CN108846888A - 一种古木建筑构件精细尺寸信息自动化提取方法 - Google Patents

Abstract

本发明公开了一种古木建筑构件精细尺寸信息自动化提取方法，包括：(1)点云切片处理：获取古木建筑构件的点云模型，根据古木建筑构件的不同特征需求对点云模型进行点云切片处理，得到片状点云模型；(2)提取轮廓线：精简得到的片状点云模型获得清晰轮廓特征，提取表征轮廓特征的轮廓线得到轮廓线点云模型；(3)识别几何特征点：从提取的表征轮廓特征的轮廓线的轮廓线点云模型中，识别出用于构建古木建筑构件数值模型的几何特征点；(4)提取精细尺寸信息：根据识别出的几何特征点之间的几何关系提取表达古木建筑构件数值模型的精细尺寸信息。该方法能实现基于点云数据对古木建筑构件的精细尺寸信息进行自动化提取，且快速、准确。

Description

一种古木建筑构件精细尺寸信息自动化提取方法

技术领域

本发明涉及古木建筑保护领域，尤其涉及一种古木建筑构件精细尺寸信息自动化提取方法。

背景技术

古建筑承载着一个国家悠久的历史和灿烂的文明，是人类智慧与勤劳的结晶。其中以木结构为主体的建筑体系在我国有几千年的历史，具有极高的科学、文化和艺术价值，最具中国特色。目前，由于战争、自然灾害和人为因素等影响，古木建筑普遍存在整体扭转倾斜、地基沉降、梁枋变形等残损现象。大量研究表明数值模拟已逐渐成为结构安全性能评估与提升的重要手段，如何高效精准地记录古木建筑的形态现状和构件损伤现状，即明确各类关键构件的尺寸信息，进而建立数值模型，是安全性能评估与提升以及历史文化传承的重要基础。

现有资料大都为二维建筑图，暂不存在尺寸信息完备的结构图。此外，木建筑遗产的整体偏移和构件朽坏使构件产生了变形和残损，既有资料未考虑各构件的尺寸变化。三维激光扫描技术能够以点云的形式高保真、高精度地采集目标表面的阵列式空间点位信息，可为提取各类构件精细尺寸信息奠定基础。然而，点云数据是由物体表面上数以万计的单点组成，而构建数值模型所需的尺寸信息数量远少于点云数据量。如何基于海量精细点云数据，自动化高效精准地获取古木建筑遗产关键构件精细尺寸信息，是古木建筑遗产保护与发展的关键核心。

目前，对古木建筑有采用传统手工测绘获取尺寸信息的方式，具体是在传统的古木建筑测绘中，利用标杆、钢尺和水准仪等手工量取建筑物平、立、剖面特征点的位置以及相应的特征线的距离，测量方法多为“以点概面”，全靠肉眼判读记录，即选取少量构件进行测绘而据以推演，进而利用古建筑设计和现状的几何关系绘出线性特征图。

但这种传统手工测绘获取古木建筑尺寸信息的缺点至少包括：(1)传统测绘由于测量和表达方式的限制，通常测量结果为二维建筑图，很难确切地记录古建筑的现状，也存在角落量测困难，精度不够的问题。(2)需要投入大量的人力和物力。(3)速度慢、时效性差。(4)获得的测量结果误差较大，很大程度上依赖于测绘人的个人经验及临场判断。(5)对复杂异性构件的空间特征描绘不准确，仅凭观测，没有实际依据。(6)不可避免地存在人为踩踏等可能损坏古木建筑遗产。

