一种三维激光点云数据的二维图像化表述方法
【技术领域】
[0001] 本发明属于机器人自主环境感知技术及激光扫描成像领域，涉及到将移动机器人 系统采集的三维激光点云数据转化为二维灰度图像以完成对室内外场景的表述。
【背景技术】
[0002] 视觉是智能机器人与智能系统进行环境感知的重要手段之一。由于视觉传感器是 基于被动感知机理，因此在成像过程中容易受到亮度及光照强度变化等环境因素的影响。 此外单目视觉传感器采集到的图像信息缺少空间深度信息，不利于区分具有不同深度信息 的景物。
[0003] 三维激光数据的获取不受亮度及光照强度变化等环境因素的影响，可提供精准的 三维空间测量信息。但利用三维点云数据对大范围环境进行表述时，观测视点的选取会直 接影响环境感知效果;此外三维激光扫描点的分布是由实际场景特性所决定，三维点的分 布无规律可循。考虑二维图像表述符合人类视觉感知习惯且具有像素排列格式规范等优 点，因此将三维点云数据转化为景物边缘显著、纹理清晰且有较强场景层次的二维灰度图 像，将有助于基于该图像模型的场景认知与理解。目前，各领域研究中使用三维激光点云数 据生成的灰度图像模型主要有深度图和方位角图两种。
[0004] 传统的深度图是通过把激光传感器或其他测距传感器点云数据的深度信息直接 映射为灰度值，从而得到灰度图像，参考文献（Anguelov D，Dulong C，Filip D，et al.Google street view:Capturing the world at street level[J]·Computer，2010 (6) :32-38.)。其优点是成像原理简单、计算耗时较少，能够区分出不同深度层次的景物。但 其在图像细节和纹理的描述上很不理想，尤其是在描述大范围场景时，对距离的变化很不 敏感。生成的图像往往会弱化景物的细节和近距离景物的边界信息，从而给之后的图像处 理和理解造成困难。并且由于传统深度图景深方向取决于激光的扫描方向，使得深度图的 效果会受到激光扫描方向的影响。
[0005] 方位角图是另一种常用的由三维激光点云数据生成的灰度图像。此方法是 DavideScaramuzza等学者首次提出的，参考文献（Scaramuzza D，Harati A，Siegwart R.Extrinsic self calibration of a camera and a 3d laser range finder from natural scenes[C]//Intelligent Robots and Systems ,2007.IR0S 2007.IEEE/RSJ International Conference on. IEEE，2007:4164_4169)。方位角图的原理是将每个激光点 对应的方位角映射为对应像素的灰度值。其中方位角定义为视点(激光传感器扫描时位置） 到当前激光点位置的向量与当前激光点到其右上方邻近激光点的向量的夹角。参考文献 (Zhuang Y,Lin X,Hu H,et al.Using Scale Coordination and Semantic Information for Robust 3-D Object Recognition by a Service Robot[J]. Sensors Journal, IEEE, 2015,15(1) :37-47.)应用方位角图模型将定点扫描的三维点云数据转换为方位角图，并在 此基础上对场景进行识别与理解。从以上文献中可知，方位角图中景物的细节和纹理相对 清晰。但图像灰度值完全由方位角决定，不能清楚的区分不同深度层次的景物，并且图像质 量受视点选择的影响较大。场景中扫描位置(视点）唯一，限制了实际应用中移动机器人平 台的连续工作性能。计算的方位角相对视点产生渐变的趋势，使得整幅图像在横向具有灰 度值渐变。
[0006] 在实际应用中，大范围的场景一般都是采用激光连续扫描的方式采集点云数据， 每一帧激光数据都有自己的扫描中心（局部视点），即使通过优化方法计算出相对较优的全 局视点，仍无法有效消除基于视点的构图方法(如方位角图）的局限性。
【发明内容】
[0007] 为解决上述问题，本发明提出了一种全新的灰度图像生成方法，完全不依赖于场 景视点并且不使用角度计算，这也是本发明与方位角图的本质区别。以最优深度代替传统 深度图的深度概念，消除了扫描方向对图像质量的影响。不同于传统的深度图、方位角图的 单变量映射到灰度值的做法，本方法通过计算点云对应的最优深度值和方位向量长度，经 加权后映射为灰度值，从而生成图像。基于本方法生成的二维灰度图像既具有清晰的细节 和纹理特征，又利用深度分布信息强化了图像的空间层次感。本发明可以用于连续扫描的 大范围数据，也可以用于定点扫描数据，并且对扫描方式和扫描位置没有特别的要求，有着 良好的适应性。
