一种面向道路精细重建的多源点云粗匹配算法制造技术

本发明专利技术公开了一种面向道路精细重建的多源点云粗匹配算法，用于路面的精细建模与分析。其利用点云粗略重叠区域的凹凸度相似性快速计算点云之间的近似比例，弥补了4PCS类算法无法匹配未知尺度点云的缺陷；针对4PCS类算法对较大数据量点云匹配效率低，所用均匀降采样无法保证简化点云的特征分布与重复率的问题，使用经典三维特征点提取算法对原始点云进行简化，并对特征点云进行采样率、计算效率与重复率的比较，找出了最佳的数据降采样方法；针对4PCS类算法无法有效匹配具有一定平面分布特征的点云，Nc

【技术实现步骤摘要】
一种面向道路精细重建的多源点云粗匹配算法


[0001]本专利技术涉及三维点云处理
，特别涉及一种面向道路精细重建的多源点云粗匹配算法。

技术介绍

[0002]建立精细的道路模型是高效、准确进行路面质量评价的基础，有助于提高相关特征提取与分类的精度，辅助制定合理的道路养护方案。传统的数字公路采集车，造价高，且对道路的通过性有一定要求，无法进行破损较为严重的路面点云采集与重建，特别是无法处理地震等严重灾害之后的道路损毁情况普查。近几年，随着无人机相关技术的不断发展，越来越多的学者开始重视无人机点云获取的高效性与灵活性，使用无人机搭载相应传感器在低空获取道路点云，完成道路建模与质量评价。
[0003]使用无人机可以灵活、高效地获取道路点云数据。其中，虽然无人机LiDAR点云精度高，但点云密度低，且分布不均匀；无人机摄影测量点云密度相对较高，但精度差，加之，无人机点云采集角度单一，且数据获取距离较远，因此，以上两种点云的道路模型均无法充分体现路面的细节特征。融合近景摄影测量点云与无人机点云可以丰富路面细节，获得更加精细的路面模型，目前融合多源点云进行道路精细建模的应用很少。此外，在无人机自主作业的过程中地面人员可同时采集局部兴趣区域影像，此种数据获取方式的组合，不会降低整体作业效率，既结合了数据获取的灵活与高效性，也可为后续精细建模提供了更优质的点云数据。
[0004]4PCS类方法是利用共面四点相交的仿射不变量，获取点云之间的共面四点特征完成点云匹配的方法。4PCS是在LCP(Largest Common Pointsets)与RANSAC匹配策略的基础上发展而来的。由于算法不需要计算点云的局部特征，对重叠度与噪声有较高的鲁棒性，是目前最优秀的点云粗匹配算法之一。
[0005]2008年Aiger和Mitra在二维4点仿射不变量的基础上，提出了4PCS算法，将点云匹配的复杂度进一步降低为O(n2)，由于不需要计算点云的局部特征，所以算法对噪声的鲁棒性强。2010年李敏使用曲面变分估计提取点云的多尺度特征改进4PCS的匹配效率与精度，但改进的本质是对点云的预处理，对4PCS的改进有限。2011年Yao等人提出了基于点蔟的NPCS(N
‑
Points Approximate Congruent Sets)算法，将蔟内点的特征与点对距离作为高维特征进行匹配，由于点蔟的特征区分度高于4PCS中的平面四点基，所以算法匹配精度较高，且可以完成低重叠度的点云匹配，但算法计算复杂，对内存的占用率较高，无法有效处理大数据量点云。2012年Lam等人基于DoN特征点建立分割曲线对点云进行曲面分割与合并，此后使用4PCS确定分割区域的匹配关系完成点云匹配。算法中形状的分割与合并计算复杂，无法处理较大数据量点云。此后，Lam与Greenspan对之前的工作进行改进，使用非监督的方式合并分割区域，结合体素与形状哈希提高检索效率，使用聚类方法获取变换参数，此方法对遮挡导致的点云缺失敏感，且匹配精度与分割精度直接相关。2013年钱鹏鹏等人在4PCS提取等距点对时加入了曲率相似度限制，减少全等共面4点集合的数量，提高算法的
匹配效率。2013年Theiler等人提出了K
‑
4PCS(Keypoint
‑
based 4PCS)算法，算法基于原始数据的3D DoG特征点云进行4PCS匹配，使得4PCS计算效率提高了7倍，且匹配精度优于原始算法。2014年Theiler等人对K
‑
4PCS算法进行扩展，分别使用3D DoG与3D
‑
