CN112489099B - 点云配准方法、装置、存储介质及电子设备 - Google Patents
点云配准方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112489099B CN112489099B CN202011463287.3A CN202011463287A CN112489099B CN 112489099 B CN112489099 B CN 112489099B CN 202011463287 A CN202011463287 A CN 202011463287A CN 112489099 B CN112489099 B CN 112489099B
- Authority
- CN
- China
- Prior art keywords
- plane
- point cloud
- objects
- als
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000009466 transformation Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000011218 segmentation Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 41
- 239000000178 monomer Substances 0.000 claims description 33
- 230000002093 peripheral effect Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000000873 masking effect Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000004927 fusion Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000007499 fusion processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009012 visual motion Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种点云配准方法、装置、存储介质及电子设备，属于图像处理技术领域。所述点云配准方法包括：获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。故本申请中通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准，提高了配准的精确度，降低了计算的复杂度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种点云配准方法、装置、存储介质及电子设备。
背景技术
激光探测与测距技术(Light Detection And Ranging，LiDAR)是二十世纪九十年代发展起来的一种传感器，LiDAR直接获取对象的数字表面模型(Digital surface model，DSM),以点云的形式存储。点云数据是有序或无序的三维点的集合，是三维模型的最重要的表现形式之一。作为三维模型的重要代表，点云数据在建筑、农林、测绘、机器人学与自动驾驶等许多领域都得到了广泛的应用。另一方面，作为传统遥感应用最为常见的可见光遥感，其随着SFM(Structure from Motion)、倾斜摄影等技术的成熟，搭载在新兴的无人机平台上也得到了更为广泛的应用——包括测绘行业的大比例尺地形图测绘，建筑行业中的检测，工程施工过程当中的管理以及应急救援响应等。现有技术处理过程中发现：LiDAR点云具有数据精度高、保留了高精度高程信息的优点，但是其特征信息不明显，没有全部保留点与点之间的的拓扑关系，且无法直接从点云数据上判读地物类型，缺少语义纹理信息；另一方面高分辨率无人机光学影像数据具有丰富的光谱与纹理信息，特征连续，地物语义信息明确，但是其缺乏高程信息，在许多应用中受限于二维数据的局限性无法得到更充分的利用。因此如何实现对这两个广泛使用的异源点云数据进行融合，进一步提升海量的历史数据的用途是目前亟待解决的问题。
发明内容
本申请实施例提供了一种点云配准方法、装置、存储介质及电子设备，通过提取对点云平面对象进行提取，可实现快速准确的点云配准。所述技术方案如下：
第一方面，本申请实施例提供了一种点云配准方法，包括：
获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
对所述倾斜摄影点云进行平面提取得到m个第二平面对象；其中，m为大于或等于3的整数；
对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。
第二方面，本申请实施例提供了一种点云配准装置，所述装置包括：
获取模块，用于获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
第一提取模块，用于对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
第二提取模块，用于对所述倾斜摄影点云进行平面提取得到m个第二平面对象；其中，m为大于或等于3的整数；
配准模块，用于对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
确定模块，用于根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。
第三方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供了一种电子设备，包括：存储器和处理器；其中，所述存储器存储有计算机程序，所述计算机程序适用于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
上述点云配准方法、装置、存储介质及电子设备工作时，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的空间变换关系确定空间变换信息。本申请实施例通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种通信系统架构示意图；
图2是本申请实施例提供的一种点云配准方法的流程示意图；
图3是本申请实施例提供的一种点云配准方法的另一流程示意图；
