[发明专利]不重复扫描激光雷达三维重建中的特征点剔除方法

说明书

一种不重复扫描激光雷达三维重建中的特征点剔除方法，其步骤为：S1对采集的激光点云提取三维重建特征点，包括边缘特征点和平面特征点；S2剔除特征点中不可靠的边缘特征点；S3剔除特征点中不可靠的平面特征点；S4基于剩余特征点进行点云匹配和场景三维重建。本发明基于不重复扫描激光雷达的有限视场，主动剔除邻近视场边界的不可靠边缘特征点及可能会导致光斑拉长的平面特征点，可以有效避免激光雷达三维重建中的错误匹配，提高三维重建的精度。

技术领域：

本发明给出了一种针对不重复扫描激光雷达三维重建过程中特征点筛选的方法，剔除不可靠的特征点对三维重建的影响，提高激光雷达三维重建的精度，属于激光雷达点云数据处理领域。

背景技术：

激光雷达具有很高的测量精度，可以获取观测区域内目标的三维点云，在测绘、无人驾驶、安防监控等领域具有广泛的应用。单次观测的场景范围有限，通过合适的匹配算法，将连续多次测量的结果拼接在一起，就实现了基于激光雷达的三维重建。目前最典型的激光雷达三维重建算法为LOAM(Lidar Odometry and Mapping)算法。该算法将复杂的SLAM(Simultaneous Localization and Mapping)问题分为高频的运动估计与低频的环境建图，其中激光点云记录模块采集数据，激光里程计模块进行特征提取、匹配、运动估计和坐标转换，建图模块以相对于里程计模块更慢的频率构建三维点云地图，位姿合成模块将激光雷达里程计输出的相对位姿进行全局位姿合成，实现全局定位。

LOAM算法包括了基于二维激光的重建和基于三维激光的重建，两者使用的传感器不同，但重建的基本原理是一致的，都是基于多帧数据之间的匹配进而形成完整的场景信息，匹配的基础就是特征点的提取，通过提取数据中的特征点，进而利用特征点进行点云的坐标转换和匹配，对于三维激光雷达数据，最常用的配准方法是ICP(Iterative ClosestPoint)算法。其原理是迭代减小两个点集之间临近点的距离，实现两个点集的匹配。原理上，直接利用全部点云配准会得到更好的效果，但由于点云数据量太大导致了运算量的过大，实时性难以满足。提取少量的特征点则可以实现实时配准，目前常用的特征点为平面特征点和边缘特征点。

LOAM算法中的特征点提取的依据是点云的曲率，基于通常的机械扫描激光雷达，在平坦的地面上，激光雷达的多条扫描线分别对应不同的平面，是一种平面扫描，即使在长时间扫描中，扫描线也是仅扫描特定的平面，这在LOAM重建中有很多优势，比如相邻的点是来自同一扫描面、具有大的水平扫描范围等，随着技术的发展，大量的非机械扫描方式出现，很多非重复扫描激光雷达得到应用，这种激光雷达的覆盖范围随时间的延长而增大，可以实现对目标和场景的更细致刻画。然而，这种非重复的扫描方式，也导致了相邻时刻到达的点云并不定是在同一平面上的点云，更严重的是，这种非重复扫描激光雷达通常都具有非常有限的视场，由于激光雷达扫描范围的局限导致了大量位于视场边界附近的点会被判断为边缘特征点，但是这些边缘特征点并非真实的物体边缘，当这些特征点被用于三维重建时，将会降低三维重建的精度，因此需要剔除。

发明内容：

本发明的目的是针对非重复扫描激光雷达的三维重建问题，提供了一种对所提取的特征点进行筛选并剔除不可靠特征点的方法，以保证使用正确的特征点进行点云的配准和拼接，提高激光雷达对场景三维重建的精度。

本发明遵循了以下的技术方案：不重复扫描激光雷达三维重建中的特征点剔除方法，其实现的步骤如下：

S1对输入的激光点云提取三维重建特征点，具体包括了边缘特征点和平面特征点；

S2剔除特征点中不可靠的边缘特征点；

S3剔除特征点中不可靠的平面特征点；

S4利用剩余特征点进行基于LOAM算法的场景三维重建。

所述S1实现从输入点云提取特征点，包括边缘特征点和平面特征点，为后续的三维重建提供特征数据，以保证重建过程的实时性。