融合道路多元特征的车载激光雷达点云非刚性配准方法技术

本发明专利技术涉及车载激光雷达数据处理领域，公开了融合道路多元特征的车载激光雷达点云非刚性配准方法，包括以下步骤：步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿；步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。本方案有效解决了现在复杂城市环境中无法获取高质量点云三维坐标的问题。坐标的问题。坐标的问题。

【技术实现步骤摘要】
融合道路多元特征的车载激光雷达点云非刚性配准方法


[0001]本专利技术涉及车载激光雷达数据处理领域，具体涉及一种融合道路多元特征的车载激光雷达点云非刚性配准方法。

技术介绍

[0002]车载激光雷达（LiDAR）技术作为移动测量领域正处于快速发展的一种地理信息获取与处理技术，在平台移动过程中能实时测量道路面以及道路环境的几何信息和激光回波强度信息，以及GNSS/IMU组合系统（POS）所获载体的位置、姿态、速度等轨迹信息，具有三维数据获取速度快、更新周期短、数据处理自动化程度高、实景全要素“复制”等特点，在道路工程、街道工程、三维建模、无人驾驶三维高精度地图生产中应用广泛。
[0003]但是，当前的车载激光雷达技术仍然无法赶上多应用领域对于厘米级高精度点云获取的追求，究其原因是在于点云数据采集环境越来越复杂，使三维点云的采集总会因为各种原因而出现一定的误差，尤其是对于情况复杂多变的城市场景。
[0004]城市场景的道路网交错、层叠，构筑物复杂，建筑、行道树、高架桥等人工构筑物往往导致移动测量中车载LiDAR系统的GNSS定位信号强度减弱，使这个期间采集到的三维点云数据出现偏差，同时，也会因为定位信号减弱而产生多路径效应，进一步增大采集误差。虽然，经过多传感器出厂检校的车载LiDAR系统所获点云的点位精度可达到厘米级。然而，在GNSS弱定位环境下，移动测量载体的状态误差会随时间累积，产生平台位置和姿态（简称“位姿”）误差，不同区域精度水平不一致且随时间产生非刚性变换，点位精度会降低至分米级或米级。GNSS弱定位环境的客观存在，致使如何消除或减弱位姿误差已成为车载LiDAR点云精度提高急需解决的难题。
[0005]车载LiDAR点云存在厘米级至米级时变误差，致使重访点云的刚体地物存在一定非刚性变换；同时，现实场景存在行车、行人、飘动树叶等移动的非刚性地物现象，移动目标的影响应在刚体地物的时变非刚性配准中予以考虑。但是，现在已有非刚性配准方法存在待估参数多、精度和稳健性差、自动化程度低等严重不足，致使非刚性配准效果差。
[0006]为此，急需提供一种专门针对城市场景的且能够精准进行非刚性配准的方法。