图4是本申请实施例提供的一种点云样本示意图；
图5是本申请实施例提供的一种平面投影结果示意图；
图6是本申请实施例提供的一种聚类结果示意图；
图7是本申请实施例提供的一种单体分割结果示意图；
图8是本申请实施例提供的一种平面检测结果示意图；
图9是本申请实施例提供的一种平面匹配原理示意图；
图10是本申请实施例提供的一种二维表原理示意图；
图11是本申请实施例提供的一种偏差处理结果示意图；
图12是本申请实施例提供的一种点云配准装置的结构示意图；
图13是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述设计附图时，除非另有表示，不同附图中的相同数字表示相同的或相似的要素。以下示例性实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为了解决上述提到的现有技术对所述ALS点云和倾斜摄影点云进行配准处理时，存在的准确率不高，计算复杂度大的问题，特提出了一种人脸关键点生成方法，本申请实施例方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系且安装有摄像头或可旋转摄像头的计算机系统上。该计算机系统可以是智能手机、笔记本电脑、平板电脑等设备的计算机系统。
本申请实施例可以应用于无线通信系统，需要说明的是，本申请实施例提及的无线通信系统包括但不限于第四代移动通信(4th generation mobile networks，4G)移动通信系统以及下一代移动通信系统的三大应用场景增强型移动宽带(Enhanced MobileBroad Band，eMBB)、URLLC以及大规模机器通信(Massive Machine-Type Communications，mMTC)。
图1为本申请提供的一种通信系统架构示意图。
请参见图1，通信系统01包括采集设备101、被测物体102、网络设备103、服务器设备104；当通信系统01包括核心网时，该网络设备103还可以与核心网相连。网络设备103还可以与互联网协议(Internet Protocol，IP)网络200进行通信，例如，因特网(internet)，私有的IP网，或其它数据网等。网络设备103为覆盖范围内的采集设备101和服务器设备104提供服务。例如，参见图1，网络设备103为网络设备103覆盖范围内的采集设备101和服务器设备104提供无线接入。
采集设备101可以是用于进行ALS点云采集和进行倾斜摄影的设备，包括但不限于携带LiDAR传感器和倾斜摄影相机的无人机等飞行器，该采集设备101可以经无线接入网(Radio Access Network，RAN)与一个或多个核心网进行通信。被测物体102包括学校、公寓等建筑物和道路等可以用来进行测量采集点云的物体。服务器设备104可以是存储本申请方法的各种服务器等携带计算机系统的设备。
在下述方法实施例中，为了便于说明，仅以各步骤的执行主体为计算机进行介绍说明。
下面将结合附图2至图3，对本申请实施例提供的点云配准方法进行详细介绍。
请参见图2，为本申请实施例提供了一种点云配准方法的流程示意图。所述方法可以包括以下步骤：
S201、获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云。
一般的，空载激光扫描(Aerial Laser Scanning，ALS)是一种主动的，快速获取地球及表面三维信息和反射率信息的数据采集技术,从ALS点云中自动提取地形信息和建筑物信息一直是ALS点云处理的重点和难点。倾斜摄影是国际摄影测量领域近十几年发展起来的一项高新技术，该技术通过从一个垂直、四个倾斜、五个不同的视角同步采集影像，获取到丰富的建筑物顶面及侧视的高分辨率纹理，它不仅能够真实地反映地物情况，高精度地获取物方纹理信息，还可通过先进的定位、融合、建模等技术，生成真实的三维城市模型。计算机首先获取相机在预设的相机参数下采集的倾斜摄影图片，确定所述倾斜摄影图片中的匹配特征点对，根据所述匹配特征点对计算本征矩阵，通过所述本征矩阵确定映射矩阵，基于所述映射矩阵生成倾斜摄影点云，然后计算机获取采集设备采集的目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，或者使用开源数据。其中，ALS点云和倾斜摄影点云必须包含有重叠区域。除非数据源有地理坐标参照，否则任何方法都无法对不包含重叠区域的数据配准；ALS点云必须为城区，具有可检测的规则平面。更具体的为重叠区域有不止一个可检测的规则平面，本实施例方法基于两个异源点云各自检测出的规则平面进行配准，所以两个点云中都至少必须检测及匹配出三个及以上对应的平面方能实现配准；倾斜摄影必须满足倾斜摄影建模要求。
S202、对所述ALS点云进行平面提取得到n个第一平面对象。
一般的，计算机对所述ALS点云进行处理得到平面投影信息，根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息，基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息，基于所述第二分割平面信息提取立面点信息。然后计算机根据所述立面点信息计算欧式距离，基于所述欧式距离对所述ALS点云进行聚类处理得到聚类结果，对所述聚类结果进行植被去除处理得到单体点云数据。最后计算机基于所述单体点云数据进行平面拟合处理确定拟合平面，对所述拟合平面进行平面融合处理得到融合结果，根据所述融合结果得到n个第一平面对象，其中，n为大于或等于3的整数。
S203、对所述倾斜摄影点云进行平面提取得到m个第二平面对象。
一般的，计算机对所述倾斜摄影点云进行处理得到平面投影信息，根据所述平面投影信息对所述倾斜摄影点云进行分割处理得到第三分割平面信息，基于所述第三分割平面信息对分割后的倾斜摄影点云进行图像掩膜处理得到第四分割平面信息，基于所述第四分割平面信息提取立面点信息。然后计算机根据所述立面点信息计算欧式距离，基于所述欧式距离对所述倾斜摄影点云进行聚类处理得到聚类结果，对所述聚类结果进行植被去除处理得到单体点云数据。最后计算机基于所述单体点云数据进行平面拟合处理确定拟合平面，对所述拟合平面进行平面融合处理得到融合结果，根据所述融合结果得到m个第二平面对象，其中，m为大于或等于3的整数。
S204、对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组。
