CN103148804B - 一种基于激光扫描的室内未知结构识别方法 - Google Patents

Abstract

本发明提出一种基于激光扫描的室内未知结构识别方法，包括：设计激光扫描数据的数据结构，并确定扫描过程中使用的全局地图坐标系；采用激光测距机获取激光扫描数据，计算角度相邻的扫描点间的距离，并进行去噪预处理，生成室内结构的扫描轮廓线；将扫描轮廓线中各点的全局坐标存入数据库，并结合高度传感器信息建立三维环境点云；以及根据扫描轮廓线和环境点云，判断室内未知环境结构以及障碍物信息。本发明的方法结构完整，数据处理实时性好，具有很强的适应性、可扩展性。

Description

一种基于激光扫描的室内未知结构识别方法

技术领域

本发明涉及测量及模式识别领域，特别涉及一种基于激光扫描的室内未知结构识别方法。

背景技术

近年来，激光技术、计算机技术发展迅速，激光扫描系统在测量识别领域的应用越来越广泛。搭载在无人机平台上的机载激光测量方法是自20世纪中后期发展起来的新兴技术，它利用装载在飞行器上的激光扫描系统进行精确的环境测量，实现对地球表面、自然环境及室内狭窄空间的几何、物理等数据的采集、测量和识别。其应用已扩展到与空间分布有关的诸多方面，如自然环境监测与分析、资源调查与开发、灾难现场室内环境勘察等。通过激光扫描获得的环境结构信息，能够对现实世界的三维模型的表达和操作，例如数字高程图的生成，三维数字地形的缩放、旋转和移动等。

20世纪60到70年代，人们发现激光遥感测量的巨大潜力，各国纷纷开展基于激光扫描的多项研究。如美国NASA研制的用于航天飞机、月球和火星观测的激光测高仪等；加拿大卡尔加里大学利用激光扫描仪与GPS、INS集成实现的机载激光三维数据获取系统；卡耐基梅隆大学和斯坦福大学利用小型无人直升机平台，融合激光扫描及GPS定位系统，成功进行一些低空数据采集建模的研究工作，并出现了利用多个激光扫描仪对废弃矿洞坑道进行三维建模的研究平台。

然而在室内未知结构的识别方面，现有研究和平台仍存在着一些问题，主要包括以下几点：1、现有机载平台大多采用GPS定位，激光扫描只是一种测量和识别手段，而在室内未知结构环境下，空间窄小、结构复杂，GPS定位无法满足精度要求，无法保证飞行器平台的飞行安全，设计合理的室内未知结构识别方法一方面可以提高室内结构的识别精度，亦可以用于无人机平台的实时自定位与精确飞行控制；2、对于室内未知结构的识别研究来说，现有的大规模场景下激光扫描的三维建模研究缺乏适用性。受到扫描仪姿态及传感器性能、检测范围和海量数据的限制，不具备实时的运动扫描建模能力；3、融合可见光、红外、GIS数据及多个激光扫描的数据进行高层处理的研究，目前还处于研究阶段，算法复杂且识别精度无法保证。

发明内容

本发明旨在至少在一定程度上解决上述技术问题之一或至少提供一种有用的商业选择。为此，本发明的一个目的在于提出一种可以用于无人机自主飞行时对室内未知环境的探索的适应性强、扩展性好的基于激光扫描的室内未知结构识别方法。

根据本发明实施例的基于激光扫描的室内未知结构识别方法，包括以下步骤：S1.设计激光扫描数据的数据结构，并确定扫描过程中使用的全局地图坐标系；S2.采用激光测距机获取激光扫描数据，计算角度相邻的扫描点间的距离，并进行去噪预处理，生成室内结构的扫描轮廓线；S3.将所述扫描轮廓线中各点的全局坐标存入数据库，并结合高度传感器信息建立三维环境点云；以及S4.根据所述扫描轮廓线和所述环境点云，判断室内未知环境结构以及障碍物信息。

在本发明的一个实施例中，所述激光测距机为二维激光测距机，能够按照一定频率扫描室内环境中某一高度水平面上的周围点的深度信息。

在本发明的一个实施例中，所述激光扫描数据的数据结构包括：激光扫描的起始角度float angle_min；激光扫描的终止角度float angle_max；激光束的角度分辨率floatangle_increment；激光扫描点的最小深度信息float range_min；激光扫描点的最大深度信息float range_max；以及，记录一次扫描后所有被扫描点的深度信息为float[]ranges。

