專(zhuān)利名稱(chēng)：三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及三維點(diǎn)云數(shù)據(jù)中的特征提取方法，特別是在點(diǎn)云數(shù)據(jù)具有較大的噪聲 及較多外點(diǎn)時(shí)有效地提取特征線(xiàn)的方法。
背景技術(shù)：
隨著三維激光掃描儀在逆向工程、城市建模、文物保護(hù)、地質(zhì)勘測(cè)、數(shù)字娛樂(lè)等各 個(gè)領(lǐng)域的迅速普及與應(yīng)用，三維點(diǎn)云數(shù)據(jù)(Point Cloud)逐漸成為三維幾何模型常用的表 示方式之一。
點(diǎn)云，顧名思義，即由大量無(wú)組織、無(wú)結(jié)構(gòu)的三維點(diǎn)(一般為坐標(biāo)位置，也可以包 含法向量、顏色等其他屬性)來(lái)表示三維物體的空間分布和表面特性，點(diǎn)與點(diǎn)之間不存在 拓?fù)潢P(guān)系，這與傳統(tǒng)的基于網(wǎng)格(三角形網(wǎng)格或多邊形網(wǎng)格)的模型表示方法中存在已知 的點(diǎn)連接關(guān)系有著根本的不同。因此，點(diǎn)云數(shù)據(jù)具有更為簡(jiǎn)單的數(shù)據(jù)結(jié)構(gòu)，但這同時(shí)也決定 了點(diǎn)云的數(shù)據(jù)量通常比網(wǎng)格大得多。
盡管三維掃描儀可以不依賴(lài)于外界光照條件直接精確地獲取三維點(diǎn)云，由于掃 描儀中傳感器本身固有的物理特性限制，得到的點(diǎn)云不可避免地會(huì)包含噪聲(Noise)；同 時(shí)，掃描數(shù)據(jù)的規(guī)格化處理以及掃描過(guò)程中掃描儀和被掃描物體之間的相對(duì)移動(dòng)都會(huì)加劇 噪聲。其次，掃描中激光的多次反射則會(huì)導(dǎo)致最終得到的點(diǎn)云中包含相當(dāng)一部分的外點(diǎn) (Outlier)，即遠(yuǎn)離被掃描物體表面的點(diǎn)。最后，由于掃描場(chǎng)景中多個(gè)物體以及單個(gè)物體本 身存在的遮擋，物體本身的透明特性，或者掃描過(guò)程中的路線(xiàn)或位置限制(如建筑物的頂 部)，最終得到的點(diǎn)云通常會(huì)包含有許多空洞。因此，高效、魯棒的點(diǎn)云數(shù)據(jù)處理方法是當(dāng)前 學(xué)術(shù)界和工業(yè)界共同關(guān)注的熱點(diǎn)之一。
在眾多方法之中，基于特征線(xiàn)的方法由于具有較高的魯棒性，近些年受到了普遍 關(guān)注。點(diǎn)云的特征線(xiàn)可以看作是由掃描物體上尖銳特征(Siarp Feature)或高曲率部分采 樣得到的點(diǎn)構(gòu)建的線(xiàn)段或曲線(xiàn)。相對(duì)于點(diǎn)云的無(wú)組織特性，從中提取的特征線(xiàn)由于反映了 較高層次的數(shù)據(jù)點(diǎn)分布模式，從而更能刻畫(huà)三維物體的幾何特征。點(diǎn)云特征線(xiàn)在點(diǎn)云處理 中具有重要的應(yīng)用，目前已用于對(duì)稱(chēng)性檢測(cè)，表面重建及點(diǎn)云/圖像注冊(cè)等。當(dāng)前已有的特 征線(xiàn)檢測(cè)方法可以大體上分為三類(lèi)
1.基于局部平面性分析的方法