一般的，计算机确定与第一平面对象j相邻的Kj个邻居平面对象，其中，j＝1、2、…、n，计算所述第一平面对象j和各个邻居平面对象之间的空间关系向量得到Kj个空间关系向量，其中，空间关系向量包括位置信息、朝向信息和尺度信息，将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征。然后计算机计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征，根据所述n个周围分布特征和所述m个周围分布特征中两两计算得到的相似性系数确定k个匹配平面对象组。其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数。
S205、根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。
一般的，计算机在所述k个匹配平面对象组中确定第一平面对象，基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个第一平面对象的法向量，i＝1、2、…、k，
表示对应的第二平面对象的法向量，<>表示求向量夹角，α是一个角度调整系数，p'i表示对齐平面的中心点，pi表示第i个第一平面对象，Dis()表示求所述中心点到所述第二平面对象的距离，根据所述相似变换矩阵确定空间变换信息。在一个实施例中，计算机在所述k个匹配平面对象组中确定第二平面对象，则对应的另一平面对象即为第一平面对象，然后基于所述第二平面对象可根据同样公式来计算相似变换矩阵。
由上述内容可知，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。本申请实施例通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准。
请参见图3，为本申请实施例提供了一种点云配准方法的另一流程示意图。该点云配准方法可以包括以下步骤：
S301、获取相机在预设的相机参数下采集的倾斜摄影图片，确定所述倾斜摄影图片中的匹配特征点对，根据所述匹配特征点对计算本征矩阵。
一般的，三维重建技术(Structure from Motion，SFM)是指从一系列包含视觉运动信息的多幅二维图像序列中估计三维结构的技术。匹配特征点对是指经过特征匹配计算出的相匹配的对应点。本征矩阵包含空间中左右两个相机的旋转和平移信息，描述了左右相机间的位姿关系，但不包括相机本身的任何信息。首先计算机通过对相机进行标定获取相机内参，获取相机在预设的相机参数下采集的倾斜摄影图片，并按序号进行保存，对相邻图片两两计算匹配特征点对，一般首先使用两张图片进行重建，计算出一个初始的点云，之后不断添加后续的图片，具体添加哪一张图片的方法是：检查已有的图片中哪一个与已有点云中的点匹配最多，就选哪一张。然后计算机使用上述记录的所述匹配特征点对计算基础矩阵，基础矩阵不仅包含左右相机间的位姿关系，还包含了相机的内部参数，将左右两个像素坐标系关联起来。最后计算机通过基础矩阵计算出本征矩阵。
S302、通过所述本征矩阵确定映射矩阵，基于所述映射矩阵生成倾斜摄影点云。
一般的，计算机根据所述匹配特征点对计算本征矩阵后，通过本征矩阵计算多个视角之间的运动关系，基于所述运动关系确定映射矩阵，最后，将二维的倾斜摄影图片上的像素点映射到三维空间生成倾斜摄影点云。
S303、获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云。
一般的，计算机生成倾斜摄影点云后，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，其中，ALS点云和倾斜摄影点云必须包含有重叠区域。除非数据源有地理坐标参照，否则任何方法都无法对不包含重叠区域的数据配准；ALS点云必须为城区，具有可检测的规则平面。更具体的为重叠区域有不止一个可检测的规则平面，本实施例方法基于两个异源点云各自检测出的规则平面进行配准，所以两个点云中都至少必须检测及匹配出三个及以上对应的平面方能实现配准；倾斜摄影必须满足倾斜摄影建模要求，因为本申请实施例使用的方法为借助倾斜摄影点云与ALS点云的配准以实现影像与ALS点云的配准，所以光学影像必须满足可建模的条件，比如重叠度必须满足要求，光线条件不能太亮、太暗，建模地区的纹理不能太单一等，如图4所示，图中左下角为ALS点云，右上角为倾斜摄影点云，两个异源点云除了平移与旋转外，还可能存在缩放，二者之间是一个非刚性的变换。
S304、对所述ALS点云进行处理得到平面投影信息，根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息。
一般的，计算机获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云后，对所述ALS点云进行平面提取得到n个第一平面对象，包括：立面点提取、单体分割和平面检测。为了在ALS点云与倾斜摄影点云中分别提取规则平面，例如：墙面和隧道垂直平面等，这些规则平面对象相当于广义上的关键点，从而方便后续对平面对象进行描述以及对应关系匹配，首先计算机对所述ALS点云进行处理得到平面投影信息，然后根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息，目的是去除障碍物影响，为后续准确提取立面点信息做准备，如图5所示，图中左边为根据密度投影后得到的平面投影，右图为进行阈值分割处理后的第一分割平面。
S305、基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息，基于所述第二分割平面信息提取立面点信息。
一般的，掩膜处理是指用选定的图像、图形或物体，对待处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程，主要作用包括：提取感兴趣区域、屏蔽作用、结构特征提取和特殊形状图像的制作等。计算机得到第一分割平面信息后，基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息，这样进一步的去除了噪声有助于准确提取立面点信息，最后基于所述第二分割平面信息提取立面点信息。例如：计算机基于第二分割平面信息，在第二平面中确定出编号为3的线上的点(25,77)和(25,128)，然后在ALS点云中获取与所述编号3的线的横纵坐标相同的立面点信息为(25,77,33)、(25,77,76)、(25,128,58)和(25,128,555)等。
S306、根据所述立面点信息计算欧式距离，基于所述欧式距离对所述ALS点云进行聚类处理得到聚类结果。
