基于探测球的固定式扫描海量点云自动定向方法

基于探测球的固定式扫描海量点云自动定向方法

郭敬平

(宁波市鄞州区测绘院,浙江 宁波 315100)

摘要：地面固定式扫描点云首先要将自由坐标系的点云纳入国家坐标系，而单站扫描的点云数据量极大，无法在可视环境下进行拼接。针对现有方法对海量点云拼接的不足，提出一种基于探测球的固定式扫描海量点云自动定向方法，该方法通过数据关联技术读取海量点云、建立标靶搜索环、球拟合确定标靶候选点、全组合距离匹配法确定同名点及坐标转换参数解算等，完成点云的自动定向过程。通过实验验证文中算法的有效性及可行性。

关键词：海量点云；定向标靶；点云绝对定向；扇形等距离索引；全组合距离匹配

中图分类号：P237

收稿日期：2014-07-14;修回日期：2015-02-28

作者简介：郭敬平(1979-)，男，高级工程师.

An auto registration method for fixed type of scanned HPC based on detecting balls

GUO Jin-ping

(Ningbo Institute of Surveying and Mapping Yinzhou District,Ningbo 315100, China)

Abstract：The point cloud data of fixed terrestrial scanning are used for topographic mapping,of which the data should be transformed from free coordinate system into national coordinate frame.However,due to the huge quantity of point cloud for single-station scanning,the data can not be registered in a visual environment.For the deficiency of existing registration methods for huge point clouds (HPC),an auto method for fixed type of scanned HPC based on detecting balls is put forward.The automatic registration process is implemented by reading point clouds through data association, searching target-searching loops,followed by fitting spheres for candidate targets,extracting corresponding points using distance matching, and calculating the transformation parameters.Experiments demonstrate the effectivity and feasibility of the proposed algorithm.

Key words：huge point cloud；orientation target；absolute orientation for point cloud；concentric equidistant index；distant matching of full combination

随着三维激光扫描仪硬件性能的提高，3D扫描技术日趋成熟[1]，基于地面的激光扫描系统TLS(Terrestrial Laser Scanning)单站扫描点云数量越来越大，GB级的海量点云使得在现有普通计算机难以基于内存进行点云的定向、降噪、植被过滤、地面点云获取[2]、地图要素提取[3]等处理过程，成为亟待解决的技术瓶颈。为了将地面固定式扫描点云应用于地形测绘，首先要将自由坐标系的点云纳入国家坐标系，但单站扫描的点云数据量无法在可视环境下用文献[4]和[5]中方法进行两站或多站点云的拼接。地形测绘中，两站扫描的点云仅有一小部分重叠且重叠的位置未知[6]，无法用迭代最近点法ICP(Iterative Closest Point)[7]实现基于表面特征匹配[8]和区域形状分析法[9]的自动拼接，需要新方法将点云纳入到测量的坐标系中。

为此，本文在充分利用球形定向标靶具有几何定向精度高及易于识别的特性基础上，提出一种基于探测球的固定式扫描海量点云自动定向方法，包括三个环节：①用数据关联技术读取海量点云；②用等距离扇形分区法建立点云空间索引；③用全组合距离匹配法确定匹配点(标靶球中心的地理坐标与扫描坐标对应)，实现标靶球海量点云自动定向。

1海量点云的空间索引和自动定向原理

1.1　海量点云读取和搜索区确定

一站点云分布统计规律，0.1D(D为扫描仪测程，高密度区)点占86%，0.1D～0.3D(中密度区)范围的点占12.3%，大于0.3D(低密度区)的点占1.7%(见图1)，星点一般在中密度区，这个区就是搜索区。根据GPS测得各球形标靶的国家地理坐标和水准测量的高程，确定标靶范围，用数据关联技术分段读取坐标，每段读取1 000万个点，从每段数据过滤出标靶所在范围的点，如图2所示；取出每个标靶所在环形点云，如图3所示。

