一种基于立体栅格自动分析3D点云配准误差的方法技术

本发明专利技术公开了一种基于立体栅格自动分析3D点云配准误差的方法，包括如下步骤：1）获得源点云；2）获得变换矩阵；3）对源点云进行下采样；4）对源点云进行滤波；5）获得目标点云；6）提取特征点；7）计算特征点的特征向量；8）寻找源点云和目标点云的对应点；9）计算对应点之间的平均距离；10）当寻找的对应点数目减少到阈值下，则进入11，否则修改寻找对应点的控制变量，返回8；11）加权平均即得到激光雷达3D点云配准的误差。本发明专利技术可以定量比较不同配准算法构建3D场景模型的准确性，帮助配准算法在实际应用中确定合适的点云规模，可用在对配准的精度要求较高的激光雷达三维测绘和结构测量领域。

【技术实现步骤摘要】
一种基于立体栅格自动分析3D点云配准误差的方法
本专利技术涉及一种3D点云的数据处理方法，特别涉及一种基于立体栅格自动分析3D点云配准误差的方法，可用在对配准的精度要求较高的激光雷达三维测绘和结构测量领域。
技术介绍
三维激光扫描技术可快速高效的获取被测对象表面的三维坐标，目前被广泛的应用于测绘工程，结构测量，文物保护等领域。但由于三维激光雷达扫描范围的局限性，有时需要多测站多角度扫描，或者多个激光雷达同时扫描。因此，需要通过3D点云数据融合和配准技术，来将多个点云配准到同一个坐标系下，获得物体表面完整的信息，实现对三维场景真实立体的再现。针对点云配准，目前行业内的标准做法是在测量期间放置标志物。但是由于手动放置标志物该过程非常费时，并且当这些标志物不可避免地遮挡了一些对象和场景或者分布在边界不清的点云集合中，都会导致配准的失败。基于以上原因，越来越多的研究者投入激光雷达点云自动配准的研究中来。其中ICP算法无需标记，且产生了很多高效的变体，应用广泛。但是由于激光雷达采样物体表面产生的点云常常是稀疏不均的，并且雷达采样的误差以及移动的物体，植物等反射表面产生的噪声都会造成配准精度下降。多站配准还会引起误差传递，更重要的是，针对不同的激光雷达采集的不同场景，配准算法的效果都有明显差异。在激光雷达三维测绘和结构测量领域，比如对空间位置的测量，器件面积和体积的测量，都要求配准算法具有高精度的特性。王忠武等(图像融合中配准误差的影响【J】，测绘科学，王忠武，赵忠明，2010(02))实例表明,配准误差对融合质量的影响较大,在遥感图像融合处理中,配准误差越小越好。因此，在配准算法变体繁多的情况下，针对不同的场景选择最合适的配准算法就必须研究配准算法的准确性。除此之外，点云数目大小也会对配准算法产生影响：其一是对算法效率的影响：点数越多，计算效率低。但是点数越少，并不一定能提高算法效率；其二是对配准准确率的影响，点数少，则一些包含关键信息和特征的点可能被滤除，从而导致配准时出现错误对应点对增多的情况。目前计算配准算法误差的方法大部分都只是在自身配准方法的基础上计算，因此不具有通用性和可比较性。
技术实现思路
在激光雷达三维测绘和结构测量领域，比如对空间位置的测量，器件面积和体积的测量，都要求配准算法具有高精度的特性，因此，为了在配准算法变体繁多的情况下，选择精度最高的算法构建3D场景，本专利技术提供一种基于立体栅格自动分析3D点云配准误差的方法，利用全局特征子寻找对应点，再加权平均得到最终的误差。该方法可适应稀疏密度不均的点云，并且能够自动确定邻域大小，保留足够多的特征信息，与理论误差的相关性也得到了验证；还可以帮助配准算法在实际应用中确定合适的点云规模；可以用于但不限于激光雷达三维测绘和结构测量领域。