CN109509256A - 基于激光雷达的建筑结构自动测量及3d模型生成方法 - Google Patents

Abstract

本发明公开了一种基于激光雷达的建筑结构自动测量及3D模型生成方法，包括步骤：建筑结构三维数据获取；多点云匹配融合；点云预处理；区域增长平面提取；可编辑建筑结构3D模型生成；可编辑3D模型标定。本发明可以有效的滤除复杂的障碍物，建立高精度可编辑的3D建筑结构模型。

Description

基于激光雷达的建筑结构自动测量及3D模型生成方法

技术领域

本发明涉及三维建筑模型技术领域，特别涉及一种基于激光雷达传感器、应用于室内外建筑结构检测和3D可编辑模型生成的方法。

背景技术

三维建筑模型是城市规划、数字化城市建设的重要内容。三维建筑模型可以简单分为室外三维建筑模型和室内三维建筑模型。通过室外建筑模型可以对建筑进行模拟维护，在线评估，便于高精度三维地图生成。通过对室内模型进行模拟装饰，预先感受装修效果，有助于数字化、现代化城市的建设。

目前常用的建筑重建方式主要有基于深度摄像头的视觉重建和基于激光雷达的点云重建。国内关于激光雷达建筑重建的工作主要有：上海交通大学的“基于摆动激光雷达的室内三维点云地图生成系统及方法”(公开号：CN106199626A)、黑龙江工程学院的“基于激光雷达和四轴飞行器的多分辨室内三维场景重构装置及方法”(公开号：CN104503339A)，杭州光珀智能科技有限公司的“一种基于深度相机的大规模场景3D建模方法及其装置”(公开号：CN106997614A)等。目前已有的激光雷达建筑重建方案虽然已经有较好的效果，但其难以过滤掉室内外复杂的场景干扰，获取直观的、可编辑建筑结构模型。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于激光雷达的建筑结构自动测量及3D建筑模型生成方法，可以有效的滤除复杂的障碍物，建立高精度可编辑的3D建筑结构模型，避免人为的测量室内建筑结构的尺寸并绘制出室内结构图，省时省力。

本发明的目的通过以下的技术方案实现：

一种基于激光雷达的建筑结构自动测量及3D模型生成方法，包括以下步骤：

S1、建筑结构三维数据获取：通过二维结构运动和二维激光测量获取三维点云数据；

S2、多点云匹配融合：通过匹配算法将同一建筑物结构不同位置测量所得的三维测量点，按其特征进行匹配、融合，形成完整、密集的建筑结构三维点云数据集；

S3、点云预处理：去除由于激光雷达传感器精度和测量噪声引入的干扰点和异常点；

S4、区域增长平面提取：将点云中各点按照其特征聚类，从不同的类别中提取出平面；

S5、可编辑建筑结构3D模型生成：对提取的平面进行合并和拼接，滤除各种障碍物，生成建筑结构3D模型。

优选的，步骤S1中，由一个摆动机构或旋转机构承载二维激光雷达做往复或圆周运动，通过摆动或旋转获取建筑结构三维点云数据。

优选的，步骤S2具体包括：

S2-1、标准点云信息转换：激光雷达测量数据是以激光雷达为坐标原点的极坐标数据，即距离障碍物的距离信息ρ和角度信息θ，将其转换为标准点云信息，即以激光雷达为原点的空间直角坐标系数据(x,y,z)；

S2-2、点云匹配：对测量得到的多个点云使用最近点迭代算法进行数据匹配，通过求取源点云和目标点云之间的对应点对，基于对应点对构造旋转平移矩阵，并利用所求矩阵，将源点云变换到目标点云的坐标系下，估计变换后源点云与目标点云的误差函数，若误差函数值大于阀值，则迭代进行上述运算直到满足给定的误差要求；

S2-3、点云融合。

优选的，步骤S3具体包括：

S3-1、去除离群点：对点云中每个点，计算其与所有临近点的平均距离，平均距离在标准范围外的点，可被定义为离群点并可从数据集中去除掉；

S3-2、去除点云曲率、点法向异常点：在得到点云中各点的法向量后，移除其中法向量不存在的点。

具体的，S3-2中，从点云数据集中近似推断表面法线，计算点云中某点的法向量近似于估计点云表面的一个相切面法线，可将其转换成一个最小二乘法平面拟合估计问题，即分析一个协方差矩阵的特征矢量和特征值，这个协方差矩阵从查询点的近邻元素中创建，在得到点云中各点的法向量后，移除其中法向量不存在的点。