在本发明的一个实施例中，所述全局地图坐标系为：以所述激光测距机的扫描起点为原点O，X轴正向向前，Y轴正向垂直于X轴方向向左，Z轴正向垂直XOY平面方向向上，所述全局地图坐标系满足右手法则。

在本发明的一个实施例中，所述步骤S2进一步包括：S21.根据获取的激光扫描数据，计算各扫描点的角度信息，记所述ranges数组中下标为i的扫描点的角度坐标r_i为r_i=angle_min+angle_increment×i；S22.将多个扫描点按照角度坐标排序，找到各点的相邻扫描点，并计算相邻扫描点之间的距离；S23.根据环境信息设定距离判断阈值T，若一次扫描中某点与其他点距离d>T，则认为是为噪声点去除掉，否则保留；以及S24.去除噪声点之后，将余下的点连接起来，形成多条端点不重合的室内环境轮廓线。

在本发明的一个实施例中，所述步骤S23与所述步骤S24之间还包括：将所述扫描轮廓线中各点全局坐标存入数据库并作为历史记录，每次实时扫描生成轮廓线后与历史记录比较，若当次计算出的轮廓线上某点坐标与历史记录相差超过阈值T，则认为是噪声点，去除该点。

在本发明的一个实施例中，所述步骤S3包括：在获得了不同高度的室内结构的扫描轮廓线后，根据高度传感器给出的高度信息将不同的轮廓线进行堆叠，获得室内未知结构的三维点云信息。

在本发明的一个实施例中，所述步骤S4进一步包括：S41.根据所述扫描轮廓线和所述环境点云，结合室内未知环境的先验信息，进行墙壁、门、窗户的基本结构识别；和S42.继续进行障碍物的识别，其中，所述步骤S41进一步包括：S411.墙壁识别：首先处理单次激光扫描数据并生成室内结构的轮廓线，然后将轮廓线上的端点坐标存入数据库作为历史记录，将后续扫描生成的轮廓线的端点与历史记录比较，去除跳变较大的噪声点，对轮廓线进行进一步的平滑，则该轮廓线表示了室内墙壁的边缘；S412.门的识别：首先处理单次激光扫描数据并生成室内结构的轮廓线，然后遍历地寻找某条轮廓线终端点与另一条轮廓线起始端点距离等于门的先验宽度的端点对，视为门的候选端点对，在后续扫描中记录所述候选端点对被找到的次数，若累计次数超过设定阈值，则认为能够稳定的找到，确定是门的两个边沿；以及S413窗户识别：首先根据扫描轮廓线和高度信息建立室内环境的三维点云，然后遍历所述三维点云，在存在明显突变的深度范围内平行于YOZ平面进行切割，获取沿X方向上的深度不连续区域的点云，将Y轴和Z轴坐标等分成多个小区间，所获得的点云分别向Y轴和Z轴投影，统计各个小区间中的点云数目；因窗户中心点云缺失，投影以后得到的各区间点云数目波形为“两边大，中间小”，即确定窗户四个顶点的Y轴和Z轴坐标，其中，步骤S42进一步包括：首先激光测距机从一定高度缓慢向下扫描并建立点云信息，确保起始扫描高度只能扫描到墙壁，然后将单次扫描到的轮廓线按角度分成多个小区间并建立墙壁深度模板，后续扫描得到的轮廓线与模板比较，相同方位的深度差值若小于事先设定的阈值，则认为仍是墙壁，并将新的扫描深度值与之前的模板值进行平均，得到更新模板，若相差大于某一阈值，则认为找到了障碍物，每次均将与模板值相差较大的点记录下来，这些点组成了室内未知结构中的障碍物。

根据本发明实施例的基于激光扫描的室内未知结构识别方法至少具有以下有益效果：

（1）适应性强，本发明提出的识别方法可适用于室内窄小、未知结构的环境探索，所给出的激光扫描数据的数据结构、数据处理方法、扫描轮廓线的生成方法可广泛用于不同的室内结构识别和分析，具有良好的适应性；

（2）可扩展性好，本发明的方法涵盖了典型室内结构，如墙壁、门、窗户，以及不同障碍物如桌子、椅子柜子等的识别。识别方法简单易行，可衍生出对多种室内结构及复杂形状物体的识别手段，具有良好的可扩展性；

（3）数据处理实时性好，本发明的激光数据处理方法简单，室内结构轮廓线及点云生成方法简便易行，可实时生成室内结构的轮廓和障碍物的几何形状。搭载了激光扫描仪的小型无人机，可使用本发明的方法完成实时室内未知结构的识别和建模。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例的基于激光扫描的室内未知结构识别方法流程图；

