地面LiDAR点云数据配准与影像融合方法研究

摘要

针对扫描点云由于遮挡或者扫描仪在某些地方无法设站等产生点云空洞或点云不完整的问题,在深入分析点云数据和摄影测量技术原理和特点的基础上,围绕点云配准和摄影测量辅助的点云空洞修补问题,重点探讨了基于改进算法的传统点云数据精确配准和影像生成的点集与扫描点云的融合问题。在对点云进行预处理的基础上,利用点云所含的内在几何属性,提出了基于曲率序列的配准算法以及基于邻域点集各维“能量强度”的配准算法。将配准的点云作为源点云,分析点云空洞部分,拍摄空洞处多张重叠影像,通过 SfM算法原理生成特定对象的三维点集,将源点云与该三维点集进行融合,填补空洞,获取完整点云,基于Geomagic完成对象建模。最后,基于点的高斯曲率极值特性进行基于特征的数据压缩。论文主要工作及结论为:
　　1.对点云获取及预处理过程进行详细分析,针对扫描点云不可避免的会引入噪声的问题,重点研究点云去噪算法,并针对实际地形扫描点云利用逐级最小二乘拟合算法进行去噪,证明了该算法具有一定的可行性和较高的精度;研究点云中任一点处法向量求取算法,并对各算法的效率和精度进行比较;由于邻域取值对点云后续处理有较大的影响,研究邻域大小与曲率的关系,得到两者关系曲线。
　　2.对经典配准算法进行深入研究,针对其效率和精度问题,提出了基于Delaunay剖分以及基于曲率加权改进算法,并测试了算法性能;在坐标转换过程中,引入了随机抽样一致性(RANSAC)算法剔除误匹配点,实验表明,该算法可以提高结果的精确度;基于上述算法,针对实际点云,提出了基于曲率和基于协方差特征值的点云自动化配准算法,实例验证表明,该算法可以获得较好的效果,具有较高的精度和鲁棒性。
　　3.为了修补三维激光扫描点云中的复杂空洞,采用基于摄影测量的方法。针对非专业相机拍摄的多张重叠影像生成三维点集问题,研究了根据运动生成结构(SfM)的摄影测量算法理论,基于多步程序及改进算法生成摄影测量坐标系下的三维点集;针对扫描点云空洞和由于无法设站导致某站点云缺失的问题,利用生成的三维点集基于三维尺度因子迭代算法填补该空洞或者完成缺失站对应点云的匹配拼接,实验表明,将尺度因子分维迭代计算比直接基于标量尺度因子迭代计算获取融合结果的精度更高,效果更好。
　　4.针对海量点云的复杂性及部分冗余,研究了基于特征的点云压缩算法,利用基于高斯曲率极值算法提取候选特征点集,再通过相邻点法向量比较并剔除处于近似平面的点,通过实例验证,该方法可以准确提取点云部分几何特征,去除大量非特征点,大大压缩了数据量。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

图清单

表清单

变量注释表

1 绪论

1.1 研究背景及意义（Research Background and Significance）

1.2 国内外研究现状（Status of Research at Home and Aboard）

1.3 研究的主要内容及技术路线（Main Contents and Technical Routes）

1.4 本文结构安排（Organization）

2 地面三维激光扫描技术及点云数据处理算法

2.1 Trimble GX 200 三维激光扫描系统（ Trimble GX 200 3D Scanning System）

2.2 点云处理软件概述（ Overview of Point Cloud Processing Software）

2.3 地面三维激光扫描仪数据获取技术（ Data Acquisition Technique of Terrestrial 3D Laser Scanner）

2.4 点云数据预处理（Point Cloud Data Preprocessing）

2.5 点云配准（Point Cloud Registration）

2.6 本章小结（Summary）

3 点云自动配准研究

3.1 匹配步骤及相关算法（ Registration Steps and Related Algorithm）

3.2 点云配准经典算法——最近点迭代（ICP）算法（Classical Registration Algorithm——Iterative Closest Point(ICP) Algorithm）

3.3 Delaunay三角剖分（Delaunay Triangulation）

3.4 加权ICP算法（Weighted ICP Algorithm）

3.5 实验数据（Experimental Data）

3.6 基于曲率特征提取和匹配的点云配准算法（ Point Cloud Registration Algorithm Based on Extracting and Matching Curvature Feature Points）

3.7 协方差特征值在点云配准中的应用（ Applying Covariance Eigenvalue to Point Cloud Registration）

3.8 本章小结（Summary）

4 点云与影像融合技术

4.1 立体影像生成三维点集技术（Technique of Generating 3D Point Set from Stereo Images）

4.2 不同尺度点云匹配研究（Research on Point Cloud at Different Scales Registration）

4.3 实验分析（Experimental Analysis）

4.4 本章小结（Summary）

5 基于特征的点云压缩

5.1 基于高斯曲率极值的特征提取（Feature Extraction based on Gaussian Curvature Extremum）

5.2 基于法向量与基于高斯曲率极值的特征提取算法比较（ Comparison between The Algorithm Based on Gaussian Curvature Extremum and The Algorithm by Means of Normal Vector）

5.3 本章小结（Summary）

6 总结与展望

6.1 结论（Conclusion）

6.2 展望（Prospects）

参考文献

作者简历

学位论文数据集