[发明专利]基于路径点邻近域与地面滤波的自适应点云抽稀方法

说明书

本发明提出了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，包括：S1，对所有点云进行一次随机采样S2，使用Octree算法将点云分成体素；S3，导入采集设备保留的路径点数据，计算每个Octree体素的中心点和每一个路径点的欧式距离，然后根据欧式距离决定体素的保留与否，然后再去除掉距离过大的体素中的所有点，得到新的样本空间；S4，进行地面滤波，分离地面数据和地面上物体数据；S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样；然后重新合并两个点云，最终得到点云抽稀结果。本发明能大比例的抽稀点云，能保留道路目标对象位置和信息不失真；提高了算法下采样时保留关键的特征点的能力，增强了面对噪声时的鲁棒性。

技术领域

本发明涉及测绘科学与技术、点云和高精地图算法领域，尤其涉及一种基于路径点邻近域与地面滤波的自适应点云抽稀方法。

背景技术

自动驾驶高精地图相对普通导航电子地图，拥有更丰富的道路地理信息和更直观的渲染视觉效果，已经逐步成为了一种未来地图载体发展的趋势。点云作为其数据的主要形式之一，随着目前相关采集设备的发展，越来越高分辨率的设备也能采集信息越来越完善的点云数据，点云的数据量也在飞快的增加。然而点云体量和规模的增大是一把双刃剑。一方面，他让整个空间中的道路对象更加清晰，形态更加完整。另一方面，庞大的数据量增加了对硬件设备的要求，使生产设备在作业时出现卡顿甚至无法读取。而点云数据中有许多对象、区域是自动驾驶应用并不关心的，例如道路和道路上的标志牌、道路标注线等是关注的重点，对路两边的建筑物并不关注，这些无用的点云徒增了数据量和设备压力，对实际生产没有实际作用。因此，需要一种能够对点云进行下采样，同时又能去除道路两边建筑物的抽稀算法。

传统的抽稀算法例如随机采样，体素滤波等算法可以有效的下采样一份点云数据。但是其存在着两个问题：1)无法去除道路外对生产并不起实际作用的建筑的点云数据。2)自动驾驶高精地图中的道路标注线和标志牌具有不同的几何特性，对不同下采样的表现不同。有的道路对象在法向特征显著值采样后表现更好，有的道路对象在随机采样时表现更好，单一的下采样不能同时满足多类型道路目标对象的采样需求。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法。

为了实现本发明的上述目的，本发明提供了一种基于路径点邻近域与地面滤波的自适应点云抽稀方法，包括以下步骤：

S1，对外业采集的所有点云进行一次随机采样；

S2，使用Octree算法将点云分成体素；

S3，计算每个体素的中心点和每一个路径点的欧式距离，然后根据欧式距离决定体素的保留与否，然后再去除掉距离过大的体素中的所有点，得到新的样本空间；

S4，进行地面滤波，分离地面数据和地面上物体数据；

S5，对地面数据进行体素下采样，对地面上物体数据根据法向特征显著值进行下采样；然后重新合并两个点云，最终得到点云抽稀结果。

进一步地，所述S1包括：

输入的激光点云的样本空间为：S＝{ω(x,y,z,I)|x,y,z,I∈R}，S为关于函数ω的点云空间，其中x,y,z为三维坐标值，I为点的强度值，其均属于实数R；对激光点云进行一次随机采样，设置采样率为α，根据采样率随机的去除点，生成新样本空间S_α。

进一步地，所述S2包括以下步骤：