基于投影分布熵的地面激光点云自动配准方法 下载: 908次
1 引言
近年来地面三维激光扫描广泛应用于城市建模[1]、遗迹保护[2]、变形监测[3]、森林调查[4]等领域。相比于基于可见光的传统测量方法,激光扫描是一种主动式的测量方法,减少了对测量环境和时段的依赖,并可以快速、精确、大量地获取目标表面的点云数据。为了获得地物的完整表面信息,地面激光扫描通常需要多站架设,不同测站得到的点云数据具有独立坐标系,需要转换至同一坐标系下才能用于后续处理,该转换过程称为点云配准。点云配准是激光点云处理中的重要环节,对激光扫描数据的后续处理与应用具有重要意义。
点云配准的基本方法是基于标靶进行配准,由于标靶布设影响作业效率且受地形通视限制较大,自动配准方法一直是国内外研究的重点。点云自动配准通常分为粗配准和精配准两个阶段。迭代最邻近点(ICP)法是一种常用的自动精配准方法[5],通过不断迭代搜索邻近点对并计算转换参数,直至达到预设收敛条件。在原始ICP的基础上,许多学者从不同角度提出了改进思路。Chen等[6]使用点面距替代了原始ICP中的对应点距离,提高了算法的收敛效率。Low[7] 在此基础上,从数学框架出发,将基于点面距的ICP解算过程简化为线性最小二乘,提高了算法效率。Zhang等[8]通过设置最大距离的方式剔除不合理的对应点,提高了配准精度。ICP算法的不足在于需要较高精度的初始值,否则易收敛于局部最小值。为ICP提供初始值的过程为粗配准阶段,自动粗配准方法一般包括基于点云影像和基于三维特征的方法。基于影像的配准方法一般从点云影像出发,在影像空间中查找对应的同名点并计算初始转换参数,常用的点云影像包括相机影像[9]、强度影像[10]和深度影像[11],常用的特征匹配方法为尺度不变特征变换(SIFT)[12]。基于点云影像的配准方法可以充分利用成熟的图像处理算法,实现高效的自动配准,但对于激光扫描中存在的视角变换、前视遮挡、重叠率较小等情况较为敏感,适用范围有限。而直接在三维点云中提取特征进行同名查找和匹配的配准方法的稳定性更好、适用范围更广。Theiler等[13]将点云数据体素化后提取高斯差分特征(DoG)和三维Harris角点,以实现自动配准。Rusu等[14]基于统计方式提取直方图特征(FPFH)并进行配准,该特征对于尺度、噪声都有较好的稳健性。陈茂霖等[15]在直方图特征的基础上,结合法向量、高程等特征进一步提升了地面激光点云配准的稳定性。陆军等[16]通过在点云处理中引入迭代插值法增加点云整体密度,提高了配准精度。浦石等[17]提取立面特征,并与全球定位系统(GPS)得到的测站位置结合,实现了点云的快速配准。Yang等[18]提取竖直方向特征线与地面的交点作为语义特征点,并基于该点集寻找同名点,实现点云配准。谭志国等[19] 在特征配准之外,基于场景在三个投影面上的分布熵计算转换参数,取得了较好的仿真数据,但用于计算平移参数的质心对齐法可能不适用于质心偏移较大的实际点云数据,且采用对三个旋转角进行查找的方式,降低了配准效率。
从已有研究可知,目前点云自动配准方法主要关注点云中的具体特征,通过提取和匹配同名特征来计算点云测站间的转换参数。这种方法在特征显著的场景下可以取得很好的配准结果,但特征相关的处理通常需要大量运算、效率较低,并且基于特征的同名查找在视角变换较大以及含有较多重复、对称结构的场景中会受到干扰,出现较大的配准误差。针对该问题,本文提出一种考虑测站间点云二维投影分布的地面激光点云自动配准方法,基于信息熵衡量测站间的二维投影分布统一程度,使用测站位置间距控制平移参数,通过在二维空间中查找最佳点云分布来计算点云的初始转换参数。这种方法适用于地面较为平坦的场景,无需提取细节特征,提高了配准效率,同时对重复、对称结构具有更高的稳定性和配准成功率。
2 点云分布的信息熵表达
对于参考点云
式中:
引入信息熵[20]的概念对点云分布情况进行数学描述。对于一个随机事件
式中:
通常情况下,地面激光扫描仪为近似水平架设[21],因此点云的坐标
式中:
式中:
图 1. 不同旋转参数对应的点云分布。(a)正确配准;(b)错误配准1;(c)错误配准2;(d)正确配准时的点云分布;(e)错误配准1对应的点云分布;(f)错误配准2对应的点云分布
Fig. 1. Point cloud distributions corresponding to different rotation parameters. (a) Correct registration;(b) incorrect registration 1; (c) incorrect registration 2; (d) point cloud distribution of correct registration; (e) point cloud distribution of incorrect registration 1; (f) point cloud distribution of incorrect registration 2
图 2. 熵值变换与z轴对应的旋转角间的关系,0°对应正确配准时的空间分布情况
Fig. 2. Relationship between entropy change and rotation angle around z axis. 0° corresponds to space distribution of correct registration
3 基于最佳分布查找的点云配准
