]内的误差熵大小为：其中，m为点云的行数；对于第二个误差熵，在区间[md+ai]内的误差熵大小为：根据邻近点不同区间内的误差熵大小Δp1,Δp2，得到整个区间内的相邻点位误差熵模型为：作为优选，步骤4中所述邻近点误差熵模型为：其中，ai,、bi、ci及ai+1、bi+1、ci+1为邻近点误差熵三个半长轴长度，m为点云的行数，d为扫描间隔。作为优选，步骤5的具体实现过程是：假设相邻激光点位误差熵为：其中，ai,、bi、ci及ai+1、bi+1、ci+1为邻近点误差熵三个半长轴长度，d为扫描间隔；根据邻近点位误差熵交集计算公式，得到邻近点位误差熵交集大小：利用邻近点误差熵大小及整个点云误差熵大小，则得到真实激光点云误差熵为：式中，n为点云列数，m为点云的行数。作为优选，步骤6中，构建基于误差熵的点云精度评价指标的具体实现过程是：在不考虑邻近点位误差熵相交情况下，激光点位误差熵的三个半轴长度为ai、bi、ci，则点云误差熵为：考虑邻近点位误差熵相交的情况下，激光点位误差熵的三个半轴长度为a′i、b′i、c′i，点云误差熵为：考虑激光点位的缩放，且对应于ai方向的缩放因子为ηi，而ai的最小值为min(ai)，假设min(ai)对应的尺度参数为ηi，则：从而得到：a′i＝ηiai,b′i＝ηibi,c′i＝ηici；将上式带入及Δperror-entropy，得到：由以上确定的考虑相邻误差熵交集的三个半轴长度，得到实际点云误差协方差为：该模型即为点云中每个点的精度指标模型，结合点云误差熵Δperror-entropy，即可得到用于评价点云精度的指标体系。本专利技术与现有的技术相比，具有以下主要的优点：1.对激光光斑特性进行了系统的探讨，分析了激光在光斑中的分布特点，并给出了激光束光斑的概率密度函数，从而将激光束对激光测量点位进行了量化，并将该量化结果成功转换到激光点位精度评价中，如表1所示。表1激光束对激光点位精度的量化2.在激光测量点位量化精度的基础上，融合了激光测距、测角及配准误差的影响，从而形成了激光点位误差融合模型，并将适用于广义分布特性的误差熵引入到该融合模型中，计算了邻本文档来自技高网...

【技术保护点】
一种三维激光扫描点云精度评价方法，其特征在于，包括以下步骤：步骤1：三维激光扫描，获得点云数据；步骤2：对三维激光扫描误差源进行分析，建立由光斑误差引起的激光点光斑误差模型，建立由测距误差、测角误差引起的测距测角误差模型；结合激光点光斑误差模型、测距侧角误差模型和配准误差模型，获得激光点位误差模型；步骤3：引入信息熵模型，在考虑广义分布情况下的激光点位概率密度函数，构建激光点位信息熵，通过误差熵和信息熵的关系，构建反应点位误差空间的点位误差熵模型；步骤4：在考虑邻近点误差熵相互影响的前提下，构建邻近点误差熵模型；步骤5：利用投影算法，构建真实激光点云误差熵模型；步骤6：利用真实点云误差熵和原始点云误差熵的比对关系，实现基于点云误差熵点云精度的评价。

【技术特征摘要】
1.一种三维激光扫描点云精度评价方法，其特征在于，包括以下步骤：步骤1：三维激光扫描，获得点云数据；步骤2：对三维激光扫描误差源进行分析，建立由光斑误差引起的激光点光斑误差模型，建立由测距误差、测角误差引起的测距测角误差模型；结合激光点光斑误差模型、测距侧角误差模型和配准误差模型，获得激光点位误差模型；步骤3：引入信息熵模型，在考虑广义分布情况下的激光点位概率密度函数，构建激光点位信息熵，通过误差熵和信息熵的关系，构建反应点位误差空间的点位误差熵模型；步骤4：在考虑邻近点误差熵相互影响的前提下，构建邻近点误差熵模型；步骤5：利用投影算法，构建真实激光点云误差熵模型；步骤6：利用真实点云误差熵和原始点云误差熵的比对关系，实现基于点云误差熵点云精度的评价。2.根据权利要求1所述的三维激光扫描点云精度评价方法，其特征在于：步骤1中，针对采集的三维激光扫描点云数据，采用改进的ICP方法或四元素方法，实现点云整体匹配；利用水平集对统一后的点云进行噪声剔除，获取无粗差的点云数据，并采用法向量夹角信息熵对邻近点均匀状况进行描述，得到目标物表面凸凹的判断，对不同凸凹状况的点云设置不同的简化率，实现点云的非均匀自动简化。3.根据权利要求2所述的三维激光扫描点云精度评价方法，其特征在于，所述改进的ICP方法，具体实现过程是：首先采用图像进行初始配准，再将图像转换到点云下面，并在原有的ICP算法的基础上，采用八叉树的方法对于每次搜索到的对应点都对其进行剔除，从而避免了搜索点的重复，提高了搜索效率。4.根据权利要求1所述的三维激光扫描点云精度评价方法，其特征在于，步骤2中所述建立由光斑误差引起的激光点光斑误差模型，具体实现过程是：首先分析激光点位光斑特性，给出激光点位在光斑中服从高斯分布的概率密度函数，并由此构建基于光斑影响的激光点光斑误差模型。5.根据权利要求1所述的三维激光扫描点云精度评价方法，其特征在于，步骤2中所述激光点位误差模型为：式中：为旋转角和平移参数协方差矩阵；为雅克比矩阵，Rig为旋转参数，Ccar为测距、测角及光斑引起的激光点位误差协方差矩阵。6.根据权利要求1所述的三维激光扫描点云精度评价方法，其特征在于，步骤3中所述构建反应点位误差空间的点位误差熵模型，具体实现过程是：假设邻近点误差熵以邻近点u,v,w坐标系为中心原点，则邻近点激光点位误差熵如下式所示：其中，ai,、bi、ci及ai+1、bi+1、ci+1为邻近点误差熵三个半长轴长度；u、v、w为激光点误差熵的三个轴向；假设邻近点误差熵在u方向存在交集，且交点为-ai和b+ai,利用邻近误差椭球交点计算公式，确定邻近激光点误差熵在u轴方向的交点为:其中，d为扫描间隔；则对于邻近点第一个激光点误差熵，在区间[-aim]内的误差熵大小为：其中，m为点云的行数；对于第二个误差熵，在区间[md+ai]内的误差熵大小为：

【专利技术属性】
技术研发人员：陈西江，花向红，吴浩，
申请(专利权)人：武汉理工大学，武汉大学，
类型：发明
国别省市：湖北,42