现有技术还可采用三维激光扫描技术的点云数据直接获取古木建筑的尺寸信息：三维激光扫描技术是一种利用激光脉冲对物体表面进行扫描从而获取其表面特征信息的技术，能够提供复杂物体表面的三维点云数据，它具有扫描速度快、无接触性、精度高、主动性强、全数字特征等特点，可以极大地降低成本，节约时间，不受白天黑夜的限制，而且使用方便，其输出格式可直接与CAD、三维建模等工具软件接口。然而点云数据不包含实体特征参数信息，无法确定数据点在物体表面的具体位置。从点云数据中直接获取尺寸信息一般需要基于商业点云处理软件，目前，点云处理常用的软件有Cyclone，Geomagic，Realworks，Poly-works、Imageware等等。一个实体的点云模型由扫描该实体获得的所有点云数据构成，获取尺寸的过程为：逐个手工选取点云模型中能够表征尺寸参数的点，通过测量距离功能获取所需的尺寸信息，或者通过输出所选点的坐标，计算两点间的距离获取尺寸信息。

因此，现有这种三维激光扫描技术的点云数据直接获取古木建筑尺寸信息的方式至少存在以下缺点：(1)古木建筑遗产的点云数据量庞大，而建立数值模型所需的尺寸信息相对较少，二者矛盾会造成手工选取效率极低，操作耗时。(2)点云数据密集、点分布不均匀、数据量庞大、包含冗余和噪声、无法直观反映物体的真实信息，通过手工选取误差极大，很大程度上依赖于处理者的个人经验。

发明内容

基于现有技术所存在的问题，本发明旨在提供一种古木建筑构件精细尺寸信息自动化提取方法，能根据古木建筑构件的点云模型，快速、准确地提取古木建筑构件精细尺寸信息，为保护古木建筑提供准确的数据。

本发明的目的是通过以下技术方案实现的：

本发明实施方式提供一种古木建筑构件精细尺寸信息自动化提取方法，包括：

步骤(1)，点云切片处理：获取待提取的古木建筑构件的所有点云数据，由所述点云数据构成所述古木建筑构件的三维点云模型，在所述三维点云模型上按选定的切片方向，对所述三维点云模型进行点云切片处理得到片状点云模型；

步骤(2)，提取轮廓线：从所述步骤(1)得到的片状点云模型获取所述古木建筑构件的清晰轮廓特征，提取表征所述轮廓特征的轮廓线得到轮廓线点云模型；

步骤(3)，识别几何特征点：从所述步骤(2)提取的所述轮廓线点云模型中，识别出用于表征所述古木建筑构件尺寸的几何特征点；

步骤(4)，提取精细尺寸信息：根据所述步骤(3)识别出的几何特征点之间的几何关系提取表达所述古木建筑构件的精细尺寸信息。

由上述本发明提供的技术方案可以看出，本发明实施例提供的古木建筑关键构件精细尺寸信息自动化提取方法，其有益效果为：

结合测绘获得的古木建筑构件的海量高保真点云数据，通过配准、去噪、重采样等预处理后构成古木建筑构件的三维点云模型，通过对三维点云模型依次进行的点云切片处理、提取轮廓线、识别几何特征点和精细尺寸信息提取各步骤，能对古木建筑遗产关键构件进行自动化的尺寸信息提取，结果表明该方法可在10分钟内完成千万级点云数据提取，且尺寸绝对误差均不超过1mm，相对误差不超过2％，能够很好地满足建立数值模型的精度需求，高效可靠，可为古木建筑遗产的历史数据数字化留取和安全性能评估与提升提供重要参考。本发明很好地解决了自动化高效精准提取关键构件精细尺寸信息这一关键难题，满足了古木建筑遗产保护与发展的迫切需求，是一套系统化基于点云数据对古木建筑遗产关键构件精细尺寸信息自动化提取的方法。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的古木建筑构件精细尺寸信息自动化提取方法的流程图；