图2为本发明实施例中所使用的全局坐标系示意图；

图3为本发明实施例的墙壁边缘识别结果，白色方块表示墙的拐角，黑色折线表示墙壁轮廓线；

图4为本发明实施例的门的识别结果，白色方块表示历史累计次数超过阈值且总累计次数最多的端点对，识别出了门的边沿；

图5为本发明实施例的激光扫描建立的室内环境点云信息；

图6为本发明实施例的窗户识别结果，中间波形的最低点表示了窗户边沿坐标。

具体实施方式

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明实施例中使用的是日本北洋（Hokuyo）公司生产的二维激光测距机，该激光测距机的主要性能参数为：

1)扫描深度范围：0.1米～30米；

2)扫描角度：-135°～+135°，正中间为0°；

3)扫描频率：40Hz，即每25ms完成一次270°范围内的扫描；

4)角度分辨率：0.25°，即每次可扫描270/0.25=1080个点。

如图1所示，根据本发明实施例的基于激光扫描的室内未知结构识别方法，包括以下步骤：S101.设计激光扫描数据的数据结构，包括多个扫描点的相邻角度信息和各自的深度信息，并在扫描开始时确定扫描过程中使用的全局地图坐标系。S102.采用激光测距机获取激光扫描数据，计算角度相邻的扫描点间的距离，根据事先设定的距离阈值去除距离跳变较大的少数噪声点，生成室内结构的扫描轮廓线。S103.将扫描轮廓线中各点的全局坐标存入数据库，通过比较相邻几帧的扫描结果进一步确定扫描轮廓线的全局坐标，并结合高度传感器信息建立三维环境点云。S104.根据激光扫描获得的多条轮廓线和环境点云信息，判断室内未知环境结构如墙壁、门、窗户等，以及不同的障碍物如桌、椅、柜子等。

在本发明的一个实施例中，所采用的激光扫描数据的数据结构主要包括：

float angle_min:激光扫描的起始角度，设置为-135°；

float angle_max:激光扫描的终止角度，设置为+135°；

float angle_increment:激光束的角度分辨率，设置为0.5°；

float range_min:激光扫描点的最小深度信息，设置为0.5米；

float range_max:激光扫描点的最大深度信息，设置为20米；

float[]ranges:记录一次扫描后所有被扫描点的深度信息。

在本发明的一个实施例中，使用的全局地图坐标系为以所述激光测距机的扫描起点为原点O，X轴正向向前，Y轴正向垂直于X轴方向向左，Z轴正向垂直XOY平面方向向上，所述全局地图坐标系满足右手法则，如图2所示。

在本发明的一个实施例中，完成一次扫描后生成扫描轮廓线的实现步骤为：

a)根据获取的激光扫描数据计算各扫描点的角度信息。在ranges数组中，下标为i的扫描点的角度坐标r_i为r_i＝angle_min＋angle_increment×i。

b)将所有扫描点按角度坐标排序，找到各点的相邻扫描点，并计算相邻扫描点之间的距离。设点m和n的全局坐标为(x_m,y_m,z_m)和(x_n,y_n,z_n)，则二者的欧式距离d_mn为 $d_{\mathrm{mn}}=\sqrt[2]{{(x_m-x_n)}^2+{(y_m-y_n)}^2+{(z_m-z_n)}^2}.$

