一种点云特征线提取方法 下载: 1124次
1 引言
目前,三维激光扫描已经得到了比较普遍的应用,特别是在构造物的模型重建领域。特征线是描述构造物的主要特征,已经在很多领域得到了应用,如道路提取[1]、建筑物轮廓线的描述[2]等。特征点都可以通过特征线得到。特征线在图像领域已经得到了明确的定义,如图像的边界线是两个不同灰度区域之间的界限[3],通过构建霍夫变换来实现对图像边界线的提取[4]。在点云领域,特征线分为边界线和折边[5],边界线主要是非连接区域线,折边主要包含曲率变化区域大的特征点构成的线[6]和折线[7]。
点云特征线的提取主要包含以下两个方法[8]:1) 将点云转为图像,依据图像特征线方法来实现点云特征线的提取;2) 通过分析点云几何特征,如曲率来判断点的归属,从而实现点云特征线的提取。第1种方法需要高质量的图像,第2种方法在计算曲率的过程中耗时比较长。针对此,文献[ 9]利用协方差分析点归属不同特征的概率,但无法实现对目标物突兀区域特征线的判断。文献[ 10-11]利用领域点法向量特征和张量投票方法来实现对点归属特征的判断。文献[ 12]采用泰森多边形协方差法来估计主曲率及法向量方向,进而在点云中判断点是不是属于特征线。文献[ 13]通过主曲率方向来实现对脊线的判断,但需要耗费大量的时间。为了缩短时间,文献[ 14-15]基于区域增长算法采用面状区域间交集来实现特征线的判断,但该方法无法准确地识别小区域和狭长区域面状。随机抽样一致性(RANSAC)算法被提出用于小区域平面的探测,根据相邻平面的交集便可实现特征线的判断[16],但该方法却无法对边界点进行准确探测。为准确探测边界点,文献[ 5]通过结合RANSAC和邻近点角差方法来实现边界的判断。该方法比较适用于较大平面的交集线,但同时比较尖锐的特征可能会丢失。文献[ 17-19]给出了改进的特征面探测方法,从而实现了敏感特征线的探测,然而,该方法受噪声点影响较大,因为噪声点的梯度变化和相邻平面交集的变化相似。
目前,点云特征线的探测,主要是基于图像特征线提取方法、曲率方法、RANSAC方法及张量投票方法,这些方法没有顾及算法时间效率和点云边界及折边的区别。因此,不能高效地提取点云特征线。本文在顾及时间效率和点云特征线的基础上,分步对边界线和折边线进行提取。通过采集不同类型目标物点云数据,验证了所提方法的有效性。
2 算法模型
考虑到时间效率,基于点云特征线提出一种特征线提取方法,该方法包含边界线和折边的提取。主要步骤如下:
1) 原始点云数据的预处理,包括点云配准及较大噪声的剔除。
2) 利用最邻近点搜索算法,对邻近点进行搜索,利用整体最小二乘(TLS)构建基准面,将邻近点投影到基准面上,构建探测点和投影邻近点之间的向量,通过计算向量方位角
3) 计算邻近点的法向量,并利用
其具体的流程如
2.1 边界线提取
利用KNNS(
如
将邻近点
图 3. 投影平面上的法向量方位角。(a)边界上的点;(b)平面上的点
Fig. 3. Azimuthal angle of normal vectors on projection plane. (a) Point at boundary; (b) point in plane
由(1)式可以得到基准面参数
将(3)式代入(2)式,投影点
探测点和投影点之间的向量表示为
在投影面上构建二维坐标系统
对方位角进行排序,得到新的方位角
根据邻近方位角差值比较的最大值max(Δ
1) 如果max(Δ
2) 如果max(Δ
为了确定阈值Δ
图 4. 邻近法向量方位角的最大差值。(a)不同距离分辨率下;(b)不同邻近点下
Fig. 4. Maximum difference of azimuthal angles of adjacent normal vectors. (a) Under different range resolution; (b) under different neighborhood points
2.2 折边提取算法
首先对点云法向量进行计算,再利用
1) 利用最邻近点搜索算法[21]确定点云中每个探测点的最邻近点。将探测点和任意两个邻近点组成三角形,如
图 5. 探测点和邻近点组合成的三角形
Fig. 5. Triangles composed by detection point and nearest neighbor points
2) 利用探测点
3) 对法向量
4) 利用
5) 目前,已有多种指标来判断最佳聚类数,如文献[
22]提出的CH(Calin-ski-Harabasz)指标,文献[23]提出的Wint(Weighted inter-intra)指标和文献[
24]提出的Sil(Silhouette)指标(
最佳聚类数的基本判断情况如下:
1) 如果
2) 如果
3) 如果
图 6. 探测折边点的聚类结果。(a)平面上点法向量的聚类;(b)折边上点法向量的聚类;(c)曲面上点法向量的聚类
Fig. 6. Cluster results of fold point detection. (a) Cluster of point normal vectors in plane; (b) cluster of point normal vectors on fold; (c) cluster of point normal vectors on curve
3 实验分析
3.1 边界提取
为了单独对该方法边界提取的可靠性进行验证,对
图 7. 边界的提取。 (a)原始点云;(b)改进的RANSAC方法;(c)所提方法
Fig. 7. Extraction of boundary. (a) Original point cloud; (b) improved RANSAC method; (c) proposed method
由
3.2 折边提取
利用所提算法对某建筑物进行提取,并将提取结果与基于曲率方法[12]和基于平面拟合方法[15]进行比对分析,结果如
由
为了比较全面地判断所提方法的普适性,对非平面构造的建筑物进行折边的提取,结果如
由
图 8. 不同方法对平面构造物折边的提取效果。(a)原始点云;(b)基于曲率方法;(c)基于平面方法;(d)所提方法
Fig. 8. Fold lines extracted by different methods under condition of plane construction. (a) Original point cloud; (b) based on curvature method; (c) based on plane method; (d) based on proposed method
