[发明专利]基于杆塔特征点的电力巡线LiDAR数据自动配准方法

权利要求书

1.基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，包括以下步骤：

S1、针对电力巡线LiDAR数据，分别提取初始点云与目标点云的杆塔特征点集，所述杆塔特征点集包括杆塔边缘线和顶角处特征点云；

S2、确定两期杆塔特征点集的质心，基于主成分分析法和方向余弦法则确定两期杆塔点云质心坐标系对应关系，求解初始变换矩阵；

S21、计算两期杆塔特征点集的质心，利用矩阵奇异值分解（SVD）分别计算以质心为中心的邻域的三个特征向量；

S22、基于方向余弦法则获得主轴矢量：

首先获取点集中距离质心最远点，得到质心指向最远点的向量；分别计算该向量与两个较大特征值对应的特征向量的夹角，如果小于 90度，特征向量方向为坐标轴指向，否则特征向量反向为坐标轴指向，第三个坐标轴指向通过前两个坐标轴叉积计算确定指向；

S23、根据质心和三个主轴矢量计算初始变换矩阵；

S3、在经过初始变换的基础上采用基于kd-tree优化匹配点搜索的迭代最近点算法进行精匹配，获取两期点云数据的最终变换矩阵，基于目标点云对初始点云进行空间坐标系转换。

2.如权利要求1所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S1具体包括：

S11、由电力巡线LiDAR数据中提取两期数据的杆塔点云集；

S12、利用Ransac直线拟合方法分别提取获取的两期杆塔点云数据边缘处和角点处的特征点，获得两期杆塔特征点集。

3.如权利要求2所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S12中具体为：

S121、设置一个最小采样集大小为n的模型，n为初始化模型参数所需要的最小样本数，从杆塔点云集中随机抽取包含n个样本的子集初始化模型；

S122、计算剩余点云集中样本与直线模型向量的叉积的L2范数，小于设定阈值t的样本和模型构成一致集；

S123、设定迭代次数，除去上次模型计算后的一致集，重复计算，获得所有的模型一致集，则提取出所有模型构成特征点集。

4.如权利要求3所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S123中通过设置模型集数量阈值和迭代次数阈值控制特征点集提取的数量。

5.如权利要求1所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于，步骤S3具体包括：

S31、构建初始点云特征集的Kd树；

S32、基于Kd树搜索初始点云特征集中对应目标点云特征集中的最邻近点；

S33、计算最邻近点对的相似度，选取阈值t，若相似度小于阈值，则记录匹配点对，获得匹配点对集；

S34、根据匹配点对集，利用奇异值分解法计算旋转矩阵和平移矢量，由旋转矩阵和平移矢量计算得到初始点云特征集一次变换后的坐标，设置迭代次数n和收敛阈值，直至计算次数为n或迭代收敛则得到初始点云最后变换后的点集，收敛条件为两次变换的匹配点集距离方差。

6.如权利要求5所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S32中，最邻近点的判断准则为欧式距离。

7.如权利要求5所述的一种基于杆塔特征点的电力巡线LiDAR数据自动配准方法，其特征在于：步骤S33中的相似度判断准则分别是协方差矩阵的最小特征值和最邻近点邻域三角形边长。