图2为本发明实施例提供的提取方法的具体流程图；

图3为本发明实施例提供的提取方法的点云切片处理流程示意图；

图4为本发明实施例提供的提取方法的提取轮廓线处理流程示意图；

图5为本发明实施例提供的提取方法的提取轮廓线处理流程图；

图6为本发明实施例提供的提取方法的提取轮廓线处理的效果对比示意图；

图7为本发明实施例提供的提取方法中涉及的凹槽尺寸参数示意图；

图8为本发明实施例提供的提取方法中涉及的槽口尺寸参数示意图；

图9为本发明实施例提供的提取方法中涉及的裂缝尺寸参数示意图；

图10为本发明实施例提供的提取方法的各步骤处理后的模型对比示意图；

图11为本发明实施例提供的提取方法提取的体量尺寸信息模型示意图；

图12为本发明实施例提供的提取方法提取的轮廓尺寸信息示意图；

图13为本发明实施例提供的提取方法提取的连接尺寸信息和残损信息示意图。

具体实施方式

下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

如图1所示，本发明实施例提供一种古木建筑构件精细尺寸信息自动化提取方法，包括：

步骤(1)，点云切片处理：获取待提取的古木建筑构件的所有点云数据，由所述点云数据构成所述古木建筑构件的三维点云模型，在所述三维点云模型上按选定的切片方向，对所述三维点云模型进行点云切片处理得到片状点云模型；

步骤(2)，提取轮廓线：从所述步骤(1)得到的片状点云模型获取所述古木建筑构件的清晰轮廓特征，提取表征所述轮廓特征的轮廓线得到轮廓线点云模型；

步骤(3)，识别几何特征点：从所述步骤(2)提取的所述轮廓线点云模型中，识别出用于表征所述古木建筑构件尺寸的几何特征点；

步骤(4)，提取精细尺寸信息：根据所述步骤(3)识别出的几何特征点之间的几何关系提取表达所述古木建筑构件的精细尺寸信息。

上述方法中，在所述三维点云模型上按选定的切片方向为：

以所述三维点云模型的三维空间坐标轴x、y、z方向作为对该古木建筑构件的三维点云模型的切片方向。

上述方法中，步骤(1)的点云切片处理具体包括：

预处理点云数据：通过点云去噪、配准、重采样以及坐标变换，将所述古木建筑构件对应的三维点云模型变换至中心线平行于z轴正方向且底面平行于xoy平面的方向，作为后续点云切片处理的古木建筑构件的三维点云模型；

点云切片处理：在预处理得到的三维点云模型上，按选定的切片方向分别进行切片，计算三维点云模型在切片方向坐标的最大值以及最小值，设置N个分层，计算得出切片距离＝|最大值-最小值|/N，依次等间距提取N组片状点云模型；

然后生成N组与切片方向相同的投影平面，投影平面为每组片状点云模型的中心面，最后将N组点云分别投影到其对应的平面上作为切片处理得到的片状点云模型。

上述方法中，所述N的取值满足所述切片距离不超过1mm。

上述方法中，步骤(2)的提取轮廓线具体包括：

步骤(21)，设定K-D树的搜索半径进行点云聚类；其中，所述的K-D树(K-dimensiontree)是1975年J.L.Bentley提出的对数据点在k维空间(如二维(x，y)，三维(x，y，z)，k维(x，y，z...))中划分的一种数据结构，主要应用于多维空间关键数据的搜索(如：范围搜索和最近邻搜索)。因此，为了提高点云检索计算的速度和效率，实现快速获取切片模型的边界，本发明使用K-D树的方法对数据进行组织；

步骤(22)，计算各点法向量，以点法向量构造最小二乘平面，并将点及k邻域点投影到最小二乘平面上，计算各点与其邻域点法向量的夹角β，比较连续夹角间的差值，选择最大夹角差作为迭代结束条件；

步骤(23)，设定阈值，遍历所有点云，判断夹角差是否满足迭代结束条件，满足迭代结束条件的为边界点，反之则为内部点，将边界点存储为新的点云对象，该点云对象即为提取的轮廓线。

上述方法中，所述步骤(21)中，搜索半径的取值为点云密度值的5～10倍；

所述步骤(23)中，所述阈值的取值为π/4～π/2。

上述方法中，步骤(3)的识别几何特征点包括：

通过坐标变换将轮廓线点云模型转换为深度图像，提取所述深度图像中的归一化对齐径向特征关键点来识别几何特征点。

上述方法中，步骤(3)的识别几何特征点具体包括：

步骤(31)模拟距离传感器，通过坐标转换将所述几何特征点的点云数据转换为深度图像；

步骤(32)遍历所述深度图像的每个深度图像点，确定邻域表面变化强度估计因子I₁(p)，和主方向辨别因子I₂(p)；

步骤(33)根据主方向计算兴趣点，通过兴趣值表征该点的稳定性，计算方法为：

I(p)＝I₁(p)·I₂(p)

