基于体素生长的点云结构直线段提取 下载: 1257次
ing at the problems remaining in existing extraction method of structure line segment such as low efficiency and reliability, an efficient extraction method for structure line segments from point clouds through voxel-based region growing is proposed. Firstly, point cloud is voxelized and segmented, and the distributing regions of structure line segments are recognized through voxel-based nearest neighbors searching. Then, the distributing regions of structure line segments are segmented through voxel-based region growing. Finally, corresponding line segments are extracted and optimized in these segmented regions according to the equations of their supporting planes, and the accuracy of the results are assessed. The test experiments are performed, and the feasibility, accuracy and efficiency of the proposed method are verified by obtaining the processing and comparison results of adopted point clouds. The experimental results indicate that the efficiency is increased more than 10 times and the accuracy is improved about 0.25 times, which verifies that the proposed method has high accuracy and efficiency as well as the ability of achieving relatively more ideal results.
1 引言
随着数字地球、智慧城市、虚拟现实等概念的提出与相关技术的不断推进,三维空间信息的快速获取与处理逐渐取代二维平面信息相关处理的地位,成为当前的研究热点。作为一种新型三维空间信息获取技术的代表,三维激光扫描测量技术发展迅猛并不断开拓新的应用领域,三维空间数据的采集速度越来越快、数据质量越来越好、信息量越来越丰富,相应的三维扫描测量结果——三维点云作为一种新型的数据形式也成为相关领域学者争相研究的热点。其中,线特征的语义描述是一个具有重要研究价值的领域,已有部分学者研究了平面交线(即结构直线段,下文简称结构线段)的提取并探索了其相关应用,总结起来主要有基于投影图像的方法和基于平面交线的方法两大类。
为了将较为成熟的图像处理算法应用到三维领域,一种较为简单的思路是将三维数据投影到二维,因此,部分学者考虑利用各种类型的图像化投影进行三维线段提取的相关研究,主要有深度图像、阴影图像及强度图像等类型。文献[ 1]首先将点云投影为深度图像[2](按照一定采样间隔对点云进行投影),并通过邻域插值对图像的空像素点进行填充,之后采用Line-Segment-Detector (LSD)算法[3-4]在深度图像中提取线段。类似的,文献[ 5]在文献[ 1]处理方式的基础上,根据正射影像生成时边界区域的深度变化设定阈值过滤边界点,然后同样采用LSD算法提取线段。由于点云一般分布不均匀,并且一定距离以外达不到较高的分辨率,而且点云投影获取深度图像时不同投影分辨率的选用对提取结果会产生较大影响,因此这种线段提取方式具有一定的局限性。文献[ 6]首先将三维点云结合Eye Dome Lighting算法[7]转换为基于多投影视角(视点均匀分布在点云的包围球面上)的阴影图像,之后采用LSD算法在阴影图像中提取二维线段及其支持区,然后将二维线段支持区投影回三维空间得到三维线段支持区,并将此支持区沿其主方向投影到二维平面上进行“V”型形状结构拟合,通过合并和区域生长对此结构进行优化,最后对“V”型形状结构对应的两扇平面进行拟合,将平面的交线作为提取的目标线段,该方法较为依赖视点和投影分辨率的选取,不适用于室内场景。
现有的直接从三维数据中提取三维线特征的方法有一部分是针对特征曲线进行的,例如,文献[ 8]采用移动最小二乘法计算局部曲率提取脊线和谷线,文献[ 9]采用一维截断的傅里叶级数识别特点并计算近似曲率用于提取显著的特征曲线等。对于三维结构线段的提取,文献[ 10]和[11]利用区域生长[12]提取平面交线,并分别将线段应用于视觉定位和测距传感器标定,文献[ 13]将利用随机抽样一致(RANSAC)算法[14-15]提取的平面进行相交得到三维线段,并将线段用于多站点云之间的拼接,文献[ 16]采用了点云法矢在高斯球面聚类的方式进行平面提取进而提取平面的交线,最后通过交互产生多边形结构。现有的基于平面相交提取结构线段的方法思路基本上一致,即先从点云中分割平面,然后再判断平面是否相交,进而求取交线,最后依托平面内点在线段上的投影范围确定最终线段的端点,但这种方式一般具有一定的盲目性,每个平面都需要与其他平面进行非平行性、相邻性和相交性判别,并且最终线段的提取结果并非依托的是线段的邻域(支持区),容易产生端点误判,另外,在平面之间的相交性判断及交线端点的确定方面都存在效率低下或准确程度不足等问题。
