CN110060338B - 一种基于bim模型的预制构件点云识别方法 - Google Patents

Abstract

发明提供一种基于BIM模型的预制构件点云识别方法。该识别方法包括扫描构件、降噪分割、利用PCA算法进行单位法向量计算、降维处理、初步筛选、提取轮廓点集、重新取样、粗配准判断、精确配准等步骤。本发明提供了多预制构件同时进行三维激光扫描检测的技术方法，有效解决了多预制构件同时检测时的对象自动识别问题，为后期数据处理提供了方法支持。

Description

一种基于BIM模型的预制构件点云识别方法

技术领域

本发明涉及建筑安全管理领域，特别涉及一种针对装配式建筑行业的三维扫描点云数据的识别方法。

背景技术

三维激光扫描技术利用激光测距原理，通过测量激光从扫描仪到被测物体之间的空间距离，来描述被测物体表面的几何信息。扫描获得大量密集的数据点被称为点云数据，它包含三维坐标、物体表面反射率及纹理等信息。通过处理点云数据，可以快速重建被测物体的三维模型。由于三维激光扫描技术具备高效率、高精度的优势，逐渐取代以往的人工测量方法，成为非接触式测量的代表。

在装配式建筑行业中，由于预制构件需要提前在预制车间加工生产，因此在预制构件被运输至施工现场进行安装之前需要进行严格的质量检测。传统的质量检测方法是通过人工方法利用卷尺、水准仪等设备进行依次测量，且测量结果通过手工记录保存在纸质记录本上。人工测量预制构件存在人力资源消耗大、时间成本高和工作任务繁琐等弊端。当预制构件数量较多、构件形式复杂时，会给尺寸质量检测带来更大的困难。

因此，通过三维激光扫描技术可以实现对预制构件的快速扫描，并通过相应的数据处理手段快速获得构件尺寸信息以达到质量检测的目的。另外，利用三维激光扫描技术可进行多个预制构件同时扫描，可以极大的节约人力和时间成本。然而，三维激光点云数据无拓扑空间结构，不存在对象属性，所以在进行多个预制构件同时扫描时，需要区分所扫描的预制构件点云数据的形式类型，以期达到数据的有效分类与存储。同时，通过对预制构件点云数据的识别可以有效的筛选出不必要的背景数据，从而减轻数据信息量。

发明内容

本发明的目的是提供一种基于BIM模型的预制构件点云识别方法，以解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于BIM模型的预制构件点云识别方法，包括以下步骤：

1)使用处于不同站点的若干个三维激光扫描仪同时扫描多个构件对象，获取构件对象的激光扫描三维点云数据。

2)拼接各站点的点云数据，获得完整点云数据集。

3)对完整点云数据集进行降噪及分割操作。

4)读取步骤3)获得的分割后的各个点云数据集。计算各点云数据集中的每一个点在给定邻域内的所有邻域点。利用PCA算法构建任一点的邻域点矩阵。求解所求邻域点矩阵的协方差矩阵。求解所求协方差矩阵的特征向量，并利用向量叉乘法获得任一点的邻域内法向量。将所求邻域内法向量均归一化处理，得到单位法向量。

5)将步骤4)中获得的各单位法向量进行降维处理，并获得降维分布图。

6)对步骤5)中获得的降维法向量进行网格划分。选定最小频数阈值，对分割后点云数据进行初步筛选。

7)将BIM数据库中的模型对象转换为期望点云，提取各模型对象的轮廓点集。

8)利用Max Leverage重取样算法对步骤6)中经筛选的各分割点云数据集以及步骤7)中获得的各模型对象的轮廓点集分别进行重新取样。

9)对步骤8)中获得的重取样模型对象轮廓点集和重取样筛选后的分割点云数据集利用4PCS算法计算空间刚体变换矩阵，将原数据依次进行粗配准判断。

10)利用ICP算法对经步骤9)粗匹配成功的配对点集进行精确配准。

11)计算步骤10)中所获得的所有精确配准结果DOC值，输出点云识别结果。

进一步，步骤4)中，采用PCA算法进行单位法向量计算时，利用Kd-tree数据结构搜索邻域点集。

进一步，步骤5)中，将步骤4)中获得的各单位法向量从三维坐标系转化为球坐标系。其中，三维空间坐标系(x,y,z)与球坐标系

转换关系如式(1)所示：

式中，ρ表示单位法向量的长度，取1；

表示法向量与XOY平面的夹角，单位为°；θ表示法向量在XOY平面的投影与X轴的夹角，单位为°。

进一步，步骤6)中，根据点云数据密度，选定特定数值N。根据θ与

的范围按照给定数值进行网格划分，其中网格尺寸大小如式(2)和(3)所示：

式中，d_θ表示在水平夹角范围内的平均网格尺寸，°；d_φ表示在竖直夹角范围内的平均网格尺寸，°；θ_max表示水平夹角的最大值；θ_min表示水平夹角的最小值；