上式中：

其中，I₁(p)为表面变化强度估计因子，I₂(p)为主方向辨别因子。其中，p为边界点，n为点p的邻元素，σ为空间尺度，w_n为邻元素n对应的权重值，α为点n对应的一维角度。如果p附近存在权值很大(表面变化强烈)的邻元素，则I₁使兴趣值成比例缩小，因此满足要求的兴趣点仅位于局部稳定平面上；如果p附近存在一对主方向变化特别明显的邻元素，则I₂使兴趣值增大，其中双竖杠符号表示两个点之间的距离。

步骤(34)进行极大值抑制，找到的最终关键点即为几何特征点。

上述方法中，步骤(4)的提取精细尺寸信息具体包括：

步骤(41)古木建筑构件三维点云模型体量尺寸信息：

选取三维点云模型的任意一个角点几何特征点输出坐标值(x₀,y₀,z₀)，通过内省式排序方式计算三维点云模型x、y、z坐标方向的最大值和最小值，对其求差得到三维点云模型的长度b、宽度t和高度h，计算公式如下(1)，其中，b、t、h为；

步骤(42)三维点云模型轮廓尺寸信息：

选取三维点云模型曲线轮廓上的六个几何特征点，即两端几何特征点与曲线上均匀分布的四个几何特征点，以逐步提高多项式阶次的方式进行拟合，当相关性系数首次达到0.9时，确认满足精度要求，按阶次输出该多项式的系数；选取三维点云模型直线轮廓上的两端几何特征点，计算直线长度；

步骤(43)三维点云模型连接尺寸信息和残损部位信息：

步骤(431)，连接为凹槽的信息提取：选取能够控制凹槽的边界几何特征点和深度几何特征点，计算凹槽的长度l和深度d，选取控制凹槽位置的角点特征点，计算任一凹槽角点特征点至与该凹槽相邻的点云模型角点特征点的距离s；

步骤(432)，连接为槽口的信息提取，选取能够控制槽口的边界几何特征点和深度几何特征点，计算槽口的长度l、宽度w和深度d；

步骤(432)，残损部位为裂缝的信息提取，选取能够控制裂缝的边界几何特征点和深度几何特征点，计算裂缝的长度l、宽度w和深度d，选取能够控制裂缝位置的角点几何特征点的坐标值(x₁,y₁,z₁)。

下面对本发明实施例具体作进一步地详细描述。

针对古木建筑遗产关键构件的精细尺寸获取，现有资料大都为二维建筑图，暂不存在尺寸信息完备的结构图。此外，古木建筑的偏移和朽坏使构件产生了变形和残损，既有资料未考虑各构件的尺寸变化。

三维激光扫描获取点云数据等技术的发展为这一难题的解决提供了更为科学的手段。然而，点云数据是由物体表面上数以万计的单点组成，难以直接获得构建数值模型所需的尺寸信息。而且点云数据不包含实体特征参数信息，无法高效精准地确定数据点在物体表面的具体位置，如何对古木建筑关键构件的点云数据进行尺寸信息自动化提取成为一个热点和难点问题。具体而言，(1)古木建筑构件形式不同于传统构件，其形态相对特殊，目前针对此类构件特征提取的方法研究还相对较少；(2)点云数据量庞大且点分布不均匀，从点云中自动、高效、高精度地提取尺寸信息的相关研究仍相对较少。

面向古木建筑遗产保护与发展的迫切需求，针对自动化高效精准留取关键构件精细尺寸信息这一关键难题，结合测绘获得的海量高保真点云数据，本发明系统地提出了一种基于点云数据的古木建筑遗产关键构件精细尺寸信息自动化提取方法。该方法技术路线如图1、2所示，包括如下步骤：