Harris对大数据量点云进行降采样，Theiler指出3D DOG+4PCS的方法更适合平滑表面与具有高对比度的LiDAR点云配准，并分析了点云的纹理属性和几何对称性对匹配算法的影响。此后，Theiler等人使用MLESAC作为K
‑
4PCS中的匹配策略，提高结果精度；使用最小距离先验值降低扫描位置带来的误差(Near
‑
field Bias)；对匹配结果进行聚类，结合并行优化提高算法效率。2014年Krishnan等人针对复杂地形点云无法有效提取全等共面四点的问题，提出了全等金字塔基，增加的第五点仅作为备选4点集合的检验而不用于变换矩阵的求解，算法的匹配模型复杂、计算效率较低。2014年Mellado等人提出了Super 4PCS算法，在选取全等四点时加入对角线夹角限制以降低确认计算的开销，通过点云栅格化之后的智能索引技术大大提高了匹配效率，最终计算复杂度由O(n2+k)降低为O(n+m+k)。目前，Super
‑
4PCS是4PCS改进算法中效率最高、对低重叠度与噪声的鲁棒性最好的算法。Mohamad提出了Super G4PCS(Super Generalized 4PCS)算法，使用Super
‑
4PCS中的智能索引技术改进General
‑
4PCS算法的计算效率，Super G4PCS虽然可以有效降低全等集合的数量，但是在搜索全等4点时计算开销较大，理论计算复杂度由Super
‑
4PCS的O(n+m+c)增加为O(n+k1m+c)，k1是每个等比点圆形遍历非共面对应点的次数。2017年Huang等人在Super
‑
4PCS的基础上提出了V4PCS(Volumetric 4PCS)算法，算法使用四面体基提高特征的区分度，并建立四面体边的链接索引表，在全等集合查找时去除了交点检索和角度检索的计算开销，算法效率比Super
‑
4PCS提高了近20倍，由于算法在计算与存储点对时开销较大无法处理较大数据量点云的匹配。
[0006]4PCS中共面四点的比例特征理论上可以用于点云相似变换关系的求解，但实际计算时中间点的存储数量与计算开销成几何次方增加，导致算法匹配失败。2013年Corsini等人针对此问题，使用VSA(Variational Shape Approximation algorithm)对点云进行分割，以确保共面四点分布在不同的分割平面中，从而降低中间点数量与全等集合数量，完成了摄影测量点云与LiDAR点云的相似变换关系求解，但算法计算复杂，依然无法有效处理大数据量点云的配准，此外曲面分割效果直接影响了后续的匹配精度。2017年Zhang等人提出了G
‑
super 4PCS(Generalized Super4
‑
points Congruent Sets)算法，算法使用Lin等人所提出的基于多尺度Spin Image特征统计的比例求解方法，完成山体区域摄影测量点云与TLS点云之间的匹配。但算法的计算开销较大，所得比例误差较大，需要基于点对误差拟合抛物线对比例进行二次优化，算法计算效率低，无法有效处理大数量点云。
[0007]在众多点云匹配算法中，4PCS类算法不需要计算点云的局部描述子；对噪声与重叠度的鲁棒性强；算法仅使用了点云的几何本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向道路精细重建的多源点云粗匹配算法，其特征在于，包括以下步骤：步骤1：获取目标道路的源点云P和目标Q；步骤2：基于点云粗略重叠区域内凹凸程度的相似性获取源点云P和目标点云Q之间近似比例，将点云之间的相似变化转化为刚体变化；步骤3：通过3D
‑
Harris特征点提取算法对点云P和Q进行简化，得到特征源点云P和特征目标点云Q；步骤4：基于步骤2得到的近似比例，在特征源点云P中构建非共面5点基B，并建立非共面5点基的特征描述；步骤5：采用超球栅格化与哈希检索在特征目标点云Q中依据所述非共面5点基的特征描述查找近似的全等5点基集合{B
’
}；步骤6：遍历B和{B
’