表示竖直夹角的最大值；

表示竖直夹角的最小值。

进一步，根据点云密度，选定最小频数阈值T_min，排除网格最大频数f_max小于最小频数阈值T_min的分割后点云数据集；选定高频阈值T₀，计算每个筛选后点云数据集中超过高频阈值T₀的区域数量。

进一步，步骤8)中，根据点云三维坐标(x,y,z)与单位法向量坐标(n_x,n_y,n_z)，循环计算所有点的杠杆值，并将其从大到小排列。每次取出最大杠杆值点，并判断取出点集是否达到取样数量标准，当达到取样数量标准后停止循环，输出重取样后点集。

本发明的技术效果是毋庸置疑的：

A.利用BIM设计模型实现了对包含多个预制构件的点云数据的自动化识别；

B.利用BIM模型的轮廓数据，避免了ICP算法对噪点的影响；

C.识别过程中包括粗配准与精配准步骤，粗配准能够识别预制构件的大致类型，而精确配准能够提高预制构件识别的准确性；

D.有效解决了多预制构件同时检测时的对象自动识别问题，为后期数据处理提供了方法支持。

附图说明

图1为方法流程图；

图2为点云数据单位法向量分布图；

图3为法向量降维分布图；

图4为法向量密度分布图；

图5为三种类型单位法向量分布直方图；

图6为重取样后效果图；

图7为BIM模型示意图；

图8为粗配准与精配准效果图；

图9为分割点云数据编号结果图；

图10为筛选后分割点云数据识别结果图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

多个预制构件在进行传统质量检测过程中，将消耗大量的人力物力时间，三维激光点云扫描技术可实施非接触式质量检测。然而，由于点云数据不存在拓扑空间结构，无法确定全景户外点云数据中预制构件的类型，将对预制构件尺寸分析造成极大的困难。因此，本实施例提供一种基于BIM模型的预制构件点云识别方法，利用单位法向量分布分析去除背景数据，引入4PCS与ICP算法，完成BIM模型与未知分割段点云的自动匹配。根据DOC评价值确定预制构件类型，完成预制构件点云数据的自动识别。

参见图1，本实施例公开一种基于BIM模型的预制构件点云识别方法，包括以下步骤：

1)使用处于不同站点的若干个三维激光扫描仪同时扫描多个构件对象，获取构件对象的激光扫描三维点云数据。

2)拼接各站点的点云数据，获得完整点云数据集。

3)对完整点云数据集进行降噪及分割操作。

4)读取步骤3)获得的分割后的各个点云数据集。计算各点云数据集中的每一个点在给定邻域内的所有邻域点。利用PCA(Principal Component Analysis，主成分分析)算法构建任一点的邻域点矩阵。求解所求邻域点矩阵的协方差矩阵。求解所求协方差矩阵的特征向量，并利用向量叉乘法获得任一点的邻域内法向量。将所求邻域内法向量均归一化处理，得到单位法向量。具体实施时，当采用PCA算法进行单位法向量计算时，可利用Kd-tree数据结构提高运行效率，为了更加准确的描述点的法向量，可以选择一个较小的邻域进行法向量计算。本实例例中取10邻域进行计算。

5)将步骤4)中获得的各单位法向量进行降维处理，并获得降维分布图。如图2～4所示，点云数据的单位法向量分布图由三维降至二维，根据预制构件的特点，其单位法向量的密度分布图中高频区域的数量通常都大于2。