[0008] 本发明的具体技术方案如下：
[0009] 一种三维激光点云数据的二维图像化表述方法，主要由移动机器人、激光扫描器 和计算机系统组成;激光扫描器和计算机系统均安装在移动机器人平台上，激光扫描器和 计算机系统之间通过数据线进行通信;激光扫描器采集图像的三维点云数据信息，计算机 系统将三维激光点云数据转化为二维灰度图像;计算机系统软件要求采集的三维激光点云 数据可以区分属于每一帧激光线的激光数据点，以便能够使三维激光点云数据以二维数组 的形式存储，并且使每个激光点和灰度图的像素点一一对应;将获得的激光点云数据存入 二维数组中，使得二维数组的每一列激光点属于同一帧激光线，并在二维数组中截取所需 大小的场景，用截取场景的三维点云数据构建灰度图；
[0010] 具体将三维激光点云数据转化为二维灰度图像计算方法如下：
[0011] (1)最优深度对应灰度值的计算
[0012]最优深度方向即为能使场景不同层次景物间区分度最大的深度方向；由于场景点 云分布的主方向反映了激光点的统计学方向，而激光点的方向即为场景内景物的层次方 向，所以垂直于场景点云分布主方向时，最能清楚的区分景物的层次，即最优深度方向垂直 于场景点云分布的主方向，本发明将场景点云投影到水平面，运用统计学原理计算场景点 云分布的主方向，由此获得场景的最优深度信息：
[0014]式（1)为点云在水平面投影的协方差矩阵，其中（x，y)为点云在水平面投影的坐 标，COV代表协方差运算;通过计算协方差矩阵的特征向量VhVs即可估计出场景的点云分布 主方向和最优深度方向；设I Vi | > | v21，则￥1为场景点云分布的主方向；由点云在水平面上的 投影区域的主方向向量乂:可求出过原点且平行于￥ 1的直线h的斜率K，进而确定直线h的方 程：
[0015] Κ*Χ+Υ = 0 (2)
[0016] 由点到直线的距离公式：
[0018]其中D为位于i行j列的激光点的投影(x，y)到直线h的距离，这个距离便是点 云中激光点Pi, j的最优深度Di, j;将最优深度Di, j映射至0-255的灰度范围，得到点云中激光 点Pi, j对应于最优深度Di,」的灰度值仏,：
[0020]其中Dmin为点云最优深度值的最小值，Dmax为点云最优深度值的最大值；
[0021] (2)方位向量长度的计算
[0022]对于激光点云中位于第i行j列列的激光点Ρ^，取其上方相邻的激光设点 Pi,j到点的向量为Vd;向量Vd的长度|Vd|即为点Pi,j的方位向量长度Li,j;方位向量长度 能够反应场景中景物的纹理变化，对景物边缘的表现效果尤其明显，所以为了保证较好的 效果，在映射为灰度值时不能采用单纯的线性映射；
[0023] (3)方位向量长度灰度数值均衡化
[0024] 求出激光点数量为I*J的点云中每个点所对应的方位向量长度后，在映射为灰度 值时，为了保证得到的灰度图具有高对比度、多变的灰度色调和明显的景物边界，对方位向 量长度采取灰度数值均衡化；
[0025] 对I*J个激光点对应的方位向量长度Li, j按数值大小升序排列，把0-255的灰度值 范围视作256个灰度值区间，求出每个灰度值区间所对应的向量长度数据量N:
[0027]通过N与升序排列的方位向量长度L^，即可确定每个灰度值区间的端点长度值； 从而得到点云中激光点Pu对应于方位向量长度Lu的灰度值巧^ :
[0029]其中Lo，U，L2…，L255为256个灰度值区间的端点长度值；
[0030] (4)权重动态调整
[0031 ]将点云中激光点Pi, j对应于最优深度Di, j的灰度值巧u与对应于方位向量长度Li, j 的灰度值^^.加权平均得到激光点Pi, j在灰度图中对应的灰度值PGi, j:
[0033]其中PGu为灰度图中第i行j列像素的灰度值;a与b为权值，且a+b=10;此时所生 成灰度图的灰度值矩阵的方差S2为：
[0035]其中;^为灰度图中像素灰度均值；当方差最大时，则意味着灰度图具有高对比 度和多变的灰度色调;取使方差最大的权值a与b生成灰度图，此时得到的灰度图是最优的； 利用传统求最优解的方法求解式(8)，得到使δ 2为最大值的a与b，记做5与系；
[0036] (5)生成灰度图
[0037]求出使δ2为最大值的权值泛与g后，遍历点云数据中的I*J个激光点，求出每个激 光点对应的灰度值：
[0039] PG^即为大小为