图 9. 不同方法对非平面构造物折边的提取效果。(a)原始点云;(b)基于曲率方法;(c)基于平面方法;(d)所提方法
Fig. 9. Fold lines extracted by different methods under condition of non-plane construction. (a) Original point cloud; (b) based on curvature method; (c) based on plane method; (d) based on proposed method
3.3 特征线提取
利用RIEGL-VZ400对某桥梁进行两期扫描,扫描时间分别为2017年8月及2017年11月,两期扫描位置及参数设置相同,距离分辨率设置为1 cm,点云平均密度为4000 m-2。扫描距离约为80 m,采集的原始点云数据如
图 11. 桥梁特征线的提取。(a)第一期点云提取的特征线; (b)第二期点云提取的特征线
Fig. 11. Extracted feature lines of bridge. (a) Feature lines extracted from first phase point cloud; (b) feature lines extracted from second phase point cloud
4 结论
通过分析基准面上探测点和领域点法向量方位角的分布情况来判断目标物点云的边界归属情况。通过计算邻近点法向量聚类情况来判断目标物点云的折边归属情况。利用三维激光扫描仪采集的平面和非平面构造物来对其进行验证,所提出的边界提取算法要优于改进的RANSAC方法。对于平面构造物,所提出的折边提取算法和基于平面拟合算法对于折边提取效果相似,且都优于基于曲率方法的折边提取;对于非平面构造物,所提方法提取的折边效果明显优于其他两种方法。最终利用所提方法对不同时期扫描的桥梁点云特征线进行了提取,用最少的点比较清晰地再现了桥梁轮廓,证实所提方法适用于不同时期扫描的点云。
[2] 王春林, 孙金彦, 周绍光, 等. 影像辅助下LiDAR数据建筑物轮廓信息提取[J]. 国土资源遥感, 2017, 29(1): 78-85.
[3] Frei W. C-[J]. Chen C C. Fast boundary detection: A generalization, a new algorithm. IEEE Transactions on Computers, 1977, 26(10): 988-998.
[9] GumholdS, Wang XL, MacleodR. Feature extraction from point clouds[C]∥Proceedings of 10th International Meshing Roundtable, Newport Beach, California. [S. l. : s. n.], 2001: 293- 305.
[10] 董伟. 利用邻近点几何特征实现建筑物点云特征提取[J]. 激光与光电子学进展, 2018, 55(7): 071006.
[14] MoghadamP, BosseM, ZlotR. Line-based extrinsic calibration of range and image sensors[C]∥IEEE International Conference on Robotics and Automation, May 6-10, 2013, Karlsruhe, Germany. New York: IEEE, 2013: 3685- 3691.
[15] BorgesP, ZlotR, BosseM,et al. Vision-based localization using an edge map extracted from 3D laser range data[C]∥IEEE International Conference on Robotics and Automation, May 3-7, 2010, Anchorage, Ak, USA. New York: IEEE, 2010: 4902- 4909.
[16] Lu ZJ, BaekS, LeeS. Robust 3D line extraction from stereo point clouds[C]∥IEEE Conference on Robotics, Automation and Mechatronics, September 21-24, 2008, Chengdu, China. New York: IEEE, 2008: 1- 5.
[17] Daniels JI, Ha LK, OchottaT, et al. Robust smooth feature extraction from point clouds[C]∥IEEE International Conference on Shape Modeling and Applications. June 13-15, 2007, Lyon, France. New York: IEEE, 2007: 123- 136.
[18] WeberC, HahmannS, HagenH. Sharp feature detection in point clouds[C]∥IEEE International Conference on Shape Modeling and Applications, June 13-15, 2010, Lyon, France. New York: IEEE, 2010: 175- 186.
[20] 贺小伟, 卫潇, 曹欣, 等. 一种基于模糊C均值聚类的新型单视图切伦科夫发光断层成像方法[J]. 光学学报, 2018, 38(7): 0717001.
[21] 陈西江, 章光, 花向红. 于法向量夹角信息熵的点云简化算法[J]. 中国激光, 2015, 42(8): 0814003.
任前程. 一种点云特征线提取方法[J]. 激光与光电子学进展, 2019, 56(6): 062803. Qiancheng Ren. Method for Extraction of Point Cloud Feature Line[J]. Laser & Optoelectronics Progress, 2019, 56(6): 062803.