本發明專利技術涉及基于Kinect的室內LiDAR缺失數據填補方法。一、Kinect掃描過程的關鍵幀提取，獲取較稀疏的掃描數據；二、采用SIFT算法對Kinect設備采集的RGB-D影像進行特征提取，并利用RANSAC算子對異常特征匹配點進行剔除；三、對步驟二中的特征進行歸并；四、LiDAR影像的特征提取，與Kinect設備的特征粗匹配，獲取轉換矩陣；五、采用改進的ICP算法實現LiDAR影像與Kinect的RGB-D影像的精細匹配；六、LiDAR模型與Kinect掃描的部分缺失數據融合。優點：設備價格低廉，采集過程靈活，能夠獲取場景深度與影像信息，快速實現對室內復雜場景的局部或缺失數據的采集與填補。
【技術實現步驟摘要】
本專利技術涉及一種室內LiDAR缺失數據填補方法,尤其是涉及。
技術介紹
LiDAR(Light Detection And Ranging),稱為激光雷達,是激光掃描與探測系統的簡稱。LiDAR系統主要分為兩大類機載LiDAR系統與地面LiDAR系統，本專利技術主要針對室內復雜環境下的地面LiDAR系統。相比與傳統基于圖片的三維重建，基于三維激光掃描的三維重建具有快速、精確、非接觸等優點。由于激光掃描儀的非連續性，為將多個掃描點獲取的點云數據坐標轉換至統一坐標系下，形成完成的點云模型，需要進行影像配準。影像配準技術主要分為兩大類一種是側重在影像數據離散特征的提取與定位，該類技術特點在于不需要初始位置估計，但不適于特征不明顯的情況；另一種是由Besl和McKay最初提出的著名ICP(Iterative Closest Point)算法,該算法通過不斷計算兩幅影像重疊區域對應點對之間的剛體變換關系，重復變化，找到最終使對應點之間的距離均方誤差達到最小的旋轉矩陣和平移向量。該算法比上一種配準算法有更好的魯棒性和準確性，但原始ICP算法在收斂上主要取決于對應點對的選取和誤差函數的最小化，后來的許多研究都致力于通過尋找不同的誤差判斷函數，和對應點對的選取方法來增強ICP算法的穩定性。Kinect是微軟開發的體感設備，它屬于一類名為RIM (Range Imaging)相機的新型傳感器,主要用于捕捉人體骨骼結構，以此實現以身體作為控制器的構想。Kinect由一個發射單元(脈沖光，調制光或結構光)，感光傳感器(CCD，CMOS或APD)，光學系統以及一些驅動電路和計算單元組成。Kinect設備同步獲取場景深度與影像信息，可全自動完成場景紋理映射，基于Kinect設備獲取的深度數據是結構化的點云數據，本專利技術采用基于體元的數據融合方法重建三維模型。(參考文獻Remondino, F. , Heritage Recording and 3D Modeling withPhotogrammetry and 3D Scanning. Remote Sensing, 2011.)數據融合主要采用體元技術,最早在1974年Baumgart提出Volume Intersection的方法，并指出每一個體元只有兩個狀態0和1，I意味著該體元被重建目標占據，而O則反之。1989年A. Elfes利用聲納為移動機器人導航時所提出占用柵格概念(OccupancyGrid),它是將整個空間中的體元分為三類0ccupied、Free、Unknown,并利用概率函數表達空間使用情況，利用該方法可以實現機器人自主導航定位。Hoppe通過構造點到物體表面的有向距離場(Signed Distance Function)來重建物體表面。為改善Hoppe方法中存在的邊界重建不理想的問題，同時并解決了法向傳播中可能出現的局部“孤島”問題，Curless和Levoy在每個體素中保存兩個值，一個是權重信息，另一個是距離值，他們將每幅深度圖像轉換成一個加權有向距離場(Weighted Signed Distance Function)。在Kinect發布以后，華盛頓大學和Intel合作開展了名為RGB-D Dense PointCloud Mapping的研究項目，這個項目旨在利用Kinect實現機器人的自動測圖。由于較少關心測圖本身精度，因此重建效果不夠理想，場景中存在很多“洞”，且有“重影”現象產生。在2011年8月，微軟在SIGGRAPH大會上展示了其KinectFusion項目成果，旨在利用Kinect實現增強現實(Augmented Reality)。其中針對Kinect原始深度圖精度低的問題，利用Kinect高頻輸出特點，基于文獻提出體重構技術和Point-To-Plane ICP算法，采用截斷符號距離函數(Truncated Signed Distance Functions)和GPU進行并行加速，實現實時精細三維建模，精度可達到毫米級。