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种基于立体栅格自动分析3D点云配准误差的方法，包括如下步骤：步骤1，通过激光雷达获得源点云；步骤2，获得配准完成时的变换矩阵；步骤3，对步骤1中的源点云进行下采样；步骤4，对步骤3中下采样后的源点云进行滤波；步骤5，将滤波后源点云中的每一点乘上变换矩阵，获得目标点云；步骤6，计算步骤4中滤波后的源点云和步骤5中获得的目标点云中的每一点的曲率，并根据曲率的大小提取特征点，得到源点云特征点集合以及目标点云特征点集合；步骤7，计算步骤6中提取的源点云和目标点云特征点的点特征直方图特征向量；步骤8，寻找步骤6中提取的源点云特征点和目标点云特征点的对应点，基于随机采样一致性算法RANSAC对寻找到的所有对应点对集合进行筛选，得到对应点对集合，其中随机采样一致性算法RANSAC的拒绝阈值为激光雷达的分辨率；步骤9，计算步骤8中对应点对集合中每对对应点两点之间的距离的平均值；步骤10，若当前对应点对集合中的对应点对数少于第一次寻找得到的对应点对数的40％，则进入步骤11，否则将当前随机采样一致性算法RANSAC的拒绝阈值减去激光雷达分辨率的1/50作为新的拒绝阈值，返回步骤8；步骤11，将各次迭代时步骤9得到的距离平均值进行加权平均，即得到最终激光雷达3D点云配准的误差。作为本专利技术的进一步优化方案，步骤3中对源点云进行下采样，具体为：3.1，构建一个能够包围源点云数据的最小的三维长方体空间，将该长方体空间均匀划分为若干个三维体素栅格；3.2，对每个栅格内的每个点，利用利用kd-tree搜索其K近邻，计算邻域法向量，并求出该点和其邻域法向量之间的夹角，其中，K的取值为栅格内的点数；3.3，对每个栅格，计算该栅格内所有点和其邻域法向量之间夹角的平均值，若平均值大于50°则该栅格的边长减小为原边长的一半，否则该栅格的边长增大为原边长的两倍；3.4，根据3.3中的栅格边长，重新划分3.1中的长方体空间，重复3.2至3.3，直至所有栅格的边长保持不变；3.5，选取每个栅格内的质心作为关键点来代替该栅格内的其他点，从而形成关键点集合，完成源点云的下采样。作为本专利技术的进一步优化方案，步骤4中对下采样后的源点云进行滤波，具体为：4.1，对每个关键点利用kd-tree搜索其K近邻，计算该关键点与其所有近邻点的距离的平均值，得到关键点集合对应的一个平均值集合；4.2，计算4.1中平均值集合的标准差以及平均值，其中，该平均值集合的平均值即为全局距离平均值；4.3，对任一关键点，若该关键点与其所有近邻点的距离的平均值超出全局距离平均值一倍标准差，则剔除该关键点，得到一个新的关键点集合，从而完成对下采样后的源点云的滤波。作为本专利技术的进一步优化方案，步骤6中计算滤波后的源点云和目标点云中的每一点的曲率，并根据曲率的大小提取特征点，具体为：6.1，分别计算滤波后的源点云中所有点曲率的平均值以及目标点云中所有点曲率的平均值；6.2，选取滤波后的源点云中曲率大于平均值的点作为特征点，得到源点云特征点集合；6.3，选取目标点云中曲率大于平均值的点作为特征点，得到目标点云特征点集合。作为本专利技术的进一步优化方案，步骤8中寻找源点云特征点和目标点云特征点的对应点，具体为：8.1，遍历源点云特征点集合，计算每个源点云特征点与目标点云特征点集合中每个点对应的特征向量的距离，并计算所有源点云特征点与目标点云特征点集合中每个点对应的特征向量的距离的平均值；8.2，遍历目标点云特征点集合，计算每个目标点云特征点与源点云特征点集合中每个点对应的特征向量的距离，并计算所有目标点云特征点与源点云特征点集合中每个点对应的特征向量的距离的平均值；8.3，若lij＜20％lp且nji＜20％lq，其中，lij表示目标点云特征点集合中第i个特征点mi与源点云特征点集合中第j个特征点qj对应的特征向量的距离，lp表示所有目标点云特征点与源点云特征点集合中每个点对应的特征向量的距离的平均值，nji表示源点云特征点集合中第j个特征点qj与目标点云特征点集合中第i个特征点mi对应的特征向量的距离，lq表示所有源点云特征点与目标点云特征点集合中每个点对应的特征向量的距离的平均值，i∈{1,2,…,MN}，MN表示目标点云特征点集合M中的特征点数，j∈{1,2,…,QN}，QN表示源点云特征点集合Q中的特征点数，则点mi与qj为对应点；8.4，基于随本文档来自技高网...

