基于智能手机辅助与极坐标高程特征图匹配的机载-地基点云配准

陈茂霖; 王溪雨; 马威; 姬翠翠; 潘建平

doi:10.13203/j.whugis20240348

您当前的位置：

首页 >

文章列表页 >

基于智能手机辅助与极坐标高程特征图匹配的机载-地基点云配准

摄影测量与遥感 | 更新时间：2026-11-05

- 基于智能手机辅助与极坐标高程特征图匹配的机载-地基点云配准
- Smartphone-Assisted and Polar Coordinate Elevation Feature Map Matching-Based Airborne-Ground Point Cloud Registration
- 武汉大学学报（信息科学版） 2026年51卷第6期页码：1204-1215
- 作者机构：
  
  1.重庆交通大学智慧城市学院，重庆，400074
  2.自然资源部地理国情监测重点实验室，湖北武汉，430079
  3.重庆交通大学山地城市时空信息重庆市重点实验室，重庆，400074
- 作者简介：
  
  陈茂霖，博士，副教授，研究方向为多源激光点云融合及应用。maolinchen@cqjtu.edu.cn
  王溪雨，硕士。622220900028@mails.cqjtu.edu.cn
- 基金信息：
  
  国家自然科学基金(42301459;41801394);自然资源部地理国情监测重点实验室开放基金(2025NGCM04);重庆市自然科学基金(CSTB2024NSCQ-MSX0652;CSTB2023NSCQ-MSX0967)
- DOI：10.13203/j.whugis20240348
  中图分类号： P237
- 收稿：2025-03-12，
  
  纸质出版：2026-06-05
- 稿件说明：
移动端阅览
陈茂霖,王溪雨,马威，等.基于智能手机辅助与极坐标高程特征图匹配的机载-地基点云配准[J].武汉大学学报（信息科学版）,2026,51(6):1204-1215.

CHEN Maolin,WANG Xiyu,MA Wei,et al.Smartphone-Assisted and Polar Coordinate Elevation Feature Map Matching-Based Airborne-Ground Point Cloud Registration[J].Geomatics and Information Science of Wuhan University,2026,51(6):1204-1215.
陈茂霖,王溪雨,马威，等.基于智能手机辅助与极坐标高程特征图匹配的机载-地基点云配准[J].武汉大学学报（信息科学版）,2026,51(6):1204-1215. DOI：10.13203/j.whugis20240348

CHEN Maolin,WANG Xiyu,MA Wei,et al.Smartphone-Assisted and Polar Coordinate Elevation Feature Map Matching-Based Airborne-Ground Point Cloud Registration[J].Geomatics and Information Science of Wuhan University,2026,51(6):1204-1215. DOI：10.13203/j.whugis20240348

摘要

不同传感器的扫描范围差异大、数据重叠区域少，机地点云配准存在地基点云在大范围机载扫描区域的定位问题和重叠区域点云利用率低的问题。为此，提出一种智能手机定位、定向信息辅助，并利用极坐标网格下高程特征匹配的机地点云配准方法。利用手机定位、定向数据实现地基点云在机载坐标系中的初始配准，以地基扫描中心的定位结果为虚拟扫描中心，在机载点云中构建极坐标网格，并筛选最高可视点，建立极坐标高程特征图。根据特征图的环形特征和网格特征构建适应度函数，以此为基础提出一种基于遗传算法的最佳虚拟扫描中心搜索方法，计算配准参数。为验证所提方法的可行性，选取9站设站激光点云和4条手持激光点云，与机载激光点云进行配准。结果表明，与现有算法相比，所提方法的配准时间降低了约60%，平均配准时间为3.48 min，最优精度达到了0.016 8 m，具有良好的精度和效率。

Abstract

Objectives

Due to significant differences in scanning ranges between different sensors and the limited overlap areas

registration of airborne and ground-based point clouds faces challenges in locating ground-based point clouds within large airborne scanning areas and in feature extraction in overlapping regions. Focusing on this problem

an airborne-ground point cloud registration method is proposed

integrating smartphone positioning and orientation data.

Methods

The method combines smartphone positioning and orientation information for coarse registration

and utilizes elevation feature matching under a polar coordinate grid for fine registration. Smartphone positioning and orientation data are used to set the virtual scanning center in the airborne coordinate system and then a polar coordinate grid is constructed for feature construction. The highest visible point in each subgrid is selected to establish a polar elevation feature map for the ground-based point cloud. Based on the subgrid and ring characteristics of the polar elevation feature map

a fitness function is constructed. A genetic algorithm-based method is introduced to search for the optimal virtual scanning center. By performing genetic operations on the airborne map set and identifying the highest fitness value

fine registration of the ground-based point cloud in the airborne coordinate system is achieved.

