一种基于球标靶探测的激光点云数据自动配准方法
【专利摘要】本发明公开了一种基于球标靶探测的激光点云数据自动配准方法，包括以下步骤：分别从相邻两个站点的激光点云数据中提取球标靶特征；对于任一个站点，以任意三个非共线的球标靶的球心为顶点构建一个三角形，并以面积以及三个内角作为三角形的四个旋转不变量，则参考站构建出一包含若干参考三角形的参考三角形集合，待配准站构建出包含若干待配准三角形的待配准三角形集合；将参考三角形集合和待配准三角形集合匹配；确定出一个选定的同名三角形，计算待配准站和参考站的变换关系。本发明以计算机自动化的方式实现球标靶自动探测与自动配准，有利于降低时间、人力、物力的开销，且使得非专业用户能够获取高质量的三维数据模型。
【专利说明】一种基于球标靶探测的激光点云数据自动配准方法
【技术领域】
[0001]本发明涉及激光点云自动配准方法，尤其涉及一种基于球标靶探测的激光点云数据自动配准方法。
【背景技术】
[0002]尽管地面激光已经成为一个比较成熟且广泛应用的技术，多站激光点云数据的自动配准(简称“自动配准”)依然是一个比较热门的研究方向，它有助于降低时间、人力、物力的开销，且使得非专业用户能够获取高质量的三维数据模型。
[0003]在实际作业中，较多采用标靶或人工标识的方法进行配准，当目标对象难以接近时，则限制了以上方法的使用，因此，基于特征的重叠点云之间的自动配准方法成为业界研究的热点。目前基于特征的主要包括:基于局部特征描述的(spin image)、基于面片分割的(平面特征)、基于曲率的、基于三维线特征的、基于尺度不变特征的等。在实际地面激光三维扫描中，单站点云数据具有点密度不均匀、数据不完整(遮挡、视角等)、易受噪声影响等特点，因此基于曲率、局部描述特征等算法难以获得理想效果。
[0004]球标靶广泛应用于地面激光点云数据配准中，具有配置简单灵活、效率高、对待配准两站数据重叠度要求不高等特点。但是现有软件需要人工识别标靶、建立同名关系后才可完成配准，这对作业人员的软件熟练程度、现场了解情况提出了要求，并且人工的干预降低了数据处理的效率，对最终的结果可能引入不利的影响。因此，有必要在单站点云数据中实现球标靶的快速自动探测，并根据彼此位置关系，完成同名点的匹配，从而完成最终配准。而这一过程的核心问题就是球标靶的自动探测。目前，球标靶自动探测方法主要有:模糊场景匹配、自适应纹理表达、最大似然表面估计、基于分割的方法。这些方法都需要较复杂的运算，在较大场景中识别较小的球体，算法效率与可靠性难以保证。
【发明内容】
[0005]针对上述技术问题，本发明提供了一种基于球标靶探测的激光点云自动配准方法，降低了时间、人力、物力的开销，并为非专业用户提供高质量的三维数据模型。
[0006]本发明提供的技术方案为:
[0007]一种基于球标靶探测的激光点云数据自动配准方法，包括以下步骤:
[0008]步骤一、利用激光扫描仪扫描目标建筑物，相邻两个站点之间共用至少三个球标靶，激光扫描仪在相邻两个站点扫描，分别获取相邻两个站点中球标靶和目标建筑物的激光点云数据；
[0009]步骤二、分别从相邻两个站点的激光点云数据中提取球标靶特征；
[0010]步骤三、在相邻两个站点中，以其中一个站点为参考站，以另一个站点为待配准站，对于任一个站点，以任意三个非共线的球标靶的球心为顶点构建一个三角形，并以面积以及三个内角作为三角形的四个旋转不变量，则参考站构建出一包含若干参考三角形的参考三角形集合，待配准站构建出包含若干待配准三角形的待配准三角形集合；[0011]步骤四、将参考三角形集合和待配准三角形集合匹配，当一个参考三角形与一个待配准三角形的四个旋转不变量均匹配，则该参考三角形和该待配准三角形为一对候选同名三角形；
[0012]步骤五、从a个候选同名三角形中，确定出一个选定的同名三角形，利用所述选定的同名三角形计算待配准站和参考站的所有的同名点对；
[0013]步骤六、利用所有的同名点对计算待配准站和参考站的变换关系。
[0014]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤四中，当参考三角形和待配准三角形的面积之差小于第一阈值，参考三角形的第一个内角与待配准三角形的第一个内角之差小于第二阈值，参考三角形的第二个内角与待配准三角形的第二个内角之差小于第二阈值，参考三角形的第三个内角与待配准三角形的第三个内角之差小于第二阈值，则该参考三角形与该待配准三角形的四个旋转不变量均匹配，每对候选同名三角形的三对顶点为参考站和待配准站的三对候选同名点。
