CN111854651A - 基于slam的室内建筑面积实时测量方法 - Google Patents

Abstract

本发明涉及一种基于SLAM的室内建筑面积实时测量方法。首先，利用激光雷达和SLAM技术得到二维地图；其次，利用卷积特征网络将SLAM构建的地图进行边缘提取，以得到环境去噪和更清晰地图的目的；然后，进行全局地图的二值化与像素统计；最后，采用对比面积测量法计算实际建筑面积。与现有技术相比，本发明充分利用了SLAM实时构图的特点与精确建图的优势，将其利用于室内建筑面积实时测量，操作性高、实用性强，并开创性地将激光SLAM和图像处理技术与工程应用结合起来，丰富了SLAM算法和图像处理的应用。

Description

基于SLAM的室内建筑面积实时测量方法

技术领域

本发明涉及SLAM地图构建技术领域，具体涉及一种利用SLAM技术进行的室内面积测量方法。

背景技术

在建筑施工、室内装修以及人们购房过程中需要测量房屋面积时，现有的室内环境测图手段非常有限。在室外，GPS是常用的测绘手段，大多地籍测量依靠GPS进行测量和制图，但在室内环境中GPS信号微弱，设备无法使用。全站仪也是常有的测绘设备，但它需要给定控制点，且携带不便，效率低。WiFi 信号也十分普及，申请号201721437251.1就提出了一种基于WI-FI的面积测量装置，但由于WiFi信号常不稳定，使室内面积测量误差大，也不宜采用。

现如今，计算室内建筑的面积通常仍然采用传统手动测绘的方式，绘制各房间的建筑面积边线，再分别统计各房间的面积。该技术采用人工的方式进行绘制，出错率高，建筑边线调整后须手动对面积边线进行修改，无法动态调整，也无法实时获得测量结果，效率较低。

发明内容

本发明要解决的技术问题是，提供一种基于SLAM的室内建筑面积实时测量方法，操控简单、省工省力，能够实时、准确且快速地对房屋进行构图、测量，方便使用者及时地获取室内建筑精准的面积信息。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于SLAM的室内建筑面积实时测量方法，其特征在于包括以下步骤：

步骤1：基于激光雷达的SLAM地图构建，依次获得多个子地图；

步骤2：获得子地图后利用卷积特征网络进行边缘提取，输出高质量边缘图；

步骤3：全局地图的二值化与像素统计，得到地图上实际占地面积；

步骤4：采用对比的面积测量法计算实际室内建筑面积；

所述对比的面积测量方法设置为：在SLAM地图构建前任意选择一个已知面积的物体作为标定物，所述标定物在二值化处理的室内建筑平面图中像素值为0，为灰色区域，通过计算局部像素值得到该标定物像素值，再采用标定物与目标的对比面积公式

得到实际所测室内建筑面积。

进一步，步骤1中利用激光雷达为核心硬件结构进行非接触式距离测量，获取二维占用栅格地图。

进一步，步骤1中地图构建过程中，初始子地图建立之后，后续子地图的创建方法如下：

随着机器人的移动，通过和与前一时刻的子图关联，激光帧以最小误差方式将激光帧插入到子地图中；随着机器人移动，越来越多的激光帧加入地图之中，子地图规模也不断增加，当子地图特征数目到达一定阈值时，开始下一子图的创建。

进一步，步骤1中当满足子地图的终止条件时，会进行闭环检测：当一个新的激光帧加入到地图中时，如果该激光帧的估计位姿与地图中某个子图的某个激光帧的位姿比较接近的话，那么通过匹配就会找到该闭环；闭环检测后，整个系统的流程进入到SLAM的后端实现地图优化，进而实现全局地图的构建。

进一步，步骤2中利用卷积特征网络将SLAM构建的地图进行边缘轮廓提取得到边缘图，所述卷积特征网络构建过程如下：

1)首先，以VGG16卷积神经网络为基础网络，去除VGG16卷积神经网络中的全连接层和池化层第五层，对VGG16卷积神经网络中的每个卷积层与 1*1-21的卷积核相连，每层的结果特征映射被累积再使用一个按元素操作层 eltwise layer，将每步中的输出进行相加得到一个复合特征；所述VGG16卷积神经网络由13个卷积层和3个全连接层组成，卷积层分五个阶段，每个阶段后连接着一个池化层；

2)再将每个按元素操作层eltwise layer后面加一个反卷积层deconv layer用来放大特征图尺寸，其次，在每个上采样层后用一个交叉熵损耗，随后将所有的上采样层的输出进行联系，再使用一个1*1的卷积层进行特征图融合；