Results

To verify the feasibility of the proposed method

9 station-based point clouds and 4 handheld-based point clouds are registered with airborne laser point clouds. The results demonstrate that

despite differences in point cloud distribution caused by varying acquisition methods

the fitness variation curves for station-based and handheld point clouds show slight differences

but convergence is achieved within 300 iterations of the genetic algorithm. The final coarse registration accuracy difference does not exceed 0.03 m. Compared to existing algorithms

the registration time is reduced by approximately 60%

with an average registration time of 3.48 min and optimal accuracy reaching 0.016 8 m. Additionally

smartphone positioning and orientation accuracy were verified

showing that when positioning accuracy is within 50 m

the registration success rate exceeds 90%

and within 20 m

the success rate reaches over 98%.

Conclusions

Assistance from smartphone positioning and orientation data enables rapid initial registration of ground-based point clouds within large airborne scanning areas. The polar coordinate elevation feature map provides multiple features for low-overlap areas

facilitating the construction of a fitness function and enhancing algorithm robustness. This method can be applied to cross-dataset transfer in urban scenarios.

关键词

Keywords

references

曹伟，陈动，史玉峰，等 . 激光雷达点云树木建模研究进展与展望［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 2 ）： 203 - 220 .

CAO Wei ， CHEN Dong ， SHI Yufeng ， et al . Progress and Prospect of LiDAR Point Clouds to 3D Tree Models ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 2 ）： 203 - 220 .

赵江洪，董岩，黄明，等 . 具有孔洞的地下电缆工井模型拓扑重构研究［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 12 ）： 1849 - 1858 .

ZHAO Jianghong ， DONG Yan ， HUANG Ming ， et al . Topological Reconstruction of Underground Cable well Model with Holes ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 12 ）： 1849 - 1858 .

陈邦松，司马劲松，赵光祖，等 . 植被茂密山区机载激光雷达数据采集最优点密度试验研究［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 5 ）： 1014 - 1024 .

CHEN Bangsong ， SIMA Jingsong ， ZHAO Guangzu ， et al . Optimal Point Density of Airborne LiDAR Data Collection for Hazards in Mountainous Areas ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 5 ）： 1014 - 1024 .

MUTIARASARI W M ， RAHMAN A A . 3D Building Models Development Based on Data Fusion Current Status ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， 2023 ， XLVIII-4/ W6 - 2022 ： 269 - 272 .

STILLA U ， XU Y S . Change Detection of Urban Objects Using 3D Point Clouds： A Review ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2023 ， 197 ： 228 - 255 .

XU Y S ， STILLA U . Toward Building and Civil Infrastructure Reconstruction from Point Clouds： A Review on Data and Key Techniques ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2021 ， 14 ： 2857 - 2885 .

KEDZIERSKI M ， FRYSKOWSKA A . Terrestrial and Aerial Laser Scanning Data Integration Using Wavelet Analysis for the Purpose of 3D Building Modeling ［J］. Sensors ， 2014 ， 14 （ 7 ）： 12070 - 12092 .

余萌，程军龙，朱锋，等 . 扫描几何条件对多线激光雷达点云质量的影响分析［J］. 测绘地理信息， 2024 ， 49 （ 3 ）： 35 - 40 .

YU Meng ， CHENG Junlong ， ZHU Feng ， et al . Analysis of the Influence of Scanning Geometry on the Quality of Multi-beam LiDAR Point Cloud ［J］. Journal of Geomatics ， 2024 ， 49 （ 3 ）： 35 - 40 .

LEE J ， KIM S ， CHO M ， et al . Deep Hough Voting for Robust Global Registration ［C］// IEEE/CVF International Conference on Computer Vision . Montreal， Canada ， 2022 .

HUANG X S ， MEI G F ， ZHANG J . Feature-Metric Registration： A Fast Semi-Supervised Approach for Robust Point Cloud Registration Without Correspondences ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Seattle， USA ， 2020 .

BESL P J ， MCKAY N D . A Method for Registration of 3-D Shapes ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1992 ， 14 （ 2 ）： 239 - 256 .

ROCHA K D ， SILVA C A ， COSENZA D N ， et al . Crown-Level Structure and Fuel Load Characterization from Airborne and Terrestrial Laser Scanning in a Longleaf Pine （Pinus Palustris Mill.） Forest Ecosystem ［J］. Remote Sensing ， 2023 ， 15 （ 4 ）： 1002 .

CHE KU ABDULLAH C K A F ， BAHARUDDIN N Z S ， ARIFF M F M ， et al . Integration of Point Clouds Dataset from Different Sensors ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences ， 2017 ， XLII-2/W 3 ： 9 - 15 .

DA SILVA RUIZ P R ， DE ALMEIDA C M ， SCHIMALSKI M B ， et al . Multi-approach Integration of ALS and TLS Point Clouds for a 3D Building Modeling at LoD3 ［J］. International Journal of Architectural Computing ， 2023 ， 21 （ 4 ）： 652 - 678 .

付超，夏佳毅，解琨，等 . 复杂场景下多模态点云数据配准技术［J］. 测绘通报， 2024 （ 6 ）： 146 - 150 .

FU Chao ， XIA Jiayi ， XIE Kun ， et al . Multi-modal Point Cloud Data Registration Technology in Complex Scenarios ［J］. Bulletin of Surveying and Mapping ， 2024 （ 6 ）： 146 - 150 .