Gumhold等人于2001年提出了基于局部平面性分析的方法，其主要思想是對(duì)點(diǎn) 云P中每個(gè)點(diǎn)Pi，查詢(xún)出該點(diǎn)的k個(gè)最近的相鄰點(diǎn)Ni,然后對(duì)Ni中的點(diǎn)進(jìn)行協(xié)方差分析 (CovarianceAnalysis)，得到由Ni中的點(diǎn)構(gòu)造的協(xié)方差矩陣的三個(gè)特征值，根據(jù)三個(gè)特征 值的相對(duì)大小來(lái)確定Pi成為特征點(diǎn)的可能性，以此作為Pi的權(quán)值&。而后依據(jù)每個(gè)點(diǎn)的 權(quán)值建立整個(gè)點(diǎn)云的最小生成圖(Minimum Spanning Graph)，最小生成圖中的點(diǎn)則構(gòu)成 了特征線(xiàn)的候選點(diǎn)，通過(guò)裁減之后再使用樣條函數(shù)對(duì)這些候選點(diǎn)進(jìn)行擬合得到最終的特征 線(xiàn)。Pauly等人于2003年將協(xié)方差分析部分?jǐn)U展為多尺度實(shí)現(xiàn)，并采用活動(dòng)輪廓線(xiàn)(Active Contour)取代樣條函數(shù)，從而可以更有效地處理噪聲。這類(lèi)方法的缺點(diǎn)是無(wú)法處理點(diǎn)云中的外點(diǎn)。
2.基于點(diǎn)云分割的方法
Demarsin等人于2006年提出了點(diǎn)云中封閉特征線(xiàn)的檢測(cè)方法。該方法首先為每 個(gè)點(diǎn)Pi計(jì)算法向量η”然后根據(jù)Iii之間的相似性(即夾角大小)，采用區(qū)域增長(zhǎng)的方法將整 個(gè)點(diǎn)云分割為多個(gè)簇(Cluster)，而位于特征線(xiàn)上的點(diǎn)由于其相鄰點(diǎn)的法向量變化較大，形 成的簇較小。將具有較小簇的點(diǎn)作為候選，構(gòu)建最小生成樹(shù)(Minimum Spanning Tree)，最 后將最小生成樹(shù)中的邊進(jìn)行裁剪、平滑處理得到特征線(xiàn)。為了有效處理較大的噪聲以及外 點(diǎn)，DanielsII等人在2007年采用魯棒的最小二乘方法(Robust Moving Least Squares) 對(duì)每個(gè)Pi的局部鄰域進(jìn)行分類(lèi)，局部鄰域可以劃分為兩個(gè)及兩個(gè)以上的Pi經(jīng)投影后被選中 作為特征線(xiàn)的候選點(diǎn)，而后對(duì)這些點(diǎn)進(jìn)行主元素分析(Principal Component Analysis), 將各個(gè)點(diǎn)連接為特征線(xiàn)。隨后他們?cè)?008年采用樣條函數(shù)對(duì)候選點(diǎn)進(jìn)行擬合得到更為光 滑的特征線(xiàn)。這種方法的缺陷是計(jì)算開(kāi)銷(xiāo)較大，而且主要依賴(lài)于點(diǎn)云的局部分析而沒(méi)有考 慮全局特性。
3.基于滑動(dòng)性分析的方法
在基于特征線(xiàn)進(jìn)行對(duì)稱(chēng)性檢測(cè)的工作中，Bokeloh等人于2009年提出了基于滑動(dòng) 性(Slippage，用于刻畫(huà)點(diǎn)在物體表面的運(yùn)動(dòng)約束)分析的特征線(xiàn)檢測(cè)方法。與前面的兩類(lèi) 方法不同，這種方法首先借助于滑動(dòng)性分析，為每個(gè)點(diǎn)Pi計(jì)算出最可能的剛性運(yùn)動(dòng)(Rigid) 的運(yùn)動(dòng)方向，并得到平移向量；然后選擇出只可沿一個(gè)特定方向運(yùn)動(dòng)的點(diǎn)，并借助于類(lèi)似于 移動(dòng)最小二乘(Moving Least Squares)投影(Projection)機(jī)制將這些點(diǎn)投影到鄰近的曲 率最大的位置。而后將這些點(diǎn)相互連接形成最后的特征線(xiàn)。為了減小時(shí)間開(kāi)銷(xiāo)，此方法在 投影之前對(duì)原有點(diǎn)云進(jìn)行了下采樣(Down-sampling)。此方法可以同時(shí)得到每個(gè)點(diǎn)的曲率， 并具有較高的穩(wěn)定性。由于此方法在計(jì)算過(guò)程中由于借助了局部區(qū)域的曲率計(jì)算，因而無(wú) 法適用于具有較大噪聲和較多外點(diǎn)的復(fù)雜點(diǎn)云。