技术实现思路

[0007]本专利技术意在提供融合道路多元特征的车载激光雷达点云非刚性配准方法，以达到能够在复杂的道路网中实现对车载激光雷达点云的高精度非刚性配准。
[0008]为达到上述目的，本专利技术采用如下技术方案：融合道路多元特征的车载激光雷达点云非刚性配准方法，包括以下步骤：步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位
姿；步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。
[0009]本方案的原理及优点是：相比于现在没有专门针对城市复杂道路网进行的车载激光雷达点云获取方法，本方案针对城市复杂场景，融合道路多元特征，结合POS系统误差时间变化特性，从车载激光雷达数据内部匹配约束和稀疏地面控制外部约束两方面来对采集的三维点云进行修正，使得到修正后的三维点云精准度更高。
[0010]实际应用中，本方案不仅适用于复杂的城市场景，也适用于其他复杂程度小于等于城市场景的其他场景，本方案具有较强的通用性和迁移性。
[0011]在本领域中，无论在三维点云精准度提高方面，还是在城市场景的非刚性配准方面均存在较严重惯性思维。大家更多地集中精力单方面的考虑如何从后期数据处理能力上去提高计算上的精准度，或者是单方面的强调车载激光雷达本身或者POS系统本身的精度高低，而忽略了对现实场景的处理和利用，尤其是忽略了现场实际的移动目标烦扰和有效多元特征提取，以及忽略了车载激光雷达数据的时变非刚性特点，导致自动化程度低、计算效能低、精度和稳健性差、配准结果和现实场景相差较大。而本方案抛弃了这样的惯性思维，并没有一味追求单方面提高某个部分的精度，充分考虑了现场环境的复杂性，首先是选择面向对象的方式，充分利用场景的有效信息，用相对稳定的计算方法对车载激光雷达进行内部匹配，并结合场景对象的基元结构精确匹配建立广义同名对应；然后，建立模型和数据混合驱动的模型修正POS系统位姿误差，而不是单一地采用模型或数据去修正位姿，尽可能减少修正过程中出现的偏差；最后，结合广义同名对应和稀疏分布的地面控制外部参考约束平差结果，得到最终修正后的点云三维坐标。内部匹配和外部参考相互作用，减小车载激光雷达点云存在的相对误差和绝对误差，使修正结果更加精准。
[0012]本方案有效解决了现在复杂城市环境中无法获取高质量点云三维坐标的问题，解决了城市场景中会存在多种非刚性地物现象导致非刚性配准效果差的问题，解决了城市场景中会出现的GNSS弱定位导致车载激光雷达点云获取精度差的问题，更解决了现有坐标定位方法或精度提高方法对于城市场景的适应性差的问题。
[0013]优选的，作为一种改进，所述校正点云三维坐标为，稀疏控制增强的误差校正，通过以稀疏地面控制为绝对坐标参考，将配准后的车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。
[0014]将平差获得的整体最优车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。通过稀疏控制增强的误差校正，利用稀疏分布的少量控制点进行约束，在POS系统误差进行时变模型参数整体优化时，能够在保证一定计算量的前提下有效提高校正精准度，尤其针对路网交错、层叠，建筑、行道树、高架桥等人工构筑物体复杂场景进行合理处理，既提高绝对坐标精度，又能减轻操作实施复杂程度，减小计算量。
[0015]优选的，作为一种改进，在步骤一中，所述通过对车载激光雷达采集的数据进行内部匹配为，对车载激光雷达法采集的数据依次进行的点云时空划分、非动态对象层次提取、
非刚性粗配准、非刚性精配准和广义同名对应建立；其中，所述车载激光雷达采集的数据包括点云数据和轨迹状态数据。
[0016]本方案相比于现有技术是面向对象，先划分对象、再进行配准，能够有效减小计算量的同时，提高配准的精准度。更重要的是，现有配准方法或者三维点云获取方法，其考虑到的往往是比较理想的场景，没有考虑到实际场景，其处理简单粗暴，考虑到的仅仅是非动态对象和动态对象的区分，没有再进一步做其他区分，更不会像本方案这样按照时空划分，因为其根本就没有从实际场景出发而单纯地仅仅只是停留在对数据处理本身上，因此其误差较大。而本方案，首先按照时空划分，尽最大限度考虑到显示场景，然后通过非动态对象层次提取保留非动态去掉会影响后续处理的动态对象，而在非刚性粗对准中，考虑到的不仅仅是遗留的动态对象，更考虑到了动态采集的误差，而一开始的时空划分考虑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，包括以下步骤：步骤一，面向对象的点云非刚性配准，通过对车载激光雷达采集的数据进行分区域对象提取和内部匹配，建立广义同名对应；步骤二，模型数据混合驱动的位姿优化，对POS系统误差进行时变建模，并结合广义同名对应和稀疏分布的地面控制外部参考进行整体优化，获得修正后的最优POS系统位姿；步骤三，校正点云三维坐标，将修正后获得的整体最优车载激光雷达测量POS系统状态参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。2.根据权利要求1所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，在步骤三中，所述校正点云三维坐标为，稀疏控制增强的误差校正，通过以稀疏地面控制为绝对坐标参考，将配准后的车载激光雷达测量参数在修正后的三维坐标系上对点云三维坐标偏差进行校正，得到校正后的点云三维坐标。3.根据权利要求1所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，在步骤一中，所述通过对车载激光雷达采集的数据进行内部匹配为，对车载激光雷达法采集的数据依次进行的点云时空划分、非动态对象层次提取、非刚性粗配准、非刚性精配准和广义同名对应建立；其中，所述车载激光雷达采集的数据包括点云数据和轨迹状态数据。4.根据权利要求3所述的融合道路多元特征的车载激光雷达点云非刚性配准方法，其特征在于，所述非动态对象层次提取为，依次进行的道路面及道路面标志提取、地面点滤波、杆状物/线状物提取和构筑物面提取。5.根据权利要求3所述的融合道路多元特征的车载...

【专利技术属性】
技术研发人员：谭骏祥，李少达，刘华，杨容浩，曾志鹏，唐杰，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：