平面特征约束下基于四元数描述的LiDAR点云配准算法 下载: 755次
1 引言
随着LiDAR技术的出现及其在生产中的成功应用,作为实现相邻测站LiDAR点云融合的必要手段,LiDAR点云的配准一直以来受到研究者们的密切关注。点云配准的实质是寻求并确立相邻测站点云特征之间的对应关系,基于空间相似变换模型(不考虑缩放时,可以简化为刚体变换模型)来求解用于描述相邻测站坐标基准间相对位置关系的7个参数,即三个坐标轴x、y和z的旋转角度(Δα,Δβ,Δγ)、三个坐标平移量(Δx,Δy,Δz)、尺度因子μ,进而实现坐标基准的统一描述与表达。
根据配准基元的不同,可将现有的LiDAR点云配准算法分为4类:基于同名点匹配的LiDAR点云配准[1-8],基于同名直线特征匹配的LiDAR点云配准[9-12],基于同名平面特征匹配的LiDAR点云配准[13-16],基于点、线、面特征共同约束的LiDAR点云配准[17-18]。当前,现有的研究成果大多集中在基于同名点匹配的LiDAR点云配准方面。然而,单纯选择点特征作为配准的基元时,部分情况下可能会因为遮挡而无法为配准参数的求解提供充足的条件约束,因此,有必要引入直线或平面等更多类型的特征来建立相邻测站之间的同名特征对应关系。此外,较之于点特征,在同等采样条件下,直线与平面特征的提取受采样密度的影响更小,且精度要明显优于点特征。正因为如此,基于直线/平面特征约束的LiDAR点云配准算法可为LiDAR点云配准提供更多的条件约束,解决复杂情况下相邻测站LiDAR点云的配准问题,实现多测站LiDAR点云的高精度融合,进而为地理空间实体及其环境信息的快速与高保真重建提供可靠的数据保证。然而,需要注意的是,对于三维空间中的直线与平面特征而言,其数学表达通常需要借助方向向量(法向量)与其所经过点的组合来实现,所经过点的选择不同,其表达的形式亦会存在差异,在算法的实现中如何克服并有效处理这一问题,对算法的实现有着至关重要的影响。
基于上述分析,本文选择平面特征作为LiDAR点云配准的基元,提出一种基于平面法向量与原点到平面距离组合的平面四参数表达算法。在此基础上,引入单位四元数作为描述空间旋转变换的基本算子,实现了平面特征空间相似变换表达式的构建,并据此构建了平面特征约束基于四元数描述的三维空间相似变换模型。以LiDAR点云配准后同名平面特征的参数对等作为约束条件,基于最小二乘准则构建了三维空间相似变换的目标函数,并通过函数的极值化分析实现了平面特征约束下相邻测站LiDAR点云配准参数的迭代求解。最后,通过两组现场采集的地面LiDAR点云数据对所提算法的正确性与有效性进行验证。
2 基于平面特征约束的LiDAR点云配准模型
2.1 单位四元数与旋转矩阵
四元数是由Hamilton于1843年提出的数学概念,类似于复数,四元数表示一个四元组,它由1个实部q0和3个虚部q1、q2、q3构成:
当
已知空间一采样点pi=(pi,x,pi,y,pi,z),用四元数可表示为
用矩阵表示为
式中:W
据此,旋转矩阵R和旋转四元数
2.2 三维空间中平面的四参数表达及其空间相似变换
如
图 1. 三维空间中平面特征的四参数表达
Fig. 1. Four-tuple representation of a plane in three-dimensional space
为了便于实现配准后同名特征相互之间差异的比较,对现有的平面特征表达方法进行如下改进:1)对平面的法向量进行单位化,即l=n/
基于空间中平面特征的四参数表达方法,对平面特征的法向量与模分别实施空间相似变换,变换前后法向量与模之间的对应关系为
式中:R、t和μ分别为空间相似变换模型的旋转矩阵、平移向量和缩放系数。
以配准前后同名特征的参数对等作为约束条件,基于最小二乘准则构建相应的目标函数,即可通过相应的方法来实现旋转系数、平移系数及缩放系数的求解。
2.3 空间相似变换模型参数的求解
考虑到误差的存在,对(6)式进行变换,表达式为
对(7)式进行Taylor展开,并取至一次项,可得
式中:V=
单位四元数
对(9)式进行Taylor展开并近似至一次项,可得
式中:C=[
联合(8)、(10)式,可依据附有限制条件的间接平差模型来实现点云配准中13个参数的求解。
为了求得X的最优解,根据Lagrange乘数法,组建的目标函数为
式中:Ks为对应限制条件(10)式的Lagrange联系数向量。
依据附有限制条件的间接平差模型,目标函数的法方程表达式为
式中:Naa=ATA,W=ATl。
根据(12)式,可得Lagrange联系数向量的求解表达式,即
式中:Ncc=C
事实上,(14)式等号右端是关于ma、la、pb、
式中:F(Xk)=(
3 实例与分析
利用Matlab对基于平面特征约束的LiDAR点云配准算法进行编程,并分别基于两组实测地面LiDAR点云设计了相应的实验方案,用以验证算法的正确性与实用性。
3.1 实验方案一
本实验数据来源于奥地利Riegl公司生产的LMS-Z420i系列地面LiDAR设备采集得到的某建筑物立面点云,点云数据的采样间隔设置为4 cm(距离测站点100 m的位置)。基于平面拟合与相交的方式,分别从
图 2. 基于不同视角对同一建筑物采集得到的立面LiDAR点云。(a)基准测站LiDAR点云;(b)待配准测站LiDAR点云