一般的，欧式距离是最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，一般在机器学习模型中会涉及到衡量两个样本间的距离，例如：聚类算法、KNN算法，K-means算法等，使用的距离为欧式距离。计算机提取立面点信息后，然后通过K维树(KD-Tree)近邻域搜索算法统计所述ALS点云中到所述立面点的欧氏距离小于预设阈值的便聚类到一起，例如：预设阈值为3米，计算所述ALS点云中a点到所述立面点(58,96,154)的欧氏距离为2米，b点到所述立面点的欧氏距离为2米，c点到所述立面点的欧氏距离为5米，则确定a、b两点为所述立面点(58,96,154)的聚类结果，如图6所示，表示对所述ALS点云进行聚类处理得到聚类结果，将所述ALS点云分为不同聚类集合。
S307、对所述聚类结果进行植被去除处理得到单体点云数据，基于所述单体点云数据进行平面拟合处理确定拟合平面。
一般的，计算机得到聚类结果后，对所述聚类结果进行植被去除处理得到单体点云数据，例如：本申请实施例是为了提取垂直平面，单体点云中的垂直平面点云和植被点云等存在几何特征上的差异，根据这些差异基于聚类结果计算各个单体点云的规则性系数，将不满足预设条件的单体点云去除，得到单体点云数据，然后基于随机抽样一致(RandomSample Consensus，RANSAC)算法进行点云平面拟合确定拟合平面，重复执行直至没有足够大的平面，因此最后得到的拟合平面个数小于或等于得到的单体点云个数，如图7所示，图中左边为进行欧式聚类后得到的聚类结果，右边为去植被单体处理后得到的单体点云数据。如图8所示，为基于所述单体点云数据进行平面拟合处理得到的拟合平面，将拟合平面的中心点用圈进行标记。
S308、对所述拟合平面进行平面融合处理得到融合结果，根据所述融合结果得到n个第一平面对象。
一般的，计算机确定拟合平面后，对所述拟合平面进行平面融合处理得到融合结果，例如：确定9个拟合平面，计算1号拟合平面和3号拟合平面平行且距离为0.2米，2号拟合平面和8号拟合平面平行且距离为0.1米，设置融合阈值为0.3米，则将9个拟合平面进行平面融合处理得到融合结果为7个第一平面对象。
S309、对所述倾斜摄影点云进行平面提取得到m个第二平面对象。
一般的，计算机对所述倾斜摄影点云进行处理得到平面投影信息，根据所述平面投影信息对所述倾斜摄影点云进行分割处理得到第三分割平面信息，基于所述第三分割平面信息对分割后的倾斜摄影点云进行图像掩膜处理得到第四分割平面信息，基于所述第四分割平面信息提取立面点信息。然后计算机根据所述立面点信息计算欧式距离，基于所述欧式距离对所述倾斜摄影点云进行聚类处理得到聚类结果，对所述聚类结果进行植被去除处理得到单体点云数据。最后计算机基于所述单体点云数据进行平面拟合处理确定拟合平面，对所述拟合平面进行平面融合处理得到融合结果，根据所述融合结果得到m个第二平面对象，其中，m为大于或等于3的整数。
S310、确定与第一平面对象j相邻的Kj个邻居平面对象，计算所述第一平面对象j和各个邻居平面对象之间的空间关系向量得到Kj个空间关系向量。
一般的，所述空间关系向量包括位置信息、朝向信息和尺度信息。计算机得到m个第二平面对象后，在n个第一平面对象中确定一个第一平面对象j，在一定范围内确定与j相邻的Kj个邻居平面对象，获取所述Kj个邻居平面对象相对于j的位置信息、朝向信息和尺度信息，例如：位置信息用距离为5米表示，朝向信息用角度70度表示，尺度信息通过自身拟合平面的顶点坐标计算出的面积来表示为5平方米，再计算出所述空间关系向量
计算出Kj个空间关系向量。
S311、将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征。
一般的，计算机得到Kj个空间关系向量后，将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征
如图9所示，假源(src)点云和目标(dest)点云(即ALS点云和倾斜摄影点云)中有两个平面A和B是对应的，它们周边其它对象的分布情况应该是相似的，即src点云中A平面在某方向上某个距离处有个多大的平面对象A1，则在对应的dest点云中B平面的同一方向同一距离处应该有同样朝向同样大小的平面B1，这种相似的周边分布出现越多，则A、B为对应平面的可能性就越高。
S312、计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征。
一般的，计算机得到所述第一平面对象j的周围分布特征后，使用同样的方法计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征。
S313、根据所述n个周围分布特征和所述m个周围分布特征中两两计算得到的相似性系数确定k个匹配平面对象组。
一般的，计算机得到m个周围分布特征后，根据所述n个周围分布特征和所述m个周围分布特征中进行两两计算，得到相似性系数，对ALS点云中提取的每一个平面1～n与倾斜摄影点云中提取的1～m，任意两个可以计算出相似性系数构成二维表，如图10所示，FPhoto表示ALS点云的周围分布特征，FLiDAR倾斜摄影点云的周围分布特征，sim(m,n)表示计算的相似性系数，在每一行中找到相似性系数最大的元素即为一个匹配，如果某行对应的列已经与另一行匹配，比较这两个相似性系数，更大的作为最佳的匹配保留，另一个则继续查找本行第二大的相似性系数，以此类推，去相似性系数排序靠前的几个匹配，从第一个匹配取到相似性系数值低于0.1倍的最大相似性系数值的匹配，例如：通过查找表，确定1号第一平面对象与3号第二平面对象匹配，确定2号第一平面对象与7号第二平面对象匹配，确定3号第一平面对象与1号第二平面对象匹配等，确定9个匹配平面对象组。其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数。
S314、在所述k个匹配平面对象组中确定第一平面对象，基于所述第一平面对象可根据公式来计算相似变换矩阵。
一般的，计算机确定k个匹配平面对象组后，在所述k个匹配平面对象组中确定一个第一平面对象或第二平面对象作为参考平面，则对应的第二平面对象或第一平面对象作为对齐平面，然后基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个参考平面的法向量，i＝1、2、…、k，
表示对应的对齐平面的法向量，<>表示求向量夹角，α是一个角度调整系数，pi'表示对齐平面的中心点，pi表示第i个参考平面，Dis()表示求所述中心点到所述对齐平面的距离。
S315、根据所述相似变换矩阵确定空间变换信息。