根據(jù)專(zhuān)利文獻(xiàn)檢索，目前只有一個(gè)申請(qǐng)?zhí)枮?0100034422的美國(guó)專(zhuān)利介紹了點(diǎn)云 模型中線(xiàn)性特征(直線(xiàn)和平面)的檢測(cè)方法，其主要目的是根據(jù)檢測(cè)出的這些線(xiàn)性特征進(jìn) 行對(duì)象跟蹤，如無(wú)人駕駛環(huán)境中的障礙物跟蹤。專(zhuān)利中所陳述的方法與Demarsin等人的根 據(jù)法向量進(jìn)行聚類(lèi)的方法類(lèi)似，并通過(guò)根據(jù)數(shù)據(jù)的局部性(Locality)確定最優(yōu)鄰域來(lái)處 理稀疏的點(diǎn)云數(shù)據(jù)。因此，此專(zhuān)利的方法同樣受限于噪聲和外點(diǎn)干擾較大時(shí)的應(yīng)用場(chǎng)景。
總之，盡管已有的點(diǎn)云特征線(xiàn)檢測(cè)算法已經(jīng)能夠得到較好的結(jié)果，但在有效處理 較大噪聲、較多的外點(diǎn)、較大的數(shù)據(jù)缺失以及時(shí)間開(kāi)銷(xiāo)等方面存在一定的局限性。發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題是提供一種魯棒的三維點(diǎn)云中特征線(xiàn)檢測(cè)方法，此方法 可以有效應(yīng)對(duì)點(diǎn)云數(shù)據(jù)中不可避免的噪聲、外點(diǎn)和數(shù)據(jù)缺失，并具有較低的時(shí)間開(kāi)銷(xiāo)，從而 為各種基于特征線(xiàn)的點(diǎn)云處理方法提供良好的初始輸入。
本發(fā)明基于隨機(jī)采樣一致性(RANdom SAmpling Consensus，RANSAC)，實(shí)現(xiàn)了一種 點(diǎn)云特征線(xiàn)提取方法。本發(fā)明首先通過(guò)基于隨機(jī)采樣一致性在點(diǎn)云中檢測(cè)出多個(gè)平面，然 后將每個(gè)平面參數(shù)化域的邊界點(diǎn)作為候選，在這些候選點(diǎn)上再應(yīng)用隨機(jī)采樣一致性得到最 終的特征線(xiàn)，從而有效降低噪聲、外點(diǎn)和數(shù)據(jù)缺失的影響，大大增強(qiáng)特征線(xiàn)檢測(cè)的魯棒性，并提高了時(shí)間效率。
本發(fā)明技術(shù)方案如下
第一步，基于隨機(jī)采樣一致性(RANdom SAmpling Consensus, RANSAC)的平面檢 測(cè)。
本步驟采用的是點(diǎn)云中基于RANSAC的基元檢測(cè)方法。其方法是在點(diǎn)云中隨機(jī)選 取三個(gè)點(diǎn)確定一個(gè)平面，然后根據(jù)點(diǎn)云中其余點(diǎn)到平面的距離以及法向量的偏差選擇出一 個(gè)最優(yōu)平面，即能夠被此平面擬合的點(diǎn)的數(shù)目最大，其過(guò)程如下
1. 1從點(diǎn)云中隨機(jī)選擇三個(gè)點(diǎn)K,K}；
1. 2根據(jù)選擇的三個(gè)點(diǎn)的位置構(gòu)造一個(gè)估計(jì)平面，即根據(jù)三個(gè)點(diǎn){A',/4，的位置構(gòu)造一個(gè)平面Lt ；
1. 3根據(jù)三個(gè)點(diǎn)的法向量以及估計(jì)平面的法向量判斷平面是否有效；
1. 4計(jì)算點(diǎn)云中其余點(diǎn)到估計(jì)平面的距離以及與法向量的夾角，將滿(mǎn)足閾值的點(diǎn) 的個(gè)數(shù)作為當(dāng)前估計(jì)平面的分?jǐn)?shù)，更新最優(yōu)平面的分?jǐn)?shù)及參數(shù)；
1. 5判斷是否達(dá)到最大采樣次數(shù)，如果未達(dá)到，則執(zhí)行步驟1. 1 1. 4，否則繼續(xù)；
1. 6將選擇出的最優(yōu)平面記錄并將被此最優(yōu)平面擬合的點(diǎn)從點(diǎn)云中移除；