3)最后使用一个交叉熵损失函数得到轮廓图。

进一步，步骤2中为了提高边缘质量，调整图像的大小以构造图像金字塔，并且这些用于图像金字塔的图像中的每一个分别传送到单个比例检测器；然后，使用双线性插值将所有得到的边缘概率映射调整为原始图像大小，最后对这些图进行融合得到最终的环境结构图。

进一步，步骤3中像素统计的具体方法为：

将二值化处理后的图像进行像素遍历，统计像素值为255或者二值化后白色区域的像素总数，即为室内建筑实际面积像素数，将该像素数作为下一步计算实际面积的重要参数。

综上，本发明使用基于SLAM进行室内建筑面积实时测量，通过激光雷达采集室内环境信息；通过激光SLAM技术得到全局地图；再使用卷积特征网络将二维地图进行边缘提取；利用像素统计得到地图上实际占地面积；然后利用对比面积测量方法计算得到实际面积数据。

相对于现有技术，本发明的有益效果是：

(1)针对现有普遍采用人工测量室内建筑面积低效、出错率高的缺陷，利用激光SLAM进行室内建筑实时构图，有效提高了效率、提升了精度，弥补了人工测面积的不足之处。同时激光SLAM适应性强，可实时测量室内建筑实际面积。将SLAM应用于室内建筑面积测量，在减少人力成本的同时，提高了系统的精确性和实时性，并丰富了SLAM算法和图像处理的应用场景。

(2)采用对比面积测量方法，操控简单、省工省力，且有效巧妙地利用现场随处可得的标定物，通过对比标定物与室内建筑地图像素数，再根据已知的标定物面积，即可算得室内建筑面积，该方法计算过程快速准确，大大提高面积测量效率以及精确度。

(3)与传统的人工测量室内建筑面积方法相比，本发明采用卷积特征网络构建边缘检测模型来将SLAM建图进行优化，精准地对施工环境进行扫描建图，得到更加准确的室内建筑面积数据，以保证面积测算的准确性。

附图说明

图1为本发明SLAM构建地图的流程图。

图2为本发明测试目标的室内环境结构图。

图3为本发明机器人位姿约束及点云图。

图4为本发明构建的测试目标SLAM全局地图。

图5为本发明卷积特征网络构建流程图。

图6为本发明图像金字塔结构示意图。

图7为本发明各种算法的边缘提取结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1-7所示，本发明公开了一种基于SLAM的室内建筑面积测量方法。使用者利用激光雷达和SLAM技术得到环境全局地图；接下来，利用卷积特征网络将SLAM构建的地图进行轮廊提取，输出高质量边缘图；将地图相应二维矩阵中各个像素点进行二值化处理，并统计出目标像素总个数；利用精确构建的室内建筑地图数据，再通过对比图片像素与实际面积大小的关系，得到实际建筑面积。该方法具体包括以下步骤：

步骤1：激光SLAM地图构建

1.1技术路线

1)首先在前端激光雷达提供SLAM的输入数据，以构建子地图。对于在室内环境移动的机器人，其位姿ξ＝(x,y,θ)^T可以由激光雷达的观测算出。

可将激光点定义为h＝(h_x,h_y)^T，激光每扫描一次，将生成一个点集，可以将扫描点的集合描述为H＝{h_i}_{i＝1,……，n},h_i∈R²，通过激光点坐标变换T_ξ转换至全局坐标系，该变换为

式(1)中，S_i(ξ)表示转换后的子地图坐标。

随着机器人移动到当前位置(位姿为ξ)，通过和与前一时刻的子图关联，激光帧以最小误差方式将激光帧插入到子地图中。随着机器人移动，越来越多的激光帧加入地图之中，子地图规模也不断增加，当子地图特征数目到达一定阈值时，开始下一子图的创建。

2)当满足子地图的终止条件时，会对进行闭环检测。当一个新的扫描帧加入到地图中时，如果该扫描帧的估计位姿与地图中某个子图的某个扫描帧的位姿比较接近的话，那么通过匹配就会找到该闭环。闭环的优化公式如下：

全局坐标系中的子图位姿

和扫描位姿

其中子图累计的个数为m，扫描正确匹配的个数为n。通过给定一些约束条件进行优化。这些约束采取相对的形式构成ξ_ij和相关的协方差矩阵∑_ij。对于一组子图 i和扫描j，子图坐标系的姿态ξ_ij描述扫描匹配，协方差矩阵∑_ij可以估计特征。

该约束的残差由以下式子计

ρ是Huber损失函数，用来降低由于扫描环境原因产生的而异常值所带来的影响。比如在室内环境中会有很多相似的场景，进而容易导致错误的闭环，考虑异常值，能减少错误闭环的发生。

