[发明专利]一种基于三角网格的激光点云特征点提取方法

说明书

一种基于三角网格的激光点云特征点提取方法，具体步骤为：1)采用Crust算法对激光点云进行三角剖分，得到初始的三角网格；2)去除初始三角网格中的错误连接；3)根据三角网格中共边三角形个数提取激光点云的边缘点；4)根据网格中各个顶点对应的三角形簇的面积关系获取激光点云中空洞结构的边界点；5)利用相邻三角形夹角检测出其中的尖锐点；6)将得到的激光点云边缘点、空洞结构边界点和尖锐点合并，形成特征点集合。本发明针对激光点云所形成的不同几何结构给出了特征点的判断规则，可以更准确地描述点云特点。实验结果也表明，相比于常规的固定邻域提取算法，基于三角网格的特征点提取方法可以更清楚地描述目标轮廓。

技术领域：

本发明给出了一种基于三角网格的激光点云特征点提取方法，应用于激光雷达点云的配准、目标识别和分类等场景，属于基于激光点云的特征提取领域。

背景技术：

特征点又称关键点、兴趣点，其定义为二维图像、三维曲面或者三维点云中，相对于原始数据具有不变性、代表性的点集，并且可以通过固定的检测原则对其进行提取的点。通常情况下，激光雷达采集到的数据量十分庞大，如果在配准、识别和分类等的过程中不加分辨地使用所有数据，将会导致算法效率低下。而特征点作为原始数据的紧凑表示，其数据量要远远少于原始数据，可以在很大程度上加快处理速度。

目前，大多数特征点提取算法都是基于激光点云中的邻域特征进行判断的，这些方法将各个点的邻域作为目标的拓扑结构用于特征点提取，整个判断过程都是在固定邻域中进行的，因此需要在算法运行之前人为地指定邻域半径。然而由于遮挡等导致实际采集到的数据大都是不完整的，所以通常情况下邻域点并不能准确地体现目标的结构；同时，邻域半径的选择也影响着特征点提取的效果，很难选取到最佳的邻域半径。

不同于散乱激光点云中用邻域点表示目标结构的方法，剖分处理后得到的三角网格可以直接代表目标的实际结构。因此，可以充分发挥三角网格的优点，基于网格中三角形间的连接关系来提取特征点，不再采用固定邻域近似目标结构。将特征点划分为边缘轮廓点、空洞结构边界点和尖锐点三部分，达到简洁、准确地描述目标的效果。

发明内容：

本发明针对激光点云配准、目标识别和分类等过程中存在的计算量大、计算耗时长等问题，采用对激光点云进行三角剖分的方式得到激光点云的三角网格，并在此基础上提供一种利用三角网格中三角形的连接关系和几何关系来提取特征点的技术，在保证处理精度的同时加快处理速度。

本发明遵循了如下的技术方案，一种基于三角网格的特征点提取方法，其步骤如下：

1)采用Crust算法对激光点云进行三角剖分，获得初始三角网格；

2)通过距离约束对初始三角网格进行预处理，去除错误连接；

3)根据共边三角形个数提取激光点云的边缘点；

4)根据网格中各个顶点对应的三角形簇的面积关系得到激光点云中空洞结构的边界点；

5)按照相邻三角形夹角的大小检测出尖锐点；

6)合并步骤3)、4)、5)中获取的特征点，得到所处理激光点云的特征点。

步骤1)中，采用Crust算法对激光点云P进行三角剖分，得到描述点云P的三角形集合S＝(s₁，s₂，…，s_n)，其中下标n为三角网格中三角形的数量。

激光可能会穿透部分材料，导致步骤1)中产生不符合实际结构的错误连接，主要表现为跨越不同面的长连接，步骤2)中对这种错误连接进行预处理。以p₁，p₂，p₃为顶点的三角形s_i，分别计算其三边长，若其中存在大于所设定的阈值的边，则将其作为错误连接的三角形进行去除。