lsd 特征点匹配代码_无人车平台激光点云中线特征提取

 近年来，随着无人平台的应用越来越广泛，如何获得全局准确且局部连续的定位变得愈发重要。高精度的全局位置关系到无人平台对任务的理解和路径规划，局部连续的位姿估计关系到平台是否能够被准确跟踪和控制。当前一部分研究注重于同步定位与构图(SLAM)，该方法几乎不使用任何先验信息，依赖于前端里程计的推算提供局部连续的位姿，后端的滤波或非线性优化或回环检测优化全局的准确位置；另一部分研究则注重于高精度地图的构建和使用，根据无人平台的传感器搭配和使用环境的限制，使用特征、栅格、点云或拓扑关系构建地图，依靠匹配和滤波得到准确、平滑的定位结果。由于高精度地图可以离线进行构建，其精度和准确率可以得到有效控制，相比于SLAM能够为无人平台提供更稳健的定位功能。

 考虑定位的效率和精度，由三维点云构建特征地图逐渐成为高精度地图的研究热点。高精度地图中常用的特征又可分为人造特征和几何特征。人造特征一般基于图像中的像素梯度变化设计，如ORB角点，只适用于室内环境下RGB-D相机或双目相机采集的点云数据；几何特征一般分为点、线、面、体4种，既可以在点云中匹配，也可以在图像中进行投影和匹配。4种几何特征中，线特征可定义为一系列存在方向的点集合，相比于点特征拥有更丰富的几何信息，相比于面特征和体特征更容易在图像中实时提取，较适用于室外无人平台的定位。

 三维点云中的线特征尚未有较为权威的定义，通常将其定义为物体的轮廓线或物体表面的交线。现有工作中对于点云中线特征的提取，可分为以下两类方法：

 (1) 基于三维几何模型的线特征提取：直接计算点的邻域内的几何信息，如点的三维位置梯度，并根据邻域内梯度协方差矩阵判断点是否位于边界，或点与其邻域点之间连线的夹角，根据角度跳变判断点处于平面内部或边界，此类方法对点云的密度和噪声十分敏感，且需要通过图割或区域生长法将特征点连接为线特征；在点云内提取平面, 通过平面距离和法向量夹角对点进行聚类，再取平面的交线和边缘作为线特征，此类方法中平面拟合的阈值设置往往会导致所提取的线特征的位置发生平移和断裂；也可以针对单根扫描线设计模型，将深度不连续处判断为线特征点，此类方法一般多用于二维LiDAR。

 (2) 基于二维图像的线特征提取：对深度图进行可视化，依据二维图像中提取的二维特征计算三维线特征附近的相交平面，然后对相交平面应用区域生长法进行融合；将点云转化为俯视视角下的二维栅格，使用归一化的高度值作为栅格值并检测高度突变处作为二维边特征点，再由二维特征点邻域内重心和平面投影中心划分边特征类型，或使用点的法向量、高度及其方差作为栅格值，并应用聚类算法对栅格进行分割；直接在同步采集的灰度图像中提取边特征点，并根据三维点的朝向和深度对二维检测结果进行筛选。此类方法会在投影过程中损失特征的精度，但是对点云的密度和噪声不敏感。

 无人车作为一种主流无人平台，在GPS信号遮挡严重的城市地区，需要构建三维地图并采用滤波定位方法才能够获得连续准确的位姿信息。无人车一般配备Velodyne 64线或32线激光雷达作为获取点云的主要传感器，此类点云的密度和精度相比于RGB-D相机或静态激光雷达所获取的点云都有着较大的差距，目前针对此类点云中线特征提取的研究还较少。本文针对此类点云提出一种基于深度图像的线特征提取算法，并使用概率滤波对多帧数据进行融合，以提高线特征的准确率和精度。

1 特征提取1.1 二维投影特征

 在三维计算机图形学中，深度图像(depth image)是包含方向与视点的场景对象的表面距离有关的信息图像。在确定相机模型的内参和外参后，三维图形可通过Z-Buffer算法转化为深度图。由于相机投影模型中的像素位置相对于深度值是非线性的，因此三维空间中的直线和平面在深度图像中的像素梯度与像素位置之间也是非线性关系，这意味着深度图像中无法通过像素值的变化提取物体边界在像平面中的位置。使用(EDL)算法可以对深度图像进行可视化转换，将深度图像转化为能够分辨物体边界的明暗图(shading image)。在明暗图中，提取到的二维线特征可与