将步骤4)中获得的各单位法向量从三维坐标系转化为球坐标系。其中，三维空间坐标系(x,y,z)与球坐标系

转换关系如式(1)所示：

式中，ρ表示单位法向量的长度，取1。

表示法向量与XOY平面的夹角，单位为°。θ表示法向量在XOY平面的投影与X轴的夹角，单位为°。

6)对步骤5)中获得的降维法向量进行网格划分。选定最小频数阈值，对分割后点云数据进行初步筛选。

进一步，步骤6)中，根据点云数据密度，选定特定数值N。根据θ与

的范围按照给定数值进行网格划分，其中网格尺寸大小如式(2)和(3)所示：

式中，d_θ表示在水平夹角范围内的平均网格尺寸。d_φ表示在竖直夹角范围内的平均网格尺寸。θ_max表示水平夹角的最大值。θ_min表示水平夹角的最小值。

表示竖直夹角的最大值。

表示竖直夹角的最小值。

本实施例中，根据实例点云密度，选定最小频数阈值T_min＝1％×Num，其中Num表示该点云分段数据的数据总量，排除网格最大频数f_max小于最小频数阈值T_min的分割后点云数据集。同时，简单选定高频阈值T₀＝1％×Num，计算筛选后点云数据集中超过高频阈值T₀的区域数量，计算方法可以简单通过图像处理的方式进行区域统计。

如图5所示，实施例中给出三种数据的单位法向量分布特点，第一类背景数据单位法向量最大频数f_max较小，第二类背景数据单位法向量最大频数f_max较大，但高频区域仅有一个，因此排除这两类背景数据后，可大幅度的减轻后期BIM模型匹配计算量。

7)将BIM数据库中的模型对象转换为期望点云，提取各模型对象的轮廓点集。如图7所示两种预制混凝土外墙板的BIM模型，仅在预埋件处有差异，这两种构件也被用来验证精配准结果。在实例中，图6所示预制混凝土外墙板中有2个为I类型，有1个为II类型，识别结果可通过DOC值判断。

8)利用Max Leverage(最大杠杆值)重取样算法对步骤6)中经筛选的各分割点云数据集以及步骤7)中获得的各模型对象的轮廓点集分别进行重新取样。其中，MaxLeverage重取样算法的基本原理描述为：根据点云三维坐标(x,y,z)与单位法向量坐标(n_x,n_y,n_z)，循环计算所有点的杠杆值(Leverage value)，并将其从大到小排列，每次取出最大杠杆值点，并判断取出点集是否达到取样数量标准，当达到取样数量标准后停止循环，输出重取样后点集。

在本实施例中，重取样的数据量占原数据量的10％，如图6所示重取样后的点基本为原数据中的角点或者突出点，最大限度的保留了预制构件的几何轮廓，不仅可以减少配准过程中的计算量，还能够提高配准精确度。

9)对步骤8)中获得的重取样模型对象轮廓点集和重取样筛选后的分割点云数据集利用4PCS(4-Point Congruent Set，四点全等集合)算法计算空间刚体变换矩阵，将原数据依次进行粗配准判断。若粗匹配成功则判断该点云数据集可能为预制构件点云数据。

所述4PCS算法基本原理描述为：首先，在模板点集中搜索两对空间相交数据点，分别计算每一对数据点的长度；其次，在配对点集中搜索满足该两组长度且相交的所有数据点对；最后，进行模型点集与配对点集的空间坐标变换，检测是否配对成功，并循环多次，输出最佳空间刚体变换矩阵。若输出为空，则表示该点集不为预制构件点集。以输出的最佳空间刚体变换矩阵将完整BIM模型轮廓点集与该段完整点云数据进行空间位置变换，获得粗匹配结果。

具体实施时，也可采用Super-4PCS算法提高运行速度，如图8中8a所示，经过粗匹配后，配对成功的点云数据与BIM模型轮廓数据匹配接近，效果良好。

10)利用ICP(Iterative Closest Point，最近点迭代)算法对经步骤9)粗匹配成功的配对点集进行精确配准，以实现对构件细微差别上的判断。所述ICP算法基本原理为：根据点云密度设置模型点集Model的邻域阈值t_r,计算配对点集Data中所有距离模型点集小于领域阈值t_r的点，作为模型配对点。求解优化方程，根据这些模型配对点计算空间刚体变换矩阵，使得配对点对变换后的距离最小。反复迭代算法，直至算法收敛，使得Model与Data中的点尽可能多的匹配。

具体实施时，如图8中8b所示，精确配准后BIM模型与点云数据集匹配度较高，依此可用来计算BIM模型匹配度。

11)计算步骤10)中所获得的所有精确配准结果DOC值，输出点云识别结果。输出所有点云数据块；

在实例中领域阈值t_r＝2cm,按照下式计算DOC值，用以判断BIM模型与点云数据集的匹配度：

DOC＝A_match/A_total

上式中，A_match表示匹配上的BIM模型轮廓点的个数，A_total表示BIM模型轮廓点的总个数。DOC值表示匹配点占BIM模型轮廓点集中的比例，用来表示BIM模型与所匹配点云数据集的匹配程度。