(1)由体到片——采用点云切片算法处理：考虑到关键构件具有典型的截面特性，可根据构件的不同特征需求进行点云切片处理，将点云对象精简为片状点云，提高后续轮廓线提取的精度与效率，本发明采用一种基于投影面的点云切片算法。

(2)由片到线——采用轮廓线提取算法处理：关键构件的轮廓可通过几何特征点进行表征，步骤(1)获得的片状点云通过精简可获得清晰的轮廓特征，提取表征轮廓线的几何特征点，为进一步提取确定尺寸信息的几何特征点奠定基础，本发明提出一种基于点云聚类技术的轮廓线提取算法。

(3)由线到点——采用几何特征点识别算法处理：表征轮廓线的几何特征点之间一般有特定的几何关系，可进一步精简获得构建数值模型所需的几何特征点，为尺寸信息的提取奠定基础，本发明采用一种基于深度图像的几何特征点识别算法。

(4)由点到信息——提取精细尺寸信息：表达数值模型所需的尺寸信息可通过几何特征点获取，本发明在此基于步骤(3)获得的几何特征点，提出一种精细尺寸信息获取方法。

上述方法中，各步骤处理的具体方式如下：

(1)点云切片算法具体为：

由于点云数据具有采样密度大、速度快、易受环境和系统等因素影响的特点，对原始点云直接进行特征提取将会影响算法的质量和效率，因此一般需要首先对点云数据进行预处理。本发明在此通过点云去噪、配准、重采样以及坐标变换，将点云模型变换至中心线平行于z轴正方向且底面平行于xoy平面的方向上，获得可用于切片的关键构件点云模型。

本发明采用一种基于投影面的点云切片算法，该算法主要通过提取一定厚度的点云，将其投影到中心面上实现对点云数据的切片处理，切片精度与效率均较高。具体而言，首先对点云的特征进行分析，选择合适的切片法向矢量方向，根据不同特征可选取多个方向分别进行切片(下文以方向沿y轴为例)，计算点云在切片方向坐标的最大值y_max以及最小值y_min，设置N个分层，则切片距离s_patch＝|y_max-y_min|/N，依次等间距提取N组点云；然后生成N组与切片方向相同的投影平面，投影平面为每组点云的中心面；最后将N组点云分别投影到其对应的平面上作为切片点云。

值得注意的是，点云分层个数N的取值对精度和效率影响较大，较小的N值会使得每组点云间距较大，投影出的片状点云模型包含数据较多，容易忽略细节，导致精度低且影响投影计算效率；如果取值过大则会丢失点云的截面特性，无法体现出点云轮廓，因此参数取值时需根据具体精度需求确定。建立古木建筑精细化数值模型对构件尺寸的精度需求为1mm，本发明确认N取值满足切片距离s_patch不超过1mm。

(2)轮廓线提取算法具体为：

基于点云切片算法获得的片状点云数据仍比较庞杂，需进一步提取可表征其轮廓线的几何特征点。边界特征点具有与内部点不同的特点，边界点周围必存在一部分没有数据点，因此邻域点分布不均匀，而内部点的邻域点分布则相对均匀。因此，可通过判断点云数据邻域点分布的均匀程度来提取可表征轮廓线的几何特征点。

基于大量点云提取轮廓线时，如果采用传统方法，将会直接对片状点云数据进行判断，即遍历片状点云模型包含的所有点，逐个计算其邻域点的分布密度，运算效率低，且边界特征点存在重叠现象影响会轮廓线提取的精度。为解决这一问题，本发明提出了一种改进算法——基于点云聚类技术的轮廓线提取算法，首先使用K-D树的方法对数据进行组织，在计算密度前进行一次点云聚类，以其重心为中心对切片模型进行聚类处理，仅保留核心对象，由于排除了非关键点的影响，可显著提高轮廓线提取的精度和效率。

