基于语义地图的地面到无人机激光点云跨视角重定位方法技术

本发明专利技术涉及摄影测量与遥感技术领域，涉及一种基于语义地图的地面到无人机激光点云跨视角重定位方法，1，对城市场景进行扫描，分别采集机载点云与地面点云数据；2，对无人机点云进行地面滤波分离地面点与非地面点，生成无人机点云的全局语义地图；3，对地面点云进行地面滤波分离地面点与非地面点，生成地面点云的局部语义地图；4，对全局语义地图与局部语义地图分别进行采样生成全局语义网格图与局部语义网格图，匹配惩罚规则比较局部语义网格与全局语义网格，找到惩罚值最低的最佳匹配位置，完成局部到全局的定位；本发明专利技术能实现高效的地面点云到无人机点云重定位。点云到无人机点云重定位。点云到无人机点云重定位。

【技术实现步骤摘要】
基于语义地图的地面到无人机激光点云跨视角重定位方法


[0001]本专利技术涉及摄影测量与遥感
，具体地说，涉及一种基于语义地图的地面到无人机激光点云跨视角重定位方法。

技术介绍

[0002]随着三维激光扫描技术的发展，点云数据已成为城市三维重建等领域的主要数据源，常见的激光扫描平台主要有机载、车载、地面站、手持式、背包式。仅依靠单一传感器或单次扫描难以获取完整的三维空间信息，而多平台、多尺度、多视角采集的点云数据呈现出各自独立，噪声明显，结构散乱等特点，因此解决多源点云空间一致性问题至关重要。无人机点云能够采集大面积俯视信息，地面点云如地面站、车载点云能够以灵活的方式获取复杂场景的侧视信息，两者在视角上具有较好的互补性，能够获取更加完整的三维空间信息，因此两者的联合配准数据常用于城市场景的三维建模。但由于两种数据间明显的差异性与互补性，在配准过程中往往会面临各种问题，如视角差异大导致重叠区域有限，难以在两者间找到稳定的描述符；或范围跨度大、分辨率不同导致的初始定位盲目，计算量庞大等问题。
[0003]针对空
‑
地数据集成的上述问题，近年来国内外也已经做了很多研究，传统提取点、线、面特征的方法或提取建筑物轮廓的方法在特征丰富的情况下表现良好，但这类方法对数据的信息量与复杂度要求较高，特征提取不稳定。基于构建全景图像字典树进行重定位的方法，难以应对常见的ALS点云缺少侧立外墙数据的情况。随着深度学习的发展，越来越多研究通过神经网络寻找高阶特征进行点云配准以提高鲁棒性与准确性，但是对于大规模场景下小重叠区域跨视角等问题还需要更多的研究。

