[发明专利]基于非刚性概率模型的车载激光点云自动误差纠正方法

说明书

本发明公开了基于非刚性概率模型的车载激光点云自动误差纠正方法，包括：步骤1：预处理存在几何差异的两段车载点云数据；步骤2：构建激光点观测方程和误差函数模型；步骤3：简化误差函数模型，构建变形纠正模型；步骤4：构建非刚性概率目标函数；步骤5：基于最大期望方法求解未知矩阵；步骤6：基于已纠正误差的采样点，采用微分纠正原理实现对原密集点云的整体误差纠正。本发明可提高现有移动测量平台在信号遮蔽区域的适用范围，其极强的鲁棒性和精准性，可为移动激光测量平台提供必要和有效的精度改正技术，有利于消费级移动测量平台的普及与应用。

技术领域

本发明属于移动测图技术领域，具体涉及基于非刚性概率模型的车载激光点云自动误差纠正方法。

背景技术

车载激光扫描仪是一种快速采集地理协同坐标点云的设备，提供了一种便捷的手段获取目标表面高精度、高密度的三维激光点云，其简便高效、易操作等特点使其成为当前最常用的空间信息采集手段之一(Balado等,2019)。然而，车载激光测量中始终存在的一个缺陷严重限制了其更广阔的应用，即：定位系统与采集系统间系统、随机误差的影响，以及周围高层建筑和密集植被的造成的信号遮挡，致使车载定位信息缺乏足够的精准性，常使同一区域不同时间、不同视角采集的车载点云间存在明显空间差异。

重叠区间的空间差异多为复杂的非刚性几何误差，为实现相邻条带点云间的空间基准统一，现有的方法大多采用直接点云纠正的策略。Favalli等认为相邻点云间的变形可由重叠区连接点体现出来，根据各连接点及其局部曲面可计算出几何偏差，通过最小化几何偏差求解点云间的主要误差参数，通过比较纠正前后的点云表明该方法可有效降低点云间的偏差。Lee等以城区点云数据为研究对象，提出基于线特征的纠正方法。通过同名线特征的端点位移和法向量偏差度量点云间的偏差，基于点云间平面和高程构建空间直线方程，从而求解最优转换参数。与该方法类似，Sande等采用了重叠区内的面特征调整点云。

利用点到相应面的距离描述点云的偏差，并将其作为观测值构建距离函数，通过最小化距离函数实现变形纠正。此外，也有很多基于混合几何特征的点云变形纠正方法。例如：Habib等结合测量部件间的误差推导了条带点云改正模型，并采用线特征和面特征代替常用的点特征，使得该法具有更稳健的性能；Rentsch等通过屋顶面相交得到屋顶脊线特征，通过结合屋顶面和屋脊线构建条带点云平差方程，也取得了一定效果。

上述方法大多采用多项式变换模型、分段函数模型、或与扫描仪距离、角度相关的模型，然而极少考虑测量误差模型，严重依赖于重叠区中几何特征的质量与分布。而且，现有方法大多认为同一测区内变形参数唯一，但实际中同一测区往往对应多种变形参数。

此外，移动点云间的非刚性变形存在一致性移动的特点，现有方法也大多忽视这一特点，因此严重限制了其应用范围(Zuo等,2012；Gressin等,2013；Gézero等,2017；Schaer等,2016)。针对上述问题，本发明将移动点云误差纠正的问题视为概率估计问题，采用新颖的非刚性高斯混合模型推导变换参数，实现移动点云间的空间基准统一。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供基于非刚性概率模型的车载激光点云自动误差纠正方法。

为实现上述技术目的，本发明采取的技术方案为：

基于非刚性概率模型的车载激光点云自动误差纠正方法，其特征在于，包括：

步骤1：预处理存在几何差异的两段车载点云数据：

对具有一定重叠度的相邻两条车载条带点云进行滤波、采样操作，得到点密度均匀分布、点数适中的两个条带点云，分别记为待纠正点云和目标点云；

步骤2：构建激光点观测方程和误差函数模型：

对车载激光点云中的任意一点，综合车载移动测量平台各采集部件间的空间拓扑关系，构建其观测方程，并融合各采集部件可能存在的测量误差，构建其误差函数模型；