[0015]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤五中，所述选定的同名三角形是通过以下过程确定的:逐个验证a个候选同名三角形，对于任一个候选同名三角形，利用三对候选同名点对计算待配准站和参考站的初始变换关系，根据初始变换关系将待配准站中所有球标祀的球心坐标变换至参考站，得到所有球标祀的球心的初始变换坐标,若一个球标祀的球心在参考站中的初始变换坐标与一个球标祀的球心在参考站中的球心坐标匹配，则判断两个球标靶的球心为候选同名点对，以候选同名点对个数最多的候选同名三角形为选定的同名三角形，则以所述选定的同名三角形确定的候选同名点对为待配准站和参考站的同名点对。
[0016]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤四中，对于任一个站点，在三角形集合中，将三角形按照面积排序，之后，再将一个三角形的三个内角按照从大到小的顺序排序。
[0017]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤三中，对于任一个站点，在构建三角形时，舍弃内角大于内角阈值或者最大边大于边长阈值的三角形。
[0018]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤二中，从任一个站点的激光点云数据中提取球标靶特征的具体过程为:
[0019](I)从一个站点的激光点云数据中提取边界点，
[0020](2)从边界点中提取全部的圆特征，
[0021](3)对于一个圆特征，从该圆特征的点集中计算球标靶模型，该球标靶模型用于求解该球标靶的球心坐标。
[0022]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，所述步骤(I)中，从一个站点的激光点云数据中逐个选择当前有效点，分别计算位于该当前有效点周围邻域的8个有效点到当前有效点之间的三维空间距离，如其中一个有效点到当前有效点的距离大于球标靶的半径，则判定该当前有效点为边界点。
[0023]优选的是，所述的基于球标靶探测的激光点云数据自动配准方法中，步骤(2)中，还包括:
[0024](a)标识所有边界点为待分类点，[0025](b)选取一个待分类点，利用该待分类点创建聚类结点Ci,
[0026](c)选择Ci所有成员中的一个分类点作为当前分类点，分别计算位于当前分类点周围邻域的8个待分类点到当前分类点的距离，当一个待分类点到当前分类点的距离小于第三阈值，则该待分类点加入聚类结点Ci，并将其分类标识修改为分类点，第三阈值为
【权利要求】
1.一种基于球标靶探测的激光点云数据自动配准方法，其特征在于，包括以下步骤: 步骤一、利用激光扫描仪扫描目标建筑物，相邻两个站点之间共用至少三个球标靶，激光扫描仪在相邻两个站点扫描，分别获取相邻两个站点中球标祀和目标建筑物的激光点云数据； 步骤二、分别从相邻两个站点的激光点云数据中提取球标靶特征； 步骤三、在相邻两个站点中，以其中一个站点为参考站，以另一个站点为待配准站，对于任一个站点，以任意三个非共线的球标靶的球心为顶点构建一个三角形，并以面积以及三个内角作为三角形的四个旋转不变量，则参考站构建出一包含若干参考三角形的参考三角形集合，待配准站构建出包含若干待配准三角形的待配准三角形集合； 步骤四、将参考三角形集合和待配准三角形集合匹配，当一个参考三角形与一个待配准三角形的四个旋转不变量均匹配，则该参考三角形和该待配准三角形为一对候选同名三角形； 步骤五、从a个候选同名三角形中，确定出一个选定的同名三角形，利用所述选定的同名三角形计算待配准站和参考站的所有的同`名点对； 步骤六、利用所有的同名点对计算待配准站和参考站的变换关系。
2.如权利要求1所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤四中，当参考三角形和待配准三角形的面积之差小于第一阈值，参考三角形的第一个内角与待配准三角形的第一个内角之差小于第二阈值，参考三角形的第二个内角与待配准三角形的第二个内角之差小于第二阈值，参考三角形的第三个内角与待配准三角形的第三个内角之差小于第二阈值，则该参考三角形与该待配准三角形的四个旋转不变量均匹配，每对候选同名三角形的三对顶点为参考站和待配准站的三对候选同名点。