优选的，步骤S4具体包括：

S4-1、区域增长聚类：使用区域增长算法对点云进行类聚，具体包括：

1)假设某一点为种子点，种子周围的点和种子相比；

2)法线方向是否足够相近；

3)曲率是否足够小；

4)如果同时满足2)、3)则该点可用做种子；

5)如果只满足2)，则归类而不做种；

6)从某个种子出发，其满足条件2)，3)的“子种子”不再出现则一类聚集完成；

7)限制类的规模大小；

S4-2、RANSAC平面提取：对提取出的类进行RANSAC算法平面提取，采用迭代的方式从一组包含离群点的聚类中估算出平面模型的参数，并计算该平面的边框和面积。

优选的，步骤S5具体包括：

S5-1、将提取出的面积小于一定阈值α并且平面数量大于阈值ε的聚类移除；

S5-2、合并类似平面，平面参数方差小于一定阈值β的平面合并成为同一平面，并修改其边框和面积；

S5-3、计算邻近两个平面的相交点，将各个平面延伸至相交得到建筑结构3D模型，并将3D模型保存为通用的可编辑图形文件格式。

优选的，可编辑建筑结构3D模型生成步骤之后还包括可编辑3D模型标定步骤，对激光雷达和生成3D模型的尺寸进行标定，自动调节模型尺寸。

具体的，对激光雷达测得的距离信息和角度信息进行标定，移除零点偏移量。

具体的，尺寸标定将生成模型尺寸与实际尺寸进行对比，对模型进行比例微调，得出最终建筑结构3D模型。

本发明与现有技术相比，具有如下优点和有益效果：

本发明致力于生成高精度可编辑三维建筑模型。本发明可以使用二维激光雷达代替昂贵的三维激光雷达获取建筑结构点云信息，通过一系列处理后最终得到高精度的可编辑建筑结构3D模型。本发明可以过滤掉大部分障碍物，自动生成可编辑建筑3D模型。本发明支持室内外多种结构的建筑结构测量与生成，可以有效减少人工测量和绘制三维房间模型的时间消耗和物质消耗。

附图说明

图1是实施例方案总流程图。

图2是实施例多点云匹配融合流程图。

图3是实施例点云预处理流程图。

图4是实施例区域增长平面提取流程图。

图5是实施例区域增长聚类流程图。

图6是实施例可编辑建筑结构3D模型生成流程图。

图7是实施例复杂聚类滤除流程图。

图8是实施例可编辑3D模型标定流程图。

图9是实施例旋转机构示意图。

图10是实施例摇摆机构示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

本方法主要应用于建筑结构的自动检测与3D模型生成。总流程图如图1所示，二维激光雷达固定在摇摆机构(如图10所示)或旋转机构(如图9所示)上获取建筑结构的三维点云信息，多次多点测量三维信息后对点云数据进行多点云匹配融合，获取高密度、完整的建筑结构信息。在对点云进行预处理后使用区域增长算法对点云进行聚类、移除复杂聚类，并对聚类后的每一类进行平面提取。通过对平面的合并、拼接生成建筑结构的3D模型，最后通过尺寸标定对模型进行修改最终生成高精度的建筑结构3D模型。方法流程可分为以下六部分：分别是建筑结构三维数据获取，多点云匹配融合，点云预处理，区域增长平面提取，可编辑建筑结构3D模型生成，可编辑3D模型标定。各部分具体实施方式如下：

1、建筑结构三维数据获取

将二维激光雷达与旋转机构或摆动机构相结合，通过周期性往复运动或匀速转动使得二维激光雷达可以扫描房间的三维数据，如图9所示，旋转机构承载激光雷达以旋转台中心为原点做匀速圆周运动；如图10所示，摇摆机构承载激光雷达做往复运动。激光雷达测量的数据通过串口发送到PC，数据传输遵循串口RS232协议。

2、多点云匹配融合

激光雷达测量数据是以激光雷达为坐标原点的极坐标数据，即距离障碍物的距离信息ρ和角度信息θ，因此需要将其转换为标准点云信息，即以激光雷达为原点的空间直角坐标系数据(x,y,z)。

激光雷达在工作时发射激光束探测目标的位置，相邻激光束之间有一定的角度间隔，因此激光雷达扫描时会呈现近距离点较密集，远距离点较稀疏的特征，因此单次扫描获取的点云会呈现出局部密集、局部稀疏的特征。通过多次不同位置的扫描可以获得多个密度不同的建筑结构三维点云，通过点云匹配算法将多个点云融合以便获取密度更高、建筑结构信息更完整的点云。