【技术保护点】
一种基于立体栅格自动分析3D点云配准误差的方法，其特征在于，包括如下步骤：步骤1，通过激光雷达获得源点云；步骤2，获得配准完成时的变换矩阵；步骤3，对步骤1中的源点云进行下采样；步骤4，对步骤3中下采样后的源点云进行滤波；步骤5，将滤波后源点云中的每一点乘上变换矩阵，获得目标点云；步骤6，计算步骤4中滤波后的源点云和步骤5中获得的目标点云中的每一点的曲率，并根据曲率的大小提取特征点，得到源点云特征点集合以及目标点云特征点集合；步骤7，计算步骤6中提取的源点云和目标点云特征点的点特征直方图特征向量；步骤8，寻找步骤6中提取的源点云特征点和目标点云特征点的对应点，基于随机采样一致性算法RANSAC对寻找到的所有对应点对集合进行筛选，得到对应点对集合，其中随机采样一致性算法RANSAC的拒绝阈值为激光雷达的分辨率；步骤9，计算步骤8中对应点对集合中每对对应点两点之间的距离的平均值；步骤10，若当前对应点对集合中的对应点对数少于第一次寻找得到的对应点对数的40％，则进入步骤11，否则将当前随机采样一致性算法RANSAC的拒绝阈值减去激光雷达分辨率的1/50作为新的拒绝阈值，返回步骤8；步骤11，将各次迭代时步骤9得到的距离平均值进行加权平均，即得到最终激光雷达3D点云配准的误差。...

【技术特征摘要】
1.一种基于立体栅格自动分析3D点云配准误差的方法，其特征在于，包括如下步骤：步骤1，通过激光雷达获得源点云；步骤2，获得配准完成时的变换矩阵；步骤3，对步骤1中的源点云进行下采样；步骤4，对步骤3中下采样后的源点云进行滤波；步骤5，将滤波后源点云中的每一点乘上变换矩阵，获得目标点云；步骤6，计算步骤4中滤波后的源点云和步骤5中获得的目标点云中的每一点的曲率，并根据曲率的大小提取特征点，得到源点云特征点集合以及目标点云特征点集合；步骤7，计算步骤6中提取的源点云和目标点云特征点的点特征直方图特征向量；步骤8，寻找步骤6中提取的源点云特征点和目标点云特征点的对应点，基于随机采样一致性算法RANSAC对寻找到的所有对应点对集合进行筛选，得到对应点对集合，其中随机采样一致性算法RANSAC的拒绝阈值为激光雷达的分辨率；步骤9，计算步骤8中对应点对集合中每对对应点两点之间的距离的平均值；步骤10，若当前对应点对集合中的对应点对数少于第一次寻找得到的对应点对数的40％，则进入步骤11，否则将当前随机采样一致性算法RANSAC的拒绝阈值减去激光雷达分辨率的1/50作为新的拒绝阈值，返回步骤8；步骤11，将各次迭代时步骤9得到的距离平均值进行加权平均，即得到最终激光雷达3D点云配准的误差。2.根据权利要求1所述的一种基于立体栅格自动分析3D点云配准误差的方法，其特征在于，步骤3中对源点云进行下采样，具体为：3.1，构建一个能够包围源点云数据的最小的三维长方体空间，将该长方体空间均匀划分为若干个三维体素栅格；3.2，对每个栅格内的每个点，利用利用kd-tree搜索其K近邻，计算邻域法向量，并求出该点和其邻域法向量之间的夹角，其中，K的取值为栅格内的点数；3.3，对每个栅格，计算该栅格内所有点和其邻域法向量之间夹角的平均值，若平均值大于50°则该栅格的边长减小为原边长的一半，否则该栅格的边长增大为原边长的两倍；3.4，根据3.3中的栅格边长，重新划分3.1中的长方体空间，重复3.2至3.3，直至所有栅格的边长保持不变；3.5，选取每个栅格内的质心作为关键点来代替该栅格内的其他点，从而形成关键点集合，完成源点云的下采样。3.根据权利要求2所述的一种基于立体栅格自动分析3D点云配准误差的方法，其特征在于，步骤4中对下采样后的源点云进行滤波，具体为：4.1，对每个关键点利用kd-tree搜索其K近邻，计算该关键点与其所有近邻点的距离的平均值，得到关键点集合对应的一个平均值集合；4.2，计算4.1中平均值集合的标准差以及平均值，其中，该平均值集合的平均值即为全局距离平均值；4.3，对任一关键点，若该关键点...

【专利技术属性】
技术研发人员：赵兴群，丁晨静，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32