基于特征的古建筑點云自動融合方法

賴 超

（1、北京建筑大學 測繪與城市空間信息學院,北京100044 2、北京北建大科技有限公司，北京100044）

1 概述

近年來，隨著光學非接觸式測量技術與三維激光掃描儀的迅速發展，豐富了數據獲取途徑。除了非接觸式的采集數據方式，三維激光測量設備一站掃描可以獲取到儀器為中心十幾米甚至上百米半徑的區域內的三維表面數據，具有掃描速度快、掃描精確、能準確量測被測物體真實大小等的優點。在點云數據的配準方面，有不少相關的研究，其中最經典的點云數據配準方法為ICP，但是該方法屬于局部最優配準，受制于點云數據的初始狀態，但是真實場景往往點云位置任意，經典方法無法解決。

2 方法介紹

迭代最近點(Iterative Closest Point, ICP)[1]是經典的數據配準方法，算法核心為最小化目標函數，通過在點云重疊區域內搜索最近點對，迭代計算除最優匹配參數。

后續有相關研究對此進行了優化，Han 等[2]通過將點云分解至多個部分進行分開配準，再根據一致性準則求解各個子部分的統一剛性變換，這種方法可以解決重疊度低的問題，但是該方法通過使用迭代最近點算法使得處理數據量較大的點云，尤其是含噪聲數據時計算效率低，收斂速度慢。Yang 等[3]提出了一種全局優化的Go-ICP 方法，該方法建立在ICP 的基礎之上，這種基于全局優化的ICP 方法通過找到點云之間的配準測量度量函數的全局最小值，但是增加了時間消耗，比局部最優方法耗時更久。Zhou 等[4]采用FPFH 特征描述子提出一種簡單快速的匹配準則(FGR)，并通過線過程與穩健估計的方法求解點云剛性配準的問題，這種方法收斂速度快，允許有錯誤匹配的特征點對，且適用于大規模點云配準，但是未考慮不同尺度點云的配準問題。通過對ICP 方法進行改進，提出了一種局部最優的各向同性尺度與迭代搜索最近點相結合的Scale-ICP[5]方法，這種方法能適用于不同尺度點云數據，由于對點云的初始位置有一定的要求，可以作為精配準的方法。

本文以古建筑激光點云掃描缺失修復作為起點，將三維激光掃描儀點云數據與三維重建點云數據進行融合。考慮到不同來源的點云數據之間的尺度差異，提出一種全局優化的不同尺度異源點云數據自動融合方法，能夠用于激光點云數據與影像重建點云的自動融合。采用點云特征計算方式，也有助于解決融合的效率問題。

3 古建筑點云數據自動融合流程

本文采取的古建筑點云自動融合方法的流程圖如圖1 所示：

圖1 算法流程圖

3.1 點云特征提取

快速點特征直方圖(Fast Point Feature Histograms, FPFH)是點云中常用的一種特征描述符，主要強調描述性，且沒有采用絕對距離度量描述點與其鄰域內的性質，所以對于不同尺度點云數據不敏感。本文通過對點云提取FPFH 特征對點云進行描述。

3.2 點云特征匹配與篩選

3.2.2 幾何規則篩選

本文選取的點云特征不具有尺度不變性，為保證點云特征匹配的正確率，采用幾何結合的方式對誤匹配進一步篩除。

3.3 全局目標函數優化

求解過程通過全局目標函數求解點云變換中的分量。

4 實驗成果

點云重疊度的大小決定了待融合的點云數據之間能計算得到的特征匹配點對數量，從而決定了最終融合的效果。

圖2 古建筑融合結果

假設完整的重建點云與完整的激光點云之間重疊度視為100%，定義重建點云裁剪后的數據量與原重建點云數據量比值作為點云重疊度。當重疊度大于等于25%的時候，兩種異質數據能正確融合，數據之間沒有產生分層，融合效果較好。當重疊度約為15%時，由于亭子的四角特征相似，描述單獨一個角的點云數據作為待匹配點云在特征匹配計算的過程中伴隨有了大量的誤匹配使得最終無法正確的融合。