由于激光雷达单次扫描的点云会呈现密度不均匀的特征，影响后续模型的生成，因此需要在同一建筑结构的不同位置进行多次测量。对测量得到的多个点云使用最近点迭代算法(Iterative Closest Point，简称ICP)进行数据匹配，ICP其特征在于，通过求取源点云和目标点云之间的对应点对，基于对应点对构造旋转平移矩阵，并利用所求矩阵，将源点云变换到目标点云的坐标系下，估计变换后源点云与目标点云的误差函数，若误差函数值大于阀值，则迭代进行上述运算直到满足给定的误差要求。经过匹配、融合后的点云密度比单一点云均匀，其点云内点的数量也大幅度增加。多点云匹配融合流程图如图2所示。

3、点云预处理

由于激光雷达的测量会受精度的影响引入噪声误差，因此需要对融合后的点云进行预处理，预处理流程图如图3所示。由于激光雷达扫描的结果会有噪声的存在，点云匹配融合不能完全相匹配融合，因此获得的点云中会夹杂着少量的无用点。通过去除点云中的离群点、计算点云各点的曲率和法向量并去除不含法向量的点，进而对获得的点云进行预处理。

对点云中每个点，计算其与所有临近点的平均距离。假设得到的结果是一个高斯分布，其形状由均值和标准差决定，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，可被定义为离群点并可从数据集中去除掉。

本发明直接从点云数据集中近似推断表面法线。计算点云中某点的法向量近似于估计点云表面的一个相切面法线，因此可将其转换成一个最小二乘法平面拟合估计问题，即分析一个协方差矩阵的特征矢量和特征值(或者PCA—主成分分析)，这个协方差矩阵从查询点的近邻元素中创建。在得到点云中各点的法向量后，移除其中法向量不存在的点。

4、区域增长平面提取

将点云中各点按照其特征聚类，从不同的类别中提取出平面。点云内的点分布在多个物体和平面上，需要对其进行子平面提取以便获得建筑结构中的墙壁、地板等结构，如图4所示。经过预处理的点云由于不完全的匹配融合，会造成多重墙面的现象，即一个平面被分成多个平面，因此在平面提取对点云进行类聚。在此使用区域增长算法对点云进行类聚，类聚后对平面进行提取。区域增长算法是通过计算求得的法线和曲率来判断某点是否属于该类。算法的流程如下，如图5所示：

1)假设某一点为种子点，种子周围的点和种子相比；

2)法线方向是否足够相近；

3)曲率是否足够小；

4)如果满足2)，3)则该点可用做种子；

5)如果只满足2)，则归类而不做种子；

6)从某个种子出发，其满足条件2)，3)的“子种子”不再出现则一类聚集完成；

7)限制类的规模大小。

对提取出的类进行RANSAC(Random Sample Consensus)算法平面提取，采用迭代的方式从一组包含离群点(不在同一平面上的点)的聚类中估算出平面模型的参数，并计算该平面的边框和面积。

5、可编辑建筑结构3D模型生成

对提取的平面进行合并和拼接，滤除各种障碍物，生成建筑结构3D模型，如图6所示。计算提取出子平面的面积，删除小于一定阈值的平面。将近似的平面合并，计算其临近的面积大于一定阈值的平面，选取其中最外围的平面作为其临近的墙壁，最终将所有墙壁连接得出其3D模型。

建筑结构的平面特征一般较为简单，而障碍物(桌子，凳子，树木)的平面特征一般较复杂，因此对聚类中提取出面积小于一定阈值α并且平面数量大于阈值ε的聚类移除，如图7所示。将剩余平面中空间位置相近，平面参数方差小于一定阈值β的平面合并成为同一平面，并修改其边框和面积。计算剩余平面中面积大于一定阈值χ的平面与邻近平面的交点，对平面进行扩展得到最终3D模型。

6、可编辑3D模型标定

对激光雷达和生成模型的尺寸进行标定，自动调节模型尺寸。激光雷达传感器是以发射激光束探测目标的位置、速度等特征量的雷达系统。其测量精度受工作环境光照和使用寿命的影响，因此使用前需要对其进行标定。在模型生成后可对3D模型的尺寸进行标定，根据生成3D模型各面的尺寸比例对3D模型进行自动调整。3D模型满足通用可编辑图形文件的格式要求，如“STEP”、“STL”、“VRML”等格式，可以在多种可编辑软件中对其进行修改。

