[发明专利]一种基于密度分析的多尺度点云噪声检测方法

说明书

技术领域

本发明属于测绘科学与技术领域，主要应用于激光雷达点云噪声的检测以及匹配点云噪声的检测，尤其是涉及一种基于密度分析的多尺度点云噪声检测方法。

背景技术

点云数据的处理一直是数字摄影测量与计算机视觉的重要研究内容。当前获取密集的三维点云主要有两种方式：1)采用LiDAR(Light Detection And Ranging)系统(及激光雷达系统)直接得到三维点云；2)利用影像匹配得到点云。但两种来源的点云数据都存在一定数量的噪声点。噪声的存在对点云数据的处理产生很多影响。如LiDAR点云滤波处理过程中，很多算法假设地面点为局部最低点，而在点云中存在局部低噪声的情况下，这种假设则是不适用的；另外噪声点对后续的大规模点云分层渲染、建筑物建模以及密集匹配所得同名点云的后续处理精度(如影像匹配、地物识别等)都会造成较大影响。因此，噪声点的检测和剔除是获取准确密集点云数据一个重要的处理环节。

从空间分布特性来说，噪声可归纳为两大特点：1)典型的高程异常的孤立点，表现为局部高噪声点和局部低噪声点；2)非典型的簇状噪声点(数量不多的噪声点的聚类)——在一定局部范围内不能明显高出邻近地面点和地物点的高程异常点，表现为低矮噪声，形态呈点簇状或块簇状。许多学者对点云噪声处理进行过研究，现有的点云去噪的算法可大致概括为以下三类：1)分析、利用高程值的分布进行去噪；2)利用数学形态学的方法进行去噪；3)根据点云密度进行去噪。方法1和方法2都是通过局部或是全局的高程值比较，并判断阈值来检测噪声，这类方法通过选取合适的阈值可以对孤立噪声有效检测但对簇状噪声的检测结果并不理想。方法3基于密度的方法是将噪声假设为位于低密度区域(相对于正常的点云密度)的单一物体或物体聚类，因此检测噪声的过程也就是检测低密度区域的过程。但现有的一些基于密度的去噪方法中，往往不能兼顾处理多种点云数据的不同类噪声。且通常密度分析的方法存在着处理簇状噪声失败的问题，主要是因为簇状噪声在局部小范围内其密度和分布表现都与非噪声点类似，因而需要找到一种既可以检测出孤立点，又可以有效检测出簇状噪声点的算法。

为此，本发明提出一种新的点云去噪算法，可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步：第一步利用多尺度的密度算法去除孤立噪声和小的簇状噪声；第二步利用三角网约束将第一步中误检测为噪声的点重新归为正常点。

发明内容

本发明的目的是提供一种基于密度分析的多尺度点云噪声检测方法，能够有效检测机载激光雷达数据获取的点云与影像匹配获得的点云中包含的孤立噪声和簇状噪声，从而克服不同种类点云噪声类别差异大、表现各异难以检测的问题，该方法通过进行多尺度的密度分析点云，逐步的剔除点云数据中包含的噪声，最后通过构建三角网，并用三角网约束降低上一步误检测的噪声点。其技术方案如下所述：

一种基于密度分析的多尺度点云噪声检测方法，包括以下步骤：

(1)输入点云数据并设定尺度层级，不同尺度层级用level^l表示，其中l＝0～L，其中最小尺度层级为level0级，最大尺度层级为levelL级；

(2)采用空间六面体进行点云数据的三维分割，建立离散点云三维网格和最大范围包围盒，所述最大范围包围盒根据输入的点云三维坐标计算得到，通过局部密度分析方法标记噪声点为0并剔除，得到新的非噪声包围盒；

(3)在上一步得到的非噪声包围盒基础上，降低一级尺度层级，以1/2倍的三维网格大小逐个进行邻域的局部密度分析，进一步剔除较小的噪声点或噪声点聚类并标记为0，获得新的非噪声包围盒；迭代进行，直到完成最小尺度层级噪声点检测；

(4)完成尺度层级迭代后，检测标记为0的噪声是否为真正的噪声点，利用非噪声点构建狄罗妮三角网，检测标记为0的噪声点到对应三角面的距离，当距离小于给定的阈值时则认定为非噪声点，所述阈值设定为最精细层级的三维网格的在Z方向的尺寸。

进一步的，步骤(3)中，对特定尺度层级下，对噪声点的检测是以某一单元体为中心一定邻域范围形成空间范围做为一个单位，所述单元体代表每一个分割而成的三维网格，在一个指定的搜索空间内进行遍历，计算该邻域范围内的密度与搜索范围内的密度的关系，同时判断该邻域范围内点的数量，即领域范围内的点的数量过少的情况下也将判定为噪声点，以此两条件来判断在此三维网格内的点是否为噪声点。

进一步的，步骤(4)中，利用非噪声点构建狄罗妮三角网，检测已经标记为噪声的点到对应三角面的距离，当距离小于给定的阈值时则认定为非噪声点。