一种基于高斯映射的三维点云特征线提取方法 下载: 1368次
1 引言
三维激光扫描技术是测绘领域继全球定位系统(GPS)技术之后又一项测绘新技术,其具有扫描精度高、速度快、易携带和非接触式采集操作等优点,已成为空间数据获取的重要技术手段,可以快速地从模型表面获取数十万甚至数百万的测量数据,并可准确的反映空间位置,实现了信息的可视化,原始点云在建筑的三维模型化设计[1]以及变形监测[2-3]中已经发挥了不可忽视的作用。但是因为数据量大和处理效率低等问题,而催生出三维模型的特征线提取技术。建筑物的特征线是建筑物形状描述、三维重建的重要参数,要建立一个三维建筑物模型首先要做特征线的提取。目前,特征线的提取已广泛用于逆向工程、曲面重建、数据分割、模型简化、曲线匹配和拼接等几何处理领域[4-5],通过提取树木特征信息确定其位置分布的方法甚至已经被应用于森林生态、管理林区等工作[6]。
对于三维点云模型,其特征曲线提取过程就是对模型上的数据点进行分析计算,找出其中的特征点,并连接构成光滑特征曲线。针对点云特征线的提取,许多学者做了大量的研究并且提出了相关的算法:1) 基于曲率值、法向量以及投影等几何特征的方法。钱锦峰等[7]提出了一种利用点云数据小邻域内点的相邻关系检测边界特征点的算法,该算法通过最小生成树算法对点云数据进行处理,构造目标点邻域的最小二乘拟合平面,计算出投影点的角度标准差阈值,从而确定特征点并排序;Daniels等[8]对每个点的邻域内使用稳健移动最小二乘法(RMLS)进行曲面拟合,并计算当前点在曲面上的投影残差值,将投影残差值较大的点定义为潜在特征点;陈朋等[9]提出了一种建筑物点云特征线提取方法。2) 基于主成分分析的方法。Wang等[10]提出了一种体素维度分析法,该方法以主成分分析(PCA)降维为基础,计算体素点云协方差矩阵,对协方差矩阵进行分解得到特征值和特征向量,根据特征值大小判断出显著特征向量,从而实现特征点的保留;Demarsin等[11]首先用PCA法求出点云数据的法向量,再对其变化大的点采用区域生长算法,并聚类分割数据,从而得到特征线。史皓良等[12]提出一种双阈值点云特征信息提取算法,采用PCA法和局部二次曲面拟合法对点云模型进行微分几何信息估算,得到
针对以往算法的不足,从聚类的角度出发,本文提出了一种基于高斯映射和
2 算法概述
所提算法对于特征线的提取首先用
2.1 k近邻算法
式中:
1)
2)
经典的构造
1) 随着树的深度增加,对于数据点集及其所在的空间,计算每个维度上的方差,数据方差最大时表明沿该坐标轴方向上的数据点分散的比较开,在此进行的数据分割可以获得最好的分辨率;循环的选取坐标轴,作为分割超平面的法向量。对于三维树来说,根节点选取
2) 每次均为所有对应实例的中位数作为切分点,切分点作为父节点,左右两侧为划分的左右两子树。如此循环往复直至空间中只包含一个数据点。通过上述搜索过程,对于三维点云模型可表示为
2.2 高斯映射理论
高斯映射已广泛应用于曲面识别、点云拟合、点云分割等领域。高斯映射的定义为:对一个分段光滑的空间三维曲面∑,计算其上所有点的单位法矢量
使用上述原理,以点云数据中取当前采样点
上述过程虽然得到了法向量,但是法向量会出现反向簇,需要将法向量的方向调整一致,才不会影响后续的处理,通常点云都有主扫描面,以该面上
图 5. 高斯映射点的分布规律。(a)点型聚类;(b)线型聚类;(c)面型聚类
Fig. 5. Distribution law of Guassian map points. (a) Point clustering; (b) linear clustering; (c) surface clustering
2.3 高斯映射点的K-means聚类
对点云数据中每个采样点
式中:
其中,确定最佳聚类数的聚类有效性指标是衡量聚类算法产生的聚类结果是否达到最优的标准,该指标将最优聚类结果所对应的聚类数作为最佳聚类数。目前已有的聚类有效性指标主要有CH (Calin-ski-Harabasz)[15]指标、Wint (Weighted inter-intra)[16]指标和Sil (Silhouette)[17]指标等。在对点云数据的多次对比以及重复性实验的过程中得出,与其他几个指标相比,Sil指标简单易用且具有良好的评价能力[18],轮廓系数的定义为:1) 计算样本
当
2.4 特征点的判断
通过以上聚类算法,对当前采样点
3 实验结果及其分析
为了验证所提算法的有效性,采用三维激光扫描仪(RIEGLVZ-400,Riegl公司,奥地利)进行数据采集,对武汉长江二桥进行扫描,截取了索塔的立柱部分,采用Cloud Compare的“edit-octreeresample”命令对其进行均匀抽稀(Cloud Compare 是一个开源点云处理软件,主要用于多组点云的对比显示、拼接和分割等),将原始点云由400万简化到约22.5万,既可以保持原始点云的特征又可以提高数据处理效率,得到如
为了证明所提算法提取特征线的优越性,引入了对比实验,
图 6. 不同算法对规则点云特征线提取效果对比。(a)简化后点云;(b)所提算法;(c)文献[ 9]中的算法;(d)文献[ 10]中的算法
Fig. 6. Extraction effect comparison of feature lines of regular point clouds by different algorithms. (a) Simplified point cloud; (b) proposed algorithm; (c) method in Ref. [9]; (d) method in Ref. [10]
由
图 7. 不同算法对不规则点云特征线提取效果对比。(a)简化后点云;(b)所提算法; (c)文献[ 9]中的算法;(d)文献[ 10]中的算法
Fig. 7. Extraction effect comparison of feature lines of irregular point clouds by different algorithms. (a) Simplified point cloud; (b) proposed algorithm; (c) method in Ref. [9]; (d) method in Ref. [10]
表 1. 图7中雕塑模型特征点提取状况和运行时间
Table 1. Feature point extraction and running time of feature points of sculpture model in Fig. 7
|
4 结论
提出了基于高斯映射的三维激光特征线提取方法,经实验证明,与已有算法相比,该方法可以清晰完整地提取出规则以及不规则点云模型的特征线,噪声少,算法运行时间短且精确、高效,还能够快速高效地获取物体或者建筑的特征模型,对于逆向工程、建筑物三维重建工程等,可以大大提高工作效率和精确度。该算法不仅可以很好地提取不规则点云的特征模型,还对安全领域变形监测(滑坡、建筑变形监测等)具有相当的意义。
[1] 戴升山, 李田凤. 地面三维激光扫描技术的发展与应用前景[J]. 现代测绘, 2009, 32(4): 11-12, 15.
[2] 张立朔, 程效军. 基于激光点云的隧道形变分析方法[J]. 中国激光, 2018, 45(4): 0404004.
[3] 章涛, 陈西江. 利用三维激光扫描技术监测桥梁振幅[J]. 激光与光电子学进展, 2018, 55(5): 051409.
[4] 张宏伟, 赖百炼. 三维激光扫描技术特点及其应用前景[J]. 测绘通报, 2012, S1: 320-322, 337.
[5] 张雨禾. 散乱点云特征提取方法与部位缺损文物碎片拼接技术研究[D]. 西安: 西北大学, 2017.
Zhang YH. Research on feature extraction method of scattered point clouds and technology of fragments splicing of site defect[D]. Xi'an:Northwest University, 2017.
[6] 肖杨, 胡少兴, 肖深, 张爱武. 从三维激光点云中快速统计树木信息的方法[J]. 中国激光, 2018, 45(5): 0510007.
[7] 钱锦锋, 陈志杨, 张三元, 等. 点云数据压缩中的边界特征检测[J]. 中国图象图形学报, 2005, 10(2): 164-169.
[8] Daniels JI, Ha LK, OchottaT, et al. Robust smooth feature extraction from point clouds[C]∥Proceedings of IEEE International Conference on Shape Modeling and Applications, 2007: 123- 136.
[9] 陈朋, 谭晔汶, 李亮. 地面三维激光扫描建筑物点云特征线提取[J]. 激光杂志, 2016, 37(3): 9-11.
[10] Wang JH, LindenberghR, Shen YQ, et al. Coarse point cloud registration by egi matching of voxel clusters[J]. ISPRS Annals of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, III-5: 97- 103.
[12] 史皓良, 吴禄慎, 余喆琦, 等. 散乱点云数据特征信息提取算法[J]. 计算机工程, 2017, 43(8): 279-283.
[13] 王大莹, 程新文, 郑艳丽, 等. 在Matlab平台下基于形态学方法对LIDAR数据进行建筑物边缘提取[J]. 测绘科学, 2010, 35(1): 172-173, 92.
Wang D Y, Cheng X W, Zheng Y L, et al. Mathematic morphology-based building edge detection under Matlab platform[J]. Science of Surveying and Mapping, 2010, 35(1): 172-173, 92.
[14] 邹万红, 陈志杨, 叶修梓, 等. 一种新的点云数据特征骨架提取方法[J]. 浙江大学学报(工学版), 2008, 42(12): 2103-2107.
[16] Dimitriadou E. Dolni ar S, Weingessel A. An examination of indexes for determining the number of clusters in binary data sets [J]. Psychometrika, 2002, 67(3): 137-159.
[18] 周世兵, 徐振源, 唐旭清. 新的K-均值算法最佳聚类数确定方法[J]. 计算机工程与应用, 2010, 46(16): 27-31.
徐卫青, 陈西江, 章光, 袁俏俏. 一种基于高斯映射的三维点云特征线提取方法[J]. 激光与光电子学进展, 2019, 56(9): 091403. Weiqing Xu, Xijiang Chen, Guang Zhang, Qiaoqiao Yuan. Method for Extraction of Feature Lines of Three-Dimensional Laser Point Cloud Based on Gaussian Map[J]. Laser & Optoelectronics Progress, 2019, 56(9): 091403.