图1　原始有效范围点云

1.2　点云扇形等距空间索引

对点云建立空间索引现有的方法有k-d树索引结构[10]、十叉树空间索引[11]和球形空间索引等[12]。环形点云按等距离分区，如图4所示，建立点云扇形等距平面索引数据库。该方法与矩形分区的矩形分区搜索球时，球上的点最多可能分布在四个区域，而扇形结构搜索时，则球上的点最多分布在两个区域中，减少了重复拟合次数。

图4　扇形等距离分区

扇形等距索引相对于扇形等角度索引的优点是能保证离扫描站不同距离的标靶搜索格大小基本一致。

1.3　候选星点确定

标靶点云如图5所示，按照扇形等距平面索引方法，以一个点云带为一个探测区，将探测区利用对应的中心角分成多个扇形，以每个扇形为探测单元，用球面拟合法逐单元进行球探测，从此得到一系列拟合半径与已知半径之差在2 cm之内且不同圆球度的星点，而后将圆球度在85%以上的星点作为候选点。候选点的圆球度

(1)

式中：dist(O,Pk)为球面点到球心球面点的无符号距离函数[15]，r0为球的已知半径，r为拟合球半径，通常选择C大于85%的为可信球。

图5　要探测的球

1.4　标靶球心坐标确定

1)删除重复点：在确定候选点后，选择第一个球，计算后面所有球到此球中心距离，删除距离小于2 cm的重复球。

3)重采样和星点坐标精化：获得同名点后，对星点点云进行重采样并进行拟合，见图6、图7。进而删除拟合误差大的点(人工删除结合算法)，二次拟合星点坐标。

图7　拟合球面2

1.5　坐标转换参数求解

用星点GPS测量坐标和扫描坐标，平差计算三维坐标转换参数，组成定向矩阵，将扫描坐标转换到国家地理坐标，实现进行点云的定向，点云定向矩阵定义为

(2)

式中:ΔX,ΔY,ΔZ为平移参数，其实质是扫描仪中心的地理坐标，a，b，c是反对称矩阵中三个参数，是缩放因子，一般取1 。其它9个元素是点云绕三个坐标轴三个旋转角的函数(构成旋转矩阵)。点云定向6个自由度SDOF (Six Degrees of Freedom)由Besl,McKay[6]给出。

2实验及分析

本实验所用数据来自某矿山实际扫描多站扫描点云，扫描仪器为Riegl VZ-1000。矿区3.2 km×2.8 km，共扫描47站，每站设四个标靶球，每站约1亿个点。以第29站为例，说明本方法可行性。将4个排球作为球形标靶如图8所示，放在经过精平的三角基座上，球心三维坐标由GPS和水准测量获得。建立等距离扇形索引后，对每个扇形区点进行探测和球面拟合，拟合半径与球理论半径相差不大于1 cm，则认为该区可能有标靶球(候选球)，共18个候选球，结果见表1。

表1　标靶候选球　　　cm

然后计算候选球的圆球度，圆球度大于85%的可信球6个，见表2，删除重复球后，就是4个星点上的球数据见表3。

自动探测的结果与人工删除噪声点后的结果进行球面拟合，结果如表4所示，Q2903球半径相差比较大，这是因为表面有较多的噪声点，精化算法有待于改进。Q2901、Q2902、Q2904星点处半径差在1 cm之内，符合要求。为了测试软件自动定向效率，用不同大小点云，在不同配置的计算机进行定向，所用时间见表5。

表2　可信球　cm

表3　定向球坐标　cm

表5　运行时间

3结束语

本文提出的方法能实现单站点云靶标自动检测与快速定向，将多站扫描点云纳入国家坐标系，大大提高了点云的拼接效率,提高点云定向精度，降低其对点云处理及应用的影响。

参考文献：

[1]WANDA M,et al..Processing and interactive editing of huge point clouds from 3D scanners[J].Computers & Graphics 2008,32：204-220.

[2]张会霞，陈宜金，刘国波.基于三维激光扫描仪的校园建筑物建模研究[J].测绘工程，2010，19(1):32-34，38.

[2]赫春晓，李浩.基于三维激光扫描数据的三维实景构建[J].测绘工程，2013，22(1):81-85.