地面激光扫描一般要求扫描仪架设近似水平[21],在一些特殊情况下,如近距离对较高目标进行扫描时可能需要将扫描仪倾斜,此时可以基于地面法向量进行旋转使其与
式中:(
由(7)式可知,
将(8)式得到的转换参数作为初始值代入ICP算法,得到最终精配准结果。
4 实验与分析
4.1 实验数据
为了验证本文方法的有效性,共选取3组点云数据进行实验,数据基本信息如
表 1. 数据基本信息
Table 1. Basic information of datasets
|
3组数据的配准结果和测站位置如
表 2. 测站间距及配准顺序
Table 2. Distances between adjacent station positions and registration order
|
图 3. 配准前后的三组点云数据。(a)配准前的数据1;(b)配准前的数据2;(c) 配准前的数据3;(d)配准后的数据1;(e)配准后的数据2;(f)配准后的数据3
Fig. 3. Three groups of point clouds before and after registration. (a) Dataset 1 before registration; (b) dataset 2 before registration; (c) dataset 3 before registration; (d) dataset 1 after registration; (e) dataset 2 after registration; (f) dataset 3 after registration
表 3. 配准误差
Table 3. Registration error
|
4.2 对比实验
为了测试本文方法的精度和稳定性,将其与基于二维SIFT特征[12]和三维FPFH特征[14]的自动配准方法进行对比。由于格网宽度
SIFT、FPFH和本文方法的配准成功次数分别为12,360,312,相应的成功配准次数分别为2,60,196,可见本文方法的成功率最高。基于SIFT和FPFH的配准方法的失败原因主要为视角变换带来的局部特征变化以及窗体带来的大量重复和对称结构,如
基于SIFT特征的配准方法的粗配准效率最高,其原因在于强度影像可以显著减少参与运算的数据量,同时简化相邻数据间的查找关系。而基于FPFH的配准方法效率最低,因为其需要在每个三维点处构建邻域,并基于该邻域进行统计运算。本文方法的粗配准效率介于上述两种方法之间,主要受点云水平外包围盒大小的影响,随包围盒的增大而降低。
综合而言,与基于特征的自动配准方法相比,本文方法的配准成功率最高,运行效率也高于三维特征配准方法。由于本文方法主要关注点云二维分布的一致性,减少了由视角变换、结构重复和对称带来的配准错误,提高了自动配准的稳定性,尤其在包含大量重复结构的场景中具有更好的适用性。
表 4. 数据1配准结果
Table 4. Registration results of dataset 1
|
表 5. 数据2配准结果
Table 5. Registration results of dataset 2
|
表 6. 数据3配准结果
Table 6. Registration results of dataset 3
|
图 4. 视角变换、结构相似和对称导致的特征配准错误。(a)视角变换和对称结构带来的误匹配;(b)相似结构带来的误匹配;(c)相似结构带来的平移错误;(d)对称结构带来的旋转错误
Fig. 4. Registration errors caused by view change and structural similarity and symmetry. (a) Incorrect registration caused by view change and structural symmetry; (b) incorrect registration caused by structural similarity; (c) incorrect translation caused by structural similarity; (d) rotation error caused by structural symmetry
本文方法的配准结果受到测站间距估算方法、重叠度、格网宽度
为了研究格网宽度
为了研究密度变化对配准结果的影响,选取数据3中的点云S1,对其进行不同比例的降采样,并在
为了研究点云倾斜程度对配准结果的影响,在数据3中将点云S1绕
图 5. 不同格网宽度的配准误差与时间。(a)(b)数据1中的测站S2-S3;(c)(d)数据2中的测站S2-S3;(e)(f)数据3中的测站S1-S2
Fig. 5. Registration error and time in terms of different tG. (a)(b) S2-S3 of dataset 1; (c)(d) S2-S3 of dataset 2; (e)(f) S1-S2 of dataset 3
图 6. 基于采样比例的密度变化实验
Fig. 6. Density change experiments corresponding to different sampling ratios
表 7. 不同倾斜角对应的配准方均根误差
Table 7. Registration mean root errors corresponding to different tilted angles
