一种基于分区ICP算法的地表模型误差分析方法

技术领域

本发明提供一种基于分区ICP算法的地表模型误差分析方法。

背景技术

近年来，以三维激光扫描技术(terrestrial laser scanning，TLS)和无人机航空摄影技术(Unmanned aerial vehicle，UAV)为代表的非接触监测技术迅速发展。相较于传统的监测方式，非接触监测技术具有很大的优势，在效率、安全性以及作业成本方面对比全站仪等传统手段均有很大提升，在工程中得到了广泛的应用。在实际使用中，无人机建模具有很高的完整性，但由于缺乏足够的地面控制点，其形状总是会发生一定的扭曲，为了获得高精度的无人机建模结果，需要比较使用不同方法进行无人机建模的精度，对建模结果进行误差分析。

三维激光扫描所得到的点云完整性有限，但是具有很高的精度，因此该误差分析可以通过令无人机建模点云与三维激光扫描点云对比计算来进行。要计算点云所产生的误差是很困难的，因为点云没有除空间性质以外的任何特征，这就导致在分析两个不同点云的差异时，难以找到两个点云之间的对应部分，并正确测量其差距。目前常用的点云误差分析方法有shortest distance(SD)，DEM ofdifference(DoD)，Multiscale Model to ModelCloud Comparison(M3C2)等，但它们都有各自的局限性，不能很好的计算无人机建模扭曲的这种误差。

现有技术中，有最短距离法(SD)，选取一个误差计算点，计算该点到参考点云的最短距离，以该距离作为误差计算结果。但是许多情况下，计算所得的误差与真实误差相差较远，只在少部分情况下比较准确。

还有垂直距离法(DoD)，根据DEM数据，以计算点处两期DEM数据的差值作为该点的误差计算结果。这种方法只在误差产生的方向为垂直方向时比较适用，当误差产生方向包含水平分量时，计算结果会产生偏差。

另外还有M3C2算法，该算法首先需要选取核心点云，对于一个核心点，将其与领域指定半径R范围内的点云数据拟合成为一个平面，并沿该平面的法线方向作一个半径为r的圆柱体，分别计算圆柱体内误差计算点云和参考点云数据的平均位置，，并以平均位置之间的距离作为误差计算结果。M3C2算法在点云误差产生方向为沿法线方向时有很好的适用性，但在点云相对于与法线垂直方向出现较大错位时，其计算结果会出现很大的偏差。

发明内容

为了验证三维地表模型的精度，需要计算模型产生的误差，而这种三维空间中的误差是难以计算的，如何实现三维模型高精度的误差分析。

本发明提供一种基于分区ICP算法的地表模型误差分析方法，该方法使用一种点云匹配算法：Iterative closest point(ICP)算法，包括以下步骤：

S1、对待进行误差分析的点云模型进行分块，令每个点云分块分别与参考点云进行点云匹配算法ICP配准，得到一个空间变换矩阵；

S2、对点云分块进一步分块，继续进行ICP配准，得到进一步的空间变换矩阵。当一次配准过程中点云分块的位移小于设定的阈值时，停止分块，叠加每次得出的空间变换矩阵即可得到点云分块质心处相对于参考点云的误差值，进而完成模型整体的误差分析。

具体的，S1使用点云匹配算法ICP算法对点云分块与参考点云进行配准，具体包括以下步骤：

通过计算点云匹配过程中产生的旋转平移量，从而完成误差的计算。不同点云之间的匹配看作是其中一片点云通过旋转、平移与另一片点云相重合的过程，这种变化用一个旋转矩阵和一个平移向量来表示；通过ICP算法，求出待匹配点云P到参考点云Q的空间旋转矩阵M与空间平移向量

分别在待匹配点云P和参考点云Q中，根据一定的约束条件，找到最邻近点(p

每一次迭代过程得到一个空间旋转矩阵M

则每一次迭代的空间旋转矩阵和空间平移向量合并为同一个空间变换矩阵M

将每次迭代得到的M

通过该空间变换矩阵即得到点云匹配过程中的位移量。

S2采用多次分块，叠加每次的计算结果，具体包括以下步骤：

使用ICP算法使匹配点云与参考点云配准是改变点云整体的位置，配准过程中并不会改变点云的形状，当匹配点云与参考点云之间存在形状差异时，无法做到对点云各个部分进行单独配准，因此最终的配准结果只是一个整体的最优解，无法使得每个局部都精确配准。因此，需要使用分块的方式，使得各个局部分别精确配准，并且分块后仍然可能出现局部无法配准的问题，因此采用多次分块，当一次分块后进行ICP配准过程中分块的位移量小于设定的阈值τ时，即认为该分块已经完全配准。此时，叠加每次配准过程中的空间变换矩阵，可得出点云分块从原位置到配准后位置的空间变换矩阵，并由此可以得出点云分块质心处的误差。