c)实施例中设定距离判断阈值T＝1米，若一次扫描中3个点与其邻居节点距离d＞T，则认为这些点为噪声点去除掉，否则保留。

d)去除噪声点后，将余下的点连接起来，生成多条端点不重合的室内环境轮廓线。

对于权利要求书中保证室内环境轮廓线的准确性和鲁棒性，以及如何建立室内环境的三维点云并识别特定结构，可在下面叙述的具体实施例中了解到。

在本发明的一个实施例中，墙壁边缘识别步骤为：

a)处理单次激光扫描的数据，去掉噪声点并提取轮廓线，可得到具有一定数目连续点的多条独立轮廓线；

b)将轮廓线中各点的全局坐标存入历史记录数组中，同时记录其全局坐标和被找到的次数；

c)将后续扫描生成的轮廓线上的点的坐标与历史记录比较，去除跳变较大的噪声点；

d)重复步骤c)，利用相邻几次的历史数据取平均值进行轮廓线平滑，该轮廓线表示了室内墙壁的边缘。

如图3所示，白色方块表示墙的拐角，黑色折线表示墙壁轮廓线。

在本发明的一个实施例中，门的识别步骤为：

a)处理单次激光扫描的数据，去掉噪声点并提取轮廓线，可得到具有一定数目连续点的多条独立轮廓线；

b)遍历得到的轮廓线，寻找某条轮廓线终端点与另一条轮廓线起始端点距离大约为1米（门的先验宽度）的两个点；

c)每次扫描，将步骤b)中找到的所有满足条件的点都存入历史记录数组中，同时记录端点的全局坐标和该端点对历史累计被找到的次数；

d)后续扫描中，对于每次新找到的门，从历史数据中找到与之最近且其距离小于一定阈值的端点对，若存在这样的端点对，则该端点对累计被找到的次数增加1；否则该端点对为第一次找到，将其存入历史记录数组，被找到的次数初始化为1；

e)重复步骤d)直到某端点对被找到的次数累计超过设定的阈值，则认为该端点对能够稳定地被找到，是门的两个边沿；若存在多个被找到的次数超过阈值的端点对，则给出累计次数最多的；

f)每次给出累计次数最多的端点对后，立即将该端点对的历史累计次数置零，以免干扰对其他门边沿的识别。

如图4所示，白色方块表示历史累计次数超过阈值且总累计次数最多的端点对，识别出了门的边沿。

在本发明的一个实施例中，窗户的识别步骤为：

a)根据激光测距机扫描到的室内结构轮廓线，结合高度传感器信息将不同的轮廓线进行堆叠，获得室内环境的三维点云，如图5所示；

b)遍历点云，在存在明显深度突变的范围内平行于YOZ平面进行切割，获取沿X方向上的深度不连续区域的点云；实施例中深度突变范围为2.9米～3.1米，切割后得到包含窗户（即深度不连续区域）且整体范围较小的点云数据；

c)将Y轴等分成N个坐标区间，统计落在各区间内的点云数目。因窗户中心处点云缺失，得到的各区间点云数目的波形为“两边大，中间小”；

d)根据波形预估窗户大小，并设置合适的均值滤波窗口对波形进行滤波。滤波后波形的波谷点即为窗户的边沿坐标，如图6所示。利用预估窗户尺寸即可得到窗户左右边沿的坐标；

e)保留点云数据中Y轴坐标在左右边沿之间的点云，将Z轴等分成N个坐标区间后，向Z轴投影，用计算左右边沿相同的方法，计算窗户的上下边沿坐标。

在本发明的一个实施例中，桌椅等障碍物识别步骤为：

a)激光测距机从一定高度缓慢向下扫描并建立点云信息，确保起始扫描高度只能扫描到墙壁；

b)将单次扫描到的轮廓线按角度分成多个小区间，对各小区间内点云的深度取平均值，得到各方位墙壁深度的模板值；

c)后续扫描得到的深度信息与模板比较。若相同方位上深度相差小于阈值，则认为仍是墙壁，并将新的深度值与之前的模板值进行平均，得到更新后的模板；若相差大于阈值，则认为找到了桌、椅、柜子等障碍物；

d)重复步骤c)并记录与模板深度相差较大的点的全局坐标，计算这些点的重心坐标，可以得到障碍物大致的世界坐标。

根据本发明实施例的基于激光扫描的室内未知结构识别方法至少具有以下有益效果：

（1）适应性强，本发明提出的识别方法可适用于室内窄小、未知结构的环境探索，所给出的激光扫描数据的数据结构、数据处理方法、扫描轮廓线的生成方法可广泛用于不同的室内结构识别和分析，具有良好的适应性；

（2）可扩展性好，本发明的方法涵盖了典型室内结构，如墙壁、门、窗户，以及不同障碍物如桌子、椅子柜子等的识别。识别方法简单易行，可衍生出对多种室内结构及复杂形状物体的识别手段，具有良好的可扩展性；

（3）数据处理实时性好，本发明的激光数据处理方法简单，室内结构轮廓线及点云生成方法简便易行，可实时生成室内结构的轮廓和障碍物的几何形状。搭载了激光扫描仪的小型无人机，可使用本发明的方法实时完成室内未知结构的识别和建模。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于激光扫描的室内未知结构识别方法，其特征在于，包括以下步骤：