3)闭环检测后，整个系统的流程进入到SLAM的后端，以实现地图优化，进而实现全局地图的构建，流程如图1所示。

1.2地图构建

地图构建的实验设计在Ubuntu操作系统上运行，开发语言以C++为主，通过在ROS上运行SLAM程序，选取了一处典型的测试环境，为武汉科技大学钢铁楼12楼某办公区域。图2为测试环境结构图。

选取的测试场景长约10.7m、宽约6.9m，建筑面积约73.8m²。所选环境中还有柜子、门、窗户等建筑结构，特征较少，适合对SLAM算法的鲁棒性进行测试。

图3中，由16个机器人位姿点，每个位姿之间构成约束，一共形成47条约束，由颜色不同的线条表示。图4是由8个子图拼接而成，地图分辨率为5cm。通过计算可得出的面积为73.98m²，误差为0.18m²，所制得的室内地图满足室内测图要求。上述实验可以验证该算法的有效性，并且构建地图效果较好。

步骤2：数据预处理

2.1边缘提取

1)获得子地图后利用卷积特征网络进行边缘提取。首先，去除卷积神经网络VGG16卷积神经网络中的全连接层和池化层第五层，对VGG16中的每个卷积层与1*1-21的卷积核相连，每层的结果特征映射被累积再使用一个按元素操作层eltwise layer，将每步中的输出进行相加得到一个复合特征；

2)再将每个按元素操作层eltwise layer后面加一个反卷积层deconv layer用来放大特征图尺寸，其次，在每个上采样层后用一个交叉熵损耗，随后将所有的上采样层的输出进行联系，再使用一个1*1的卷积层进行特征图融合；

3)最后使用一个交叉熵损失函数得到轮廓图。卷积特征网络构建流程如图 5所示。

卷积特征网络中每一层图像处理后的每个像素的损失函数定义如下：

其中，

Y⁺和Y^-分别表示正样本集和负样本集；λ是平稳正负样本的参数；X_i表示当前像素的特征向量，y_i表示边缘概率值；P(X)表示标准sigmoid函数，W表示此网络结构将要学习的所有参数；由此得到卷积特征网络总损失函数可以表述为

此时

表示第k阶段的CNN特征向量，k表示训练的阶层数，且k＝5，而

表示最终融合层的特征向量，|I|表示图像的像素值。

为了提高边缘质量，调整图像的大小以构造图像金字塔，并且这些图像传送到单个比例检测器。然后，使用双线性插值将所有得到的边缘概率映射调整为原始图像大小，最后对这些图进行融合得到最终的环境结构图，图像金字塔如图6 所示。

2.2实验设置及数据集的选择

为了验证文中提出方法的有效性，在CPU为Intel(R)Core(TM)i5-3337U，内存为16GB的PC机上，对多组图像进行了实验验证，其中用到的框架为 Tensorflow和Keras。

实验选取的训练集图像尺寸被缩放为544×384，分别选取了机场、建筑和桥梁等多种场景的图像进行算法仿真。数据集包括640张处理过后的轮廓图和对应真实的场景图组成，其中256张为训练图片，256张为测试图片，128张为检验图片。本文选择文献中具有代表性的传统边缘提取算法进行对比实验，分别为 canny，laplace，scharr，sobel，以及未经训练的卷积特征网络和训练后的卷积特征网络。

接下来对各种算法的边缘提取性能进行定性分析，选取两个不同面积大小的场景图进行实验，场景一为面积为73.8m²的某办公区域，场景二为面积为3000 m²的某地下停车场。各种算法的边缘提取结果如7所示，其中图7(a)表示未经边缘提取的SLAM地图；图7(b)为手动边缘提取的SLAM地图；7(c)canny； 7(d)laplace；7(e)scharr；7(f)sobel；7(g)卷积特征网络；7(h)训练后的卷积特征网络边缘提取图。

由图7可见，与传统的canny算子，laplace，scharr，sobel算子相比，卷积特征网络的边缘检测算法具有更高的灵敏度，更高的精度以及更强的抗噪声干扰能力。而卷积特征网络输出的边缘图像能够较好地反映目标的显著性边缘，但是轮廓较模糊。而在训练过数据集后的卷积特征网络得到的图像分辨率更高，轮廓更清晰，性能明显优于其余算法。

步骤3：全局地图的二值化与像素统计：将二值化处理后的图像进行像素遍历，统计像素值为255即室内建筑地图二值化后白色区域的像素总数，这即为室内建筑实际面积像素数。

步骤3.1：找出图像的最小灰度值T_min和最大灰度值T_max的均值作为灰度阈值的初始估计值T_k，初始值k＝0。

步骤3.2：用灰度阈值T₀分割图像，将图像分割成C₁和C₂两部分。其中C₁由灰度值大于T₀的所用像素组成，C₂由灰度值小于T₀的所用像素组成。计算C₁和 C₂区域的平均灰度值，分别记为μ₁和μ₂。