技术实现思路

[0004]本专利技术的内容是提供一种基于语义地图的地面到无人机激光点云跨视角重定位方法，针对地面点云与无人机点云配准时存在的视角差异大、重叠区域有限、范围跨度大等问题，实现地面点云与无人机点云准确快速的重定位与配准。
[0005]根据本专利技术的基于语义地图的地面到无人机激光点云跨视角重定位方法，其包括以下步骤：
[0006]步骤1，对城市场景进行扫描，分别采集机载点云与地面点云数据，点云场景中将包含建筑物与植被；
[0007]步骤1.1，城市场景全局无人机点云采集；
[0008]步骤1.2，城市场景局部地面点云采集；
[0009]步骤2，对无人机点云进行地面滤波分离地面点与非地面点，基于非地面点提取建筑物与树木两类地物并生成无人机点云的全局语义地图；
[0010]步骤2.1，建立全局场景的数字高程模型DEM；
[0011]步骤2.2，基于非地面点提取无人机点云的建筑物对象；
[0012]步骤2.2.1，计算非地面点云的高度值，并通过高度阈值分离高点云簇HPC和低点云簇LPC；
[0013]步骤2.2.2，提取HPC中的建筑物点云并实例化；
[0014]步骤2.2.3，从HPC到LPC建立完成的建筑物实例；
[0015]步骤2.3，基于非地面点提取无人机点云的树木对象；
[0016]步骤2.3.1，通过高度阈值提取保留点云簇RPC；
[0017]步骤2.3.2，提取RPC中的树木点云；
[0018]步骤2.3.3，对树木点云进行聚类获取完整的树木实例；
[0019]步骤2.4，根据实例化后无人机点云的建筑物与树木对象的几何形态、位置关系、属性信息生成全局语义地图；
[0020]步骤2.4.1，生成无人机点云建筑物与树木对象的几何多边形；
[0021]步骤2.4.2，对无人机点云建筑物与树木多边形着色，生成全局语义地图；
[0022]步骤3，对地面点云进行地面滤波分离地面点与非地面点，基于非地面点提取建筑物与树木两类地物并生成地面点云的局部语义地图；
[0023]步骤3.1，建立局部场景的数字高程模型DEM
[0024]步骤3.2，基于非地面点提取地面点云的建筑物对象；
[0025]步骤3.3，基于非地面点提取地面点云的树木对象；
[0026]步骤3.4，根据实例化后地面点云的建筑物与树木对象的几何形态、位置关系、属性信息生成该地面点云的局部语义地图；
[0027]步骤3.4.1，生成地面点云建筑物与树木对象的几何多边形；
[0028]步骤3.4.2，对地面点云建筑物与树木多边形着色，生成局部语义地图；
[0029]步骤4，对全局语义地图与局部语义地图分别进行采样生成全局语义网格图与局部语义网格图，并通过设定的模板匹配惩罚规则比较局部语义网格与全局语义网格，找到惩罚值最低的最佳匹配位置，完成局部到全局的定位；
[0030]步骤4.1，通过语义地图采样生成语义网格图；
[0031]步骤4.1.1，定义语义网格规则；
[0032]步骤4.1.2，生成局部语义网格与全局语义网格；
[0033]步骤4.2，通过惩罚规则进行模板匹配在全局场景中定位局部场景；
[0034]步骤4.2.1，定义语义网格模板匹配惩罚规则；
[0035]步骤4.2.2，比较局部语义网格与全局语义网格，找到最佳匹配位置。
[0036]作为优选，步骤1.1中，通过无人机激光扫描仪获取全局场景的机载点云数据，数据采集时无人机按照设定航带路径匀速飞行，激光扫描仪镜头以固定的俯视角度进行扫描；
[0037]步骤1.2中，通过地面激光扫描仪和移动激光测量车获取局部场景的地面点云，地面点云场景将被包含在无人机点云场景中，其中地面激光扫描仪由三脚架架设于视野良好的开阔空间并进行整平操作，移动激光测量车的激光镜头安装角度在整个扫描作业中固定不变。
[0038]作为优选，步骤2.1中，使用布料滤波方法对无人机点云进行滤波操作，分离地面点与非地面点，并通过地面点建立DEM。
[0039]作为优选，
[0040]步骤2.2.1中，根据DEM计算非地面点云的高度值h，通过高度阈值分离非地面点云，将高度值h大于的点簇定义为HPC，小于的点簇定义为LPC；
[0041]步骤2.2.2中，使用超体素分割HPC，并将超体素聚类为独立单元，对每个独立单元计算体素特征并提取属于建筑物的体素，得到实例化的建筑物对象；
[0042]步骤2.2.3中，对每个建筑物实例覆盖包围盒，并使包围盒从HPC向下生长到LPC，获得完整的建筑物实例。
[0043]作为优选，
[0044]步骤2.3.1中，剔除以实例化后的建筑物点云，比较剩余点云高度值h与高度阈值将高度值h大于高度阈值的点云作为保留点云簇(RPC)，避免高度值h小于高度阈值的点云中存在的汽车、行人、垃圾箱等噪声影响；
