三维激光扫描技术借助其主动、快速获取高分辨率、高精度三维空间信息的优势,成
为地面获取空间信息的重要途径之一,广泛应用于城市三维建模
[1-3]
、变形监测
[4-6]
、古建筑
测量与文物保护
[7-9]
等领域。然而,源于地理实体的空间复杂度普遍较高,LiDAR 传感器的
视觉面较窄等原因,基于 LiDAR 技术的数据采集通常首先需要沿着多个视角进行,然后基
于相应的配准算法实现对地理实体的全面表达
[10]
。
根据特征搜索空间的不同,可以分为全局配准和局部配准
[11]
。全局配准通常基于可以
唯一匹配的局部几何特征,而不假设初始位置,这些特征可以是预先布置的标靶,扫描场
景中的角点、线段或平面。配准效率较高,但如果几何条件不充分,特征分布不均匀,会
降低配准结果的可靠性。局部配准是在已知两点集位置估计的情况下,利用原始点云优化
变换矩阵获得较高的匹配精度
[12-13]
,其中,最经典的局部配准方法是迭代最近点(iterative
closest point,ICP)算法
[14]
,该算法步骤简单、精度高且具有较好的鲁棒性。但它对点云
间的初始位置要求较高,当初值误差较大时,易产生局部最优,且由于 ICP 算法直接利用
两组点云中距离最近的采样点建立对应关系,对点云的重叠度要求较高,搜索耗时较长,
使其在数据量较大时,不能满足应用需求。
国内外学者对 ICP 算法进行了大量的研究。Chen 等
[15]
将对应点的选取方式由点到点
的欧氏距离改为点到切平面的欧氏距离,提高了配准的精度,但效率依然不高。Lu 等
[16]
提
出了迭代双对应(iterative dual correspondence,IDC)算法,即融合最近点和匹配距离
点对应规则,当初始位置较远时,IDC 比 ICP 有更好的收敛性,但当初始位置较近时,其
精度低于 ICP 算法。Li 等
[17]
在 ICP 基础上提出了迭代最近线段和最近面片算法,先直接对
两个数据集中的点进行连线或三角化处理,然后根据一定准则找到两个点集中对应的线段
或三角面片,建立目标方程,求解旋转矩阵。但该算法用于寻找对应关系准则的稳定性有
待验证。Akca
[18]
将对应点集的搜索范围控制在预先划分好的立方体网格中,不仅考虑点云
曲率变化,且将强度、颜色、纹理等信息作为点云配准的标准。戴静兰等
[19]
通过寻找点云
的主方向得到良好的初始位置,并根据点云的曲率特征寻找对应特征点,提高了算法运行
的效率,但对于曲率特征不明显的物体,配准结果较差。杨小青等
[20]
采用盒子模型划分点
云数据,根据三角形相似原理,利用两块点云之间每个单元盒所提取的特征点构建三角形
并作为初始点对,有效提高了配准精度和效率。杨玲等
[21]
将普氏分析法与 ICP 算法结合,
提出了 PICP(Procrustes ICP)算法,在获得点云初始位置的情况下,采用普氏分析法求
解转换参数,针对不同的点集均获得较好的鲁棒性,但是配准过程耗时。
考虑到大部分配准算法都是在假设配准参数初始值已知且较好的前提下,算法才能收
敛,而当初始值不当时,算法不能得到正确的结果,因此如何较好地确定配准初值是一个
关键。本文提出基于法线特征约束的粗配准方法,获得两组点云的初始位置,并在此基础
上通过设定法向量阈值剔除错误对应点对,实现点云数据的精确配准。
1. ICP 算法
评论0
最新资源