一种基于多帧数据融合的点云平面分割方法

技术领域

本发明涉及点云平面分割领域，具体为一种基于多帧数据融合的点云平面分割方法。

背景技术

随着低成本深度相机和3D传感器在市场上的出现，能够直接获取三维点云数据的传感器已经成为各种机器人和计算机视觉应用的热门选择。在这之中，传感器采集到的三维数据的处理算法尤为重要。三维扫描数据的处理与分析作为自动驾驶、机器人等应用的关键环节，近年来在计算机视觉和深度学习领域受到越来越多的关注。

在无序的点云中检测平面是几个新兴领域的关键技术之一，比如自动驾驶汽车和机器人导航。它对于更传统的应用也是必不可少的，如逆向工程、相机标定、目标识别、三维重建、点云去噪、增强现实和点云分割等。由于点云本身就有噪声，不能提供场景的语义。因此利用原始三维点云数据进行简洁语义建模成为三维点云数据处理方面的热点问题。其中，平面是最重要的语义之一，因为人造建筑主要由平面组成。而包含数百万样本的数据集现在很常见，因此在点云中检测平面区域既需要对噪声的鲁棒性，又需要性能的可扩展性。对于逆向工程等应用，准确的重建也是一个关键方面。不幸的是，大多数可用的探测点云平面结构的技术要么对噪声敏感，要么计算昂贵。此外，大多数以前的技术使用的参数需要针对不同的数据集进行调优，这是不受欢迎的，而且很耗时。

另一方面，点云平面分割基本上处于起步阶段，仍然是一个开放的研究问题。它主要是由激光雷达点云处理驱动的，应用于自动驾驶汽车、自主机器人导航和环境地图，所有这些通常都需要实时处理。与计算机视觉中的传统三维数据相比，激光雷达点云在三维空间中不规则采样。3D数据的性质、对实时处理的需求以及安全保障(如自动驾驶汽车)所需的精度水平方面的这些差异，对三维点云数据的处理提出新的挑战。这些挑战促使我们寻找一个更合适的架构，考虑到激光雷达数据的独特特性，有效地解决平面分割问题，并尽可能的提高平面分割的准确率和速度。

点云中的平面检测技术已经得到了广泛的研究，大多数技术依照方法可以分为三类：基于霍夫变换的平面分割、基于随机抽样一致性(RANSAC)算法的平面分割和基于区域增长的平面分割。

霍夫变换常用于图像内直线检测，基于霍夫变换的平面分割是将传感器采集的原始三维点云数据转换到一些特征空间。将特征空间细分成一个个小立方体，记录每个立方体内有多少个映射到特征空间的三维点云。将点云最多的立方体代表的平面模型作为我们要估计的点云平面。但霍夫变换对点云中的噪声非常敏感，相对于其它方法，其分割速度也较慢。

RANSAC是另一种流行的多维数据形状检测技术，由于其简单性和鲁棒性被广泛运用到该领域。RANSAC算法首先随机选取计算平面模型需要的最小数量的点，用这些点集估计平面模型，并计算有多少点属于该平面模型，并将这些点作为局内点。重复这一操作，最后选出局内点最多的平面模型作为平面分割的结果。RANSAC算法对点云中的噪声具有较高的鲁棒性，但它需要对大量随机平面模型进行估计并分析，才能获得较好的结果，因此它的处理速度很慢，不适用于有数百万样本的点云。

区域增长算法在二维和2.5D图像应用中非常流行。然而，它们在无组织的点云中的应用仍然没有得到充分的体现。这主要是由于此类数据集的性质，其中包含闭塞、噪声和缺乏邻域信息。现有用于平面分割的区域增长算法利用激光雷达点云的法线和曲率等特征来实现，计算点云中所有点的曲率，选取曲率最小的点作为平面点，接着计算周围的邻近点与该点法线角度差值，小于阈值则将该点归属于当前平面，通过这样的方法不断扩大平面点集，得到最终估计的平面模型，但在点云稀疏的情况下，该算法的效果不够稳定。

上述三种方法对于稀疏点云中的平面检测效果很差，对于激光雷达点云数量较少或激光雷达距离平面较远的情况，很容易出现错误检测平面和漏检的问题。但现有高线数激光雷达的造价极高，民用领域大多使用便宜的16线激光雷达，因此针对稀疏激光雷达点云的高鲁棒性平面分割方法的研究对激光雷达的运用具有重要意义。

国内外提出过很多相关点云分割方法。霍夫变换进行点云分割需要耗费大量的计算机资源，其数据处理速度非常慢。RANSAC算法拟合的结果本身存在一定的不确定性，在数据量少的情况下，其准确率不高。基于区域增长的分割方法容易得到错误的分割结果，在参数设置不当的情况下，易出现过度分割和欠分割。上述算法在稀疏点云中的分割效果较差，主要适用于稠密点云分割。

发明内容

为解决上述技术问题，本发明提出了一种基于多帧数据融合的点云平面分割方法，考虑到现有算法难以检测稀疏点云内的平面，提出了基于正态分布变换(NormalDistribution Transformation,NDT)的数据融合方法，将稀疏点云变为稠密点云，便于实现平面分割。考虑到现有算法计算速度较慢的问题，提出利用多帧数据融合点云建立先验地图，再用先验地图中的平面与当前点云进行配准进行快速点云分割的方法，能够对稀疏点云进行较为准确的平面分割，并提高点云处理速度。

一种基于多帧数据融合的点云平面分割方法，具体步骤如下，其特征在于：

S1.16线激光雷达获取三维点云数据；

S2.对当前地图进行初始化，读取激光雷达前10帧的数据，利用点云配准算法，求出每1帧之间的位姿，将其它帧的点云转换到第1帧所在的坐标系中，得到稠密地图；步骤S2包括以下步骤：

S21.使用NDT算法进行点云配准；

S22.点云融合；

所述的步骤S21中,包括以下步骤：将点云划分为一个个立方体网格，计算每个网格的概率密度函数，根据概率密度函数信息估计两帧点云之间的位姿。

所述的步骤S22中,包括以下步骤：将后9帧点云转换到第一帧的地图中并保存；

S3.对稠密地图进行点云平面分割，将得到的点云平面信息保存在稠密地图中，作为先验地图；

步骤S3包括以下步骤：

S31.计算点云曲率；

所述的步骤S31中,包括以下步骤：使用PCA算法计算每个点的表面曲率；

S32.点云平面分割；

所述的步骤S22中,包括以下步骤：根据曲率大小，使用生长区域增长算法对稠密地图进行点云平面分割，将得到的点云平面信息保存在稠密地图中，作为先验地图；

S4.将当前帧点云与先验地图进行配对，估计当前帧的平面分割结果；

步骤S4包括以下步骤：

S41.当前帧与先验地图进行NDT配准，得到当前帧与先验地图的位姿；

S42.点云配对估计平面分割结果；

所述的步骤S42中,包括以下步骤：将当前帧点云转换到先验地图中，根据当前帧点云与先验地图中的平面模型的距离，估计当前帧的平面分割结果。

作为本发明进一步改进，所述NDT算法具体如下：

首先将用于配准的两帧数据网格化，将三维地图划分成一个个小立方体，对于每个立方体基于其内部的点计算概率密度函数：

其中y

函数内的其它参数计算如下：

通过这种方式将点云数据空间变成一个个小立方体，每个立方体的概率密度函数f(x)可以被描述成该区域内的点云的局部表面的近似结果，里面包含了这个表面的位置和方向等信息，NDT变换的目标就是找到当前扫描的点云位姿，使得当前的点云位于参考点云表面上的可能性最大化，假设当前扫面的一帧点云为X＝{x

对极大似然估计取对数得到Log L,计算Log L的导数等于零时的位姿变化参数T作为当前帧与参考帧之间的配准结果。

作为本发明进一步改进，所述点云平面分割具体步骤如下：

激光雷达开始工作时，采集开始10帧数据X

假设点q附近有m个邻近点q

式中q

得到每个点的法向量和曲率，通过生长区域算法进行点云平面分割，对稠密点云X按照曲率从小到大排序，将曲率最小的点x

有益效果：

本方法能够使用低线数的激光雷达在未知环境中实现快速地平面分割。针对稀疏点云难以识别平面的问题，我们考虑将多帧数据融合得到稠密点云，对稠密点云进行平面分割，确保平面分割结果的准确性。针对现有平面分割算法计算时间比较长的问题，我们考虑先用10帧数据融合得到稠密地图，采用生长区域算法对稠密地图进行分割，将分割结果作为先验地图，用当前帧和先验地图进行配准，然后用当前帧的点云和先验地图中的平面做匹配，得到当前帧的分割结果。

附图说明

图1是基于多帧融合的平面分割方法流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1所示在本方法中，移动载体在运动过程中通过16线激光雷达采集周围环境的三维点云数据，由处理器读取激光雷达采集到的点云数据。将采集到的前10帧点云数据进行点云配准，将这10帧数据进行点云融合，得到稠密的点云地图，对稠密点云运用生长区域算法进行点云分割，将得到的分割结果和稠密地图作为先验地图，之后采集的数据都与先验地图进行激光雷达点云配准，得到当前帧和先验地图的位姿变化，然后将当前帧点云转换到先验地图中，根据当前帧点云在先验地图中的位置和先验地图中的平面模型的距离关系估计当前帧的平面分割结果。

(一)激光雷达点云配准；

激光雷达采用VelodyneV:P-16型激光雷达。

基于正态分布变换(NDT)的点云配准。NDT算法首先将用于配准的两帧数据网格化，将三维地图划分成一个个小立方体，对于每个立方体基于其内部的点计算概率密度函数：

其中y

函数内的其它参数计算如下：

通过这种方式将点云数据空间变成一个个小立方体，每个立方体的概率密度函数f(x)可以被描述成该区域内的点云的局部表面的近似结果，里面包含了这个表面的位置和方向等信息。NDT变换的目标就是找到当前扫描的点云位姿，使得当前的点云位于参考点云表面上的可能性最大化。假设当前扫面的一帧点云为X＝{x

对极大似然估计取对数得到Log L,计算Log L的导数等于零时的位姿变化参数T作为当前帧与参考帧之间的配准结果。

(二)基于多帧数据融合的稠密点云平面分割；

激光雷达开始工作时，采集开始10帧数据X

假设点q附近有m个邻近点q

式中q

得到每个点的法向量和曲率，通过生长区域算法进行点云平面分割。对稠密点云X按照曲率从小到大排序，将曲率最小的点x

(三)基于先验地图的快速点云平面分割；

得到先验地图后，将当前激光雷达扫描到的点云与先验地图通过NDT算法进行配准，将当前帧的点云从当前激光雷达坐标系转换到先验地图坐标系中，对于当前帧中的每一点，通过KD树的最近邻搜索算法寻找先验地图中和它距离最近的一点进行匹配，如果匹配到的点是平面点，则将当前帧的该点标记为平面点。重复上述操作，遍历当前帧的所有点，即可得到当前帧的平面分割结果，完成点云平面快速分割。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。