技術實現思路
本專利技術主要是解決現有技術所存在的傳統的激光掃描儀掃描范圍有限，尤其針對復雜的室內場景，對于狹小的區域無法完成數據采集工作等的技術問題；提供了一種充分發揮新型體感設備Kinect價格低廉，同時獲取場景深度與影像信息，每秒30幀速率輸出、可獲取大量深度信息、可保持采集信息完整性等特點，實現對局部數據的采集工作的。 本專利技術的上述技術問題主要是通過下述技術方案得以解決的一種，其特征在于，包括以下步驟步驟1，針對室內場景采用LiDAR設備在進行單點掃描，獲取掃描數據，即獲取LiDAR設備掃描的影像；針對LiDAR設備過程中缺失的區域，采用Kinect設備再次進行掃描，并提取掃描過程中的關鍵幀，獲取稀疏的掃描數據；即獲取稀疏的RGB-D影像；步驟2，采用SIFT算法對步驟I中Kinect設備采集的RGB-D影像進行特征提取，并利用RANSAC算子對提取的特征中異常特征匹配點進行剔除；步驟3，對步驟2中已經剔除異常特征匹配點的SIFT特征進行歸并；步驟4，采用SIFT算法對步驟I中LiDAR設備采集的LiDAR設備掃描的影像進行特征提取，并與步驟3中已歸并的Kinect設備提取的SIFT特征進行粗匹配，獲取轉換矩陣；步驟5，將步驟4中完成粗匹配的LiDAR影像與Kinect的RGB-D影像進行精細匹配，獲取精細的轉換矩陣；步驟6，將步驟5中完成精細匹配的LiDAR影像與Kinect掃描RGB-D影像的部分缺失數據進行融合，得到完整的掃描影像。這里需要解釋的是，影像就是圖像，模型包含三維坐標信息，這里主要是指點云模型。在Iidar和kinect數據采集過程中，不僅包括影像數據(RGB圖像和深度信息)也包括點云數據(一系列點云可以生成點云模型))在上述的，所述的步驟3中，由于相鄰關鍵幀獲取的影像，存在較多的重疊部分，因此基于步驟2獲取的SIFT特征同樣存在重復性；通過特征提取和特征映射，SIFT特征點在點云數據中有一一對應的點(X，y, z)，即三維映射點，并且三維映射點是從體元模型中得到的，因此處于統一的坐標系下，則若SIFT特征相同，則其對應的三維映射點的坐標則接近或相同，采用三維映射點進行特征歸并，即通過臨近點聚類的方法實現SIFT特征的歸并，具體描述如下給定一個多維空間Rk，Rk中的一個向量是一個樣本點，這些樣本點的有限集合稱為樣本集，給定樣本集E,和一個樣本點s’，s’的最近鄰就是任一樣本點s e E滿足Nearest (E, s’，s),其中 Nearest 為如下定義權利要求1.一種，其特征在于，包括以下步驟 步驟1，針對室內場景采用LiDAR設備在進行單點掃描，獲取掃描數據，即獲取LiDAR設備掃描的影像；針對LiDAR設備過程中缺失的區域，采用Kinect設備再次進行掃描，并提取掃描過程中的關鍵幀，獲取稀疏的掃描數據；即獲取稀疏的RGB-D影像； 步驟2，采用SIFT算法對步驟I中Kinect設備采集的RGB-D影像進行特征提取，并利用RANSAC算子對提取的特征中異常特征匹配點進行剔除； 步驟3，對步驟2中已經剔除異常特征匹配點的SIFT特征進行歸并； 步驟4，采用SIFT算法對步驟本文檔來自技高網...
【技術保護點】
一種基于Kinect的室內LiDAR缺失數據填補方法，其特征在于，包括以下步驟：步驟1，針對室內場景采用LiDAR設備在進行單點掃描，獲取掃描數據，即獲取LiDAR設備掃描的影像；針對LiDAR設備過程中缺失的區域，采用Kinect設備再次進行掃描，并提取掃描過程中的關鍵幀，獲取稀疏的掃描數據；即獲取稀疏的RGB？D影像；步驟2，采用SIFT算法對步驟1中Kinect設備采集的RGB？D影像進行特征提取，并利用RANSAC算子對提取的特征中異常特征匹配點進行剔除；步驟3，對步驟2中已經剔除異常特征匹配點的SIFT特征進行歸并；步驟4，采用SIFT算法對步驟1中LiDAR設備采集的LiDAR設備掃描的影像進行特征提取，并與步驟3中已歸并的Kinect設備提取的SIFT特征進行粗匹配，獲取轉換矩陣；步驟5，將步驟4中完成粗匹配的LiDAR影像與Kinect的RGB？D影像進行精細匹配，獲取精細的轉換矩陣；步驟6，將步驟5中完成精細匹配的LiDAR模型與Kinect掃描RGB？D影像的部分缺失數據進行融合，得到完整的掃描影像。
【技術特征摘要】
【專利技術屬性】
技術研發人員：咼維，胡濤，朱欣焰，水淼，樊亞新，
申請(專利權)人：武漢大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。