|
5 结论
从点云整体分布角度提出一种基于点云间的投影分布熵的自动配准方法,利用投影分布熵来描述点云空间分布情况,并查找两站点云间的最佳分布。与基于特征的自动配准方法相比,该方法无需提取点云细节特征,而是更关注点云整体分布的一致性。三组地面激光点云数据的配准实验表明,该方法在处理视角变换较大以及存在较多相似、对称结构的点云数据时具有更高的稳定性和成功率,而且配准效率高于基于三维特征的配准方法。该方法适用于地形起伏较小的场景,未来研究中将改进平移矩阵
[2] 方伟, 黄先锋, 张帆, 等. 依据点云强度校正的壁画纠正[J]. 测绘学报, 2015, 44(5): 541-547.
[3] 李珵, 卢小平, 朱宁宁, 等. 基于激光点云的隧道断面连续提取与形变分析方法[J]. 测绘学报, 2015, 44(9): 1056-1062.
[4] 步国超, 汪沛. 基于单站地面激光雷达数据的自适应胸径估计方法[J]. 激光与光电子学进展, 2016, 53(8): 082803.
[5] Besl P J. McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.
[7] Low K L. Linear least-squares optimization for point-to-plane ICP surface registration[R/OL]. [S.l.: s.n.], 2004: TR04-004[2019-01-01]. http:∥citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.298. 4533.
[10] 李健, 王宗敏, 马玉荣, 等. 多站激光点云数据全自动高精度拼接方法研究[J]. 武汉大学学报(信息科学版), 2014, 39(9): 1114-1120.
[11] Bendels GH, DegenerP, WahlR, et al. Image-based registration of 3D-range data using feature surface elements[C]//Proceedings of the 5th International Conference on Virtual Reality, Archaeology and Intelligent Cultural Heritage, December 7-10, 2004, Oudenaarde, Belgium. Switzerland: Eurographics Association Aire-la-Ville, 2004: 115- 124.
[14] Rusu RB, BlodowN, BeetzM. Fast point feature histograms (FPFH) for 3D registration[C]//2009 IEEE International Conference on Robotics and Automation, May 12-17, 2009, Kobe, Japan. New York: IEEE, 2009: 3212- 3217.
[15] 陈茂霖, 卢维欣, 万幼川, 等. 无附加信息的地面激光点云自动拼接方法[J]. 中国激光, 2016, 43(4): 0414003.
[16] 陆军, 彭仲涛. 基于快速点特征直方图的特征点云迭代插值配准算法[J]. 国防科技大学学报, 2014, 36(6): 12-17.
[17] 浦石, 李京伟, 郭四清. 融合语义特征与GPS位置的地面激光点云拼接方法[J]. 测绘学报, 2014, 43(5): 545-550.
[19] 谭志国, 鲁敏, 郭裕兰, 等. 基于投影分布熵的多视点三维点云场景拼接方法[J]. 中国激光, 2012, 39(11): 1114003.
[20] Shannon C E. A mathematical theory of communication[J]. ACM SIGMOBILE Mobile Computing and Communications Review, 2001, 5(1): 3-55.
[22] PolewskiP, EricksonA, YaoW, et al. Object-based coregistration of terrestrial photogrammetric and ALS point clouds in forested areas[J]. ISPRS Annals of Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, III-3: 347- 354.
Article Outline
梁建国, 陈茂霖, 马红. 基于投影分布熵的地面激光点云自动配准方法[J]. 激光与光电子学进展, 2019, 56(13): 131501. Jianguo Liang, Maolin Chen, Hong Ma. Registration of Terrestrial Laser Scanning Data Based on Projection Distribution Entropy[J]. Laser & Optoelectronics Progress, 2019, 56(13): 131501.