1. 7判斷剩余的點(diǎn)是否可以形成或可以擬合某個(gè)特定數(shù)目點(diǎn)的平面，如果可以，則 執(zhí)行步驟1. 1 1. 6，否則執(zhí)行結(jié)束，返回?cái)?shù)據(jù)。
此外，基于RANSAC的基元檢測(cè)方法中還可采取局部采樣策略和評(píng)價(jià)函數(shù)估計(jì)來(lái) 提高RANSAC的效率，并借助連通性檢查確保每個(gè)平面所包含的點(diǎn)都是相互連通的。
第二步，特征線(xiàn)候選點(diǎn)提取。完成平面檢測(cè)之后，將每個(gè)平面L所能擬合的點(diǎn)(即 計(jì)入分?jǐn)?shù)的點(diǎn))投影到L上，并將投影區(qū)域的邊界點(diǎn)作為構(gòu)成特征線(xiàn)的候選點(diǎn)，過(guò)程如 下
2. 1計(jì)算點(diǎn)/到平面L的投影，具體流程是
2. 1. 1計(jì)算火與平面L上一點(diǎn)Lp之間的差向量Z = P丨-Lp ；
2. 1 · 2計(jì)算乂在平面L上的<坐標(biāo)彳=γ^ * Ldu ；
2. 1. 3計(jì)算ρ,在平面L上的<坐標(biāo)< LDV ；
其中Ldu和Ldv為平面L上兩個(gè)相互正交的方向，它們與L的法向量Ln共同構(gòu)成了 一個(gè)局部坐標(biāo)系。
2. 2構(gòu)建平面上投影點(diǎn)的位圖，具體流程是
2.2. 1遍歷L上的每個(gè)投影點(diǎn)(乂，ν,Λ)，計(jì)算出最小長(zhǎng)方形包圍盒B，其中B的邊與Ldu和Ldv平行；
2. 2. 2按照分辨率κ (預(yù)先設(shè)定的閾值，可以依賴(lài)于整個(gè)點(diǎn)云模型的大小)將B劃 分為均勻的二維網(wǎng)格，每個(gè)格子的初始值為0 ；
2. 2. 3再次遍歷L上的每個(gè)投影點(diǎn)(U11', ν')，如果有某個(gè)點(diǎn)落入劃分后的某一個(gè)格 子中，則將格子的值設(shè)為1;
2. 2. 4同時(shí)計(jì)算出每個(gè)投影點(diǎn)落入的格子索引。
2. 3在位圖中檢測(cè)邊界點(diǎn)，此處按照先行后列的順序遍歷2. 2中構(gòu)建的位圖，并按 照8鄰域(上、下、左、右、左上、右上、左下、右下)檢測(cè)出存在值為0的鄰居的格子。具體流程是
2. 3. 1遍歷位圖第一行，如果某個(gè)格子的值為1，則記為邊界點(diǎn)；
2. 3. 2遍歷位圖中第二行至倒數(shù)第二行，對(duì)第一個(gè)格子和最后一個(gè)格子，如果其值 為1，則記為邊界點(diǎn)；對(duì)于中間的格子，則統(tǒng)計(jì)其8鄰域中值為1的鄰居，如果值為1的鄰居 的數(shù)目小于δ (預(yù)先設(shè)定的閾值，一般為6)，則記為邊界點(diǎn)；
2. 3. 3遍歷位圖的最后一行，如果某個(gè)格子的值為1，則記為邊界點(diǎn)；
2. 4將在位圖中檢測(cè)出的邊界點(diǎn)對(duì)應(yīng)的投影點(diǎn)作為候選點(diǎn)輸出。由于在2. 2. 4中 已經(jīng)記錄了每個(gè)投影點(diǎn)落入的格子索引，此處可以快速實(shí)現(xiàn)。
第三步，基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)。在得到特征線(xiàn)的候選點(diǎn)之后，接下來(lái) 將在這些候選點(diǎn)中檢測(cè)出特征線(xiàn)，這與第一步的框架類(lèi)似，流程如下
3. 1基于隨機(jī)采樣一致性的直線(xiàn)檢測(cè)，記第二步中檢測(cè)出的候選點(diǎn)集合為Q = {q」}，流程如下
3. 1. 1從候選點(diǎn)中隨機(jī)選擇兩個(gè)點(diǎn)；
3. 1. 2根據(jù)選擇的兩個(gè)點(diǎn)的位置構(gòu)造一條估計(jì)直線(xiàn)；