针对现有结构线段提取算法存在的低效性和精度低等问题,本文研究了一种基于体素生长的结构线段快速定位与提取方法。该方法在点云体素化剖分和平面分割的基础之上首先依据体素之间的相似性分布筛选出结构线段的潜在分布区域,实现对结构线段的快速定位,然后基于体素生长对各个结构线段的潜在分布区域进行分割,之后在各分割结果中进行结构线段的提取与优化,最后对结构线段提取结果的精度进行定量评定。
2 结构线段的提取
基于平面相交提取结构线段时,平面分割结果的优劣是影响线段提取结果的重要因素,平面是否真实相交(相交部位是否真实存在点)以及线段端点的确定是线段提取的重点。所提出的利用体素生长的点云结构直线段提取方法的流程如
2.1 点云的体素化剖分
八叉树结构是一种依托于点云空间分布的数据结构,数据的增减不改变整体结构,并且剖分层数的增减简便易行,具有较好的空间直观性,其基本剖分原理不做赘述。八叉树的剖分涉及到其初始体素尺寸和剖分终止条件等问题。文献[
1]采用的点云八叉树体素剖分及基于体素生长的平面分割方法是目前较为先进的区域生长平面分割方法,其参照文献[
17]的思路,根据点云的密度及体素信息的精度需求确定初始尺寸
图 1. 所提算法流程。(a)原始点云;(b)体素生成;(c)平面分割;(d)潜在线段支持区体素的识别;(e)提取结构线段支持区;(f)三维结构线段的提取与结果优化;(g)算法流程图
Fig. 1. Procedure of the proposed method. (a) Original point cloud; (b) voxelization; (c) plane segmentation; (d) recognition of potential support voxels; (e) segmentation of support regions; (f) extraction of three-dimensional structure line segments and refinement; (g) algorithm flow chart
体素最小尺寸阈值
为避免点云密度判定与经验参数的输入,本研究在八叉树剖分时将
在各体素中,参照点云平面拟合的协方差分析算法[18],得到各体素内点分布的三个特征值
由于
为了保证
得到剖分终止条件
2.2 基于体素生长的平面分割
对于基于体素的区域生长,其主要问题是确定相邻共面体素间的法矢夹角阈值
对于
图 2. 相邻共面体素的法矢夹角与体素尺寸和拟合标准差之间的关系示意图
Fig. 2. Sketch map for the relationship among intersection angle, voxel size and fitting standard deviation value of two neighbor coplanar voxels
对于
在确定生长条件后,按照排序后的种子体素以体素为单位依次进行基于体素的分层区域生长,各层生长完毕后对被生长到的未被归为平面体素的边缘体素进行邻域平面的共面性判断,将其内点归类到其距离最近的平面中,以优化各层体素生长平面分割的结果。该步骤执行后的平面分割结果参考
2.3 线段支持区体素的预筛选
图 3. 潜在线段支持区的筛选。(a)八叉树体素全局结构;(b)非边缘且非边缘相邻体素(红色体素块)位置示意;(c)潜在线段支持区体素(红色体素块)
Fig. 3. Recognition of potential support voxels. (a) Global structure of octree voxels; (b) distribution of non-edge and non-edge adjacent voxels which are shown in red; (c) potential support voxels which are shown in red
2.4 支持区点集的体素生长提取
通过将体素生长过程约束在潜在支持区之内,避免了在提取线段支持区之时体素生长的盲目性,并且任意一体素其一阶邻域之内必定存在两个以上平面,从而使生长过程对于种子体素的选用无特殊要求。基于体素生长提取线段支持区的具体过程为:
步骤1, 种子区域的选定。如
图 4. 体素生长提取线段支持区。(a)种子体素(红色体素)邻域(蓝色体素)平面分布的统计及初步生长(虚线为支持区边界);(b)种子体素的生长(红色体素为新种子体素,绿色体素为上次生长所用的种子体素,蓝色体素为待生长体素,红色箭头为生长方向);(c)最终提取的线段支持区点集(上图顶视图用红色标示位置,下图用不同颜色区分不同线段的支持区)
Fig. 4. Extraction of support regions using voxel-based region growing. (a) Statistics of plane distribution in the neighbor voxels (which are shown in blue) of the seed voxel (which is shown in red) and proceeding of initial region growing (in which the dash lines represent the border of the support region); (b) region growing from the seed voxels (in which the initial seed is in green, the new seeds are in red and the neighbor voxels of the new seeds are in blue, while the red arrows indicate the grow
