车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统(MMS)激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。

城市场景重访车载点云位置一致性改正

车载激光点云在城市道路资产管理、高精驾驶地图、农村宅基地调查、高速公路改扩建、智能交通等国家重大工程应用中发挥着非常重要的作用;然而,受道路环境复杂、定位信号受遮挡、定姿误差累积等影响,导致往返或不同时相的重访车载点云存在分米甚至米级的位置偏差,严重影响后续数据处理与应用。为解决上述技术瓶颈,本文提出一种城市场景重访车载点云位置一致性改正算法。首先,依据车载轨迹的加速度与角速度将车载点云数据进行层次化分段,同时保证重访段的重叠度;然后,提取分段内的二进制形状上下文(Binary Shape Context, BSC)特征,并依据视觉单词与先验信息加速同名BSC特征匹配;最后,依次进行重访粗分段和细分段点云的两两配准,并剔除不可靠的两两配准结果。实验表明,本文方法能有效改正城市场景重访车载点云中的位置不一致问题,对于不同偏差级别和时相的车载点云,具有很高的鲁棒性和时间效率。