基于形态学提取点云局部曲面特征的方法技术

本发明专利技术公开了一种基于形态学提取点云局部曲面特征的方法，步骤为：S1采集点云数据并对点云数据进行数据预处理；S2在三维空间中搜索点云各点的邻域点，计算法线信息，再基于法线信息计算各点的曲率，获得曲率值；再参照局部曲面特征对应的曲率值范围筛选出目标曲面；S3采用渐进式形态学滤波不断调整滤波参数，根据选中局部区域的曲率变化相应调整滤波视窗的大小，滤除曲率筛选后点云数据中的非目标点，提取目标局部区域的点；S4综合使用膨胀、腐蚀三维形态学算子及膨胀腐蚀组合的开运算和闭运算对目标局部区域进行优化，提取完整平滑的点云数据的局部曲面特征区域。该方法针对具有明显的曲率变化的局部区域进行提取，准确性高，适应性广。适应性广。适应性广。

【技术实现步骤摘要】
基于形态学提取点云局部曲面特征的方法


[0001]本专利技术涉及点云数据处理领域，具体涉及一种基于形态学提取点云局部曲面特征的方法。

技术介绍

[0002]目前点云滤波算法主要以针对LiDAR数据研究为主，特别是具有明显特征的地形区域，如城市聚集区的大型建筑物、道路、森林植被、山区的山脊山谷等，目的是去除噪声和点云数据中的非地面信息。但是当需要提取出点云数据中具有与地形特征相似的局部区域时，使用点云滤波进行处理的表现出的效果较差，无法对于各局部特征进行准确提取并分别查看。
[0003]形态学滤波以先腐蚀后膨胀的开运算作为基础处理LiDAR数据，在不明显改变总体位置和形状的前提下剔除离散点和平滑边界，可滤除指定窗口大小内高程突变的物体。形态学滤波在滤波过程中需要反复进行参数设置，难以选取合适的滤波视窗大小，滤波视窗太小容易将尺寸较大的物体保留，滤波视窗太大会将类似于山顶的信息错误地滤除，且设置好的参数对不同地形特征的区域普适性较差。引入高差阈值对点云进行判断，可保留小于高差阈值的点，但是需要预设坡度参数，高差阈值无法自动适应地形变化。
[0004]因此，本专利技术提出一种基于形态学提取点云局部曲面特征的方法，针对具有明显的曲率变化的局部区域进行提取，准确性高，适应性广。

