[发明专利]一种面向移动测量大体量点云数据配准的方法

说明书

本发明公开了一种面向移动测量大体量点云数据配准的方法，主要包括：实验数据采集；改进ICP算法的数据预处理和改进ICP算法精配准；其中在改进ICP算法精配准方面，主要包括结合地面点集和变换矩阵的高程配准；结合动态范围参数的平面配准；将高程配准参数作为平面配准的初值，利用对应邻近点对进行迭代计算，沿着每次迭代的最优趋势进行收敛，最后利用线性内插修正前后高程差，实现了移动测量大体量点云数据的高效高精度配准。

技术领域

本发明属于三维重建及计算机技术领域，具体涉及一种面向移动测量大体量点云数据配准的方法。

背景技术

随着智慧化城市的发展，车载移动测量系统的出现为自动驾驶和高精地图提供了重要的三维空间数据来源。而该系统在外业测量时，容易受大型车辆和行人等移动物体的遮挡，单次扫描时难以获取地物完整的三维空间信息，因此存在同一路线往返扫描的情况。在城市高楼、高架桥等区域作业时，系统搭载的GNSS传感器定位精度变差，往返多趟点云数据出现分层和偏移问题，严重影响了点云的后续处理，所以车载点云数据的高精度配准一直是移动测图的瓶颈问题之一。点云配准是点云数据后处理中极为重要的一环，其通过相关处理算法将不同位置和角度扫描到的两或多段点云数据精确配准到一起，以消除上述分层和偏移问题，从而获取被测物体精准、统一的点云信息。

目前，在点云配准领域使用最广的点云精配准方法是人工手动配准和传统ICP算法。其中手动配准通过人工选点进行配准，虽然相对精度较高，但是需要大量人员参与，耗时耗力，工作量庞大且效率较低；ICP算法是十分经典的点云配准方法，该算法核心是通过直接选取基准点云和待配准点云中的最邻近点构成对应点集，将所有对应点对的空间距离平方的平均值作为误差，通过迭代计算，当算法误差满足最小二乘函数时完成配准。

因为车载激光点云数据呈现噪点多、体量庞大和受遮挡严重等特点，传统ICP算法直接进行配准存在配准精度低、耗时长且容易陷入局部最优等问题，难以满足实际应用需求。因此，迫切需要发展一种配准算法，能够实现车载往返点云之间的高效精确配准，是行业内亟需解决的关键问题，并且对推动车载激光点云数据的发展具有较强的实际应用价值。

发明内容

本发明的目的在于提供一种面向移动测量大体量点云数据配准的方法,旨在消除往返点云在高程和平面位置上的偏差，实现两或多趟点云之间的有效、精准和高效率的配准，最终获取地物完整的外表面三维空间信息以供后续应用。

为了实现上述目的，本发明采用的技术方案如下：

一种面向移动测量大体量点云数据配准的方法，所述方法如下:

S1:获取原始彩色点云数据，对移动测量获取的长路线点云数据进行分段；

S2:利用梯度和布料模拟滤波组合方法获取地面点云数据，得到分段后点云数据的地面点集；

S3:基于提取的地面点集坐标建立虚拟范围矩形框，对往返点云进行搜索和判断，获取存在一定重叠区域和刚性对应关系的基准点云和待配准点云；

S4:将车载往返点云数据配准划分为两个步骤：高程配准和平面配准；

S5:所述的高程配准阶段，以S2提取出的基准和待配准地面点集为源数据，使用滤波算法剔除无效噪声点，随后通过地面中心点坐标对待配准点集进行初始平移，在搜索对应邻近点时以固定区间作为改进ICP算法的邻域半径，通过中心累积函数对范围内的对应点对距离进行迭代计算，获取最优变换参数，为下一步的平面配准提供良好的初始位置；

S6:在平面配准阶段，首先继承高程配准参数对待配准点云做初始修正，并使用下采样算法来精简点云数量；随后，在利用中心累积计算方法的同时，设计一种跟随迭代次数递减的动态范围因子参数，在减少无效邻近点对的前提下，用以获取更为准确的迭代初值，计算基准和待配准点集之间的变换矩阵，使得目标函数最小，直至满足收敛条件；