一種三維激光點云數(shù)據(jù)的二維圖像化表述方法
【技術領域】
[0001] 本發(fā)明屬于機器人自主環(huán)境感知技術及激光掃描成像領域，涉及到將移動機器人 系統(tǒng)采集的三維激光點云數(shù)據(jù)轉(zhuǎn)化為二維灰度圖像以完成對室內(nèi)外場景的表述。
【背景技術】
[0002] 視覺是智能機器人與智能系統(tǒng)進行環(huán)境感知的重要手段之一。由于視覺傳感器是 基于被動感知機理，因此在成像過程中容易受到亮度及光照強度變化等環(huán)境因素的影響。 此外單目視覺傳感器采集到的圖像信息缺少空間深度信息，不利于區(qū)分具有不同深度信息 的景物。
[0003] 三維激光數(shù)據(jù)的獲取不受亮度及光照強度變化等環(huán)境因素的影響，可提供精準的 三維空間測量信息。但利用三維點云數(shù)據(jù)對大范圍環(huán)境進行表述時，觀測視點的選取會直 接影響環(huán)境感知效果;此外三維激光掃描點的分布是由實際場景特性所決定，三維點的分 布無規(guī)律可循?？紤]二維圖像表述符合人類視覺感知習慣且具有像素排列格式規(guī)范等優(yōu) 點，因此將三維點云數(shù)據(jù)轉(zhuǎn)化為景物邊緣顯著、紋理清晰且有較強場景層次的二維灰度圖 像，將有助于基于該圖像模型的場景認知與理解。目前，各領域研究中使用三維激光點云數(shù) 據(jù)生成的灰度圖像模型主要有深度圖和方位角圖兩種。
[0004] 傳統(tǒng)的深度圖是通過把激光傳感器或其他測距傳感器點云數(shù)據(jù)的深度信息直接 映射為灰度值，從而得到灰度圖像，參考文獻（Anguelov D，Dulong C，F(xiàn)ilip D，et al.Google street view:Capturing the world at street level[J]·Computer，2010 (6) :32-38.)。其優(yōu)點是成像原理簡單、計算耗時較少，能夠區(qū)分出不同深度層次的景物。但 其在圖像細節(jié)和紋理的描述上很不理想，尤其是在描述大范圍場景時，對距離的變化很不 敏感。生成的圖像往往會弱化景物的細節(jié)和近距離景物的邊界信息，從而給之后的圖像處 理和理解造成困難。并且由于傳統(tǒng)深度圖景深方向取決于激光的掃描方向，使得深度圖的 效果會受到激光掃描方向的影響。
[0005] 方位角圖是另一種常用的由三維激光點云數(shù)據(jù)生成的灰度圖像。此方法是 DavideScaramuzza等學者首次提出的，參考文獻（Scaramuzza D，Harati A，Siegwart R.Extrinsic self calibration of a camera and a 3d laser range finder from natural scenes[C]//Intelligent Robots and Systems ,2007.IR0S 2007.IEEE/RSJ International Conference on. IEEE，2007:4164_4169)。方位角圖的原理是將每個激光點 對應的方位角映射為對應像素的灰度值。其中方位角定義為視點(激光傳感器掃描時位置） 到當前激光點位置的向量與當前激光點到其右上方鄰近激光點的向量的夾角。參考文獻 (Zhuang Y,Lin X,Hu H,et al.Using Scale Coordination and Semantic Information for Robust 3-D Object Recognition by a Service Robot[J]. Sensors Journal, IEEE, 2015,15(1) :37-47.)應用方位角圖模型將定點掃描的三維點云數(shù)據(jù)轉(zhuǎn)換為方位角圖，并在 此基礎上對場景進行識別與理解。從以上文獻中可知，方位角圖中景物的細節(jié)和紋理相對 清晰。但圖像灰度值完全由方位角決定，不能清楚的區(qū)分不同深度層次的景物，并且圖像質(zhì) 量受視點選擇的影響較大。場景中掃描位置(視點）唯一，限制了實際應用中移動機器人平 臺的連續(xù)工作性能。計算的方位角相對視點產(chǎn)生漸變的趨勢，使得整幅圖像在橫向具有灰 度值漸變。
[0006] 在實際應用中，大范圍的場景一般都是采用激光連續(xù)掃描的方式采集點云數(shù)據(jù)， 每一幀激光數(shù)據(jù)都有自己的掃描中心（局部視點），即使通過優(yōu)化方法計算出相對較優(yōu)的全 局視點，仍無法有效消除基于視點的構圖方法(如方位角圖）的局限性。

【發(fā)明內(nèi)容】

[0007] 為解決上述問題，本發(fā)明提出了一種全新的灰度圖像生成方法，完全不依賴于場 景視點并且不使用角度計算，這也是本發(fā)明與方位角圖的本質(zhì)區(qū)別。以最優(yōu)深度代替?zhèn)鹘y(tǒng) 深度圖的深度概念，消除了掃描方向?qū)D像質(zhì)量的影響。不同于傳統(tǒng)的深度圖、方位角圖的 單變量映射到灰度值的做法，本方法通過計算點云對應的最優(yōu)深度值和方位向量長度，經(jīng) 加權后映射為灰度值，從而生成圖像?；诒痉椒ㄉ傻亩S灰度圖像既具有清晰的細節(jié) 和紋理特征，又利用深度分布信息強化了圖像的空間層次感。本發(fā)明可以用于連續(xù)掃描的 大范圍數(shù)據(jù)，也可以用于定點掃描數(shù)據(jù)，并且對掃描方式和掃描位置沒有特別的要求，有著 良好的適應性。