Fig. 2. Facade LiDAR point clouds of the same building collected from different perspectives. (a) LiDAR point cloud from the reference station; (b) LiDAR point cloud from the un-registered station
基于
表 1. 基于最小二乘拟合算法分别从基准测站、待配准测站提取到的平面特征
Table 1. Planar features separately extracted from the reference and the un-registered stations by least square fitting algorithm
|
图 3. 配准前后相邻测站点云的目视效果。(a)配准前;(b)配准后
Fig. 3. Visual effects of the point clouds from the two neighboring stations before and after registration. (a) Before registration; (b) after registration
表 2. 配准结果及其配准后同名特征之间的残差
Table 2. Registration results and residuals between each pair of conjugate planar features after registration
|
3.2 实验方案二
本实验数据来源于奥地利Riegl公司生产的VZ-1000系列地面LiDAR设备采集得到的另一建筑物立面点云,点云数据的采样间隔设置为2 cm(距离测站点100 m的位置)。基于平面拟合与相交的方式,分别从
基于
图 4. 基于不同视角采集得到的另一建筑物立面LiDAR点云。(a)基准测站LiDAR点云;(b)待配准测站LiDAR点云
Fig. 4. Facade LiDAR point clouds of the same part of another building collected from different perspectives. (a) LiDAR point cloud from the reference station; (b) LiDAR point cloud from the un-registered station
表 3. 基于最小二乘拟合算法分别从基准测站、待配准测站提取得到的平面特征
Table 3. Planar features separately extracted from the reference and the un-registered stations by least square fitting algorithm
|
图 5. 配准前后相邻测站点云的目视效果图。(a)配准前;(b)配准后
Fig. 5. Visual effects of the point clouds from the two neighboring stations before and after registration. (a) Before registration; (b) after registration
表 4. 配准结果及其配准后同名特征之间的残差
Table 4. Registration results and residuals between each pair of conjugate planar features after registration
|
3.3 结果分析
从
综合上述分析,从配准前后相邻测站LiDAR点云的目视效果、配准后同名特征之间的差值分析与比较、与现有算法[8]运行结果的对比来看,所提平面特征约束下基于四元数描述的LiDAR点云配准算法运行结果正确,在实际应用中取得的效果符合预期。
4 结论
相较于点、直线两类特征,基于LiDAR点云提取的平面特征有着精度高、提取方便等特点,尤其当数据采集过程中难以有效设置人工标记点时,基于平面特征约束的LiDAR点云配准方法将为多测站LiDAR点云的融合提供极大的便利。基于法向量与原点到平面距离所形成的四元组来表达空间中的平面特征时,可借助参数比较直接完成空间两平面一致性(完全重合)的判断,在确保模型设计合理性的基础上,算法的实现更为便利。
然而,需要注意的是,三维空间中的方向向量均存在一种大小对等、方向相反的表达方式,因此,所提算法正确运行的前提是必须保证相邻两个测站所提取的平面法向量保持一致,否则,将无法得到正确的结果,如何有效克服这一条件限制,将是今后的研究方向之一。此外,针对大多数迭代算法对未知参数的初值有一定要求的问题,目前已有文献给出了基于点特征约束与直线特征约束的LiDAR点云配准参数的解析求解算法。此类算法无需事先确定未知参数的任何初值,且算法的运行效率相对较高,因此,利用解析求解方式实现基于平面特征约束的LiDAR点云配准,将是今后的另一个重要研究方向。
[1] Arun K S, Huang T S, Blostein S D. Least-squares fitting of two 3-D point sets[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1987, 9(5): 698-700.
