第8讲-地面三维激光雷达点云滤波与特征提取

地面三维激光点云特征提取
地面三维激光点云特征提取 特征点提取
点云数据中的点特征是测量点中法矢或曲率等微分 属性的突变点。 点云数据特征点的提取方法 基于曲率的边界边缘提取方法 基于特征值的边界边缘提取方法 基于邻域信息的边界边缘提取方法
地面三维激光点云特征提取
地面三维激光点云特征提取
点云数据滤波 孤立点噪声滤波
读入离散点云数据
构造K-D树
设定邻域范围
求邻域范围内邻近点 个数
否
是否小于阈值 否
是
噪声点，去除
是否所有点处理完毕 是 输出去除噪声点后的 点云
地面三维激光点云滤波
点云数据滤波 孤立点噪声滤波
地面三维激光点云滤波
点云数据滤波 点云强度噪声
激光强度信号中的噪声主要成分为脉冲噪声（椒盐 噪声），椒盐噪声的特点是幅值近似相等但孤立且 随机地分布在不同位置上，其噪声均值不为0。 点云强度信息在点云分割、点云分类以及特征提取 等后续处理中具有重要作用，因此，对点云数据的 强度信息进行去噪滤波也是十分必要的。
第八讲
地面三维激光雷达点云滤波与特征提取
地面三维激光点云滤波
点云数据滤波 点云噪声来源
由于扫描系统本身的因素引起的误差，如三维激光 扫描仪的扫描分辨率、仪器受到震动及测距精度等； 由于被测景观表面粗糙度、波纹、表面材质等因素 产生的误差 在扫描的过程中因为一些偶然的因素产生的噪声， 如建筑物前的车辆、路过的行人、树木等
地面三维激光点云滤波
点云数据滤波 点云双边滤波
双边点云滤波算法的核心思想是首先确定与真实模 型表面近似的切平面，然后沿法线方向移动顶点到 该切平面，从而实现点云的去噪。其基本公式如下 式所示：
ˆ =v + d ⋅n v
d 为该顶点的偏移量。 其中 n 为该顶点的法向量，
地面三维激光点云滤波
点云数据滤波 强度各向异性扩散滤波
对于激光点云，设考察点 P 的强度为 I ，其邻域点集 为Q ，对应强度值为
i
Ii
， i = 1,2, , n。定义 P 点强度梯度
由表示：
∇I =
I −I I1 − I v1 + + n v n = a1 v1 + + an v n P − Q1 P − Qn
地面三维激光点云滤波
点云数据滤波 高斯滤波
高斯滤波是一种线性滤波技术，其通过一个高斯卷 积核函数来实现图像或区域的光源自文库，其二维图像滤 波公式为：
= GC[ I ] p
∑ Gσ (
q∈S
p − q )Iq
其中 Gσ (x ) 是一个二维高斯卷积核函数，定义式为：
x2 = Gσ ( x) exp − 2 2 2πσ 2σ 1
点云边缘仍清晰可见，同时较高反射率区域中的强度 较小点（对应红色斑点）都得到滤除，与周围点很好 的融合在一起
地面三维激光点云特征提取
地面三维激光点云特征提取 点云特征
点云的几何特征是物体表面形态的定性表达。它是 物体结构的关键要素，它对控制几何形体的形状具 有极为重要的作用，可以表现物体的力学、物理特 性，以及表现设计者的设计意图等。 在对实物进行逆向建模的领域，特征是从物体的测 量数据中得到的基本几何信息中具有特殊曲率特性 的点、线、面等。
基于曲率的特征点提取
在两个平面的相交处（既夹角处），采样点的局部 曲率会发生突变，基于曲率的边界边缘提取算法就 是将曲率的突变处判定为边缘的位置。
1 2d i κ= = i ri µi2
曲率估计示意图
地面三维激光点云特征提取
地面三维激光点云特征提取 基于曲率的特征点提取步骤
先对整个点云数据建立 KD-Tree ，以便于进行 K 最 近邻域查询（KNN查询）； 对整个点云进行遍历，查询每个采用点的 K最近邻 域点； 根据邻域信息计算每一个点的协方差矩阵，计算该 矩阵的特征值与特征向量； 根据特征值与特征向量进行曲率的计算；
2
)
局部法向量差异权重
地面三维激光点云滤波
点云数据滤波 点云双边滤波
中心点处双向滤波的权值计算过程
地面三维激光点云滤波