技术实现思路

[0005]本专利技术要解决的技术问题是提出一种基于形态学提取点云局部曲面特征的方法，采用三维形态学操作修复处理过程中造成的信息缺失和产生的噪点，优化目标特征区域使其变得完整平滑；且本专利技术提供的提取点云局部曲面特征的方法针对具有明显的曲率变化的局部区域进行提取，准确性高，适应性广。
[0006]为了解决上述技术问题，本专利技术采用的技术方案是：该基于形态学提取点云局部曲面特征的方法，具体包括以下步骤：
[0007]S1：采集点云数据并对点云数据进行数据预处理；
[0008]S2：在三维空间中搜索点云各点的邻域点，计算法线信息，再基于法线信息计算各点的曲率，获得曲率值；再参照局部曲面特征对应的曲率值范围筛选出目标曲面；
[0009]S3：采用渐进式形态学滤波不断调整滤波参数，根据选中局部区域的曲率变化相应调整滤波视窗的大小，滤除曲率筛选后点云数据中的非目标点，提取目标局部区域的点；
[0010]S4：综合使用膨胀、腐蚀三维形态学算子及膨胀腐蚀组合的开运算和闭运算对目标局部区域进行优化，提取完整平滑的点云数据的局部曲面特征区域。
[0011]采用上述技术方案，首先对获取的点云数据进行预处理得到清晰的点云方便后续处理；根据不同地形类型的局部曲面对应的曲率范围筛选点云目标区域的点，以便进行下一步的局部特征提取；使用渐进式形态学滤波提取目标特征区域，根据滤波视窗选中的局
部区域内的曲率变化相应调整窗口的大小，记录滤波后的坡度值以保持高差阈值的动态更新，更准确地滤除非地面点；利用点云上各点曲率变化的特点将渐进式形态学滤波其应用于提取点云中具有不同曲率变化的局部区域，并利用三维形态学算子填补局部特征区域的缺失部分和滤除点云噪声，获得平滑完整的各局部特征区域；且本专利技术提供的提取点云局部曲面特征的方法针对具有明显的曲率变化的局部区域进行提取，准确性高，适应性广。
[0012]优选地，所述步骤S1中对点去数据进行数据预处理具体包括以下步骤：
[0013]S11：计算点云数据中点与点之间的距离，根据点与点之间的最小距离对点云数据中的重复点进行筛选并删除的处理；将与两点之间与一个点的距离过近的点划分为重复点并进行删除；防止重复点对于后续处理操作造成干扰；
[0014]S12：采用点云下采样方法将点云空间进行划分，获得若干个空间；再在划分后每一个空间内选取一个点代替该空间内的所有点；
[0015]S13：通过点云滤波去除下采样后的点云数据中存在的稀疏离群点，再通过对点云中各点进行邻域搜索，获得主体点。点云滤波去除下采样后的稀疏离群点是为了避免影响后续点的搜索与识别；此处的优选采用统计滤波云除下采样后的稀疏离群点；采用统计滤波筛选出下采样后点云数据上出现的离群点或是测量误差导致的粗差点并进行剔除，该滤波方法无需提前设定滤波参数，避免增加目标分类的困难和影响后续点的搜索与识别。
[0016]优选地，在所述步骤S12中具体为：对点云数据进行曲面均匀采样，将点云空间进行划分，获得若干个空间；再在划分后的每一个空间中以R为半径的球体，选取一个点代替以该点为球心以R为半径的球体范围内所有的点。曲面均匀采样以一个点代替以该点为球心的球体范围内的所有点，该采样得到的点分布均匀，但其不改变点云的位置，具有良好的精度；该算法的实现依赖于Open3d库，选取的球体半径越大则采样之后的点就越少，采样得到的点分布均匀，但其不改变点云的位置和基本轮廓，具有良好的精度。
[0017]优选地，在所述步骤S13中对点云数据进行统计滤波后，再通过建立空间拓扑关系，通过k近邻搜索邻域点得到目标点的邻近点集；若目标点的邻域点满足高斯分布，则计算目标点与k个邻域点的平均距离，由全局距离的均值和标准差确定平均距离的标准范围，将与邻域点之间的平均距离超过标准范围的目标点定义为离群点并进行剔除，若目标点与k个邻域点的平均距离未超过标准范围，则保留该目标点为模型的主体点。
[0018]优选地，所述步骤S2的具体步骤为：
[0019]S21：基于最小二乘拟合平面得到法线方程，通过法线方程求得特征向量代表平面的法线值；确定该平面一个点的法线近似于估计该平面的一个相切面法线的问题，因此转换过来以后就变成一个最小二乘法平面拟合估计问题；
[0020]S22：基于获取的点云数据和计算得到的点云数据中各点的法线值，使用目标点在k邻域内的曲面变分近似该点的曲率信息，计算点云数据中各点的法曲率；
[0021]S23：结合不同类型局部曲面对应的曲率值范围设置曲率区间，筛选出目标局部曲面特征。
[0022]优选地，在所述步骤S21中采用KdTree最近邻算法，将KdTree作为基于二进制空间划分的数据结构，将整个k维的矢量空间分为若干个区域，通过在搜索过程中不断进行分支判定，确定每个局部空间的位置；再使用点云库(PCL库)中的法向量估算Normal Estimation计算目标点所在表面的法线特征，具体为：将平面表达式由一般式转化为法线
