基于RANSAC和ICP点云配准的相控阵激光雷达成像方法技术

本发明专利技术涉及相控阵激光雷达快速成像技术，尤其涉及一种基于RANSAC和ICP点云配准的相控阵激光雷达成像方法，用于解决实际采集三维点云数据过程中单一视角下场景范围小、三维目标信息不完整的问题。根据相控阵激光雷达扫描过程中不同视角下的点云存在目标重合区域的情况，先提取点云的几何特征，寻找重合部分，利用RANSAC算法筛除误匹配点信息，从而完成不同视角的粗配准；随后根据粗配准得到的变换矩阵，进一步利用ICP算法通过不断迭代继续优化变换矩阵得到最佳变换矩阵，完成点云配准，最终将不同视角下的点云通过该变换矩阵进行拼接，获得场景更大、信息更完整的三维点云数据。信息更完整的三维点云数据。信息更完整的三维点云数据。

【技术实现步骤摘要】
基于RANSAC和ICP点云配准的相控阵激光雷达成像方法


[0001]本专利技术涉及相控阵激光雷达快速成像技术，尤其涉及一种基于随机采样一致性(Random Sample Consensus，RANSAC)和迭代最近点(Iterative Closed Point，ICP)点云配准的相控阵激光雷达成像方法。

技术介绍

[0002]扫描式激光雷达是目前获取三维点云的主要设备之一，目前可以分为两大类：机械扫描式激光雷达和相控阵扫描式激光雷达。机械扫描式激光雷达利用电机转动带动探测器旋转，从而扫描目标整体，这种方法受电机机械惯性的影响，无法满足雷达成像中的实时性要求，且功耗大。相控阵扫描式激光雷达借鉴了微波雷达成像技术中利用相控阵天线实现快速扫描的方法，成功解决了机械式扫描激光雷达中实时性低的问题，可实现非机械式多角度快速扫描，且体积更小，更易集成化。
[0003]在利用相控阵激光雷达采集三维点云数据的过程中，受到雷达视角限制、目标自身遮挡以及其他物体遮挡目标等因素的影响，采集到的三维点云目标一般不完整，不能很好的表征整个三维场景/目标。为了解决这一问题，需要从不同视角下采集三维点云数据，将采集到的数据通过变换矩阵关联到同一坐标系下，该关联过程称为点云配准，然后对配准后的点云进行拼接，从而获得场景更大、信息更完整的三维点云数据，该过程称为点云视场拼接，点云视场拼接中最为关键的环节为点云配准。