本发明提出了一种基于分区ICP算法的误差分析方法，主要可用于以下问题：

三维点云模型产生的误差难以计算，传统方法的局限性较大，使用这些方法往往不能得到理想的结果。该技术提出的方法通过对点云分块并进行匹配，能够更好的找出不同点云之间对应点对的关系，精确地计算点云所产生的误差，即使在复杂情况下也有很强的适用性，极大地提高了点云误差分析的精度。

附图说明

图1是本发明的流程图；

图2a是旋转中心不在点云质心示意图；

图2b是旋转中心在点云质心示意图；

图3是实施例的无人机建模的控制点布置示意图；

图4a是实施例的无人机点云分块过程；

图4b是实施例的无人机点云分块过程；

图4c是实施例的无人机点云分块过程；

图4d是实施例的三维激光扫描点云；

图5a是实施例的使用由RTK获取的控制点进行建模的模型水平误差分布图；

图5b是实施例的使用由RTK获取的控制点进行建模的模型垂直误差分布图；

图6a使用由RTK获取的控制点和由TLS获取的控制点共同进行建模的模型水平误差分布图；

图6b使用由RTK获取的控制点和由TLS获取的控制点共同进行建模的模型垂直误差分布图。

具体实施方式

结合附图说明本发明的具体技术方案。

一种基于分区ICP算法的地表模型误差分析方法，其特征在于，如图1所示，包括以下步骤：

S1、对待进行误差分析的点云模型进行分块，令每个点云分块分别与参考点云进行点云匹配算法ICP配准，得到一个空间变换矩阵；

S2、对点云分块进一步分块，继续进行ICP配准，得到进一步的空间变换矩阵。当一次配准过程中点云分块的位移小于设定的阈值时，停止分块，叠加每次得出的空间变换矩阵即可得到点云分块质心处相对于参考点云的误差值，进而完成模型整体的误差分析。

ICP配准能够用于误差分析的核心在于ICP配准完成后能够得到一个变换矩阵，从而得出匹配点云配准到参考点云过程中的平移量与旋转量，但ICP算法的矩阵变换方式是以坐标原点作为匹配点云的旋转中心，当坐标原点不在点云分块质心时，如图2a，旋转矩阵会使点云质心产生位移，如图2b，如果坐标原点距离点云分块质心过远，即使微小的旋转量也会使点云分块质心产生很大的位移，这会导致ICP算法的迭代变得困难，影响最终的配准结果。同时，最后所得出的变换矩阵中，平移向量并不等于点云分块质心真实的位移量，要得到点云质心的真实位移量，还需进一步解算。因此，在配准过程中将点云分块的质心作为坐标原点，在这种情况下，点云分块的旋转中心为点云分块质心，旋转量与平移量是互不干扰的，有利于ICP算法迭代配准，并且在得出ICP配准过程中的变换矩阵后，通过该变换矩阵直接得到的平移量为点云分块质心配准过程中的准确位移值，可以直接用作误差分析。

以下结合具体实施例说明：叶巴滩水电站位于金沙江上游，是13级开发方案中的第7级。电站位于四川省白玉县与西藏自治区贡觉县交界的金沙江干流降曲河口以下约350m河段上，叶巴滩水电站坝区两岸山体雄厚，地形陡峭，山顶高程大于4000m，相对高差大于1000m，属于高山地貌。为了工程的顺利建设，使用无人机航空摄影进行了地表建模，并使用三维激光扫描仪采集了地表点云数据。为了验证无人机建模的精度，对其进行了误差分析。

如图3，无人机建模采取了两种控制点设置方式，一种是只使用由RTK获取的控制点进行建模，一种是使用由RTK获取的控制点和由TLS获取的控制点共同进行建模。

在得到建模结果后，将无人机建模点云进行多次分块，如图4a到图4c，并分别与如图4d所示的三维激光扫描点云进行ICP配准，进而计算出每个点云分块质心的误差。

在由第一种方法得到的UAV模型中选择了四个测点，测点的位置如图4c所示。使用不同的方法计算了它们的误差，并手动计算了实际误差作为对照，所得到的结果如表1所示。从表1中可以看出，在不同的测点处，本发明所提出的误差计算方法所得到的结果都与实际误差相当接近，其整体效果明显优于其余几种方法。

表1不同误差计算方法的误差计算结果

根据各个点云分块完成匹配计算后的变换矩阵，分解得到各个点云质心的水平方向误差和垂直方向误差，并使用反距离权重法进行差分，得到误差分布图如图5a和图5b所示。

通过使用该误差分析方法，准确的分析出了两种无人机建模方法得到的建模结果的误差分布，比较可得出如图6a和图6b所示使用由RTK获取的控制点和由TLS获取的控制点共同进行建模的方法整体误差更小，并且验证了其精度，证明了其可用性。