[发明专利]基于分步三维空间-特征域映射的点云直线特征提取方法

权利要求书

1.基于分步三维空间-特征域映射的点云直线特征提取方法，其特征在于：该方法具体步骤如下：

步骤一：特征点云中某点邻域的确定；首先用KD-TREE算法构建全体点云的结构树，根据点云的坐标分布将原始点云细分到不同区域，由于细分过程是基于坐标信息的，直接根据区域地址信息实现最近点的搜索，以大幅提高搜索速度，快速构建出指定点的临近点集；

步骤二：特征点云中某点方向的确定；某点方向的确定要根据该点邻域的点云的坐标分布来确定，如果某点属于直线特征，使用用邻域点集与该点坐标差所得向量表示；其邻域点集提供的方法如下：

计算点集坐标的平均值(x‾,y‾,z‾)=(1rΣj=1rxj,1rΣj=1ryj,1rΣj=1rzj),]]>将点集中离平均点较近的点排除，计算点集的平均距离d，若|p_i-p_j|<2·d则p_j不予以考虑；用平均点同较远的点确定直线方向并将方向统一为向上，即如果zj-z‾<0,]]>n→ji=-(xj-x‾,yj-y‾,zj-z‾);]]>而该特征点的点云方向则为有效方向之均值，即

步骤三：特征点云中直线方向探测；将各点云方向向量归一化，映射到单位向量球中，点云集中地方为直线方向所在；

步骤四：点云的空间自动分割；通过自动识别的方法将单位向量球中密度较大的区域找出并计算出其中心作为特征点云中直线的方向估计，即在方向域中根据元素的集散程度确定直线的方向参数，借助于近邻函数准则算法原理可采用的点云聚类分割方法得到不同的点集；

步骤五：特征点云按照提取的直线方向投影；将特征点云按照步骤四提取的直线方向投影，获得平面内的点云投影图象；基于3DHough变换的直线识别算法第一步即通过方向参数域的处理确定直线的可能方向α,β；在步骤四中得出的直线方向则对应的直线方向

β=arcsin(r3r12+r22+r32)a=arccos(r1cos(β)·r12+r22+r32)]]>

对于一条空间直线来说，自由度为4，因此固定其分布需要的参数为4个，确定了方向指向后，再加上直线垂直平面的位置固定即获得直线的全部参数；所以本步是将特征点云按照步骤四提取的直线方向投影，获得平面内的点云投影图象；与之前的映射规律类似，一条直线的投影会聚集与一个区域，即获得了平面内的点云分布图，并在某区域有密度较大的点汇聚，其他位置点离散分布，继续应用步骤四中所述点云聚类分割方法，得到不同直线对应的映射平面的位置分布；

即对于点集P_n，沿着向量投影即相当于将点云所在的坐标系Z轴由n_z=(0,0,1)变为(r₁,r₂,r₃)；则用(0，0，1)到(r₁,r₂,r₃)的Householder矩阵来实现旋转矩阵；即：

b=r→-n→zR=I-2·b·bT]]>

则转换后的点云为P′=(R·P^T)^T=(x′,y′,z′)，则投影平面数据为P_face{x_i′,y_i′}(i∈[0,n])；

步骤六：在投影平面中确定直线全部参数；继续应用步骤四中所述点云聚类分割方法，提取平面点云分布图像中直线投影点，得到不同直线对应的映射平面的位置分布。

2.根据权利要求1所述的基于分步三维空间-特征域映射的点云直线特征提取方法，其特征在于：步骤四所述的点云簇类分割方法，其具体实现过程如下：

1：计算特征点云总数n；

2：计算点云的平均距离d；

3：建立点云的相关矩阵：

(p1,p2)(p1,p3)(p1,p4)···(p1,pn)0(p2,p3)(p2,p4)···(p2,pn)···············000···(pn-1,pn)00000]]>

4：根据相关矩阵计算不同点云间距，建立与相关矩阵元素相应的相关距离矩阵；

d12d13d14···d1n0d23d24···d2n···············000···dn-1,n00000]]>

5：从i=1行开始分析，比较点p₁与其余各点的距离，以平均距离d的k倍作为阈值，选择所有小于dk的非0点，组成聚类1，记录满足要求点的序号Q₁(q₁…q_s)，并将所有聚类1元素的序号(q₁,q₂…,q_s)对应的(q₁+1,q₂+1…,q_s+1)行和(q₁,q₂…,q_s)列置0；

6：对下一行继续讨论，若全为0则跳至Step6；否则遇到满足小于dk的非0元素则生成下一个聚类Q_n，更新序号i=i+1，i=n-1时跳至Step7，否则重新跳至Step6；

7：分析各个聚类的元素个数length(Q_n)，少于10个元素的孤立聚类认为是干扰点，予以剔除，则剩下的聚类为各直线特征点云方向映射；

8：对各个有效聚类计算中心点，即获得直线的方向估计。