[3]VAN de Giessen,VOS F M,GRIMBERGEN C A,VAN Vliet L J,et al.An efficient and robust algorithm for parallel groupwise registration of bone surfaces[J].Med Image Comput Comput Assist Interv.2012;15(3):164-171.

[4]JIAN Yao,MAURO R R,PIERLUIGI T,et al.Robust surface registration using N-points approximate congruent sets[J].EURASIP Journal on Advances in Signal Processing,2011,(1)：1-27.

[5]TORRE-FERRERO C,LLATA J R,ALONSO L,et al.3D point cloud registration based on a purpose-designed similarity measure[J].EURASIP Journal on Advances in Signal Processing 2012,(3):1-15.

[6]Ondˇrej Jeˇz.3D Mapping and Localization Using Leveled Map Accelerated ICP[C].// European Robotics Symposium 2008,2008,2:466-473.

[7]LI N,CHENG P,SUTTON M A,et al.Three-dimensional Point Cloud Registration by Matching Surface Features with Relaxation Labeling Method[J].Experimental mechanics,2005,45(1)：71-82

[8]HUANG D,et al.3D Face Recognition Based on Local Shape Patterns and Sparse Representation Classifier[J].Advances in Multimedia Modeling,2011,65(23):206-216

[9]JOCHEM A,et al.Area-wide roof plane segmentation in airborne LiDAR point clouds[J].Computers,Environment and Urban Systems,2012,(36):54-64.

[10]Jagan Sankaranarayanan,SAMET H,VARSHNEY A.A fast all nearest neighbor algorithm for applications involving large point-clouds[J].Computers & Graphics,2007,(31)：157-174

[12]MA Hongchao,WANGA Zongyue.Distributed data organization and parallel data retrieval methods for huge laser scanner point clouds[J].Computers & Geosciences,2011,(37)：193-201. M,et al..Processing and interactive editing of huge point clouds from 3D scanners[J].Computers & Graphics 2008,32：204-220.

[2]张会霞，陈宜金，刘国波.基于三维激光扫描仪的校园建筑物建模研究[J].测绘工程，2010，19(1):32-34，38.

[2]赫春晓，李浩.基于三维激光扫描数据的三维实景构建[J].测绘工程，2013，22(1):81-85.

[3]VAN de Giessen,VOS F M,GRIMBERGEN C A,VAN Vliet L J,et al.An efficient and robust algorithm for parallel groupwise registration of bone surfaces[J].Med Image Comput Comput Assist Interv.2012;15(3):164-171.

[4]JIAN Yao,MAURO R R,PIERLUIGI T,et al.Robust surface registration using N-points approximate congruent sets[J].EURASIP Journal on Advances in Signal Processing,2011,(1)：1-27.

[5]TORRE-FERRERO C,LLATA J R,ALONSO L,et al.3D point cloud registration based on a purpose-designed similarity measure[J].EURASIP Journal on Advances in Signal Processing 2012,(3):1-15.

[6]Ondˇrej Jeˇz.3D Mapping and Localization Using Leveled Map Accelerated ICP[C].// European Robotics Symposium 2008,2008,2:466-473.

[7]LI N,CHENG P,SUTTON M A,et al.Three-dimensional Point Cloud Registration by Matching Surface Features with Relaxation Labeling Method[J].Experimental mechanics,2005,45(1)：71-82

[8]HUANG D,et al.3D Face Recognition Based on Local Shape Patterns and Sparse Representation Classifier[J].Advances in Multimedia Modeling,2011,65(23):206-216

[9]JOCHEM A,et al.Area-wide roof plane segmentation in airborne LiDAR point clouds[J].Computers,Environment and Urban Systems,2012,(36):54-64.

[10]Jagan Sankaranarayanan,SAMET H,VARSHNEY A.A fast all nearest neighbor algorithm for applications involving large point-clouds[J].Computers & Graphics,2007,(31)：157-174

[12]MA Hongchao,WANGA Zongyue.Distributed data organization and parallel data retrieval methods for huge laser scanner point clouds[J].Computers & Geosciences,2011,(37)：193-201.

[责任编辑：李铭娜]