3.如权利要求2所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤五中，所述选定的同名三角形是通过以下过程确定的:逐个验证a个候选同名三角形，对于任一个候选同名三角形，利用三对候选同名点对计算待配准站和参考站的初始变换关系，根据初始变换关系将待配准站中所有球标靶的球心坐标变换至参考站，得到所有球标祀的球心的初始变换坐标,若一个球标祀的球心在参考站中的初始变换坐标与一个球标靶的球心在参考站中的球心坐标匹配，则判断两个球标靶的球心为候选同名点对，以候选同名点对个数最多的候选同名三角形为选定的同名三角形，则以所述选定的同名三角形确定的候选同名点对为待配准站和参考站的同名点对。
4.如权利要求3所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤四中，对于任一个站点，在三角形集合中，将三角形按照面积排序，之后，再将一个三角形的三个内角按照从大到小的顺序排序。
5.如权利要求3所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤三中，对于任一个站点，在构建三角形时，舍弃内角大于内角阈值或者最大边大于边长阈值的三角形。
6.如权利要求1至5任一项所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤二中，从任一个站点的激光点云数据中提取球标靶特征的具体过程为: (I)从一个站点的激光点云数据中提取边界点，(2)从边界点中提取全部的圆特征， (3)对于一个圆特征，从该圆特征的点集中计算球标靶模型，该球标靶模型用于求解该球标靶的球心坐标。
7.如权利要求6所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤(1)中，从一个站点的激光点云数据中逐个选择当前有效点，分别计算位于该当前有效点周围邻域的8个有效点到当前有效点之间的三维空间距离，如其中一个有效点到当前有效点的距离大于球标靶的半径，则判定该当前有效点为边界点。
8.如权利要求7所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，步骤(2)中，还包括: (a)标识所有边界点为待分类点， (b)选取一个待分类点，利用该待分类点创建聚类结点Ci, (c)选择Ci所有成员中的一个分类点作为当前分类点，分别计算位于当前分类点周围邻域的8个待分类点到当前分类点的距离，当一个待分类点到当前分类点的距离小于第三阈值，则该待分类点加入聚类结点Ci,并将其分类标识修改为分类点，第三阈值为1=攀+知2 ,其中s为激光扫描仪扫描时的角度增量，+y2 +Z2:为当前分类点到扫描仪的距离， (d)执行步骤(c)，对Ci扩展，直到Ci成员不再增加， (e)重复步骤(b)~(d)，直至完成对所有的边界点的判断，从而将所有的边界点区分为多个聚类结点； 所述步骤(3)中，在每个聚类结点中提取一个圆特征。
9.如权利要求8所述的基于球标靶探测的激光点云数据自动配准方法，其特征在于，所述步骤(3)中，从每个圆特征的点集中计算球标靶模型，其具体过程为: (a)在圆特征的点集抽取两个采样点，各采样点及其法向确定一条空间直线，以两个空间直线之间最短垂线段的中点作为球心，以球心到两个采样点的平均距离作为半径，从而建立一个候选球模型， (b)当圆特征的点集中的一个点到球心的距离在第四阈值内，并且该点的法向与该点在候选球模型上的投影点的法向的夹角小于第五阈值时，该点属于该候选球模型的一致集， (C)重复(a)和(b)，从而建立若干候选球模型， (d)以若干候选球模型中一致集中的点的数目最大的候选球模型作为最优球模型，该最优球模型为球标靶模型。
【文档编号】G06F17/50GK103646156SQ201310746219
【公开日】2014年3月19日 申请日期:2013年12月30日 优先权日:2013年12月30日
【发明者】王晏民, 石宏斌 申请人:北京建筑大学