激光雷达测量误差一般为零点偏移误差，即测量距离与实际距离相比增大或减小固定值，测量角度与实际距离相比增大或减小固定值。因此在使用激光雷达测量数据前，记录激光雷达到某一障碍物的距离和障碍物与激光雷达正方向的夹角，并与实际值相比得出误差偏移量，在之后每次测得的数据上加上该偏移量。测量房间实际尺寸，模型中对应边与输入尺寸进行对比，按比例修改模型中各边的长度，生成最终建筑结构3D模型。生成的建筑结构3D模型按照通用的可编辑图形文件格式要求保存，以方便在对模型进行修改编辑。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，包括以下步骤：

S1、建筑结构三维数据获取：通过二维结构运动和二维激光测量获取三维点云数据；

S2、多点云匹配融合：通过匹配算法将同一建筑物结构不同位置测量所得的三维测量点，按其特征进行匹配、融合，形成完整、密集的建筑结构三维点云数据集；

S3、点云预处理：去除由于激光雷达传感器精度和测量噪声引入的干扰点和异常点；

S4、区域增长平面提取：将点云中各点按照其特征聚类，从不同的类别中提取出平面；

S5、可编辑建筑结构3D模型生成：对提取的平面进行合并和拼接，滤除各种障碍物，生成建筑结构3D模型。

2.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，步骤S1中，由摆动机构或旋转机构承载二维激光雷达做往复或圆周运动，通过摆动或旋转获取建筑结构三维点云数据。

3.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，步骤S2具体包括：

S2-1、标准点云信息转换：激光雷达测量数据是以激光雷达为坐标原点的极坐标数据，即距离障碍物的距离信息ρ和角度信息θ，将其转换为标准点云信息，即以激光雷达为原点的空间直角坐标系数据(x,y,z)；

S2-2、点云匹配：对测量得到的多个点云使用最近点迭代算法进行数据匹配，通过求取源点云和目标点云之间的对应点对，基于对应点对构造旋转平移矩阵，并利用所求矩阵，将源点云变换到目标点云的坐标系下，估计变换后源点云与目标点云的误差函数，若误差函数值大于阀值，则迭代进行上述运算直到满足给定的误差要求；

S2-3、点云融合。

4.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，步骤S3具体包括：

S3-1、去除离群点：对点云中每个点，计算其与所有临近点的平均距离，平均距离在标准范围外的点，可被定义为离群点并可从数据集中去除掉；

S3-2、去除点云曲率、点法向异常点：在得到点云中各点的法向量后，移除其中法向量不存在的点。

5.根据权利要求4所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，S3-2中，从点云数据集中近似推断表面法线，计算点云中某点的法向量近似于估计点云表面的一个相切面法线，可将其转换成一个最小二乘法平面拟合估计问题，即分析一个协方差矩阵的特征矢量和特征值，这个协方差矩阵从查询点的近邻元素中创建，在得到点云中各点的法向量后，移除其中法向量不存在的点。

6.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，步骤S4具体包括：

S4-1、区域增长聚类：使用区域增长算法对点云进行类聚，具体包括：假设某一点为种子点，种子周围的点和种子相比：1)法线方向是否足够相近；2)曲率是否足够小；

如果同时满足1)、2)则该点可用做种子；如果只满足1)，则归类而不做种；从某个种子出发，其满足条件1)、2)的“子种子”不再出现则一类聚集完成；同时需要限制类的规模大小；

S4-2、RANSAC平面提取：对提取出的类进行RANSAC算法平面提取，采用迭代的方式从一组包含离群点的聚类中估算出平面模型的参数，并计算该平面的边框和面积。

7.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，步骤S5具体包括：

S5-1、将提取出的面积小于一定阈值α并且平面数量大于阈值ε的聚类移除；

S5-2、合并类似平面，平面参数方差小于一定阈值β的平面合并成为同一平面，并修改其边框和面积；

S5-3、计算邻近两个平面的相交点，将各个平面延伸至相交得到建筑结构3D模型，并将3D模型保存为通用的可编辑图形文件格式。

8.根据权利要求1所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，可编辑建筑结构3D模型生成步骤之后还包括可编辑3D模型标定步骤，对激光雷达和生成3D模型的尺寸进行标定，自动调节模型尺寸。

9.根据权利要求8所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，对激光雷达测得的距离信息和角度信息进行标定，移除零点偏移量。

10.根据权利要求8所述的基于激光雷达的建筑结构自动测量及3D模型生成方法，其特征在于，尺寸标定将生成模型尺寸与实际尺寸进行对比，对模型进行比例微调，得出最终建筑结构3D模型。