[发明专利]一种三维点云直线特征提取方法

说明书

技术领域

本发明涉及三维点云处理领域，尤其涉及一种三维点云直线特征提取方法。

背景技术

点云的线状结构包括曲线结构和直线结构。针对于大多数的人造物体都具有平面特征且两平面的交线为直线的特点，使用直线来表示点云结构就成为了一个自然且合适的选择。面向直线特征的提取，大部分研究成果集中于2D图像上，其中包括单幅图片的直线提取，以及多视角图片的3D直线重建。而只有少数的研究成果面向点云的直线提取。

2D图像中的直线检测已有数十年的研究历史。传统的方法是先使用Canny边缘检测算子来确定哪些像素点是边缘点，然后使用Hough变换来提取包含一定数目边缘点的直线。该方法具有一些明显的缺点：首先Hough变换的方法在具有高密度边缘的区域容易导致很多虚拟检测(false detections)的发生；其次，由于没有考虑边缘点的梯度方向，该方法很容易产生异常方向的直线；最后，使用固定阈值的使得该方法容易产生显著的假阳性检测(false positives)或假阴性检测(false negatives)。另一种经典的方法是先将边缘点连接成曲线，然后再将曲线根据直线度标准(straightness criterion)分割成线段，但是该类方法的结果也不尽人意。最近，最近提出的LSD算法是一种有效的且具备虚假检测控制(false detection control)的直线检测方法。该方法首先将图像分割成一系列的直线支持区域，同一个直线支持区域中的像素点具有相似的梯度方向。每一个直线支持区域使用一条直线来近似，并使用反证检验法来控制虚假的检测。该方法具有快速有效且不需要修改参数的优点，因此在近年来被广泛引用。

不同于2D图像中的直线提取，三维点云的直线提取仍处于起步阶段。其难点体现在：目前仍缺乏一种行之有效的方法将三维的边缘特征点连接成直线；由于噪声点的存在，在局部区域很难将噪声点与边缘特征区分开；对于大规模数据的情况，目前仍缺乏快速的提取边缘特征点的方法；原始扫描的点云数据往往缺乏法向量和连接信息，这也进一步增加了问题的难度。

现有的三维点云的直线提取算法主要包括Hough变换和RANdom Sample Consensus(RANSAC)，如近年有人提出结合了Mahalanobis距离的RANSAC方法来检测三维直线的方法，以及利用Hough变换和最小二乘法来提取古建筑的直线特征的方法等。这类方法难以处理复杂的大规模点云数据，因此不具有工程实用性。

另一类方法是基于点云的平面特征，该类方法先从点云中提取出平面，然后再确定两两平面间的交线。首先通过分析每个点与其k个最近邻点所构成的协方差矩阵的特征值来判断该点是否为平面特征的点，然后使用聚类的方法将这些点聚集成平面，最后再计算两两平面的交线。但基于平面提取的方法具有以下缺点：平面的边界难以确定；该方法只能提取出显著的直线，对于处于两个窄小的平面的交线难以被检测。而窄小平面本身也难以从点云中提取，且容易受到噪音的影响；针对复杂数据，该方法在非平面处容易提取出错误的直线。

发明内容

本发明的目的在于提供一种三维点云直线特征提取方法。

为实现上述目的，本发明采用以下技术方案：

一种三维点云直线特征提取方法，包括以下步骤：

S1、将原始点云沿不同方向投影到二维空间，生成多张2D图像并保留深度信息，采用非真实感渲染技术将深度信息转化为图像灰度值，使2D图像具有清晰的边缘；

S2、在2D图像中提取2D直线支持区；

S3、将2D直线支持区反投影到三维空间，得到3D直线支持区。

优选地，所述步骤S2具体为：采用LSD算法对2D图像进行直线检测分割，提取一组直线支持区，并采用反证检验法来控制虚假检测。

优选地，其还包括步骤S4，将3D直线支持区拟合成LSHP结构，所述LSHP结构为一对侧边相接的3D矩形片。

优选地，其还包括步骤S5，对每张2D图像重复步骤S1-S4，得到多个LSHP结构，对所述的多个LSHP结构进行合并、扩展。

优选地，所述步骤S4具体包括以下分步骤：

S41、将3D直线支持区沿着其主轴方向投影到2D平面，得到投影点集；

S42、在投影点集中提取V字型点集区域；

S43、采用最小中值二乘法对V字型点集区域的左、右两部分分别用平面进行拟合，得到两个拟合平面；

S44、根据两个拟合平面将3D支持区分成两个子区域，根据两个子区域内的点分别计算LSHP结构两个矩形片的参数。