}进行匹配，得到全等非共面5点基和对应的变换矩阵H；步骤7：基于LCP进行一致性度量，计算一致性度量下的最优解，以求得的最优解作为最优变换矩阵T；步骤8：根据得到的最优变换矩阵T，完成道路多源点云匹配。2.根据权利要求1所述的一种面向道路精细重建的多源点云粗匹配算法，其特征在于，步骤2的包括以下具体操作步骤：步骤21：基于GPS位置信息确定粗略重叠区域，假设平面方程为Ax+By+Cz+D＝0(C≠0)，将平面方程转化为z＝ax+by+c，其中，a＝
‑
A/C，b＝
‑
B/C，c＝
‑
D/C；从点云中随机选取3个点，判断三点是否共线，若不共线则计算这3个点所对应的平面方程，否则重新选取3点；步骤22：计算点云中各个点(x
i
，y
i
，z
i
)到所得平面的距离d
i
：其中，a，b，c均为平面方程z的参数；步骤23：计算所得距离{d
i
}的标准偏差σ：其中，取阈值τ＝2σ；步骤24：判断各个点的距离d
i
＞τ时，则该点为高程异常值，存为外点outliers，其他点作为内点inliers用于平面拟合，形成外点集合{inliers}和外点集合{outliers}，并分别统计点数N
outliers
与N
inliers
；步骤25：重复步骤21
‑
24迭代N次，选取内点数最多的点集进行平面拟合，通过对所有内点inliers组成的协方差矩阵进行SVD分解，最终获得平面方程z＝a0x+b0y+c0，且：其中，a0、b0与c0为平面方程的参数，p为设定的正确概率，一般p＝99％，，w为内点概率；步骤26：在距离求解时仅遍历外点outliers，最终获得重叠区域凹凸度的极值dis＝Max({dis
i
})为：
步骤27：计算点云之间的近似比例，且计算公式为：其中，d
Q
‑
average
与d
p
‑
average
分别为点云Q与点云P粗略重叠区域的凹凸度均值。3.根据权利要求2所述的一种面向道路精细重建的多源点云粗匹配算法，其特征在于，步骤4中所述非共面5点基的构建步骤包括：步骤41：基于平面拟合过程中平面内点与外点的hash储存，将外点中距离平面较远的子集{outliers，d
outliers
≥d
Localmax
×
60％}，作为非共面点的备选集{p5}，用以随机选取1个非共面点；以所述内点集合{inliers}为共面4点的备选集；步骤42：设特征源点云P和特征目标点云Q的近似重叠度为ω，如果没有预估重叠度，按照ω的值从大到小遍历{1、0.75、0.5、0.25、
…
}，根据重叠度ω估计底面四点的边长约束d
ω
：d
ω
＝dia
p
×
ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，dia
p
为点云p的直径；步骤43：依据所述边长约束，设置边长为d0＝d
ω
×
A，其中A为(0.7，0.95)范围内的随机值，在内点集合中，随机选取两点p1与p3，使得：d0‑
σ≤||p1‑
p3||≤d0+σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，σ为距离的误差阈值；步骤44：在内点集合中随机寻找第三点p2，设置边长为d1＝d
ω
×
A，使得p2满足：d1‑
σ≤||p2‑
p3||≤d1+σ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)且满足：即在满足边长限制的同时，所得边尽量垂直；步骤45：随机寻找第四点p4，使得||p4‑
p2||≥d1×
0.5，且满足：π/2≤∠P2P4P1≤2π/3
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；步骤46：在所述备选集{p5}中随机选取一点作为非共面点，与p1、p2、p3、p4组成非共面5点基B。4.根据权利要求3所述的一种面向道路精细重建的多源点云粗匹配算法，其特征在于，步骤4中所述非共面5点基的特征描述为：{d1，d2，d3，r1，r2，θ1，θ2}，其中{d1，d2，r1，r2，θ1}为沿用Super
‑
4PCS算法中共面特征，d...

【专利技术属性】
技术研发人员：刘磊，王帅，王珏，孙光德，贾玉童，彭思卿，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：