[2] Besl P J. McKay N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2): 239-256.
[3] Horn B K P. Closed-form solution of absolute orientation using unit quaternions[J]. Journal of the Optical Society of America A, 1987, 4(4): 629-642.
[4] Horn B K P, Hilden H M, Negahdaripour S. Closed-form solution of absolute orientation using orthonormal matrices[J]. Journal of the Optical Society of America A, 1988, 5(7): 1127-1135.
[5] Walker M W, Shao L J, Volz R A. Estimating 3-D location parameters using dual number quaternions[J]. CVGIP: Image Understanding, 1991, 54(3): 358-367.
[6] 贺磊, 余春平, 李广云. 激光扫描数据的多站配准方法[J]. 测绘科学技术学报, 2008, 25(6): 410-413.
He L, Yu C P, Li G Y. Method of laser scanning data matching[J]. Journal of Geomatics Science and Technology, 2008, 25(6): 410-413.
[7] 张剑清, 翟瑞芳, 郑顺义. 激光扫描多三维视图的全自动无缝镶嵌[J]. 武汉大学学报·信息科学版, 2007, 32(2): 100-103.
Zhang J Q, Zhai R F, Zheng S Y. Automatic seamless registration of 3D multiple range views[J]. Geomatics and Information Science of Wuhan University, 2007, 32(2): 100-103.
[8] Wang Y B, Wang Y J, Wu K, et al. A dual quaternion-based, closed-form pairwise registration algorithm for point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 94: 63-69.
[9] Habib A, Ghanma M, Morgan M, et al. Photogrammetric and LiDAR data registration using linear features[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(6): 699-707.
[10] Guan YL, Zhang HJ. Initial registration for point clouds based on linear features[C]∥2011 Fourth International Symposium on Knowledge Acquisition and Modeling, October 8-9, 2011, Sanya, China.New York: IEEE Press, 2011: 474- 477.
[11] 王永波, 杨化超, 刘燕华, 等. 线状特征约束下基于四元数描述的LiDAR点云配准方法[J]. 武汉大学学报·信息科学版, 2013, 38(9): 1057-1062.
Wang Y B, Yang H C, Liu Y H, et al. Linear-feature-constrained registration of LiDAR point cloud via quaternion[J]. Geomatics and Information Science of Wuhan University, 2013, 38(9): 1057-1062.
[12] 盛庆红, 陈姝文, 柳建锋, 等. 基于Plücker直线的LiDAR点云配准法[J]. 测绘学报, 2016, 45(1): 58-64.
Sheng Q H, Chen S W, Liu J F, et al. LiDAR point cloud registration based on Plücker line[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(1): 58-64.
[13] Khoshelham K. Closed-form solutions for estimating a rigid motion from plane correspondences extracted from point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 78-91.
[14] Park S Y, Subbarao M. Anaccurate and fast point-to-plane registration technique[J]. Pattern Recognition Letters, 2003, 24(16): 2967-2976.
[15] Wang H K, Wang X F. 3D registration based on planar feature segmentation and plane fit[J]. Applied Mechanics and Materials, 2012, 233: 274-277.
[16] Zhang D, Huang T, Li G H, et al. Robust algorithm for registration of building point clouds using planar patches[J]. Journal of Surveying Engineering, 2012, 138(1): 31-36.
[17] 郑德华, 岳东杰, 岳建平. 基于几何特征约束的建筑物点云配准算法[J]. 测绘学报, 2008, 37(4): 464-468.
Zheng D H, Yue D J, Yue J P. Geometric feature constraint based algorithm for building scanning point cloud registration[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(4): 464-468.
[18] 柴双武, 杨晓琴. 基于对偶四元数构建的直线基元点云拼接方法[J]. 光学学报, 2019, 39(12): 1228006.
Article Outline
王永波, 郑南山, 卞正富. 平面特征约束下基于四元数描述的LiDAR点云配准算法[J]. 光学学报, 2020, 40(23): 2310001. Yongbo Wang, Nanshan Zheng, Zhengfu Bian. Planar Feature-Constrained, Quaternion-Based Registration Algorithm for LiDAR Point Clouds[J]. Acta Optica Sinica, 2020, 40(23): 2310001.