3. 1. 3計(jì)算候選點(diǎn)中其余點(diǎn)到估計(jì)直線(xiàn)的距離，將滿(mǎn)足閾值的點(diǎn)的個(gè)數(shù)作為當(dāng)前 估計(jì)直線(xiàn)的分?jǐn)?shù)，更新最優(yōu)直線(xiàn)的分?jǐn)?shù)及參數(shù)；
3. 1.4判斷是否達(dá)到最大采樣次數(shù)，如果未達(dá)到，則執(zhí)行步驟3. 1. 1 3. 1.3，否則 繼續(xù)；
3. 1. 5將選擇出的最優(yōu)直線(xiàn)記錄并將被此最優(yōu)直線(xiàn)擬合的點(diǎn)從候選點(diǎn)中移除；
3. 1.6判斷剩余的點(diǎn)是否可以形成至少可以擬合某個(gè)特定數(shù)目點(diǎn)的直線(xiàn)，如果可 以，則執(zhí)行步驟1，否則執(zhí)行結(jié)束，返回?cái)?shù)據(jù)。
3. 2全局一致性約束，與khnabel等人的方法不同的一點(diǎn)是，為了增強(qiáng)方法的魯 棒性，本發(fā)明不再假設(shè)特征線(xiàn)上的點(diǎn)是相互連通的，因此可以更大限度地消除噪聲的影響， 使得到的特征線(xiàn)的方向更為精確。
第四步，基于主成分分析(Principal Component Analysis)的線(xiàn)段參數(shù)計(jì)算。由 第三步確定特征線(xiàn)的方向和位置之后，需要將位于特征線(xiàn)上的點(diǎn)按照其相鄰關(guān)系劃分為不 同的區(qū)域，并為每個(gè)區(qū)域計(jì)算出一條線(xiàn)段，流程如下
4. 1對(duì)于每條特征線(xiàn)，將滿(mǎn)足距離約束的點(diǎn)按照距離閾值λ劃分為多個(gè)區(qū)域，即 如果兩個(gè)邊界點(diǎn)的之間的距離小于λ，則認(rèn)為它們處于同一條線(xiàn)段中；
4. 2對(duì)于每個(gè)區(qū)域中的所有點(diǎn)，計(jì)算其重心位置，并構(gòu)造協(xié)方差矩陣，而后對(duì)此矩 陣進(jìn)行特征值分解，選取最大特征值對(duì)應(yīng)的特征向量作為線(xiàn)段的方向；
4. 3為區(qū)域內(nèi)的所有點(diǎn)構(gòu)造與軸方向平行的最小長(zhǎng)方體包圍盒，并將包圍盒的中 心投影到4. 2得到的直線(xiàn)上作為線(xiàn)段的中點(diǎn)；
4.4由中點(diǎn)按照直線(xiàn)的正反方向移動(dòng)包圍盒長(zhǎng)度的一半，將得到的兩個(gè)點(diǎn)作為最 終特征線(xiàn)段的兩個(gè)端點(diǎn)。
采用本發(fā)明可以達(dá)到以下技術(shù)效果
(1)有效降低噪聲、外點(diǎn)和數(shù)據(jù)缺失的干擾；RANSAC本身與生俱來(lái)的特性保證了 本發(fā)明可以有效處理數(shù)據(jù)中的各種缺陷；
(2)得到更為準(zhǔn)確的特征線(xiàn)；在檢測(cè)特征線(xiàn)時(shí)不考慮連通性，而使用全局性約束得到精確的特征線(xiàn)方向；
(3)時(shí)間開(kāi)銷(xiāo)較低，可以處理大規(guī)模點(diǎn)云，這對(duì)應(yīng)對(duì)日益增長(zhǎng)的點(diǎn)云數(shù)據(jù)規(guī)模來(lái)說(shuō)至關(guān)重要；
(4)特別適用于城市建模中由具有規(guī)則結(jié)構(gòu)的建筑物掃描得到的點(diǎn)云數(shù)據(jù)。


圖1是本發(fā)明的總流程圖。
圖2是基于RANSAC的平面檢測(cè)流程圖。
圖3是點(diǎn)到平面的投影示例。
圖4是平面上根據(jù)投影點(diǎn)構(gòu)造位圖的示例。
圖5是位圖中邊界點(diǎn)的檢測(cè)示例。
圖6是基于RANSAC的特征線(xiàn)檢測(cè)流程圖。
具體實(shí)施方式
圖1所示是本發(fā)明的總流程圖。主要流程是
步驟1，基于隨機(jī)采樣一致性的平面檢測(cè)。