点云数据滤波 点云双边滤波
在考虑采样点与邻近点的空间距离时还考虑了它们 两者之间的法线夹角。 该法线夹角类似于图像双向滤波处理中的灰度差， 只有空间距离相近且法线夹角较小的点才会对待滤 波点产生较大的影响 在去噪同时，保持边缘特征
点云数据滤波 点云双边滤波
双边点云滤波算法的滤波公式如下式所示：
( p) d= 1 Wp
∑ Gσ (
q∈S
s
p − q )Gσ r ( n, p − q ) n, p − q
距离权重
x2 Gσ s = ( x) exp(− ) 2 2σ s Gσ r = ( x) exp(− x2 2σ r
地面三维激光点云滤波
点云数据滤波 点云强度噪声滤波
线性滤波方法都不能很好地去除椒盐噪声点，也不 利于信号边缘等细节特征的保持，因而在消除椒盐 噪声方面主要采取非线性滤波的方法。 在图像椒盐噪声处理领域有加权中值滤波、Lee 自 适应滤波、自适应平滑滤波、各向异性扩散滤波等 方法。
地面三维激光点云滤波
地面三维激光点云滤波
点云数据滤波 孤立点噪声滤波
对于孤立点噪声，由于孤立点一般具有邻域点较少 或者是不存在邻域的特征，因而在孤立点的滤波过 程中，可以较为简单的在点云 K-D树索引的基础之 上，通过判断该点一定邻域范围的邻近点个数是否 小于判定阈值来判断是否为孤立点
地面三维激光点云滤波
基准平面示意图
地面三维激光点云特征提取
地面三维激光点云特征提取 基于邻域信息的特征点提取
该方法效率较高，但在噪声较大的情况下容易错误的 提取平面点。 该算法对原始点云的数据质量有较高的要求，是一种 适应性较差、鲁棒性不强的特征点提取算法。
地面三维激光点云滤波
点云数据滤波 点云滤波方法
按滤波特征空间分类
点云属性特征滤波：强度属性滤波、颜色属性滤波 点云几何特征滤波：孤立点滤波、随机噪声滤波
按滤波数据组织方式
基于点云投影量化的图像滤波：对点云的坐标或属 性进行投影及量化为影像，采用图像滤波的方法进 行滤波（数字图像处理） 基于点云坐标的空间滤波：基于点云坐标信息对点 云进行几何或属性特征滤波
地面三维激光点云滤波
点云数据滤波 强度各向异性扩散滤波步骤
确定待滤波点的k-邻域集合； 逐个计算待滤波点和k-邻域集合中点的距离和强度 差，构造强度梯度； 根据强度各向异性扩散滤波方程，更新待滤波点的 强度； 重复步骤2和步骤3，直到达到强度变化阈值。
地面三维激光点云滤波
点云数据滤波 各向异性扩散强度滤波
平面点
楔形点
边界点
地面三维激光点云特征提取
地面三维激光点云特征提取
基于特征值的特征点提取步骤
先对整个点云建立 KD-Tree ，以便于进行 K 最近邻域查询（ KNN 查 询）； 对整个点云进行遍历，查询每个采用点的K最近邻域点； 根据邻域信息计算每一个点的协方差矩阵，计算该矩阵的特征值与 特征向量； 根据边界边缘点的分布特点计算特征值函数值； 对每个点的进行遍历，计算所有点的特征值函数值的均值与标准差， 以此确定某一阈值； 遍历所有点，保留特征值函数值大于某一阈值的采样点，最终获得 相应的特征点集。
地面三维激光点云滤波
点云数据滤波 点云去噪滤波
随机噪声滤波
非兴趣目标滤波
孤立点噪声滤波
激光强度滤波
地面三维激光点云滤波
点云数据滤波
点云噪声滤波思想
点云噪声滤波主要是根据点云的局部属性，以点云 局部的法向量变化、K邻域数目以及点到局部拟合 曲面的距离等约束属性来判断某点是否属于孤立噪 声或随机噪声，然后采用对应的滤波方法进行滤波 处理。
原始点云
提取效果
地面三维激光点云特征提取
地面三维激光点云特征提取
基于特征值的特征点提取
基于特征值的边界边缘提取方法根据每个采样点的 特征值函数作为边界边缘特征点集提取的依据。
λ1 ≈ λ2 对于平面上的点，其特征值一般遵循以下规律：
且
λ0 ≈ 0
其单位特征向量 指向法向方向；对于楔形
地面三维激光点云滤波
点云数据滤波 高斯滤波