[0008] 本發(fā)明的具體技術方案如下：
[0009] 一種三維激光點云數(shù)據(jù)的二維圖像化表述方法，主要由移動機器人、激光掃描器 和計算機系統(tǒng)組成;激光掃描器和計算機系統(tǒng)均安裝在移動機器人平臺上，激光掃描器和 計算機系統(tǒng)之間通過數(shù)據(jù)線進行通信;激光掃描器采集圖像的三維點云數(shù)據(jù)信息，計算機 系統(tǒng)將三維激光點云數(shù)據(jù)轉(zhuǎn)化為二維灰度圖像;計算機系統(tǒng)軟件要求采集的三維激光點云 數(shù)據(jù)可以區(qū)分屬于每一幀激光線的激光數(shù)據(jù)點，以便能夠使三維激光點云數(shù)據(jù)以二維數(shù)組 的形式存儲，并且使每個激光點和灰度圖的像素點一一對應;將獲得的激光點云數(shù)據(jù)存入 二維數(shù)組中，使得二維數(shù)組的每一列激光點屬于同一幀激光線，并在二維數(shù)組中截取所需 大小的場景，用截取場景的三維點云數(shù)據(jù)構建灰度圖；
[0010] 具體將三維激光點云數(shù)據(jù)轉(zhuǎn)化為二維灰度圖像計算方法如下：
[0011] (1)最優(yōu)深度對應灰度值的計算
[0012]最優(yōu)深度方向即為能使場景不同層次景物間區(qū)分度最大的深度方向；由于場景點 云分布的主方向反映了激光點的統(tǒng)計學方向，而激光點的方向即為場景內(nèi)景物的層次方 向，所以垂直于場景點云分布主方向時，最能清楚的區(qū)分景物的層次，即最優(yōu)深度方向垂直 于場景點云分布的主方向，本發(fā)明將場景點云投影到水平面，運用統(tǒng)計學原理計算場景點 云分布的主方向，由此獲得場景的最優(yōu)深度信息：
[0014]式（1)為點云在水平面投影的協(xié)方差矩陣，其中（x，y)為點云在水平面投影的坐 標，COV代表協(xié)方差運算;通過計算協(xié)方差矩陣的特征向量VhVs即可估計出場景的點云分布 主方向和最優(yōu)深度方向；設I Vi | > | v21，則￥1為場景點云分布的主方向；由點云在水平面上的 投影區(qū)域的主方向向量乂:可求出過原點且平行于￥ 1的直線h的斜率K，進而確定直線h的方 程：
[0015] Κ*Χ+Υ = 0 (2)
[0016] 由點到直線的距離公式：
[0018]其中D為位于i行j列的激光點的投影(x，y)到直線h的距離，這個距離便是點 云中激光點Pi, j的最優(yōu)深度Di, j;將最優(yōu)深度Di, j映射至0-255的灰度范圍，得到點云中激光 點Pi, j對應于最優(yōu)深度Di,」的灰度值仏,：
[0020]其中Dmin為點云最優(yōu)深度值的最小值，Dmax為點云最優(yōu)深度值的最大值；
[0021] (2)方位向量長度的計算
[0022]對于激光點云中位于第i行j列列的激光點Ρ^，取其上方相鄰的激光設點 Pi,j到點的向量為Vd;向量Vd的長度|Vd|即為點Pi,j的方位向量長度Li,j;方位向量長度 能夠反應場景中景物的紋理變化，對景物邊緣的表現(xiàn)效果尤其明顯，所以為了保證較好的 效果，在映射為灰度值時不能采用單純的線性映射；
[0023] (3)方位向量長度灰度數(shù)值均衡化
[0024] 求出激光點數(shù)量為I*J的點云中每個點所對應的方位向量長度后，在映射為灰度 值時，為了保證得到的灰度圖具有高對比度、多變的灰度色調(diào)和明顯的景物邊界，對方位向 量長度采取灰度數(shù)值均衡化；
[0025] 對I*J個激光點對應的方位向量長度Li, j按數(shù)值大小升序排列，把0-255的灰度值 范圍視作256個灰度值區(qū)間，求出每個灰度值區(qū)間所對應的向量長度數(shù)據(jù)量N:
[0027]通過N與升序排列的方位向量長度L^，即可確定每個灰度值區(qū)間的端點長度值； 從而得到點云中激光點Pu對應于方位向量長度Lu的灰度值巧^ :
[0029]其中Lo，U，L2…，L255為256個灰度值區(qū)間的端點長度值；
[0030] (4)權重動態(tài)調(diào)整
[0031 ]將點云中激光點Pi, j對應于最優(yōu)深度Di, j的灰度值巧u與對應于方位向量長度Li, j 的灰度值^^.加權平均得到激光點Pi, j在灰度圖中對應的灰度值PGi, j:
[0033]其中PGu為灰度圖中第i行j列像素的灰度值;a與b為權值，且a+b=10;此時所生 成灰度圖的灰度值矩陣的方差S2為：
[0035]其中;^為灰度圖中像素灰度均值；當方差最大時，則意味著灰度圖具有高對比 度和多變的灰度色調(diào);取使方差最大的權值a與b生成灰度圖，此時得到的灰度圖是最優(yōu)的； 利用傳統(tǒng)求最優(yōu)解的方法求解式(8)，得到使δ 2為最大值的a與b，記做5與系；
[0036] (5)生成灰度圖
[0037]求出使δ2為最大值的權值泛與g后，遍歷點云數(shù)據(jù)中的I*J個激光點，求出每個激 光點對應的灰度值：
[0039] PG^即為大小為