一般的，计算机计算相似变换矩阵后，可以通过所述相似变换矩阵或者逆矩阵确定所述ALS点云和所述倾斜摄影点云的空间变换信息，因为提取的平面对象均为垂直平面，所以直接对齐平面会残留z坐标轴方向的偏差，最后还需要校正z坐标轴方向的偏差，直接调整相似变换矩阵的平移量使得对应平面中心点最近，如图11所示，图中左边表示对齐后倾斜视角的所述ALS点云和所述倾斜摄影点云，右边表示对齐后俯视视角的所述ALS点云和所述倾斜摄影点云。
本申请实施例的方案在执行时，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。本申请实施例通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图12，其示出了本申请一个示例性实施例提供的点云配准装置的结构示意图，以下简称配准装置12。配准装置12可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。包括：
获取模块1201，用于获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
第一提取模块1202，用于对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
第二提取模块1203，用于对所述倾斜摄影点云进行平面提取得到m个第二平面对象；其中，m为大于或等于3的整数；
配准模块1204，用于对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
确定模块1205，用于根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。
可选地，所述获取模块1201，还包括：
生成单元，用于获取相机在预设的相机参数下采集的倾斜摄影图片；确定所述倾斜摄影图片中的匹配特征点对；根据所述匹配特征点对计算本征矩阵；通过所述本征矩阵确定映射矩阵；基于所述映射矩阵生成倾斜摄影点云。
可选地，所述第一提取模块1202，还包括：
检测单元，用于提取所述ALS点云的立面点信息；基于所述立面点信息对所述ALS点云进行单体分割得到单体点云数据；根据所述单体点云数据对所述ALS点云进行平面检测得到n个第一平面对象。
分割单元，用于对所述ALS点云进行处理得到平面投影信息；根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息；基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息；基于所述第二分割平面信息提取立面点信息。
聚类单元，用于根据所述立面点信息计算欧式距离；基于所述欧式距离对所述ALS点云进行聚类处理得到聚类结果；对所述聚类结果进行植被去除处理得到单体点云数据。
融合单元，用于基于所述单体点云数据进行平面拟合处理确定拟合平面；对所述拟合平面进行平面融合处理得到融合结果；根据所述融合结果得到n个第一平面对象。
可选地，所述配准模块1204，还包括：
计算单元，用于计算所述n个第一平面对象中各个第一平面对象的周围分布特征得到n个周围分布特征；计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征；根据所述n个周围分布特征和所述m个周围分布特征中两两计算得到的相似性系数确定k个匹配平面对象组。
叠加单元，用于确定与第一平面对象j相邻的Kj个邻居平面对象；其中，j＝1、2、…、n；计算所述第一平面对象j和各个邻居平面对象之间的空间关系向量得到Kj个空间关系向量；其中，空间关系向量包括位置信息、朝向信息和尺度信息；将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征。
可选地，所述确定模块1205，还包括：
求解单元，用于在所述k个匹配平面对象组中确定第一平面对象；基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个第一平面对象的法向量，i＝1、2、…、k，
表示对应的第二平面对象的法向量，<>表示求向量夹角，α是一个角度调整系数，pi'表示第二平面对象的中心点，pi表示第i个第一平面对象，Dis()表示求所述中心点到所述第二平面对象的距离；根据所述相似变换矩阵确定空间变换信息。
本申请实施例和图2至图3的方法实施例基于同一构思，其带来的技术效果也相同，具体过程可参照图2至图3的方法实施例的描述，此处不再赘述。
所述装置12可以为实现相关功能的现场可编程门阵列(field-programmablegate array，FPGA)，专用集成芯片，系统芯片(system on chip，SoC)，中央处理器(centralprocessor unit，CPU)，网络处理器(network processor，NP)，数字信号处理电路，微控制器(micro controller unit，MCU)，还可以采用可编程控制器(programmable logicdevice，PLD)或其他集成芯片。
本申请实施例的方案在执行时，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。本申请实施例通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述的方法步骤，具体执行过程可以参见图2或图3所示实施例的具体说明，在此不进行赘述。
本申请还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的模板的控制方法。
请参见图13，为本申请实施例提供了一种电子设备的结构示意图。如图13所示，所述电子设备13可以包括：至少一个处理器1301，至少一个网络接口1304，用户接口1303，存储器1305，至少一个通信总线1302。
其中，通信总线1302用于实现这些组件之间的连接通信。
其中，用户接口1303可以包括激光雷达(Space Based Radar，SBR)、摄像头(Camera)，可选用户接口1303还可以包括标准的有线接口、无线接口。
其中，网络接口1304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1301可以包括一个或者多个处理核心。处理器1301利用各种借口和线路连接整个终端1300内的各个部分，通过运行或执行存储在存储器1305内的指令、程序、代码集或指令集，以及调用存储在存储器1305内的数据，执行终端1300的各种功能和处理数据。可选的，处理器1301可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1301可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1301中，单独通过一块芯片进行实现。