[0045]步骤2.3.2中，使用超体素分割RPC，并通过K临近算法将超体素聚类为体素集合；通过三个奇异值计算每个体素集合的线性、平面和体积特征并提取属于树木的点云；
[0046]步骤2.3.3中，在空间中使用DBSCAN方法对树木点云进行聚类，并产生一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于语义地图的地面到无人机激光点云跨视角重定位方法，其特征在于：包括以下步骤：步骤1，对城市场景进行扫描，分别采集机载点云与地面点云数据，点云场景中将包含建筑物与植被；步骤1.1，城市场景全局无人机点云采集；步骤1.2，城市场景局部地面点云采集；步骤2，对无人机点云进行地面滤波分离地面点与非地面点，基于非地面点提取建筑物与树木两类地物并生成无人机点云的全局语义地图；步骤2.1，建立全局场景的数字高程模型DEM；步骤2.2，基于非地面点提取无人机点云的建筑物对象；步骤2.2.1，计算非地面点云的高度值，并通过高度阈值分离高点云簇HPC和低点云簇LPC；步骤2.2.2，提取HPC中的建筑物点云并实例化；步骤2.2.3，从HPC到LPC建立完成的建筑物实例；步骤2.3，基于非地面点提取无人机点云的树木对象；步骤2.3.1，通过高度阈值提取保留点云簇RPC；步骤2.3.2，提取RPC中的树木点云；步骤2.3.3，对树木点云进行聚类获取完整的树木实例；步骤2.4，根据实例化后无人机点云的建筑物与树木对象的几何形态、位置关系、属性信息生成全局语义地图；步骤2.4.1，生成无人机点云建筑物与树木对象的几何多边形；步骤2.4.2，对无人机点云建筑物与树木多边形着色，生成全局语义地图；步骤3，对地面点云进行地面滤波分离地面点与非地面点，基于非地面点提取建筑物与树木两类地物并生成地面点云的局部语义地图；步骤3.1，建立局部场景的数字高程模型DEM步骤3.2，基于非地面点提取地面点云的建筑物对象；步骤3.3，基于非地面点提取地面点云的树木对象；步骤3.4，根据实例化后地面点云的建筑物与树木对象的几何形态、位置关系、属性信息生成该地面点云的局部语义地图；步骤3.4.1，生成地面点云建筑物与树木对象的几何多边形；步骤3.4.2，对地面点云建筑物与树木多边形着色，生成局部语义地图；步骤4，对全局语义地图与局部语义地图分别进行采样生成全局语义网格图与局部语义网格图，并通过设定的模板匹配惩罚规则比较局部语义网格与全局语义网格，找到惩罚值最低的最佳匹配位置，完成局部到全局的定位；步骤4.1，通过语义地图采样生成语义网格图；步骤4.1.1，定义语义网格规则；步骤4.1.2，生成局部语义网格与全局语义网格；步骤4.2，通过惩罚规则进行模板匹配在全局场景中定位局部场景；步骤4.2.1，定义语义网格模板匹配惩罚规则；
步骤4.2.2，比较局部语义网格与全局语义网格，找到最佳匹配位置。2.根据权利要求1所述的基于语义地图的地面到无人机激光点云跨视角重定位方法，其特征在于：步骤1.1中，通过无人机激光扫描仪获取全局场景的机载点云数据，数据采集时无人机按照设定航带路径匀速飞行，激光扫描仪镜头以固定的俯视角度进行扫描；步骤1.2中，通过地面激光扫描仪和移动激光测量车获取局部场景的地面点云，地面点云场景将被包含在无人机点云场景中，其中地面激光扫描仪由三脚架架设于视野良好的开阔空间并进行整平操作，移动激光测量车的激光镜头安装角度在整个扫描作业中固定不变。3.根据权利要求2所述的基于语义地图的地面到无人机激光点云跨视角重定位方法，其特征在于：步骤2.1中，使用布料滤波方法对无人机点云进行滤波操作，分离地面点与非地面点，并通过地面点建立DEM。4.根据权利要求3所述的基于语义地图的地面到无人机激光点云跨视角重定位方法，其特征在于：步骤2.2.1中，根据DEM计算非地面点云的高度值h，通过高度阈值分离非地面点云，将高度值h大于的点簇定义为HPC，小于的点簇定义为LPC；步骤2.2.2中，使用超体素分割HPC，并将超体素聚类为独立单元，对每个独立单元计算体素特征并提取属于建筑物的体素，得到实例化的建筑物对象；步骤2.2.3中，对每个建筑物实例覆盖包围盒，并使包围盒从HPC向下生长到LPC，获得完整的建筑物实例。5.根据权利要求4所述的基于语义地图的地面到无人机激光点云跨视角重定位方法，其特征在于：步骤2.3.1中，剔除以实例化后的建筑物点云，比较剩余点云高度值h与高度阈值将高度值h大于高度阈值的点云作为保留点云簇(RPC)，避免高度值h小于高度阈值的点云中存在的汽车、行人、垃圾箱等噪声影响；步骤2.3.2中，使用超体素分割RPC，并通过K临近算法将超体素聚类为体素集合；通过三个...

【专利技术属性】
技术研发人员：葛旭明，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：