步骤2, 线段支持区的存储与新种子体素的选定。当
式中
式中,
式中
此时根据其平面分割时的归属面将其存储到线段的支持面SR
步骤3, 种子体素的生长。利用步骤2新增的种子体素进行生长,首先判断新种子体素的邻域体素归属面是否是SR
步骤4, 生长终止条件及新线段支持区的生长。按照步骤2~步骤3的顺序迭代进行体素生长,直至此过程未新增种子体素时,当前线段支持区停止生长。然后选定尚未被处理的边缘体素作为新的候选种子体素重新执行步骤1~步骤3识别新的线段支持区。当所有边缘体素被处理过后,终止整个生长过程。
基于体素生长的线段支持区点集提取过程执行完毕后的效果如
2.5 结构线段的提取与优化
基于体素生长提取到的各条线段的支持区点集分别呈“V”型分布,如
步骤1, 支持面的重心归化。将平面分割后各个拟合面与点云重叠显示,如
步骤2, 计算线段的方向矢量。在三维空间中,一条直线的数学方程一般采用过此直线的任意两个非平行平面的方程表示,如(2)式所示,具体到本节描述的情形,如
步骤3, 寻找两侧支持面各自投影值最大和最小的点。为了确定线段的端点,需要求解两侧支持区点集分别在线段上的投影范围。通过搜寻在线段方向上投影值最大和最小的支持区内点[如
中的
步骤4, 求解线段端点。步骤3在两侧支持区分别得到了一套线段未投影端点候选点,这些候选点在支持面交线上的投影点即为线段的端点候选点。首先将两套候选点按照步骤3选定候选点时采用的内积判定法的思路确定线段的分布区域[
步骤5, 结果的优化。尽管在步骤1~步骤4中将线段端点的计算约束在线段的支持区中一定程度上减弱了端点误判情形,但仍不可能完美地解决此问题,如
图 6. 结构线段与其支持区。(a)结构线段相关变量定义;(b)支持区两侧点集的各自投影范围(黄色区域为最终选用支持区)
Fig. 6. Structure line and its support regions. (a) Definition of corresponding parameters of structure line; (b) projection regions of the support regions (yellow region is the final selected support region)
图 7. 结构线段的优化。(a)优化前;(b)优化后
Fig. 7. Refinement of structure line segments. (a) Before refinement; (b) after refinement
的情形比较单一,即在线段相交区域如果线段的端点距离小于两者的支持区宽时,合并这两个邻接端点。
2.6 精度的评定
为了对算法提取的结构线段进行量化的精度评定,定义标准差
式中,
则结构线段的标准差
式中
此精度评定指标的绝对大小受点云的厚度决定,其相对大小可反映提取的结构线段与其支持区点云的靠近程度,从而可以反映其提取精度。
3 实验与分析
3.1 实验数据
为验证所提出的方法,利用实测和模拟点云数据进行算法的验证与对比。其中,数据Data1为文献[
20]提供的在巴黎市某街道采集得到的建筑数据,主要用于本研究的平面分割实验;数据Data2和Data3分别为Robotic 3D Scan Repository[21]和AIM@SHAPE repository[22]开源提供的多站地面三维激光扫描测量获取的较为完整的教堂建筑点云,欧式教堂建筑一般为非规则结构,平面分布较为复杂;数据Data4为郑州信大先进技术研究院提供的单站单视角地面三维激光扫描测量获取的某规则建筑立面,其包含了较多的结构线段片段,部分结构线段由于视角问题并不能有效呈现;数据Data5为郑州信大先进技术研究院提供的从建筑模型上采样得到的点云,数据较为理想,平面和结构线段特征都得到较为完美的呈现。实验数据的相关信息如
表 1. 实验数据相关信息
Table 1. Information of experimental data
|
3.2 平面分割对比实验
本研究中基于体素生长的平面分割方法是在文献[
23]算法(下文简称OB算法)的基础之上改进得到,为了验证新算法的效果,将本算法的分割结果与OB算法的结果进行比对分析。由于OB算法需要输入较多的阈值参数(包括
利用数据Data1进行实验验证,得到平面分割结果对比如
3.3 结构线段提取实验结果与分析
对实验数据执行本研究所提的结构线段提取算法,线段提取结果的效果如
图 8. 数据Data1平面分割结果(不同颜色区分不同平面)。(a)数据Data1及其局部;(b) OB算法分割结果;(c)本算法分割结果
Fig. 8. Segmentation result of Data1 (different planes are shown in different color). (a) Data1 and its local feature; (b) segmentation result of OB method; (c) segmentation result of the proposed method
图 9. 结构线段提取结果。(a) Data2; (b) Data3; (c) Data4; (d) Data5; (e) Data2的提取结果; (f) Data3的提取结果; (g) Data4的提取结果; (h) Data5的提取结果
Fig. 9. Extraction results of structure line segments. (a) Data2; (b) Data3; (c) Data4; (d) Data5; (e) extraction result of Data2; (f) extraction result of Data3; (g) extraction result of Data4; (h) extraction result of Data5
表 2. 平面分割实验结果对比
Table 2. Comparison of experimental results of planer segmentation
|
从实验结果可知:
1) 得益于本算法对点云进行较为精细的平面分割,点云中的可视结构线段基本可以得到有效的提取;
2) 得益于从体素层面对结构线段进行快速定位与提取,算法整体效率较高;
表 3. 实验数据相关处理结果
Table 3. Processing results of experimental data
|
3) 对比
4) 对比
3.4 结构线段提取对比实验
为了对比验证本研究所提的结构线段提取算法的提取效果,在本组实验中将本算法的实验结果与文献[ 13]采用的基于RANSAC平面相交的方法(下文用“RPB”表示)得到的结果作对比;为了对比验证本算法的效率,首先利用本研究所提的基于体素生长的平面分割算法对点云进行分割,然后利用文献[ 10-13]等采用的平面相交的方式提取结构线段(为表述简便,下文将此种方式用“VPB”表示),最后将VPB方法的结果及耗时与本算法进行对比。
各算法的结构线段提取效果对比如
图 10. Data4结构线段提取结果对比。(a)原始测试数据;(b) RANSAC算法平面分割结果;(c)本算法平面分割结果;(d) RPB算法提取结果;(e) VPB算法提取结果;(f)本算法提取结果(为便于比对未显示线段支持区)
Fig. 10. Comparision of structure line segment extracting results of Data4. (a) Original test data; (b) plane segmentation result of RANSAC algorithm; (c) plane segmentation result of the proposed method; (d) extraction result of RPB algorithm; (e) extraction result of VPB algorithm; (f) extraction result of the proposed method (the support regions are hidden for comparision)
表 4. 算法执行效率及精度对比
Table 4. Efficiency and accuracy comparison of the algorithms
|
从
1) 对比分析
2) 综合对比分析
3) 从
4) 从
4 结论
提出了一种基于八叉树体素生长的结构线段提取方法,其核心思路是利用体素层面的操作进行点云的平面分割以及结构线段的快速定位与提取。该方法首先对点云进行体素化剖分与平面分割,然后根据各体素与其邻域体素之间的共面关系筛选出结构线段的潜在分布区域,实现对点云中结构线段的定位,然后采用体素生长的方式在定位区域中进行结构线段支持区的分割,最后在分割结果中进行结构线段的提取与优化,并对其提取结果进行精度评定。实验中,对不同类型的测试数据处理的效果和效率以及与现有处理方式的对比结果证明了此方法可以相对高效地实现对结构线段的有效提取。
本算法的主要局限性在于:由于采用平面方程联立求解的方式提取平面的交线,因此只能提取平面“V”型相交的结构线段,而在类似
[1] 梁玉斌. 面向建筑测绘的地面激光扫描模式识别方法研究[D]. 武汉: 武汉大学, 2013.
梁玉斌. 面向建筑测绘的地面激光扫描模式识别方法研究[D]. 武汉: 武汉大学, 2013.
梁玉斌. 面向建筑测绘的地面激光扫描模式识别方法研究[D]. 武汉: 武汉大学, 2013.
Liang YB. Research on pattern recognition methods for terrestrial laser scanning towards building surveying and mapping[D]. Wuhan: Wuhan University, 2013.
Liang YB. Research on pattern recognition methods for terrestrial laser scanning towards building surveying and mapping[D]. Wuhan: Wuhan University, 2013.
Liang YB. Research on pattern recognition methods for terrestrial laser scanning towards building surveying and mapping[D]. Wuhan: Wuhan University, 2013.
[2] HernándezJ, Marcotegui B. Filtering of artifacts and pavement segmentation from mobile lidar data[C]. ISPRS Workshop Lasers Scanning, 2009, Part3/W8: 329- 333.
HernándezJ, Marcotegui B. Filtering of artifacts and pavement segmentation from mobile lidar data[C]. ISPRS Workshop Lasers Scanning, 2009, Part3/W8: 329- 333.
HernándezJ, Marcotegui B. Filtering of artifacts and pavement segmentation from mobile lidar data[C]. ISPRS Workshop Lasers Scanning, 2009, Part3/W8: 329- 333.