其中，存储器1305可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1305可用于存储指令、程序、代码、代码集或指令集。存储器1305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1305可选的还可以是至少一个位于远离前述处理器1301的存储装置。如图13所示，作为一种计算机存储介质的存储器1305中可以包括操作系统、网络通信模块、用户接口模块以及点云配准应用程序。
在图13所示的电子设备1300中，用户接口1303主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1301可以用于调用存储器1305中存储的点云配准应用程序，并具体执行以下操作：
获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
对所述倾斜摄影点云进行平面提取得到m个第二平面对象；其中，m为大于或等于3的整数；
对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
根据各个匹配平面对象组内第一平面对象和第二平面对象之间的对应关系确定空间变换信息。
在一个实施例中，处理器1301执行所述获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云之前，还包括：
获取相机在预设的相机参数下采集的倾斜摄影图片；
确定所述倾斜摄影图片中的匹配特征点对；
根据所述匹配特征点对计算本征矩阵；
通过所述本征矩阵确定映射矩阵；
基于所述映射矩阵生成倾斜摄影点云。
在一个实施例中，处理器1301执行所述对所述ALS点云进行平面提取得到n个第一平面对象，包括：
提取所述ALS点云的立面点信息；
基于所述立面点信息对所述ALS点云进行单体分割得到单体点云数据；
根据所述单体点云数据对所述ALS点云进行平面检测得到n个第一平面对象。
在一个实施例中，处理器1301执行所述提取所述ALS点云的立面点信息，包括：
对所述ALS点云进行处理得到平面投影信息；
根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息；
基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息；
基于所述第二分割平面信息提取立面点信息。
在一个实施例中，处理器1301执行所述基于所述立面点信息对所述ALS点云进行单体分割得到单体点云数据，包括：
根据所述立面点信息计算欧式距离；
基于所述欧式距离对所述ALS点云进行聚类处理得到聚类结果；
对所述聚类结果进行植被去除处理得到单体点云数据。
在一个实施例中，处理器1301执行所述根据所述单体点云数据对所述ALS点云进行平面检测得到n个第一平面对象，包括：
基于所述单体点云数据进行平面拟合处理确定拟合平面；
对所述拟合平面进行平面融合处理得到融合结果；
根据所述融合结果得到n个第一平面对象。
在一个实施例中，处理器1301执行所述对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，包括：
计算所述n个第一平面对象中各个第一平面对象的周围分布特征得到n个周围分布特征；
计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征；
根据所述n个周围分布特征和所述m个周围分布特征中两两计算得到的相似性系数确定k个匹配平面对象组。
在一个实施例中，处理器1301执行所述计算所述n个第一平面对象中各个第一平面对象的周围分布特征得到n个周围分布特征，包括：
确定与第一平面对象j相邻的Kj个邻居平面对象；其中，j＝1、2、…、n；
计算所述第一平面对象j和各个邻居平面对象之间的空间关系向量得到Kj个空间关系向量；其中，空间关系向量包括位置信息、朝向信息和尺度信息；
将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征。
在一个实施例中，处理器1301执行所述根据各个匹配平面对象组内第一平面对象和第二平面对象之间的空间变换关系确定空间变换信息，包括：
在所述k个匹配平面对象组中确定第一平面对象；
基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个第一平面对象的法向量，i＝1、2、…、k，
表示对应的第二平面对象的法向量，<>表示求向量夹角，α是一个角度调整系数，pi'表示第二平面对象的中心点，pi表示第i个第一平面对象，Dis()表示求所述中心点到所述第二平面对象的距离；
根据所述相似变换矩阵确定空间变换信息。
本申请实施例的技术构思和图2或图3的技术构思相同，具体过程可参照图2或图3的方法实施例，此处不再赘述。
在本申请实施例中，获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云，对所述ALS点云进行平面提取得到n个第一平面对象，对所述倾斜摄影点云进行平面提取得到m个第二平面对象，对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，根据各个匹配平面对象组内第一平面对象和第二平面对象之间的空间变换关系确定空间变换信息。本申请实施例通过提出或改进现有配准算法，实现ALS点云与倾斜摄影点云之间较快速精确的配准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (9)
1.一种点云配准方法，其特征在于，所述方法包括：
获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
对所述倾斜摄影点云进行平面提取得到m个第二平面对象；其中，m为大于或等于3的整数，所述第一平面对象和所述第二平面对象为垂直平面，且不包含植被；
对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
在所述k个匹配平面对象组中确定一个第一平面对象作为参考平面，则对应的第二平面对象作为对齐平面，然后基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个第一平面对象的法向量，i＝1、2、…、k，
表示对应的第二平面对象的法向量，<>表示求向量夹角，α是一个角度调整系数，pi'表示第二平面对象的中心点，pi表示第i个第一平面对象，Dis()表示求所述中心点到所述第二平面对象的距离；
调整所述相似变换矩阵的平移量，以对所述对齐平面的z坐标轴方向的偏差进行校正；
根据调整后的所述相似变换矩阵确定所述ALS点云和所述倾斜摄影点云的空间变换信息。
2.根据权利要求1所述方法，其特征在于，所述获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云之前，还包括：
获取相机在预设的相机参数下采集的倾斜摄影图片；
确定所述倾斜摄影图片中的匹配特征点对；
根据所述匹配特征点对计算本征矩阵；
通过所述本征矩阵确定映射矩阵；
基于所述映射矩阵生成倾斜摄影点云。
3.根据权利要求1所述方法，其特征在于，所述对所述ALS点云进行平面提取得到n个第一平面对象，包括：
提取所述ALS点云的立面点信息；
基于所述立面点信息对所述ALS点云进行单体分割得到单体点云数据；
根据所述单体点云数据对所述ALS点云进行平面检测得到n个第一平面对象。
4.根据权利要求3所述方法，其特征在于，所述提取所述ALS点云的立面点信息，包括：
对所述ALS点云进行处理得到平面投影信息；
根据所述平面投影信息对所述ALS点云进行分割处理得到第一分割平面信息；
基于所述第一分割平面信息对分割后的ALS点云进行图像掩膜处理得到第二分割平面信息；
基于所述第二分割平面信息提取立面点信息。
5.根据权利要求1所述方法，其特征在于，所述对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组，包括：
计算所述n个第一平面对象中各个第一平面对象的周围分布特征得到n个周围分布特征；
计算m个第二平面对象中各个第二平面对象的周围分布特征得到m个周围分布特征；
根据所述n个周围分布特征和所述m个周围分布特征中两两计算得到的相似性系数确定k个匹配平面对象组。
6.根据权利要求5所述方法，其特征在于，所述计算所述n个第一平面对象中各个第一平面对象的周围分布特征得到n个周围分布特征，包括：
确定与第一平面对象j相邻的Kj个邻居平面对象；其中，j＝1、2、…、n；
计算所述第一平面对象j和各个邻居平面对象之间的空间关系向量得到Kj个空间关系向量；其中，空间关系向量包括位置信息、朝向信息和尺度信息；
将Kj个空间关系向量进行叠加得到所述第一平面对象j的周围分布特征。
7.一种点云配准装置，其特征在于，包括：
获取模块，用于获取目标区域对应的空载激光扫描ALS点云和倾斜摄影点云；
第一提取模块，用于对所述ALS点云进行平面提取得到n个第一平面对象；其中，n为大于或等于3的整数；
第二提取模块，用于对所述倾斜摄影点云进行平面提取得到m个第二平面对象，所述第一平面对象和所述第二平面对象为垂直平面，且不包含植被；其中，m为大于或等于3的整数；
配准模块，用于对所述n个第一平面对象和所述m个第二平面对象进行配准处理得到k个匹配平面对象组；其中，各个匹配平面对象组包含一个第一平面对象和一个第二平面对象，k为大于2且小于或等于n和m中的最小值，k为整数；
确定模块，用于在所述k个匹配平面对象组中确定一个第一平面对象作为参考平面，则对应的第二平面对象作为对齐平面，然后基于所述第一平面对象可根据如下公式来计算相似变换矩阵：
其中，Ts表示在J取最小值时的所述相似变换矩阵，J表示成本函数成本估计系数，
表示第i个第一平面对象的法向量，i＝1、2、…、k，
表示对应的第二平面对象的法向量，<>表示求向量夹角，α是一个角度调整系数，pi'表示第二平面对象的中心点，pi表示第i个第一平面对象，Dis()表示求所述中心点到所述第二平面对象的距离；调整所述相似变换矩阵的平移量，以对所述对齐平面的z坐标轴方向的偏差进行校正；根据调整后的所述相似变换矩阵确定所述ALS点云和所述倾斜摄影点云的空间变换信息。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～6任意一项的方法步骤。
9.一种电子设备，其特征在于，包括：存储器和处理器；其中，所述存储器存储有计算机程序，所述计算机程序适用于由所述处理器加载并执行如权利要求1～6任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463287.3A CN112489099B (zh) | 2020-12-11 | 2020-12-11 | 点云配准方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463287.3A CN112489099B (zh) | 2020-12-11 | 2020-12-11 | 点云配准方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112489099A CN112489099A (zh) | 2021-03-12 |
| CN112489099B true CN112489099B (zh) | 2023-01-20 |
Family
ID=74916847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011463287.3A Active CN112489099B (zh) | 2020-12-11 | 2020-12-11 | 点云配准方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112489099B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862874B (zh) * | 2021-04-23 | 2021-07-13 | 腾讯科技（深圳）有限公司 | 点云数据匹配方法、装置、电子设备及计算机存储介质 |
| CN113344983B (zh) * | 2021-05-19 | 2023-10-31 | 香港理工大学深圳研究院 | 一种基于平面点云分割的多点云配准方法 |
| CN113408635B (zh) * | 2021-06-29 | 2022-03-08 | 哈尔滨工业大学 | 基于数字表面模型辅助的高光谱图像本征分解方法 |
| CN114758087B (zh) * | 2022-06-16 | 2022-09-02 | 盈嘉互联（北京）科技有限公司 | 一种城市信息模型的构建方法及装置 |
| CN117079166B (zh) * | 2023-10-12 | 2024-02-02 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
| CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
| CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
| CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
| CN111915517A (zh) * | 2020-07-23 | 2020-11-10 | 同济大学 | 一种适用于室内光照不利环境下rgb-d相机全局定位方法 |
| CN112017227A (zh) * | 2020-08-27 | 2020-12-01 | 上海交通建设总承包有限公司 | 点云融合生成的地形模型与潮汐数据混合可视化的方法 |
-
2020
- 2020-12-11 CN CN202011463287.3A patent/CN112489099B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295239A (zh) * | 2013-06-07 | 2013-09-11 | 北京建筑工程学院 | 一种基于平面基准影像的激光点云数据的自动配准方法 |
| CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
| CN110221311A (zh) * | 2019-06-11 | 2019-09-10 | 南京林业大学 | 基于tls和uav自动化提取高郁闭林分树高的方法 |
| CN110443836A (zh) * | 2019-06-24 | 2019-11-12 | 中国人民解放军战略支援部队信息工程大学 | 一种基于平面特征的点云数据自动配准方法及装置 |
| CN111915517A (zh) * | 2020-07-23 | 2020-11-10 | 同济大学 | 一种适用于室内光照不利环境下rgb-d相机全局定位方法 |
| CN112017227A (zh) * | 2020-08-27 | 2020-12-01 | 上海交通建设总承包有限公司 | 点云融合生成的地形模型与潮汐数据混合可视化的方法 |
Non-Patent Citations (3)
| Title |
|---|
| UAV Photogrammetry-Based 3D Road Distress Detection;Yumin Tan 等;《International Journal of Geo-Information》;20190912;第1-24页 * |
| 倾斜摄影与地面激光点云融合精细化建模研究;李策等;《现代矿业》;20190525(第05期);全文 * |
| 多源点云数据融合的建筑物精细化建模;王树臻 等;《测绘通报》;20200831;第28-32页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112489099A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112489099B (zh) | 点云配准方法、装置、存储介质及电子设备 | |
| US11928800B2 (en) | Image coordinate system transformation method and apparatus, device, and storage medium | |
| CN108764048B (zh) | 人脸关键点检测方法及装置 | |
| US11321937B1 (en) | Visual localization method and apparatus based on semantic error image | |
| CN107833280B (zh) | 一种基于地理网格与图像识别相结合的户外移动增强现实方法 | |
| CN113592989B (zh) | 一种三维场景的重建系统、方法、设备及存储介质 | |
| US10043097B2 (en) | Image abstraction system | |
| CN103839277A (zh) | 一种户外大范围自然场景的移动增强现实注册方法 | |
| Condorelli et al. | A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images | |
| CN114758337A (zh) | 一种语义实例重建方法、装置、设备及介质 | |
| CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
| GB2534903A (en) | Method and apparatus for processing signal data | |
| CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
| CN112802208B (zh) | 一种航站楼内三维可视化方法及装置 | |
| CN113902802A (zh) | 视觉定位方法及相关装置、电子设备和存储介质 | |
| Xinmei et al. | Passive measurement method of tree height and crown diameter using a smartphone | |
| CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
| CN113240736A (zh) | 基于yolo6d改进网络的位姿估计方法及装置 | |
| CN112733641A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
| CN115375857A (zh) | 三维场景重建方法、装置、设备及存储介质 | |
| CN115830135A (zh) | 一种图像处理方法、装置及电子设备 | |
| WO2023241372A1 (zh) | 相机内参标定方法及相关设备 | |
| CN115578432B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN117470246A (zh) | 路径规划方法、装置、存储介质及电子设备 | |
| CN116823966A (zh) | 相机的内参标定方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |