[發明專利]基于車載LiDAR點云數據的街景面片提取及優化方法

有效

• 申請號: 201410751955.0
• 申請日: 2014-12-10
• 公開（公告）號: CN104463871B
• 公開（公告）日: 2018-01-12
• 發明（設計）人: 姚劍;李禮;魯小虎;陳夢怡
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00
• 代理公司: 湖北武漢永嘉專利代理有限公司42102
• 代理人: 許美紅,唐萬榮

技術領域

本發明涉及車載LiDAR點云數據處理技術領域，特別是涉及一種基于車載LiDAR點云數據的街景面片提取及優化方法。

背景技術

隨著街景地圖的發展，實景對象的面片信息提取相關問題是當前亟待解決的問題。車載激光掃描系統的發展使得實景對象的立面提取越來越多地使用車載LiDAR數據，但利用車載LiDAR數據時仍然存在幾個主要問題：點云數據處理時間長，計算量大；場景復雜，目標豐富；建筑物立面層次結構復雜，立面細節特征豐富。針對這些問題的存在，基于點云數據的面片優化是關鍵步驟之一。

目前三維點云平面檢測常用的方法有三種，基于隨機抽樣一致性算法(RANdom SAmple Consensus,RANSAC)、基于霍夫變換的算法、區域增長法,基于這三種方法也出現了很多改進算法。

基于隨機抽樣一致性算法：是一種模型參數估計方法，將其應用到點云的平面檢測，并在隨機采樣過程中引入最小采樣半徑來限制采樣范圍，解決了外點密度和分布變化帶來的模型估計不穩定問題，并且采用隨機子集對估計到的模型進行評價，減少了運算量，在保持形狀模型檢測精度的同時提高了計算速度。

基于霍夫變換的方法：首先對參數空間(霍夫空間)離散化得到一系列子空間，即累加器，然后對每個累加器投票，對票數進行統計，峰值累加器所對應的圖像空間中的平面即為檢測到的最佳平面。然而累加器的設計存在共同的缺陷，即累加器的大小不一致和峰值可辨性差，導致檢測到的平面模型不準確，而且此方法耗占較大的存儲空間。

區域增長法：是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域開始，將相鄰的具有同樣性質的象素或其它區域歸并到目前的區域中從而逐步增長區域，直至沒有可以歸并的點或其它小區域為止。區域生長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，能取得最佳的性能，可以用來分割比較復雜的圖像，但是，區域增長是一種迭代的方法，空間和時間開銷都比較大。

以上三種方法在大數據時內存開銷大、計算時間長，對數據質量要求較高。

發明內容

本發明要解決的技術問題在于針對現有技術中的上述缺陷，提供一種充分利用點云空間分布特征來優化面片，降低錯誤率，提高精度的基于車載LiDAR點云數據的街景面片提取及優化方法。

本發明解決其技術問題所采用的技術方案是：

提供一種基于車載LiDAR點云數據的街景面片提取及優化方法，其特征在于，包括以下步驟：

步驟1：LiDAR點云數據的面片提取，基于八叉樹結構，將LiDAR點云數據劃分成若干個小立方體塊，并將各個小立方體塊擬合，得到符合預設要求的面片；

步驟2：對步驟1中得到的面片進行合并，對每一個面片，構建鄰接表，計算所有相鄰面片法向量之間的夾角，若某相鄰的面片P₁和P₂的夾角θ<θ_th，則將其進行合并，得到新的面片P′，計算合并后面片的面精度的下降值，若符合事先給定的閾值范圍，則合并面片P₁和P₂，得到新面片P′，并更新鄰接表；重復步驟2，直至沒有可以再進行合并的面片；

步驟3：對步驟2中合并后的面片進行面片增長，將步驟2中得到的面片視為種子面片，以最小單元為增長單元，26鄰域進行增長；對增長后的面片再按照步驟2的方法進行合并，得到最后合并的面片；

步驟4：對步驟3中得到的面片進行幾何糾正，并消除噪聲面片。

本發明所述的方法中，步驟4中對面片進行幾何糾正具體包括：

根據面片包含的點，求得面片的最小包圍矩形框的角點坐標；

對交叉的最小包圍矩形框，在交叉處對邊界進行進一步的優化，具體為將所有矩形框投影到XOY平面上，在二維空間中，對每條線段兩端進行擴展，擴展長度為l；判斷擴展后的線段是否相交，若相交，則計算相交線段L₁和L₂對應的矩形框R₁和R₂在Z軸方向的距離h，公式如下：

h＝(h1_max-h2_max+h1_min-h2_min)/2