[5] 车尔卓, 詹庆明, 金志诚, 等. 基于激光点云的建筑平立剖面图半自动绘制[J]. 激光与红外, 2015, 45(1): 12-16.
车尔卓, 詹庆明, 金志诚, 等. 基于激光点云的建筑平立剖面图半自动绘制[J]. 激光与红外, 2015, 45(1): 12-16.
车尔卓, 詹庆明, 金志诚, 等. 基于激光点云的建筑平立剖面图半自动绘制[J]. 激光与红外, 2015, 45(1): 12-16.
Che E Z, Zhan Q M, Jin Z C, et al. Semiautomatic drawing of plan-view, front-view and section-view of a building based on terrestrial laser scanning[J]. Laser & Infrared, 2015, 45(1): 12-16.
[7] BouchenyC. Interactive scientific visualization of large datasets: towards a perceptive-based approach[D]. Grenoble: Joseph Fourier University, 2008.
BouchenyC. Interactive scientific visualization of large datasets: towards a perceptive-based approach[D]. Grenoble: Joseph Fourier University, 2008.
BouchenyC. Interactive scientific visualization of large datasets: towards a perceptive-based approach[D]. Grenoble: Joseph Fourier University, 2008.
[10] 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, 2010, 58( 8): 4902- 4909.
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, 2010, 58( 8): 4902- 4909.
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, 2010, 58( 8): 4902- 4909.
[11] MoghadamP, BosseM, ZlotR. Line-based extrinsic calibration of range and image sensors[C]. IEEE International Conference on Robotics and Automation, 2013: 3685- 3691.
MoghadamP, BosseM, ZlotR. Line-based extrinsic calibration of range and image sensors[C]. IEEE International Conference on Robotics and Automation, 2013: 3685- 3691.
MoghadamP, BosseM, ZlotR. Line-based extrinsic calibration of range and image sensors[C]. IEEE International Conference on Robotics and Automation, 2013: 3685- 3691.
[12] RabbaniT, Heuvel F A V D, Vosselman G. Segmentation of point clouds using smoothness constraint[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006: 248- 253.
RabbaniT, Heuvel F A V D, Vosselman G. Segmentation of point clouds using smoothness constraint[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006: 248- 253.
RabbaniT, Heuvel F A V D, Vosselman G. Segmentation of point clouds using smoothness constraint[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006: 248- 253.
[18] 官云兰, 程效军, 施贵刚. 一种稳健的点云数据平面拟合方法[J]. 同济大学学报(自然科学版), 2008, 36(7): 981-984.
官云兰, 程效军, 施贵刚. 一种稳健的点云数据平面拟合方法[J]. 同济大学学报(自然科学版), 2008, 36(7): 981-984.
官云兰, 程效军, 施贵刚. 一种稳健的点云数据平面拟合方法[J]. 同济大学学报(自然科学版), 2008, 36(7): 981-984.
Guan Y L, Cheng X J, Shi G G. A robust method for fitting a plane to point clouds[J]. Journal of Tongji University (Natural Science), 2008, 36(7): 981-984.
[19] DemantkéJ, MalletC, DavidN, et al. Dimensionality based scale selection in 3D LiDAR point clouds[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Laser Scanning, 2011, 38( 5): 97- 102.
DemantkéJ, MalletC, DavidN, et al. Dimensionality based scale selection in 3D LiDAR point clouds[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Laser Scanning, 2011, 38( 5): 97- 102.
DemantkéJ, MalletC, DavidN, et al. Dimensionality based scale selection in 3D LiDAR point clouds[C]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Laser Scanning, 2011, 38( 5): 97- 102.
[21] BorrmannD, ElsebergJ. Robotic 3D scan repository-12[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
BorrmannD, ElsebergJ. Robotic 3D scan repository-12[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
BorrmannD, ElsebergJ. Robotic 3D scan repository-12[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
[22] AIM@SHAPE repository[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
AIM@SHAPE repository[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
AIM@SHAPE repository[EB/OL]. http: ∥kos.informatik.uni-osnabrueck.de/3Dscans/.
Article Outline
李明磊, 宗文鹏, 李广云, 王力. 基于体素生长的点云结构直线段提取[J]. 光学学报, 2018, 38(1): 0112001. Minglei Li, Wenpeng Zong, Guangyun Li, Li Wang. Extraction of Structure Line Segments from Point Clouds Using Voxel-Based Region Growing[J]. Acta Optica Sinica, 2018, 38(1): 0112001.