步驟2，特征線(xiàn)候選點(diǎn)提取，將檢測(cè)出的平面所能擬合的點(diǎn)投影到平面上，構(gòu)造位 圖并選擇出邊界點(diǎn)作為候選點(diǎn)。
步驟3，在候選點(diǎn)上應(yīng)用隨機(jī)采樣一致性檢測(cè)出特征線(xiàn)所在的直線(xiàn)。
步驟4，基于主成分分析(!Principal Component Analysis)的線(xiàn)段參數(shù)計(jì)算，將每 條直線(xiàn)所能擬合的點(diǎn)劃分為多個(gè)相互連通的區(qū)域，為每個(gè)區(qū)域計(jì)算線(xiàn)段的起點(diǎn)和終點(diǎn)。
圖2是基于RANSAC的平面檢測(cè)流程圖。主要流程是
步驟1，在點(diǎn)云P中隨機(jī)選擇三個(gè)點(diǎn)；
步驟2，根據(jù){ρ ，Κ,的位置構(gòu)造一個(gè)平面Lt ；
步驟3，計(jì)算L的法向量Iit與{巧',乂乂}的法向量{ ，心的夾角，如果存在一個(gè)夾角過(guò)大，則舍棄Lt并轉(zhuǎn)1. 1 ；否則繼續(xù)；
步驟4，計(jì)算P中其余點(diǎn)Pi到Lt的距離Cli以及與Iit的夾角σ 并統(tǒng)計(jì)(Ii小于閾 值ε以及ο i小于閾值α的點(diǎn)的個(gè)數(shù)作為L(zhǎng)t的分?jǐn)?shù)& ；
步驟5，重復(fù)步驟1 4Τ次，選擇出得分最高的平面廣；其中T由以下公式確定「 η T log(l - Φ)
T=~-J-
式中τ為位于Lt*之外的點(diǎn)所占比例的估計(jì)值，Φ為經(jīng)過(guò)T次采樣之后最優(yōu)平面 被選中的概率，此公式由統(tǒng)計(jì)學(xué)規(guī)律得出；
步驟6，記錄Lt*并在點(diǎn)云P中移除計(jì)入& 的點(diǎn)；
步驟7，判斷剩余的點(diǎn)是否可以形成或可以擬合某個(gè)特定數(shù)目點(diǎn)的平面，如果可 以，則執(zhí)行步驟1 6，否則執(zhí)行結(jié)束，返回?cái)?shù)據(jù)。
圖3是點(diǎn)到平面的投影示例。對(duì)于在某個(gè)平面L能擬合的點(diǎn)，首先計(jì)算乂與平面 L上一點(diǎn)Lp之間的向量差Z = P' -Lp，然后計(jì)算乂在平面L上的 < 坐標(biāo)< =r!‘* LlJXRp';8在平面L上的<坐標(biāo)< =/' * Lnv ； Ldu和Ldv為平面L上兩個(gè)相互正交的方向，它們與L的法 向量Ln共同構(gòu)成了一個(gè)局部坐標(biāo)系。
圖4是平面上根據(jù)投影點(diǎn)構(gòu)造位圖的示例。遍歷L上的每個(gè)投影點(diǎn)(U1； , ν'；),計(jì)算 出最小長(zhǎng)方形包圍盒B，其中B的邊與Ldu和Ldv相平行；按照分辨率κ將B劃分為均勻的 二維網(wǎng)格，如果有某個(gè)點(diǎn)落入劃分后的某一個(gè)格子中，則將格子的值設(shè)為1(圖中帶有柵格 的格子)。
圖5是位圖中邊界點(diǎn)的檢測(cè)示例。按照先行后列的順序遍歷位圖并按照8鄰域 (上、下、左、右、左上、右上、左下、右下)檢測(cè)出存在值為0的鄰居的格子。圖中帶有對(duì)角線(xiàn) 紋理的格子即為邊界點(diǎn)。需要注意的是，由于將閾值δ設(shè)為6，位圖的中間也檢測(cè)出兩個(gè)邊 界點(diǎn)，但此類(lèi)邊界點(diǎn)通常只占較小的比例，在基于RANSAC的直線(xiàn)檢測(cè)時(shí)一般會(huì)被忽略掉。
圖6是基于RANSAC的特征線(xiàn)檢測(cè)流程圖。記檢測(cè)出的候選點(diǎn)集合為Q = IqjI主 要流程是
步驟1，在Q中隨機(jī)選擇{<，《'}兩個(gè)點(diǎn)；
步驟2，根據(jù){<，《"}的位置構(gòu)造一條直線(xiàn)Im ；
步驟3，計(jì)算Q中其余點(diǎn)Qj到Im的距離Clj,并統(tǒng)計(jì)Clj小于閾值ξ的點(diǎn)的個(gè)數(shù)作為 Im的分?jǐn)?shù)‘
步驟4，重復(fù)步驟1 3Μ次，選擇出得分最高的直線(xiàn)Γ* ；其中M由以下公式確定
權(quán)利要求
1.三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法，通過(guò)基于隨機(jī)采樣一致性在點(diǎn) 云中檢測(cè)出多個(gè)平面，然后將每個(gè)平面參數(shù)化域的邊界點(diǎn)作為候選檢測(cè)特征線(xiàn)，其特征在 于該方法的具體步驟為步驟1，基于隨機(jī)采樣一致性的平面檢測(cè)。步驟2，特征線(xiàn)候選點(diǎn)提取，將檢測(cè)出的平面所能擬合的點(diǎn)投影到平面上，構(gòu)造位圖并 選擇出邊界點(diǎn)作為候選點(diǎn)。步驟3，在候選點(diǎn)上應(yīng)用隨機(jī)采樣一致性檢測(cè)出特征線(xiàn)所在的直線(xiàn)。 步驟4，基于主成分分析(Principal Component Analysis)的線(xiàn)段參數(shù)計(jì)算，將每條直 線(xiàn)所能擬合的點(diǎn)劃分為多個(gè)相互連通的區(qū)域，為每個(gè)區(qū)域計(jì)算線(xiàn)段的起點(diǎn)和終點(diǎn)。
2.根據(jù)權(quán)利要求1所述的三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法，其特征 在于基于隨機(jī)采樣一致性RANSAC的平面檢測(cè)，采用的是點(diǎn)云中基于RANSAC的基元檢測(cè)方 法，該方法是在點(diǎn)云中隨機(jī)選取三個(gè)點(diǎn)確定一個(gè)平面，然后根據(jù)點(diǎn)云中其余點(diǎn)到平面的距 離以及法向量的偏差選擇出一個(gè)最優(yōu)平面，即能夠被此平面擬合的點(diǎn)的數(shù)目最大，其過(guò)程 如下步驟1、從點(diǎn)云中隨機(jī)選擇三個(gè)點(diǎn){外‘，乂，淖；步驟2、根據(jù)選擇的三個(gè)點(diǎn)的位置構(gòu)造一個(gè)估計(jì)平面，即根據(jù)三個(gè)點(diǎn)的位置 構(gòu)造一個(gè)平面Lt ；步驟3、根據(jù)三個(gè)點(diǎn)的法向量以及估計(jì)平面的法向量判斷平面是否有效； 步驟4、計(jì)算點(diǎn)云中其余點(diǎn)到估計(jì)平面的距離以及與法向量的夾角，將滿(mǎn)足閾值的點(diǎn)的 個(gè)數(shù)作為當(dāng)前估計(jì)平面的分?jǐn)?shù)，更新最優(yōu)平面的分?jǐn)?shù)及參數(shù)；步驟5、判斷是否達(dá)到最大采樣次數(shù)，如果未達(dá)到，則執(zhí)行步驟1 4，否則繼續(xù)； 步驟6、將選擇出的最優(yōu)平面記錄并將被此最優(yōu)平面擬合的點(diǎn)從點(diǎn)云中移除； 步驟7、判斷剩余的點(diǎn)是否可以形成或可以擬合某個(gè)特定數(shù)目點(diǎn)的平面，如果可以，則 執(zhí)行步驟1 6，否則執(zhí)行結(jié)束，返回?cái)?shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法，其特征 在于特征線(xiàn)候選點(diǎn)提取，將每個(gè)平面L所能擬合的點(diǎn)，即計(jì)入分?jǐn)?shù)的點(diǎn){ρ,投影到L上，并 將投影區(qū)域的邊界點(diǎn)作為構(gòu)成特征線(xiàn)的候選點(diǎn)，過(guò)程如下步驟1、計(jì)算點(diǎn)乂到平面L的投影； 步驟2、構(gòu)建平面上投影點(diǎn)的位圖；步驟3、在位圖中檢測(cè)邊界點(diǎn)，此處按照先行后列的順序遍歷步驟2中構(gòu)建的位圖，并 按照8鄰域，上、下、左、右、左上、右上、左下、右下，檢測(cè)出存在值為0的鄰居的格子； 步驟4、將在位圖中檢測(cè)出的邊界點(diǎn)對(duì)應(yīng)的投影點(diǎn)作為候選點(diǎn)輸出。
4.根據(jù)權(quán)利要求1所述的三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法，其特征 在于在得到特征線(xiàn)的候選點(diǎn)之后，接下來(lái)將在這些候選點(diǎn)中檢測(cè)出特征線(xiàn)，主要流程是步驟1，從候選點(diǎn)中隨機(jī)選擇兩個(gè)點(diǎn)；步驟2，根據(jù)選擇的兩個(gè)點(diǎn)的位置構(gòu)造一條估計(jì)直線(xiàn)；步驟3，計(jì)算候選點(diǎn)中其余點(diǎn)到估計(jì)直線(xiàn)的距離，將滿(mǎn)足閾值的點(diǎn)的個(gè)數(shù)作為當(dāng)前估計(jì) 直線(xiàn)的分?jǐn)?shù)，更新最優(yōu)直線(xiàn)的分?jǐn)?shù)及參數(shù)；步驟4，判斷是否達(dá)到最大采樣次數(shù)，如果未達(dá)到，則執(zhí)行步驟1，否則繼續(xù)； 步驟5，將選擇出的最優(yōu)直線(xiàn)記錄并將被此最優(yōu)直線(xiàn)擬合的點(diǎn)從候選點(diǎn)中移除； 步驟6，判斷剩余的點(diǎn)是否可以形成至少可以擬合某個(gè)特定數(shù)目點(diǎn)的直線(xiàn)，如果可以， 則執(zhí)行步驟1，否則執(zhí)行結(jié)束，返回?cái)?shù)據(jù)。
5.根據(jù)權(quán)利要求1所述的三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法，其特征 在于基于主成分分析(Principal Component Analysis)的線(xiàn)段參數(shù)計(jì)算的步驟如下步驟1、對(duì)于每條特征線(xiàn)，將滿(mǎn)足距離約束的點(diǎn)按照距離閾值λ劃分為多個(gè)區(qū)域，SP如 果兩個(gè)邊界點(diǎn)的之間的距離小于λ，則認(rèn)為它們處于同一條線(xiàn)段中；步驟2、對(duì)于每個(gè)區(qū)域中的所有點(diǎn)，計(jì)算其重心位置，并構(gòu)造協(xié)方差矩陣，而后對(duì)此矩陣 進(jìn)行特征值分解，選取最大特征值對(duì)應(yīng)的特征向量作為線(xiàn)段的方向；步驟3、為區(qū)域內(nèi)的所有點(diǎn)構(gòu)造與軸方向平行的最小長(zhǎng)方體包圍盒，并將包圍盒的中心 投影到步驟2得到的直線(xiàn)上作為線(xiàn)段的中點(diǎn)；步驟4、由中點(diǎn)按照直線(xiàn)的正反方向移動(dòng)包圍盒長(zhǎng)度的一半，將得到的兩個(gè)點(diǎn)作為最終 特征線(xiàn)段的兩個(gè)端點(diǎn)。
全文摘要
本發(fā)明公開(kāi)了一種三維點(diǎn)云中基于隨機(jī)采樣一致性的特征線(xiàn)檢測(cè)方法。該方法通過(guò)基于隨機(jī)采樣一致性在點(diǎn)云中檢測(cè)出多個(gè)平面，然后將每個(gè)平面參數(shù)化域的邊界點(diǎn)作為候選，在這些候選點(diǎn)上再應(yīng)用隨機(jī)采樣一致性得到最終的特征線(xiàn)，從而有效降低噪聲、外點(diǎn)和數(shù)據(jù)缺失的影響，大大增強(qiáng)特征線(xiàn)檢測(cè)的魯棒性，并提高了時(shí)間效率。
文檔編號(hào)G06K9/46GK102034104SQ20101058128
公開(kāi)日2011年4月27日 申請(qǐng)日期2010年12月10日 優(yōu)先權(quán)日2010年12月10日
發(fā)明者黨崗, 周競(jìng)文, 姜巍, 方皓, 李俊, 李宏華, 李寶, 林帥, 田艷花, 程志全, 金士堯, 陳寅 申請(qǐng)人:中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué)