[发明专利]LiDAR点云和影像线特征引导的立体匹配方法及系统

说明书

本发明公开了一种LiDAR点云和影像线特征引导的立体匹配方法及系统，属于数字摄影测量技术领域。其中所述方法包括如下步骤：步骤S1，获取位于同一地区的立体影像和LiDAR点云，并基于LiDAR点云和影像线特征提取深度不连续线；步骤S2，基于空间域、强度域和深度不连续线，识别LiDAR投影点周围的同质像素，并利用高斯函数更新同质像素的匹配代价；步骤S3，在立体匹配的代价聚合过程中，利用深度不连续线感知的半全局匹配方法实现高精度的立体影像密集匹配。本发明提出并应用代价矩阵的三边更新策略和深度不连续线感知的半全局匹配方法，以将LiDAR数据和深度不连续线整合到密集匹配算法中。

技术领域

本发明属于数字摄影测量技术领域，具体涉及LiDAR点云和影像线特征引导的立体匹配方法及系统。

背景技术

立体匹配也称作视差估计，其输入是一对在同一时刻捕捉到的，经过核线纠正的两张影像。而它的输出是由参考影像中每个像素对应的视差值所构成的视差图。立体匹配在摄影测量和计算机视觉中有着许多有影响力的应用。然而，由于纹理敏感，传统的密集匹配方法在低纹理、深度不连续区域的分辨能力很弱。相比之下，LiDAR点云具有较高的几何精度，且不受特征光谱的影响。然而，与相机的逐像素测量不同，LiDAR数据在大多数情况下是稀疏的，这可能导致深度不连续区域不能被很好地重建。因此，LiDAR数据和影像数据的互补融合是产生准确的、精细结构的三维点云的一个有前途的解决方案。

LiDAR数据约束的密集影像匹配是将LiDAR数据整合到一个先进的密集匹配框架中。它是融合LiDAR数据和影像的可靠方法。LiDAR数据可用于密集匹配的许多方面，如减少视差搜索范围、优化匹配代价和调整惩罚参数。上述方法比原来的密集匹配算法产生更好的匹配结果，但由于密集匹配的平滑度约束，往往会在深度不连续边缘产生扩展区域。减少对梯度或纹理边缘的惩罚约束可以改善边缘区域的匹配结果。然而，上述策略并没有将纹理边缘与几何边缘区分开来，这与几何边缘的惩罚约束趋于变化相冲突。

发明内容

随着LiDAR数据的引入，将纹理边缘与几何边缘区分开来是可行的。因此，我们提出了利用LiDAR数据和几何边缘知识进行边缘保护的立体匹配，以恢复低纹理、深度不连续区域的精确三维结构。

本发明的输入是位于同一地区的立体影像和LiDAR点云。准确的配准是大多数LiDAR和影像融合方法的前提，包括我们提出的方法。在预处理中，立体影像需要在核线影像空间中进行纠正，LiDAR的离群点需要通过位置不确定性过滤掉。首先，我们从LiDAR点云中三角化出一个三角网模型，并通过共线方程将其投射到立体核线影像上，以生成一个初始视差图。接下来，我们通过联合影像线特征和初始视差图来提取位于深度不连续区域的深度不连续线。最后，我们提出了一个三边更新的代价矩阵以改善低纹理区域，和深度不连续线感知的半全局匹配(Semi Global Matching,SGM)以保留深度不连续。

本发明一方面提供了LiDAR点云和影像线特征引导的立体匹配方法，包括如下步骤：

1.LiDAR点云和影像线特征引导的立体匹配方法，其特征在于：包括如下步骤：

步骤S1，获取位于同一地区的立体影像和LiDAR点云，并基于LiDAR点云和影像线特征提取深度不连续线；

步骤S2，基于空间域、强度域和深度不连续线，识别LiDAR投影点周围的同质像素，并利用高斯函数更新同质像素的匹配代价；

步骤S3，在立体匹配的代价聚合过程中，利用深度不连续线感知的半全局匹配方法实现高精度的立体影像密集匹配。

进一步的，步骤S1的具体实现方式如下；

步骤S1.1，首先进行LiDAR点云与影像之间的精确配准，然后将立体影像在核线影像空间中进行纠正，通过位置不确定性过滤掉LiDAR的离群点；