S1.设计激光扫描数据的数据结构，并确定扫描过程中使用的全局地图坐标系；

S2.采用激光测距机获取激光扫描数据，计算角度相邻的扫描点间的距离，并进行去噪预处理，生成室内结构的扫描轮廓线；

S3.将所述扫描轮廓线中各点的全局坐标存入数据库，并结合高度传感器信息建立三维环境点云；以及

S4.根据所述扫描轮廓线和所述环境点云，判断室内未知环境结构以及障碍物信息。

2.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述激光测距机为二维激光测距机，能够按照一定频率扫描室内环境中某一高度水平面上的周围点的深度信息。

3.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述激光扫描数据的数据结构包括：激光扫描的起始角度float angle_min；激光扫描的终止角度float angle_max；激光束的角度分辨率float angle_increment；激光扫描点的最小深度信息float range_min；激光扫描点的最大深度信息float range_max；以及，记录一次扫描后所有被扫描点的深度信息为float[]ranges。

4.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述全局地图坐标系为：以所述激光测距机的扫描起点为原点O，X轴正向向前，Y轴正向垂直于X轴方向向左，Z轴正向垂直XOY平面方向向上，所述全局地图坐标系满足右手法则。

5.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述步骤S2进一步包括：

S21.根据获取的激光扫描数据，计算各扫描点的角度信息，记ranges数组中下标为i的扫描点的角度坐标r_i为r_i＝angle_min+angle_increment×i；

S22.将多个扫描点按照角度坐标排序，找到各点的相邻扫描点，并计算相邻扫描点之间的距离；

S23.根据环境信息设定距离判断阈值T，若一次扫描中某点与其他点距离d>T，则认为是为噪声点去除掉，否则保留；以及

S24.去除噪声点之后，将余下的点连接起来，形成多条端点不重合的室内环境轮廓线。

6.根据权利要求5所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述步骤S23与所述步骤S24之间还包括：将所述扫描轮廓线中各点全局坐标存入数据库并作为历史记录，每次实时扫描生成轮廓线后与历史记录比较，若当次计算出的轮廓线上某点坐标与历史记录相差超过阈值T，则认为是噪声点，去除该点。

7.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述步骤S3包括：在获得了不同高度的室内结构的扫描轮廓线后，根据高度传感器给出的高度信息将不同的轮廓线进行堆叠，获得室内未知结构的三维点云信息。

8.根据权利要求1所述的基于激光扫描的室内未知结构识别方法，其特征在于，所述步骤S4进一步包括：

S41.根据所述扫描轮廓线和所述环境点云，结合室内未知环境的先验信息，进行墙壁、门、窗户的基本结构识别；和S42.继续进行障碍物的识别，

其中，所述步骤S41进一步包括：

S411.墙壁识别：首先处理单次激光扫描数据并生成室内结构的轮廓线，然后将轮廓线上的端点坐标存入数据库作为历史记录，将后续扫描生成的轮廓线的端点与历史记录比较，去除跳变较大的噪声点，对轮廓线进行进一步的平滑，则该轮廓线表示了室内墙壁的边缘；

S412.门的识别：首先处理单次激光扫描数据并生成室内结构的轮廓线，然后遍历地寻找某条轮廓线终端点与另一条轮廓线起始端点距离等于门的先验宽度的端点对，视为门的候选端点对，在后续扫描中记录所述候选端点对被找到的次数，若累计次数超过设定阈值，则认为能够稳定的找到，确定是门的两个边沿；以及

S413窗户识别：首先根据扫描轮廓线和高度信息建立室内环境的三维点云，然后遍历所述三维点云，在存在明显突变的深度范围内平行于YOZ平面进行切割，获取沿X方向上的深度不连续区域的点云，将Y轴和Z轴坐标等分成多个小区间，所获得的点云分别向Y轴和Z轴投影，统计各个小区间中的点云数目；因窗户中心点云缺失，投影以后得到的各区间点云数目波形为“两边大，中间小”，即确定窗户四个顶点的Y轴和Z轴坐标，

其中，步骤S42进一步包括：首先激光测距机从一定高度缓慢向下扫描并建立点云信息，确保起始扫描高度只能扫描到墙壁，然后将单次扫描到的轮廓线按角度分成多个小区间并建立墙壁深度模板，后续扫描得到的轮廓线与模板比较，相同方位的深度差值若小于事先设定的阈值，则认为仍是墙壁，并将新的扫描深度值与之前的模板值进行平均，得到更新模板，若相差大于某一阈值，则认为找到了障碍物，每次均将与模板值相差较大的点记录下来，这些点组成了室内未知结构中的障碍物。