[发明专利]一种基于正态分布变换单元的点云平面分割方法

说明书

技术领域

本发明属于地图制图技术领域，涉及一种三维激光点云平面提取的方法，特别涉及一种基于正态分布变换单元的点云平面分割方法。

背景技术

激光扫描技术已经成为一种重要的测量数据获取手段，通过机载、地面、车载激光雷达获得城市环境的点云数据，可以快速实现对城市环境的观测，在快速发展的城市建设和管理中越来越起到重要作用。移动测量数据往往快速实时获取，观测效率高，数据量巨大。同时激光雷达也被广泛的应用在即时定位与制图、语义地图和物体识别等领域。利用移动激光测量设备实现室内环境的快速制图，满足日益增长的室内环境地图和导航的需要，成为当前的热门研究点。室内环境中的点云数据通常包含丰富的结构信息，比如屋顶、墙壁、地板在点云数据中都表现为平面几何特征。如何快速高效的提取这些平面结构信息是一项十分重要的工作。室内环境的平面特征对同时定位与地图构建(Simultaneous localization and mapping，SLAM)和室内结构化三维模型构建都具有重要意义。

目前有多种激光测量手段获取激光点云数据，包括机载激光测量(Airborne laser scanning，ALS)，地面激光测量(Terrestrial laser scanning，TLS)和移动激光测量(Mobile laser scanning，MLS)，用到的激光测量设备包括全景深度相机和深度相机。点云数据的组织方式可以是有序点云(Organized Point Clouds)或者无序点云(Unorganized Point Clouds)。通常采用点云分割技术实现对点云的分割和提取。点云分割技术大致可以分为以下四类：区域生长方法，模型拟合方法，图割方法和属性聚类方法，不同的方法有各自的优势和不足。传统的区域生长鲁棒性不是很好，受分割的多种评判标准的影响，会产生过分割和欠分割，计算时间长。模型拟合方法主要采用的是随机采样一致性算法(Random Sample Consensus，RANSAC)，该方法首先随机采样生成最小一致集，计算模型参数，然后验证其他数据是否满足假设，但是该方法提取的结果存在不确定性；另外一种是霍夫变换方法，该方法内存消耗大，计算时间长。图割方法进行点云分割具有精度高的特点，但是计算时间过长同时需要先验知识。属性聚类方法常采用曲率作为点云的属性进行平面划分，因此依赖于精确的曲率计算，而实现在平面边缘的曲率计算时存在很大的困难。在进行室内移动激光测量时，尤其是在同时定位与地图构建领域，快速提取室内点云的平面特征对于点云数据的快速匹配和语义识别都具有重要的意义。

发明内容

为了从室内的移动激光测量无序点云数据中快速提取点云平面信息的技术问题，本发明提供了一种基于正态分布变换单元的点云平面分割方法。

本发明所采用的技术方案是：一种基于正态分布变换单元的点云平面分割方法，其特征在于，包括以下步骤：

步骤1：根据输入的体素大小，将点云离散化为网格，采用体素化表达点云三维空间；

步骤2：当体素内的点数目大于α时，一般取α≥5，用正态分布描述每个体素内的点云的空间分布，计算每个体素单元正态分布的数字特征，包括均值g_i和协方差矩阵∑，得到正态分布变换单元；利用协方差矩阵∑进行特征值分解，得到特征值λ1≤λ2≤λ3和对应的特征向量取特征值最小的特征向量作为正态分布变换单元的法向量n_i；

步骤3：根据设定的阈值te标记每个正态分布变换单元的几何特征为平面和非平面；

步骤4：根据整个体素网格的行列高信息构造每个体素的近邻单元信息列表；

步骤5：利用正态分布变换单元作为区域生长算法的基本单元，进行点云平面分割；

步骤6：重复步骤5，选择新的种子单元进行迭代，直到所有的种子单元都已经遍历完毕。

步骤7：当所有的种子单元都已经计算完毕，采用迭代重权重最小二乘方法拟合平面Ψ，提高平面拟合的精度和稳健性。

相对于现有技术，本发明的有益效果是：提供了一种高效的高密度无序点云平面提取方法。该方法采用了正态分布变换单元表达点云三维空间，同时利用点云的局部几何特征将点云分类为平面和非平面正态分布变换单元，与传统的基于点的区域生长算法相比，本发明具有运算速度快的特点；相比随机采样一致性(RANSAC)方法存在分割结果不确定的问题，本发明可以得到确定的平面分割结果；同时具有较高的查全率和查准率。可以应用于基于点云数据的室内制图和三维重建等领域。

附图说明

图1为本发明实施例的流程图；