[发明专利]基于Kinect的室内LiDAR缺失数据填补方法

权利要求书

1.一种基于Kinect的室内LiDAR缺失数据填补方法，其特征在于，包括以下步骤：

步骤1，针对室内场景采用LiDAR设备在进行单点扫描，获取扫描数据，即获取LiDAR设备扫描的影像；针对LiDAR设备过程中缺失的区域，采用Kinect设备再次进行扫描，并提取扫描过程中的关键帧，获取稀疏的扫描数据；即获取稀疏的RGB-D影像；

步骤2，采用SIFT算法对步骤1中Kinect设备采集的RGB-D影像进行特征提取，并利用RANSAC算子对提取的特征中异常特征匹配点进行剔除；

步骤3，对步骤2中已经剔除异常特征匹配点的SIFT特征进行归并；

步骤4，采用SIFT算法对步骤1中LiDAR设备采集的LiDAR设备扫描的影像进行特征提取，并与步骤3中已归并的Kinect设备提取的SIFT特征进行粗匹配，获取转换矩阵；

步骤5，将步骤4中完成粗匹配的LiDAR影像与Kinect的RGB-D影像进行精细匹配，获取精细的转换矩阵；

步骤6，将步骤5中完成精细匹配的LiDAR模型与Kinect扫描RGB-D影像的部分缺失数据进行融合，得到完整的扫描影像。

2.根据权利要求1所述的基于Kinect的室内LiDAR缺失数据填补方法，其特征在于，所述的步骤3中，由于相邻关键帧获取的影像，存在较多的重叠部分，因此基于步骤2获取的SIFT特征同样存在重复性；通过特征提取和特征映射，SIFT特征点在点云数据中有一一对应的点（x，y，z），即三维映射点，并且三维映射点是从体元模型中得到的，因此处于统一的 坐标系下，则若SIFT特征相同，则其对应的三维映射点的坐标则接近或相同，采用三维映射点进行特征归并，即通过临近点聚类的方法实现SIFT特征的归并，具体描述如下：

给定一个多维空间Rk，Rk中的一个向量是一个样本点，这些样本点的有限集合

称为样本集，给定样本集E，和一个样本点s'，s'的最近邻就是任一样本点s∈E满足Nearest(E，s'，s)，其中Nearest为如下定义：

上式中距离度量是欧式距离，即

其中s_i是向量s的第i个维度。

3.根据权利要求1所述的基于Kinect的室内LiDAR缺失数据填补方法，其特征在于，所述的步骤4中，进一步包括以下子步骤：

步骤4.1，分别从配准的数据集中选取三对点，并获取这三对点对应于源点云数据集S和目标点云数据集T中的三维坐标；

步骤4.2，对于步骤1中的三个点对，进行变换矩阵计算，得到变换矩阵H；

步骤4.3，计算在该变换矩阵H_i下的inlier个数，若大于设定的阀值δ，则利用最小二乘计算所有的inlier并更新模型参数；若小于设定的阀值，则进行下一次迭代；

步骤4.4，迭代K次后，找到含“Inlier”个数最多的H_f，将其作为最终的变换矩阵。 

4.根据权利要求1所述的基于Kinect的室内LiDAR缺失数据填补方法，其特征在于，所述的步骤6中，进一步包括以下子步骤：

步骤6.1，针对Kinect扫描的数据构建体元模型：定义一个三维体,N*M*Q大小，并将该三维体划分为L*P*O个大小的体元，其中，N、M、Q、L、P、O均为正整数，初始时每个体元不包含任何数据信息并对体元赋予初值。

步骤6.2，将LiDAR模型嵌入至Kinect体元模型：由于LiDAR设备扫描的数据量大，若构建单独的体元模型严重影响数据处理效率，因此将LiDAR模型嵌入已构建的Kinect体元模型，由于在步骤5中，LiDAR影像与Kinect影像已精细匹配，在匹配的点对中选取LiDAR模型的点并添加至Kinect体元模型中。

步骤6.2，对体元进行赋值：由于LiDAR数据与Kinect数据归化到统一坐标系下，此时，将分别获取的深度数据存放入体元模型中，并相应地更新每个体元保存的数据信息。

步骤6.3，深度数据融合：执行完上述步骤后，同一体元存在多个深度数据，受到物体表面情况和传感器影响，导致误差不同，因此需对深度数据进行融合处理。，具体方法是：

步骤A，首先对每个顶点进行权重分析，权重范围为0-1，权重大小依赖于顶点的法向量与光线夹角，夹角越大，权重越小，同时，对于边界处具有更小权重，对于非顶点权重，采取线性内插方法计算权重值：

步骤B，然后根据上述权重融合深度数据。函数D(x)作为融合后的深度值，通过{d_i(x)|i＝0,…,n}，其中，d_i(x)为每个模型的深度值，以及对应的权重信息{w_i(x)|i＝0,…,n}，其中，w_i(x)为每个模型的权重值，通过下式获取： 

W_i(x)＝∑w_i(x) 。