实例中点云数据I的分割后的编号如图9中9a所示，点云数据II的分割后的编号如图9中9b所示。图10所示结果为筛选后的点云数据集经过精确匹配后的结果。表1显示了匹配成功的点云数据集的DOC值，其中由于点云数据I中含有两种类型构件，第一排数值表示I类型BIM模型的匹配度，第二排数值表示为II类型BIM模型的匹配度。

表1

上述实验效果证明，预制构件点云数据得到准确的识别，本发明公开的一种基于BIM模型的预制构件识别方法准确地将扫描获得的预制构件点云数据依次识别成功，本实施例所述方法是切实有效的。

值得说明的是，本实施例通过离散BIM模型轮廓点集与预制构件点云精匹配后通过计算DOC值判断点云类型。点云精简采样可以便于4PCS算法获得配对点，并完成粗匹配。

Claims (6)

1.一种基于BIM模型的预制构件点云识别方法，其特征在于，包括以下步骤：

1)使用处于不同站点的若干个三维激光扫描仪同时扫描多个构件对象，获取构件对象的激光扫描三维点云数据；

2)拼接各站点的点云数据，获得完整点云数据集；

3)对完整点云数据集进行降噪及分割操作；

4)读取步骤3)获得的分割后的各个点云数据集；计算各点云数据集中的每一个点在给定邻域内的所有邻域点；利用PCA算法构建任一点的邻域点矩阵；求解所求邻域点矩阵的协方差矩阵；求解所求协方差矩阵的特征向量，并利用向量叉乘法获得任一点的邻域内法向量；将所求邻域内法向量均归一化处理，得到单位法向量；

5)将步骤4)中获得的各单位法向量进行降维处理，并获得降维分布图；

6)对步骤5)中获得的降维法向量进行网格划分；选定最小频数阈值，对分割后点云数据进行初步筛选；

7)将BIM数据库中的模型对象转换为期望点云，提取各模型对象的轮廓点集；

8)利用Max Leverage重取样算法对步骤6)中经筛选的各分割点云数据集以及步骤7)中获得的各模型对象的轮廓点集分别进行重新取样；

9)对步骤8)中获得的重取样模型对象轮廓点集和重取样筛选后的分割点云数据集利用4PCS算法计算空间刚体变换矩阵，将原数据依次进行粗配准判断；

10)利用ICP算法对经步骤9)粗匹配成功的配对点集进行精确配准；

11)计算步骤10)中所获得的所有精确配准结果DOC值，输出点云识别结果。

2.根据权利要求1所述的一种基于BIM模型的预制构件点云识别方法，其特征在于：步骤4)中，采用PCA算法进行单位法向量计算时，利用Kd-tree数据结构搜索邻域点集。

3.根据权利要求1所述的一种基于BIM模型的预制构件点云识别方法，其特征在于：步骤5)中，将步骤4)中获得的各单位法向量从三维坐标系转化为球坐标系；其中，三维空间坐标系(x,y,z)与球坐标系

转换关系如式(1)所示：

式中，ρ表示单位法向量的长度，取1；

表示法向量与XOY平面的夹角，单位为°；θ表示法向量在XOY平面的投影与X轴的夹角，单位为°。

4.根据权利要求1所述的一种基于BIM模型的预制构件点云识别方法，其特征在于：步骤6)中，根据点云数据密度，选定特定数值N；根据θ与

的范围按照给定数值进行网格划分，其中网格尺寸大小如式(2)和(3)所示：

式中，d_θ表示在水平夹角范围内的平均网格尺寸，°；d_φ表示在竖直夹角范围内的平均网格尺寸，°；θ_max表示水平夹角的最大值；θ_min表示水平夹角的最小值；

表示竖直夹角的最大值；

表示竖直夹角的最小值。

5.根据权利要求1所述的一种基于BIM模型的预制构件点云识别方法，其特征在于：步骤6)中，根据点云密度，选定最小频数阈值T_min，排除网格最大频数f_max小于最小频数阈值T_min的分割后点云数据集；选定高频阈值T₀，计算每个筛选后点云数据集中超过高频阈值T₀的区域数量。

6.根据权利要求1所述的一种基于BIM模型的预制构件点云识别方法，其特征在于：步骤8)中，根据点云三维坐标(x,y,z)与单位法向量坐标(n_x,n_y,n_z)，循环计算所有点的杠杆值，并将其从大到小排列；每次取出最大杠杆值点，并判断取出点集是否达到取样数量标准，当达到取样数量标准后停止循环，输出重取样后点集。

Images