提取轮廓线点云模型的总体思路是：

a)设定K-D树的搜索半径进行点云聚类；

b)计算各点法向量，以点法向量构造最小二乘平面，并将点及k邻域点投影到最小二乘平面上，计算各点与其邻域点法向量的夹角β，比较连续夹角间的差值，选择最大夹角差作为迭代结束的条件；

c)设定阈值，遍历所有点云，判断夹角差是否满足条件，满足条件的为边界点，反之则为内部点，将边界点存储为新的点云对象。阈值的设置与点云精度需求相关，通过大量试算本发明建议该阈值的取值介于π/4和π/2之间。

本发明在此分别采用传统算法和改进算法对一实例进行轮廓线提取，对比提取效果及运行时间，图6为二者轮廓线提取效果对比图，两种算法的运行时间如表2所示。从中可以看出，本发明采用的基于点云聚类技术的轮廓线提取算法在精度和效率上均有一定的优势。聚类搜索半径是影响精度和效率的关键参数，对于本发明研究的典型木构件，建议搜索半径的取值为点云密度值的5～10倍。

表2算法运行时间

(3)几何特征点识别算法具体为：

确定精细数值模型尺寸信息的几何特征点往往存在于边缘角点等关键部位，需要进一步精简基于轮廓线提取算法获得的轮廓线点云模型。本发明在此采用一种基于深度图像的几何特征点识别算法，这主要是由于深度图像的像素点包含了扫描点的深度信息，采用深度图像数据可以准确识别关键构件的几何特征点。该算法首先通过坐标变换将轮廓线点云模型转换为深度图像，然后提取深度图像中的归一化对齐径向特征(Normal AlignedRadial Feature，下文简陈为NARF)关键点来识别几何特征点。这种NARF算法主要针对深度图像数据，识别表面稳定但邻域变化极大的边缘兴趣点，具有典型性和旋转不变性等优势，可满足本研究的预期效果。

几何特征点识别算法的具体步骤如下：(1)模拟距离传感器，通过坐标转换从点云数据中创建深度图像；(2)遍历每个深度图像点，根据邻域表面的变化，决定表面变化的系数及变化的主方向；(3)根据主方向计算兴趣点，通过兴趣值表征该点的稳定性；(4)进行极大值抑制，找到的最终关键点即为几何特征点。

(4)提取精细尺寸信息具体为：

本发明基于上一步获得的几何特征点，根据各点之间的几何关系提取精细尺寸信息，形成了一种精细尺寸信息提取方法。

(41)数值模型体量尺寸信息：

描述构件模型的体量尺寸信息包括角点坐标(x₀,y₀,z₀)、四棱柱的长度b、宽度t和高度h。本方法选取模型的任意一个角点输出坐标值，并通过内省式排序的方法计算得到各个坐标方向的最大值和最小值，进而对其求差，得到模型的长度b、宽度t和高度h。公式如下：

(42)数值模型轮廓尺寸信息：

古木建筑遗产关键构件具有典型的轮廓特性，其轮廓主要为直线或规则曲线，可通过多项式拟合表达。描述构件模型的近似轮廓尺寸信息包括直线长度和曲线多项式的系数。

对于轮廓为直线的部分，本方法选取直线两端特征点，计算直线长度。对于轮廓为曲线的部分，本方法选取曲线上的六个几何特征点(两端特征点与曲线上均匀分布的四个点)，逐步提高多项式的阶次进行拟合，当相关性系数首次达到0.9时，认为满足精度要求，按阶次输出该多项式的系数。