步骤3.3：计算新的灰度阈值T_k+1，其中

步骤3.4：重复步骤3.2、3.4，直到阈值T_k+1与T_k的插值小于规定值时结束，把T_k+1作为最佳阈值。

步骤3.5：

其中f(x,y)是点(x,y)出的像素值， g(x,y)是分割后的像素值。

步骤3.6：将二值化处理后的图像进行像素遍历，统计像素值为255即室内建筑地图二值化后白色区域的像素总数，这即为室内建筑实际面积像素数，将此作为下一步计算实际面积的重要参数。

步骤4：采用对比面积测量法计算实际建筑面积：

在SLAM进行构图过程中任意选择一个已知面积的物体作为标定物，其在二值化处理的室内建筑平面图中，像素值为0即为灰色区域，通过计算局部像素值即可得到该目标物像素值，再采用对比面积测量方法，即可通过式(1)得到实际所测室内建筑面积。

综上所述，本发明区别于传统的室内面积测量方法，不需要复杂的外部硬件和测量工具，同时能在无人为干预测绘的基础上，利用激光SLAM等技术精准建图，并通过像素统计以及对比面积测量法实时测量室内建筑面积，降低了测量耗时和验收时人为测量误差，高效易行。

Claims (7)

1.一种基于SLAM的室内建筑面积实时测量方法，其特征在于包括以下步骤：

步骤1：基于激光雷达的SLAM地图构建，依次获得多个子地图；

步骤2：获得子地图后利用卷积特征网络进行边缘提取，输出高质量边缘图；

步骤3：全局地图的二值化与像素统计，得到地图上实际占地面积；

步骤4：采用对比的面积测量法计算实际室内建筑面积；

所述对比的面积测量方法设置为：在SLAM地图构建前任意选择一个已知面积的物体作为标定物，所述标定物在二值化处理的室内建筑平面图中像素值为0，为灰色区域，通过计算局部像素值得到该标定物像素值，再采用标定物与目标的对比面积公式

得到实际所测室内建筑面积。

2.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤1中利用激光雷达为核心硬件结构进行非接触式距离测量，获取二维占用栅格地图。

3.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤1中地图构建过程中，初始子地图建立之后，后续子地图的创建方法如下：

随着机器人的移动，通过和与前一时刻的子图关联，激光帧以最小误差方式将激光帧插入到子地图中；随着机器人移动，越来越多的激光帧加入地图之中，子地图规模也不断增加，当子地图特征数目到达一定阈值时，开始下一子图的创建。

4.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤1中当满足子地图的终止条件时，会进行闭环检测：当一个新的激光帧加入到地图中时，如果该激光帧的估计位姿与地图中某个子图的某个激光帧的位姿比较接近的话，那么通过匹配就会找到该闭环；闭环检测后，整个系统的流程进入到SLAM的后端实现地图优化，进而实现全局地图的构建。

5.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤2中利用卷积特征网络将SLAM构建的地图进行边缘轮廓提取得到边缘图，所述卷积特征网络构建过程如下：

1)首先，以VGG16卷积神经网络为基础网络，去除VGG16卷积神经网络中的全连接层和池化层第五层，对VGG16卷积神经网络中的每个卷积层与1*1-21的卷积核相连，每层的结果特征映射被累积再使用一个按元素操作层eltwise layer，将每步中的输出进行相加得到一个复合特征；所述VGG16卷积神经网络由13个卷积层和3个全连接层组成，卷积层分五个阶段，每个阶段后连接着一个池化层；

2)再将每个按元素操作层eltwise layer后面加一个反卷积层deconv layer用来放大特征图尺寸，其次，在每个上采样层后用一个交叉熵损耗，随后将所有的上采样层的输出进行联系，再使用一个1*1的卷积层进行特征图融合；

3)最后使用一个交叉熵损失函数得到轮廓图。

6.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤2中为了提高边缘质量，调整图像的大小以构造图像金字塔，并且这些用于图像金字塔的图像中的每一个分别传送到单个比例检测器；然后，使用双线性插值将所有得到的边缘概率映射调整为原始图像大小，最后对这些图进行融合得到最终的环境结构图。

7.根据权利要求1所述的基于SLAM的室内建筑面积实时测量方法，其特征在于：步骤3中像素统计的具体方法为：

将二值化处理后的图像进行像素遍历，统计像素值为255或者二值化后白色区域的像素总数，即为室内建筑实际面积像素数，将该像素数作为下一步计算实际面积的重要参数。

Images