技术实现思路

[0004]针对上述现有技术中存在的问题，本专利技术提出一种基于RANSAC和ICP点云配准的相控阵激光雷达成像方法，用于解决实际场景中相控阵激光雷达在采集三维点云数据过程中单一视角下场景范围小、三维目标信息不完整的问题。根据相控阵激光雷达扫描过程中不同视角下的点云存在目标重合区域的情况，先提取点云的几何特征，寻找重合部分，利用RANSAC算法筛除误匹配点信息，从而完成不同视角的粗配准；随后根据粗配准得到的变换矩阵，进一步利用ICP算法通过不断迭代继续优化变换矩阵得到最佳变换矩阵，完成点云配准，最终将不同视角下的点云通过该变换矩阵进行拼接和融合，获得场景更大、信息更完整的三维点云数据。
[0005]本专利技术采用的技术方案为：一种基于RANSAC和ICP点云配准的相控阵激光雷达成像方法，该方法包括以下步骤：
[0006]S1：相控阵激光雷达获取点云。
[0007]在本专利技术中，通过相控阵激光雷达采集点云。与光学相机不同，相控阵激光雷达通过向目标发射激光光束后收集目标反射的激光信息来获取点云。在单一视角下，相控阵激光雷达采集的数据视场有限、信息量不足，因此需要将在多个视角下采集到的点云数据进行配准拼接，以得到场景更大、信息更丰富的点云数据。在本专利技术中利用相控阵激光雷达首先获取两帧点云P1和P2，P1、P2之间的重叠范围大于60％。
[0008]S2：点云体素化下采样。
[0009]对于分别包含有N和M个点的三维点云P1和P2，由于原始点云P1、P2中点数较多，如果直接在原始点云上进行配准计算的话计算量繁重。针对这一问题，将P1、P2进行体素化下采样以减少后续配准算法的计算量。以P1体素化下采样为例，具体步骤如下：
[0010]S2.1为P1创建大小为l
×
w
×
h、体积为v的三维包围框，设置体素的边长为L，所创建的三维包围框根据体素的边长L被划分为Q个体素：
[0011][0012]S2.2体素的大小和数量是体素化下采样的重点，同一点云数据若体素边长小、数量多，则后续数据处理耗时长，但能够表征的点云信息丰富；若体素边长大、数量少，则后续数据处理耗时短，但丢失的点云信息多。为了得到最佳的体素边长和数量，根据点云密度γ和点云下采样率ρ估计体素的边长L
′
：
[0013][0014]S2.3根据S2.2估计计算得到的体素边长L
′
将P1划分为Q
′
个体素，统计体素内的点云个数，计算边长为L
′
时含有点云的体素的点云平均密度
[0015][0016]其中v
′
表示含有点云的体素的体积。当L
′
＝L+λ；当L
′
＝L
‑
λ。其中λ为增长因子，当时，L
′
＝L。
[0017]S2.4用每个体素中所有点云的重心点(x
m
,y
m
,z
m
)表示当前体素：
[0018][0019]其中n表示体素中点云的个数，i表示第i个点，(x
i
,y
i
,z
i
)表示第i个点的坐标值。
[0020]S3：计算点云法向量。
[0021]点云体素化下采样后，可以根据点的法向量之间的差异找到两个点云中相似区域，这就需要提取点云的法向量特征。以P1为例，点云法向量的计算过程具体如下：
[0022]S3.1采用KD
‑
Tree搜索得到点云P1中某一点p
1,i
的K邻域点集p
1,j
，对其构建协方差矩阵C：
[0023][0024]其中K表示邻域内包含点的数量，p
1,j＝1,2...,k
表示p
1,i
的第k个近邻点。为p
K
的三维质心，的求解公式为：
[0025][0026]计算得出协方差矩阵C的特征值e和特征向量λ，协方差矩阵的最小特征值e
min
对应的特征向量λ
i
即为法向量f。
[0027]S4：计算点云的快速点特征直方图描述子(Fast Point Feature Histograms，FPFH)特征。
[0028]为了更加准确的寻找两个点云的相似区域，需要进一步提取点云的局部几何特征：快速点特征直方图描述子(Fast Point Feature Histograms，FPFH)。点云的FPFH特征是在简化点特征直方图描述子(Simplified Point Feature Histogram，SPFH)特征上进一步优化的一种特征描述符，用于描述点云的局部几何特征。以P1为例，点云的FPFH特征计算步骤具体如下：
[0029]S4.1利用KD
‑
Tree搜索点云P1中某一点p
1,i
的K邻域，得到K近邻点集O，通过参数化p
1,i
与点集O中任意一点在空间上的差别和用一个计算得到的33维的向量直方图来描述K近邻点的空间几何特征。
[0030]假设p
1,i
与其K近邻点集O中的一点O1及对应的法向量f1、f2在局部坐标系vuw的空间位置和空间关系为：
[0031]U＝f1ꢀꢀꢀ
(7)
[0032]V＝(p
1,i
‑
O1)
·
U
ꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RANSAC和ICP点云配准的相控阵激光雷达成像方法，其特征在于，该方法包括以下步骤：S1：相控阵激光雷达获取点云；S2：点云体素化下采样对于分别包含有N和M个点的三维点云P1和P2，以P1体素化下采样为例，具体步骤如下：S2.1为P1创建大小为l
×
w
×
h、体积为v的三维包围框，设置体素的边长为L，所创建的三维包围框根据体素的边长L被划分为Q个体素：S2.2为了得到最佳的体素边长和数量，根据点云密度γ和点云下采样率ρ估计体素的边长L
′
：S2.3根据S2.2估计计算得到的体素边长L
′
将P1划分为Q
′
个体素，统计体素内的点云个数，计算边长为L
′
时含有点云的体素的点云平均密度时含有点云的体素的点云平均密度其中v
′
表示含有点云的体素的体积；当L
′
＝L+λ；当L
′
＝L
‑
λ，其中λ为增长因子，当时，L
′
＝L；S2.4用每个体素中所有点云的重心点(x
m
,y
m
,z
m
)表示当前体素：其中n表示体素中点云的个数，i表示第i个点，(x
i
,y
i
,z
i
)表示第i个点的坐标值；S3：计算点云法向量以P1为例，点云法向量的计算过程具体如下：S3.1采用KD
‑
Tree搜索得到点云P1中某一点p
1,i
的K邻域点集p
1,j
，对其构建协方差矩阵C：其中K表示邻域内包含点的数量，p
1,j＝1,2...,k
表示p
1,i
的第k个近邻点；为p
K
的三维质心，的求解公式为：
计算得出协方差矩阵C的特征值e和特征向量λ，协方差矩阵的最小特征值e
min
对应的特征向量λ
i
即为法向量f；S4：计算点云的快速点特征直方图描述子特征以P1为例，点云的快速点特征直方图描述子特征计算步骤具体如下：S4.1利用KD
‑
Tree搜索点云P1中某一点p
1,i
的K邻域，得到K近邻点集O，通过参数化p
1,i
与点集O中任意一点在空间上的差别和用一个计算得到的33维的向量直方图来描述K近邻点的空间几何特征；假设p
1,i
与其K近邻点集O中的一点O1及对应的法向量f1、f2在局部坐标系vuw的空间位置和空间关系为：U＝f1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)V＝(p
1,i
‑
O1)
·
U
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)W＝U
·
V
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)α＝V
·
f2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)θ＝arctan(W
·
f1,U
·
f2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)V、U、W表示局部坐标系的坐标轴方向上的单位向量，α表示f2与局部坐标系V轴的夹角，β表示O1向p
1,i
方向的单位向量与U轴作内积的夹角，θ表示f2在WU平面投影与U轴的夹角；将点p
1,i
和其K近邻点集O中的点组成的所有点对求出(α,β,θ)，将(α,β,θ)按照11个区间划分，得到3
×
11＝33维的SPFH，根据p
1,i
及其K近邻点的SPFH特征计算FPFH：其中SPFH(p
1,i
)表示点云P1中的一点p
1,i
的SPFH特征，SPFH(O
k
)表示p
1,i
的K近邻点O
k
的SPFH特征，ω
k
表...

【专利技术属性】
技术研发人员：石志广，张勇，张焱，沈奇，张景华，张宇，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：