(43)数值模型连接尺寸信息和残损信息：

古木建筑遗产关键构件具有典型的连接特性与残损形式，其连接主要通过凹槽和槽口的方式，残损主要表现为裂缝的形式，均可通过长度、宽度和深度表达。

a)对于连接方式为凹槽的部分，如图7所示，本方法选取能够控制凹槽形状的边界点和深度点，计算凹槽长度l和深度d(凹槽深度与构件宽度一般一致)，选取控制凹槽位置的角点，计算任一凹槽角点至与其相邻的模型角点的距离s；

b)对于连接方式为槽口的部分，如图8所示，本方法选取能够控制槽口形状的边界点和深度点，计算槽口长度l、宽度w和深度d，应县木塔典型构件槽口往往具有中心对称的特性，因此不需要控制槽口的位置；

c)对于残损形式为裂缝的部分，如图9所示，本方法选取能够控制裂缝形状的边界点和深度点，计算裂缝长度l、宽度w和深度d，选取能够控制裂缝位置的角点坐标值(x₁,y₁,z₁)。

实施例

为验证该方法和相应程序的可靠性，以三个关键构件为实验对象，在Intel(R)Xeon(R)CPU E5-1603v3@2.80GHz，RAM(12.0GB)，Windows7 64位操作系统配置环境下，采用该方法提取实验对象的三类精细尺寸信息。

本方法所开发的程序在使用过程中，会逐步生成片状点云模型、轮廓线模型以及几何特征点模型，实验在各阶段的模型分别如图10所示。本发明开发的程序最终可自动提取模型精细尺寸信息，在此将提取的结果与基于数显游标卡尺手段测得的实际数据进行对比，定量评价方法的精度，实验的结果对比如表3所示。从表中可以看出，本发明所提出的算法提取的尺寸信息与实际数据值之间的绝对误差均未超过1mm，整体来说精度较高，能够很好地满足建立数值模型的精度需求。此外值得注意的是，实验提取精细尺寸参数耗时共为374.137s，这表明该方法精度好且效率高，具有良好的应用前景。

表3泥道栱实验尺寸信息提取结果与误差统计结果

采用本发明方法对古木建筑遗产关键构件进行自动化的尺寸信息提取，结果表明该方法可在7分钟内完成千万级点云数据提取，且尺寸绝对误差均不超过1mm，相对误差不超过2％，能够很好地满足建立数值模型的精度需求，表明本发明提出的方法高效可靠，可为古木建筑遗产的历史数据数字化留取和安全性能评估与提升提供重要参考。本发明面向古木建筑遗产保护与发展的迫切需求，针对自动化高效精准留取关键构件精细尺寸信息这一关键难题，结合测绘获得的海量高保真点云数据，实现了基于点云数据的古木建筑遗产关键构件精细尺寸信息自动化提取。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (9)

1.一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，包括：

步骤(1)，点云切片处理：获取待提取的古木建筑构件的所有点云数据，由所述点云数据构成所述古木建筑构件的三维点云模型，在所述三维点云模型上按选定的切片方向，对所述三维点云模型进行点云切片处理得到片状点云模型；

步骤(2)，提取轮廓线：从所述步骤(1)得到的片状点云模型获取所述古木建筑构件的清晰轮廓特征，提取表征所述轮廓特征的轮廓线得到轮廓线点云模型；

步骤(3)，识别几何特征点：从所述步骤(2)提取的所述轮廓线点云模型中，识别出用于表征所述古木建筑构件尺寸的几何特征点；

步骤(4)，提取精细尺寸信息：根据所述步骤(3)识别出的几何特征点之间的几何关系提取表达所述古木建筑构件的精细尺寸信息。

2.根据权利要求1所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，在所述三维点云模型上按选定的切片方向为：

以所述三维点云模型的三维空间坐标轴x、y、z方向作为对该古木建筑构件的三维点云模型的切片方向。

3.根据权利要求1或2所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，步骤(1)的点云切片处理具体包括：

预处理点云数据：通过点云去噪、配准、重采样以及坐标变换，将所述古木建筑构件对应的三维点云模型变换至中心线平行于z轴正方向且底面平行于xoy平面的方向，作为后续点云切片处理的古木建筑构件的三维点云模型；

点云切片处理：在预处理得到的三维点云模型上，按选定的切片方向分别进行切片，计算三维点云模型在切片方向坐标的最大值以及最小值，设置N个分层，计算得出切片距离＝|最大值-最小值|/N，依次等间距提取N组片状点云模型；