类似的，高斯滤波也可以扩展到三维离散点滤波 高斯滤波能够有效的进行噪声曲率的平滑滤波 主要考虑了像素间的空间距离关系，却并没有考虑 像素值之间的相似程度，因此在进行噪声滤波的同 时会模糊边缘特征
地面三维激光点云滤波
点云数据滤波 双边滤波
地面三维激光点云特征提取
地面三维激光点云特征提取
基于特征值的特征点提取
优点：基于特征值的特征点集提取方法计算简单， 几何意义明确，能提取出较为完整的特征信息，对 于边缘边界都有较好的提取效果 缺点：当原始点云数据质量不太好时（例如采样不 均匀、噪声较多、数据分布不连续等），其在提取 边界时会产生较多的无用冗余点，在一定程度上会 影响之后特征直线提取的计算速度与实现效果。
优点：基于曲率的特征点集提取方法理论简单，易 于实现，计算速度较快，提取效果较好，该类方法 广泛应用于特征点集的提取以及其它相关方面的计 算。 缺点：该类方法并不能提取出所有的边缘边界信息， 还需要与其它方法结合以获得相对较为完整的特征 信息。
地面三维激光点云特征提取
地面三维激光点云特征提取 基于曲率的特征点提取结果
地面三维激光点云滤波
点云数据滤波 点云噪声分类
对于散乱离散点云数据，其存在的主要噪声为随机 噪声和孤立点噪声。
随机噪声示意图
孤立点噪声示意图（红色点所示）
地面三维激光点云滤波
点云数据滤波 随机噪声滤波技术
对于随机噪声的滤波，可以先将点云投影成图像表 达方式，采用图像处理中的滤波方法对点云数据进 行去噪滤波 常用随机噪声滤波方法 高斯滤波 双边滤波
地面三维激光点云滤波
点云数据滤波 点云噪声
地面三维激光点云滤波
点云数据滤波 点云滤波
点云噪声对实体建模有很大的影响，不进行噪声点 的消除，最后构建出来的模型精度较低甚至得到错 误的建模结果 为了保证点云的建模精度，点云数据不能直接用来 进行曲面拟合，必须对原始数据进行去噪及平滑滤 波处理
双边滤波与高斯卷积滤波类似，也是通过计算邻近 像素点的加权平均值来实现图像光滑的。 不同之处在于双边滤波在确定权值时不仅会考虑位 置信息还会考虑灰度信息，从而在平滑噪声的同时 还能够保存特征信息。其滤波公式下式所示：
1 BF [ I ]= p WP
∑ Gσ (
q∈S
s
p − q )Gσ r ( I p − I q ) I q
地面三维激光点云特征提取
地面三维激光点云特征提取 基于特征值的特征点提取
原始点云
提取效果
地面三维激光点云特征提取
地面三维激光点云特征提取 基于邻域信息的特征点提取
首先进行最近K邻域查询（KNN查询），然后建立该局 部点集的基准平面，计算点集内各点到基准平面的距离 并将该距离与目标点到基准平面的距离进行比较，识别 点云边界特征。
λ0 + λ1 ≈ λ2
面上的折线点，其特征值遵循 λ0 ≈ λ1 以及
对于边界上的点，其最小的特征值近似为 0 ，与之 对应的特征向量是对该表面法线的很好估计。而其 他的两个特征值遵循 2λ1 ≈ λ2 。
地面三维激光点云特征提取
地面三维激光点云特征提取
基于特征值的边界提取
λ2 ( p ) − 2λ1 ( p ) f ( p) = λ2 ( p )
I −I
(i = 1,2, , n)
i 其中 v i 是单位方向向量， ai = P − Q i
由于每一点的梯度向量的维数不同，因此需要对单 位方向向量进行统一：
vi = px − qi , x P − Qi x+ p y − qi , y P − Qi y+ pz − qi , z P − Qi z , (i = 1, 2, , n)
地面三维激光点云特征提取
地面三维激光点云特征提取 基于曲率的特征点提取步骤
对每个点的进行遍历，计算所有点曲率的均值与标 准差，以此确定曲率突变的阈值； 遍历所有点，保留曲率大于某一阈值的采样点，最 终获得相应的特征点集。
地面三维激光点云特征提取
地面三维激光点云特征提取 基于曲率的特征点提取