在地球观测领域,航空光学影像和机载激光探测与测距(light detection and ranging,LiDAR)点云是获取地表空间信息的主要数据源。精确的几何配准是融合这两类数据的前提。本文提出了一种像方距离场与物方平面约束联合的航空影像与激光点...在地球观测领域,航空光学影像和机载激光探测与测距(light detection and ranging,LiDAR)点云是获取地表空间信息的主要数据源。精确的几何配准是融合这两类数据的前提。本文提出了一种像方距离场与物方平面约束联合的航空影像与激光点云精确配准方法。该方法分为基于线元距离场的单像配准和线面约束结合的区域网平差两个阶段。在基于线元距离场的单像配准中,首先从航空影像和机载LiDAR点云中分别提取线元素,然后基于航空影像线元素构建距离场,并将点云线基元投影至像平面。通过渐进式稳健求解最小化点云投影线基元在距离场中的全局代价,从而实现单张影像与LiDAR点云的配准。在线面约束结合的区域网平差阶段,选择部分线特征分布较为密集的影像作为关键景影像,并对关键景影像中的同名线元素进行匹配,以提取控制点作为水平及高程约束。此外,还利用影像连接点到最近水平面的距离作为高程约束,通过区域网平差实现多视航空影像与机载点云的配准。试验结果表明,该方法能在初始值较差的情况下实现稳健配准,其配准精度优于点云间距,配准精度与配准效率都显著优于迭代最近点(iterative closest point,ICP)配准算法和通过跨模态匹配进行配准的策略。展开更多
现有点云配准算法中点特征计算通常采用固定邻域,难以适用复杂点云的特征计算,导致关键点提取结果较差且对应点中存在大量外点等问题,进而影响点云配准的精度。为此,本文提出一种基于多特征关键点提取与相似三角形优化点对的点云配准方...现有点云配准算法中点特征计算通常采用固定邻域,难以适用复杂点云的特征计算,导致关键点提取结果较差且对应点中存在大量外点等问题,进而影响点云配准的精度。为此,本文提出一种基于多特征关键点提取与相似三角形优化点对的点云配准方法,其核心在于通过自适应邻域策略来提取关键点,并对匹配相似度模型进行了优化。首先采用体素下采样和混合滤波对数据进行预处理,根据特征熵函数确定点云最优邻域,结合邻域内法向量夹角标准差、各向异性、曲率提取关键点;其次利用方向直方图(SHOT)计算关键点特征;然后采用双向最近邻距离比(BNNDR)构建初始匹配点对,并提出一种基于相似三角形的计算模型优化点对完成粗配准。最后,采用添加法向量夹角约束的点到平面迭代最邻近点(Point to plane ICP)算法实现精配准。本文选取Stanford数据集进行实验,结果表明,与经典ICP、基于关键点的4点一致性集(K-4PCS)和采样一致性(SAC-IA)结合ICP的点云配准算法相比,本文方法的误差最小。此外,在实测数据配准应用中本文方法也展现出了显著的优势。展开更多
文摘现有点云配准算法中点特征计算通常采用固定邻域,难以适用复杂点云的特征计算,导致关键点提取结果较差且对应点中存在大量外点等问题,进而影响点云配准的精度。为此,本文提出一种基于多特征关键点提取与相似三角形优化点对的点云配准方法,其核心在于通过自适应邻域策略来提取关键点,并对匹配相似度模型进行了优化。首先采用体素下采样和混合滤波对数据进行预处理,根据特征熵函数确定点云最优邻域,结合邻域内法向量夹角标准差、各向异性、曲率提取关键点;其次利用方向直方图(SHOT)计算关键点特征;然后采用双向最近邻距离比(BNNDR)构建初始匹配点对,并提出一种基于相似三角形的计算模型优化点对完成粗配准。最后,采用添加法向量夹角约束的点到平面迭代最邻近点(Point to plane ICP)算法实现精配准。本文选取Stanford数据集进行实验,结果表明,与经典ICP、基于关键点的4点一致性集(K-4PCS)和采样一致性(SAC-IA)结合ICP的点云配准算法相比,本文方法的误差最小。此外,在实测数据配准应用中本文方法也展现出了显著的优势。
