一种基于多站激光点云数据全自动高精度拼接方法与流程

1.本发明涉及数据拼接方法领域，尤其涉及一种基于多站激光点云数据全自动高精度拼接方法。


背景技术：

2.激光扫描仪获得扫描对象完整的点云数据信息需要经过多站扫描，而每站扫描获得的点云数据只能覆盖扫描对象的部分区域，且每站点云数据坐标系都相对独立，只有经过拼接才能将多站扫描转换到统一的坐标系统中，进而得到扫描对象完整的点云数据。将不同视点和坐标系统中的点云数据统一到固定坐标系统的过程叫做点云数据拼接，点云数据多站拼接是点云数据处理的基础和关键。点云数据拼接一般耗时较长，为了提高点云数据拼接效率，出现了多种简化拼接方法，但牺牲了拼接的精度，如何在保证高精度的同时提高效率就成了需要解决的问题。
3.授权公告号为cn111540063a的中国专利公开了一种基于多站激光点云数据全自动高精度拼接方法，该方法包括以下步骤：s1、运用点云数据的衍生信息通过三次样条插值生成二维影像，采用基于图形处理器gpu的加速尺度不变特征sift变换算子匹配得到二维同名特征点，剔除粗差；s2、运用反算获得特征点在三维点云中的坐标，并通过三维空间法向量对三维同名特征点进行精炼，运用精炼的三维特征点进行多站点云数据拼接，主要针对目前多站点云数据拼接存在的效率低和自动化程度低等问题。
4.但是上述已公开方案存在如下不足之处：能较好的适用与特征明显、重叠率高的点云数据拼接，但对于特征不明显、重叠率小、扫描距离较远的点云数据拼接难以适用。


技术实现要素：

5.本发明目的是针对背景技术中存在的问题，提出一种保证高精度的同时提高拼接效率的基于多站激光点云数据全自动高精度拼接方法。
6.本发明的技术方案：一种基于多站激光点云数据全自动高精度拼接方法，包括以下步骤：
7.s1、各站激光点云数据处理，得到各站点云数据图像，进一步包括以下步骤：s11、随机选取中心点，中心点特征为中心点坐标信息；s12、找邻居点，邻居点原有特征为邻居点坐标信息；s13、对邻居点进行相对位置编码，相对位置特征包括中心点坐标、邻居点坐标、坐标差和中心点到邻居点的距离；s14、邻居点特征增强，将邻居点的原有特征和相对位置特征拼接起来，得到邻居点最终特征；s15、以邻居点为新的中心点，更新其他邻居点的最终特征；
8.s2、各站点云数据的粗配准，根据重叠或比例缩放部分进行快速粗配准，得到大致的点云配准矩阵；
9.s3、各站点云数据的精配准，利用已知的初始点云配准矩阵，通过迭代最近点算法计算得到较为精确的解；
10.s4、依次将多站点云数据完成拼接，得到三维模型。
11.优选的，s15中，已经更新过的点排除在外，不重复计算。
12.优选的，s2中，粗配准利用各站坐标点的相对位置特征的比对和线性关系判断。
13.优选的，s2中，粗配准算法包括基于局部特征描述的方法，基于全局搜索策略和统计学概率方法。
14.优选的，基于局部特征描述的方法是通过提取源点云与目标点云的邻域几何特征，通过几何特征快速确定二者之间的点对的对应关系，再计算此关系进而获得变换矩阵。
15.优选的，基于全局搜索策略采用的算法是采样一致性算法，在源点云与目标点云之间随机选取几何特征一致的点组成点对，通过计算对应点对的变换关系，得到最优解。
16.优选的，统计学概率方法采用的是正态分布算法，根据点云正态分布情况，确定对应点对从而计算源点云与目标点云之间的变换关系。
17.优选的，s2中，多站点云数据粗配准包括平移、二维旋转、三维旋转和缩放。
18.与现有技术相比，本发明具有如下有益的技术效果：对于点云数据的处理，目前点云模型只能处理规模较小的点云，无法直接处理大规模的点云，现有的坐法是先将点云拆分处理然后再进行合并，拆分以及合并逻辑复杂，处理速度慢，效率低，而本实施例采用的点云处理方法可以直接适用与大规模的点云数据，不需要拆分与合并，大大提高了点云数据处理的效率。另外，后续采用的精配准采用的是迭代最近点算法，配准精度高，从而在保证了高精度的点云拼接的基础上，通过提高点云数据的处理效率提高了整个拼接过程的效率。
附图说明
19.图1为本发明一种实施例的流程图；
20.图2为各站激光点云数据处理的流程图。
具体实施方式
21.实施例一
22.如图1-2所示，本发明提出的一种基于多站激光点云数据全自动高精度拼接方法，包括以下步骤：
23.s1、各站激光点云数据处理，得到各站点云数据图像，进一步包括以下步骤：s11、随机选取中心点，中心点特征为中心点坐标信息；s12、找邻居点，邻居点原有特征为邻居点坐标信息；s13、对邻居点进行相对位置编码，相对位置特征包括中心点坐标、邻居点坐标、坐标差和中心点到邻居点的距离；s14、邻居点特征增强，将邻居点的原有特征和相对位置特征拼接起来，得到邻居点最终特征；s15、以邻居点为新的中心点，更新其他邻居点的最终特征，已经更新过的点排除在外，不重复计算；
24.s2、各站点云数据的粗配准，根据重叠或比例缩放部分进行快速粗配准，得到大致的点云配准矩阵；粗配准利用各站坐标点的相对位置特征的比对和线性关系判断，多站点云数据粗配准包括平移、二维旋转、三维旋转和缩放；
25.s3、各站点云数据的精配准，利用已知的初始点云配准矩阵，通过迭代最近点算法计算得到较为精确的解；通过计算源点云与目标点云对应点距离，构造旋转平移矩阵rt，通
过rt对源点云变换，计算变换之后的均方差，若均方差满足阈值条件，则算法结束；
26.s4、依次将多站点云数据完成拼接，得到三维模型。
27.本实施例中，对于点云数据的处理，目前点云模型只能处理规模较小的点云，无法直接处理大规模的点云，现有的坐法是先将点云拆分处理然后再进行合并，拆分以及合并逻辑复杂，处理速度慢，效率低，而本实施例采用的点云处理方法可以直接适用与大规模的点云数据，不需要拆分与合并，大大提高了点云数据处理的效率。另外，后续采用的精配准采用的是迭代最近点算法，配准精度高，从而在保证了高精度的点云拼接的基础上，通过提高点云数据的处理效率提高了整个拼接过程的效率。
28.实施例二
29.本发明提出的一种基于多站激光点云数据全自动高精度拼接方法，相较于实施例一，s2中，粗配准算法包括基于局部特征描述的方法，基于全局搜索策略和统计学概率方法。基于局部特征描述的方法是通过提取源点云与目标点云的邻域几何特征，通过几何特征快速确定二者之间的点对的对应关系，再计算此关系进而获得变换矩阵。基于全局搜索策略采用的算法是采样一致性算法，在源点云与目标点云之间随机选取几何特征一致的点组成点对，通过计算对应点对的变换关系，得到最优解。统计学概率方法采用的是正态分布算法，根据点云正态分布情况，确定对应点对从而计算源点云与目标点云之间的变换关系。
30.本实施例中，粗配准是在源点云与目标点云完全不知道任何初始相对位置的情况下，所进行的配准方法，该方法的主要目的是在初始条件未知的情况下，快速估算一个大致的点云配准矩阵，整个计算过程要求比较高的计算速度，对于计算结果的精确度则不做过高的要求，同样有利于提高拼接效率。
31.上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。