基于元组约束的多视角Lidar点云配准技术的研究

发布时间：2020-05-14 06:36

【摘要】：三维激光扫描技术的崛起和快速发展,使得人们对三维空间信息有了更多的认知和探索。为了获取建筑物完整的三维Lidar点云数据模型,就需要针对不同视角的点云数据的进行高效、精确的配准。由于Lidar点云数据具有分辨率高、离散性,数据量大等特点,经常造成不同角度采集获取的点云数据在密度、尺度以及数据的完整性存在一定的差异性,这样就给Lidar点云配准工作带来很大的挑战性。故本文将以建筑物Lidar点云数据作为研究对象,针对多视角Lidar点云数据配准过程中局部特征匹配不稳定和尺度不一的点云数据配准精度低的问题展开研究,主要的研究工作如下:1、针对三维建筑物Lidar点云配准过程中局部特征匹配生成大量的错误匹配关系对使得特征匹配的稳定性降低,从而导致配准精度不足的问题,提出了基于四元约束的多视角Lidar点云配准算法。首先,需要计算三维点云的法向量,利用每个点和k近邻点之间的关系计算每个点的法向量,然后基于特征点与其领域点的法向量之间的关系计算点云的FPFH特征描述子,它可以表示建筑物Lidar点云的几何特征,其次,利用该三维特征描述子进行局部的特征匹配,寻找两组不同视角的Lidar点云之间的初始匹配点对;在使用互为最近邻约束条件剔除重复和错误的匹配点对的基础上,另外加入四元约束使得错误的匹配点对得到更好的剔除,通过两个约束的结合保证局部特征匹配的稳定性,最后实现点云的配准。针对含有凹凸墙面、树木场景、大尺度建筑物点云数据,对比本章算法和ICP算法、GICP算法和Fpr算法的实验结果可知,基于四元约束的多视角Lidar点云配准算法能够提升多视角建筑物Lidar点云配准的精度。2、针对多视角尺度不一的Lidar点云数据的配准精度不足的问题,提出了基于法向量约束的多视角Lidar点云配准算法。该方法的原理是首先计算点云中的每个点的三维特征描述子,然后基于特征进行最近邻关系匹配,构建两视角点云之间的关系集合,随后使用三元组约束优化关系集合剔除错误的关系点对,再尝试加入候选匹配点对的法向量夹角进行约束,可以利用不同尺度的两点云数据的更多的重叠信息,提高匹配点对的准确率,同时可以保证多视角Lidar点云配准的精度。针对含有窗户、屋顶、复杂的大场景等类型的四组建筑物点云数据,对比了本章算法和其他三种算法的实验结果验证,该算法可以提高尺度不一的Lidar点云的配准精度。综上所述,针对建筑物Lidar点云配准中的局部特征的稳定性问题,提出了基于四元约束的多视角Lidar点云配准算法,然后对于尺度不一的点云配准精度不足问题,提出了基于法向量约束的多视角Lidar点云配准算法。经过多组实验,对比实验结果分析可知,本文提出的方法能够有效的提高点云配准精度。
【图文】：

点云数据,类型,配准,点云

(a) (b) (c) (d) (e)图 1-1 点云数据类型因此，研究快速、高精度的多视角建筑物 Lidar 点云配准方法来解决上述多视角点云配准中存在的问题和不足，具有十分重要的价值和研究意义。本文针对点云配准过程中出现的局部特征匹配产生大量的虚假的关系对导致特征匹配不稳定以及不同尺度的点云配准度低的问题作为研究背景，针对城市建筑物多视角三维 Lidar 点云数据的作为研究重点相继展开点云的配准工作。本论文实验部分主要是针对地面三维激光扫描仪采集得到的建筑物 Lidar 点云展开多视角的配准研究。1.2 研究目标针对地面多视角建筑物的 Lidar 点云数据展开配准实验研究，主要解决了多视角的Lidar 点云数据配准过程中出现的局部特征匹配不稳定以及尺度不一的点云配准精度低的问题，本文的研究目标主要分为以下几点：（1）针对多视角建筑物 Lidar 点云配准过程中，局部特征匹配出现大量的错误匹配点

对应线段,最近邻,约束优化,异常值

生成：对于每个点 p ∈ P，在 F(Q)中找到 F(p)的最近邻)中找到 F(q)的最近邻。通过上述步骤生成的关系对存储作为输入在目标函数优化过程中使用。实际上，K1具很高的异常值。我们通过使用关系集的约束优化来降低少异常值的数量。近邻约束: 对于关系集合K1的一组关系对(p, q)，当且同时在 F(Q)中，F(q)是 F(p)的最近邻。对于满足此约束条。约束优化：我们随机从 K2中选取 4 组关系对(p1, q1), (p1, p2, p3,p4)和(q1, q2, q3,q4)的兼容性。具体来说，是否 1, ijijqqppi j观地，该约束条件验证了四组关系对之间是否具备兼容合 K3中，如图 3-1 所示为四元约束图解。
【学位授予单位】：集美大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN21

【相似文献】