然后生成N组与切片方向相同的投影平面，投影平面为每组片状点云模型的中心面，最后将N组点云分别投影到其对应的平面上作为切片处理得到的片状点云模型。

4.根据权利要求3所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述N的取值满足所述切片距离不超过1mm。

5.根据权利要求1或2所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，步骤(2)的提取轮廓线具体包括：

步骤(21)，设定K-D树的搜索半径进行点云聚类；

步骤(22)，计算各点法向量，以点法向量构造最小二乘平面，并将点及k邻域点投影到最小二乘平面上，计算各点与其邻域点法向量的夹角β，比较连续夹角间的差值，选择最大夹角差作为迭代结束条件；

步骤(23)，设定阈值，遍历所有点云，判断夹角差是否满足迭代结束条件，满足迭代结束条件的为边界点，反之则为内部点，将边界点存储为新的点云对象，该点云对象即为提取的轮廓线。

6.根据权利要求4所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述步骤(21)中，搜索半径的取值为点云密度值的5～10倍；

所述步骤(23)中，所述阈值的取值为π/4～π/2。

7.根据权利要求1所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，步骤(3)的识别几何特征点包括：

通过坐标变换将轮廓线点云模型转换为深度图像，提取所述深度图像中的归一化对齐径向特征关键点来识别几何特征点。

8.根据权利要求1或7所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，步骤(3)的识别几何特征点具体包括：

步骤(31)模拟距离传感器，通过坐标转换将所述几何特征点的点云数据转换为深度图像；

步骤(32)遍历所述深度图像的每个深度图像点，确定邻域表面变化强度估计因子I₁(p)，和主方向辨别因子I₂(p)；

步骤(33)根据主方向计算兴趣点，通过兴趣值表征该点的稳定性，计算方法为：I(p)＝I₁(p)·I₂(p)

上式中：

其中，I₁(p)为表面变化强度估计因子，I₂(p)为主方向辨别因子。其中，p为边界点，n为点p的邻元素n对应的权重值，σ为空间尺度，w_n为邻元素n对应的权重值，α为点n对应的一维角度。

步骤(34)进行极大值抑制，找到的最终关键点即为几何特征点。

9.根据权利要求1或2所述的一种古木建筑构件精细尺寸信息自动化提取方法，其特征在于，所述方法中，步骤(4)的提取精细尺寸信息具体包括：

步骤(41)古木建筑构件三维点云模型体量尺寸信息：

选取三维点云模型的任意一个角点几何特征点输出坐标值(x₀,y₀,z₀)，通过内省式排序方式计算三维点云模型x、y、z坐标方向的最大值和最小值，对其求差得到三维点云模型的长度b、宽度t和高度h，计算公式如下(1)，其中，长度b、宽度t和高度h为；

步骤(42)三维点云模型轮廓尺寸信息：

选取三维点云模型曲线轮廓上的六个几何特征点，即两端几何特征点与曲线上均匀分布的四个几何特征点，以逐步提高多项式阶次的方式进行拟合，当相关性系数首次达到0.9时，确认满足精度要求，按阶次输出该多项式的系数；选取三维点云模型直线轮廓上的两端几何特征点，计算直线长度；

步骤(43)三维点云模型连接尺寸信息和残损部位信息：

步骤(431)，连接为凹槽的信息提取：选取能够控制凹槽的边界几何特征点和深度几何特征点，计算凹槽的长度l和深度d，选取控制凹槽位置的角点特征点，计算任一凹槽角点特征点至与该凹槽相邻的点云模型角点特征点的距离s；

步骤(432)，连接为槽口的信息提取，选取能够控制槽口的边界几何特征点和深度几何特征点，计算槽口的长度l、宽度w和深度d；

步骤(432)，残损形式为裂缝的信息提取，选取能够控制裂缝的边界几何特征点和深度几何特征点，计算裂缝的长度l、宽度w和深度d，选取能够控制裂缝位置的角点几何特征点的坐标值(x₁,y₁,z₁)。