CHENG L ， TONG L H ， LI M C ， et al . Semi-Automatic Registration of Airborne and Terrestrial Laser Scanning Data Using Building Corner Matching with Boundaries as Reliability Check ［J］. Remote Sensing ， 2013 ， 5 （ 12 ）： 6260 - 6283 .

BAGHANI A ， VALADAN ZOEJ M J ， MOKHTARZADE M . Automatic Hierarchical Registration of Aerial and Terrestrial Image-Based Point Clouds ［J］. European Journal of Remote Sensing ， 2018 ， 51 （ 1 ）： 436 - 456 .

CHENG X L ， CHENG X J ， LI Q ， et al . Automatic Registration of Terrestrial and Airborne Point Clouds Using Building Outline Features ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2018 ， 11 （ 2 ）： 628 - 638 .

TEO T A ， HUANG S H . Surface-Based Registration of Airborne and Terrestrial Mobile LiDAR Point Clouds ［J］. Remote Sensing ， 2014 ， 6 （ 12 ）： 12686 - 12707 .

LIANG F X ， YANG B S ， DONG Z ， et al . A Novel Skyline Context Descriptor for Rapid Localization of Terrestrial Laser Scans to Airborne Laser Scanning Point Clouds ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2020 ， 165 ： 120 - 132 .

LING X ， QIN R J . A Graph-Matching Approach for Cross-View Registration of Over-View and Street-View Based Point Clouds ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2022 ， 185 ： 2 - 15 .

GE X M ， FAN Y T ， ZHU Q ， et al . Semantic Maps for Cross-View Relocalization of Terrestrial to UAV Point Clouds ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2022 ， 114 ： 103081 .

CHEN J H ， ZHAO D ， ZHENG Z J ， et al . A Clustering-Based Automatic Registration of UAV and Terrestrial LiDAR Forest Point Clouds ［J］. Computers and Electronics in Agriculture ， 2024 ， 217 ： 108648 .

金泽会，陈茂霖，张昕怡，等 . 基于KD-Tree优化特征三角形匹配的林地点云配准方法［J］. 测绘工程， 2023 ， 32 （ 5 ）： 1 - 6 .

JIN Zehui ， CHEN Maolin ， ZHANG Xinyi ， et al . A Registration Method for Optimizing Triplets Matching in Forest Based on KD-Tree ［J］. Engineering of Surveying and Mapping ， 2023 ， 32 （ 5 ）： 1 - 6 .

DAI W X ， KAN H Y ， TAN R C ， et al . Multisource Forest Point Cloud Registration with Semantic-Guided Keypoints and Robust RANSAC Mechanisms ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2022 ， 115 ： 103105 .

王柳，楼立志，杨玲，等 . 地磁暴对GNSS定位性能与数据质量的影响分析［J］. 北京测绘， 2025 ， 39 （ 8 ）： 1218 - 1224 .

WANG Liu ， LOU Lizhi ， YANG Ling ， et al . Impact of Geomagnetic Storms on GNSS Positioning Performance and Data Quality ［J］. Beijing Surveying and Mapping ， 2025 ， 39 （ 8 ）： 1218 - 1224 .

CHEN M L ， XIAO L ， JIN Z H ， et al . Registration of Terrestrial Laser Scanning Data in Forest Areas Using Smartphone Positioning and Orientation Data ［J］. Remote Sensing Letters ， 2023 ， 14 （ 4 ）： 381 - 391 .

ZHANG W M ， CHEN Y M ， WANG H T ， et al . Efficient Registration of Terrestrial LiDAR Scans Using a Coarse-to-Fine Strategy for Forestry Applications ［J］. Agricultural and Forest Meteorology ， 2016 ， 225 ： 8 - 23 .

YUAN H ， ZHANG Y ， FAN S ， et al . Object Scan Context： Object-Centric Spatial Descriptor for Place Recognition Within 3D Point Cloud Map ［PP/OL］.［ 2025-06-15 ］. https：// arXiv.org/abs/2206.03062 https://arXiv.org/abs/2206.03062 .

ZHANG W M ， QI J B ， WAN P ， et al . An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation ［J］. Remote Sensing ， 2016 ， 8 （ 6 ）： 501 .

JACQ J J ， ROUX C . Registration of 3D Images by Genetic Optimization ［J］. Pattern Recognition Letters ， 1995 ， 16 （ 8 ）： 823 - 841 .

RUSU R B ， BLODOW N ， BEETZ M . Fast Point Feature Histograms （FPFH） for 3D Registration ［C］// IEEE International Conference on Robotics and Automation ， Kobe， Japan ， 2009 .

CHEN Z ， SUN K ， YANG F ， et al . SC2-PCR： A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， New Orleans， USA ， 2022 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

顾及动力耦合关系的地质灾害链模型参数遗传进化率定方法

GA‐VMD与多尺度排列熵结合的GNSS坐标时序降噪方法

顾及交叉路口和车辆模态的轨迹重构与分析

利用GA-NN模型反演声速剖面的众源水深数据声速改正

关于智慧海图的思考