式方程，通过引入拉格朗日乘子法求解方程的最优解，对表达式中的参数分别求偏导并将得到的表达式统一，对表达式中的协方差矩阵进行特征值分解求得各特征值，其中各特征值中的最小特征值所对应的特征向量即为拟合平面的法向量，法向量则代表点去的法线值。KDTree是由二分搜索树演变而来的用于大规模高维度数据查找场景当中的索引树形结构，主要用于最近邻查找和近似最近邻查找的场景。通过KdTree最近邻算法确定每个局部空间的位置可以免去对全局空间的搜索；基于KdTree的最近邻算法从根节点开始向下递归搜索二叉树，直至找到叶节点，再回溯搜索路径，经过叶节点循环迭代回溯到根节点完成KdTre本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于形态学提取点云局部曲面特征的方法，其特征在于，具体包括以下步骤：S1：采集点云数据并对点云数据进行数据预处理；S2：在三维空间中搜索点云各点的邻域点，计算法线信息，再基于法线信息计算各点的曲率，获得曲率值；再参照局部曲面特征对应的曲率值范围筛选出目标曲面；S3：采用渐进式形态学滤波不断调整滤波参数，根据选中局部区域的曲率变化相应调整滤波视窗的大小，滤除曲率筛选后点云数据中的非目标点，提取目标局部区域的点；S4：综合使用膨胀、腐蚀三维形态学算子及膨胀腐蚀组合的开运算和闭运算对目标局部区域进行优化，提取完整平滑的点云数据的局部曲面特征区域。2.根据权利要求1所述的基于形态学提取点云局部曲面特征的方法，其特征在于，所述步骤S1中对点去数据进行数据预处理具体包括以下步骤：S11：计算点云数据中点与点之间的距离，根据点与点之间的最小距离对点云数据中的重复点进行筛选并删除的处理；S12：采用点云下采样方法将点云空间进行划分，获得若干个空间；再在划分后每一个空间内选取一个点代替该空间内的所有点；S13：通过点云滤波去除下采样后的点云数据中存在的稀疏离群点，再通过对点云中各点进行邻域搜索，获得主体点。3.根据权利要求2所述的基于形态学提取点云局部曲面特征的方法，其特征在于，在所述步骤S12中具体为：对点云数据进行曲面均匀采样，将点云空间进行划分，获得若干个空间；再在划分后的每一个空间中以R为半径的球体，选取一个点代替以该点为球心以R为半径的球体范围内所有的点。4.根据权利要求2所述的基于形态学提取点云局部曲面特征的方法，其特征在于，在所述步骤S13中对点云数据进行统计滤波后，再通过建立空间拓扑关系，通过k近邻搜索邻域点得到目标点的邻近点集；若目标点的邻域点满足高斯分布，则计算目标点与k个邻域点的平均距离，由全局距离的均值和标准差确定平均距离的标准范围，将与邻域点之间的平均距离超过标准范围的目标点定义为离群点并进行剔除，若目标点与k个邻域点的平均距离未超过标准范围，则保留该目标点为模型的主体点。5.根据权利要求2所述的基于形态学提取点云局部曲面特征的方法，其特征在于，所述步骤S2的具体步骤为：S21：基于最小二乘拟合平面得到法线方程，通过法线方程求得特征向量代表平面的法线值；S22：基于获取的点云数据和计算得到的点云数据中各点的法线值，使用目标点在k邻域内的曲面变分近似该点的曲率信息，计算点云数据中各点的法曲率；S23：结合不同类型局部曲面对应的曲率值范围设置曲率区间，筛选出目标局部曲面特征。6.根据权利要求5所述的基于形态学提取点云局部曲面特征的方法，其特征在于，在所述步骤S21中采用KdTree最近邻算法，将KdTree作为基于二进制空间划分的数据结构，将整个k维的矢量空间分为若干个区域，通过在搜索过程中不断进行分支判定，确定每个局部空间的位置；再使用点云库中的法向量估算Normal Estimation计算目标点所在表面的法线特征，具体为：将平面表达式由一般式转化为法线式方程，通过引入拉格朗日乘子法求解方
程的最优解，对表达式中的参数分别求偏导并将得到的表达式统一，对表达式中的协方差矩阵进行特征值分解求得各特征值，其中各特征值中的最小特征值所对应的特征向量即为拟合平面的法向量，法向量则代表点去的法线值。7.根据权利要求5所述的基于形态学提取点云局部曲面特征的方法，其特征在于，在所述步骤S22中采用点云库中的点云曲率估算方法基于KdTree搜索点云各点的邻域点，计算点云中各点的主曲率，计算公式为：其中，σ表示目标点在k邻域内的曲面变分；λ0表示曲面沿法向量变化；λ1和λ2分别表示目标点在切平面上地分布情况，以目标点在k邻域内的曲面变分表示曲率信息，再根据曲率值的符号判断曲面在局部区域的凹凸情况。8.根据权利要求5所述的基于形态学提取点云局部曲面特征的方法，其特征在于，所述步骤S3的具体步骤为：S31：采用渐进式形态学滤波区分点云中的地面点和非地面点；S32：使用三维形态学膨胀算子d和三维形态学腐蚀算子e滤除滤波视窗在目...

【专利技术属性】
技术研发人员：钱志奇，龙纪星，吕钰新，罗文奇，李赟鹏，高恒娟，龙冰心，
申请(专利权)人：西湾智慧广东信息科技有限公司，
类型：发明
国别省市：