CN112465896B - 一种基于多视轮廓点的三维壁画几何变化检测方法 - Google Patents

一种基于多视轮廓点的三维壁画几何变化检测方法 Download PDF

Info

Publication number
CN112465896B
CN112465896B CN202011359959.6A CN202011359959A CN112465896B CN 112465896 B CN112465896 B CN 112465896B CN 202011359959 A CN202011359959 A CN 202011359959A CN 112465896 B CN112465896 B CN 112465896B
Authority
CN
China
Prior art keywords
point
point cloud
points
dimensional
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011359959.6A
Other languages
English (en)
Other versions
CN112465896A (zh
Inventor
孟庆祥
王羽茜
吴明东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011359959.6A priority Critical patent/CN112465896B/zh
Publication of CN112465896A publication Critical patent/CN112465896A/zh
Application granted granted Critical
Publication of CN112465896B publication Critical patent/CN112465896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Graphics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于四维曲面拟合的激光点云轮廓线对比的三维壁画表面几何变形自动检测方法。首先用ICP算法将两片三维壁画的点云数据大致配准，然后用PCA算法求取点云法向量，将法向量投影到单位高斯球面上，采用多视角高斯球平行投影的方式提取点云的轮廓线，最后通过四维曲面拟合方法对提取到的轮廓线进行对比。本发明充分利用点云数据的轮廓特征信息，利用点云表面的变化来准确地检测出三维壁画表面的变化：该方法在整个检测过程中不需要或者仅需要极少的人工进行干预就能得到很好的检测效果，具有数据更新快，成本低，精度高的特点，同时也能对变化区域进行变化性质的判断，为文物保护与检测领域提供了一种有效的检测方法。

Description

一种基于多视轮廓点的三维壁画几何变化检测方法
技术领域
本发明涉及遥感科学与技术相关的领域，尤其涉及利用三维激光点云(LiDAR)对三维壁画表面进行几何变化检测，提供一种自动化的检测分析方法。
背景技术
文物古迹的保护与传承对于人类社会的发展具有重要意义。然而，由于自然环境、人类活动、文物自身等原因，文物古迹在传承过程中，存在不同程度的不可逆损毁，甚至消失。检测古文物表面的变化情况对于古文物的保护与修护具有十分重要的现实意义。
现阶段对于文物表面变化(形)检测的手段主要有以下方法：(1)人工测绘方法：使用测绘仪器，通过大量人力物力采集数据，未能对数据进行二次挖掘和深度利用，同时测量人员直接与文物相接触，还会造成文物的二次破坏；(2)近景摄影测量方法：一种非接触式的方法，但该方法对影像的质量要求较高，后期影像处理、校对等工作量也较大；(3)三维激光扫描技术：相较于前两种方式，激光扫描技术采集数据的效率大幅度提高，具有快速度、高密度、高精度、无接触等特性，能够快速精确地获得物体表面三维点云信息。
尽管上述各种方法都能应用于文物表面的保护和研究，且建立了精确的文物三维模型，但这些方法没有充分顾及文物表面的三维变化。三维壁画表面为人工雕刻的不规则形状，特征密集、不规则，现有的文物检测方法能否用于对三维壁画表面的几何检测还有待进一步确认。此外，目前基于点云的古文物研究大多都是利用点云数据建立三维模型，针对壁画表面变化的检测多集中在二维变化检测研究，如壁画表面的褪色、起鼓、病虫害等，对于其表面的几何变化检测方法还很少，因此迫切的需要一种检测文物表面三维几何变化的方法。
发明内容
本发明利用同一三维壁画表面不同时间的点云数据，针对现有检测方法的不足，充分利用点云模型表面的轮廓点信息，提供一种基于多视轮廓点的三维壁画几何变化检测方法。
为实现上述目的，本发明解决其技术问题所采用的技术方案为：
本发明提供一种基于四维曲面拟合的激光点云轮廓点对比的三维壁画表面几何变形自动检测方法，该方法包括以下步骤：
步骤1、利用三维激光扫描仪在不同的时间段采集同一三维壁画表面的点云数据；
步骤2、对两期点云数据进行精简、去噪、和重采样等预处理工作；
步骤3、利用ICP(Iterative Closest Point)算法对两期点云数据进行粗配准，使两片点云对应特征大致对齐；
步骤4、用PCA(Principal Component Analysis，主成分分析)算法求取两片点云的法向量，并将法向量投影到单位高斯球面上，生成点云对应的高斯球面模型；
步骤5、采用多视角高斯球平行投影的方式从多个角度提取点云的轮廓点；
步骤6、在重采样格网下对轮廓点集合进行重采样；
步骤7、固定某一片点云，另外一片点云有规律的移动，对比每一次移动后两片点云的差值情况，将相差的格网个数记为Mq；
步骤8、利用本发明设计的四维曲面拟合方法对比两片点云表面各部分的几何变化情况，得到对比结果1；
步骤9、交换步骤7中的固定点云与移动点云片，并利用步骤8的方法得到对比结果2；
步骤10、比较对比结果1和对比结果2，获取三维壁画表面发生几何变化的区域。
进一步地，本发明步骤4的具体方法为：
设点云中一点P，其邻域的质心计算公式为：
Figure BDA0002803689220000021
其中
Figure BDA0002803689220000022
为邻域的质心坐标，pi为邻域中的点。然后构建邻域的协方差矩阵
Figure BDA0002803689220000023
式中，r为p点所在邻域半径，pj为邻域内的点，
Figure BDA0002803689220000024
为质心，k为邻域内点的总个数，
Figure BDA0002803689220000025
为点pj到质心的距离。最后计算协方差矩阵E的特征值及特征向量
E·vj＝λj·vj
式中，λj是矩阵E特征值，vj是λj对应的特征向量。取最小的特征值对应的特征向量为所求点对应的法向量n。
步骤4中高斯球映射的原理和方法为：
对于一个分段光滑的空间三维曲面S，假设其上所有点的单位法向量为n，并将法向量的起点平移到单位球S2的球心O上，则法向量的终点落在单位球面上，形成投影点的集合称为该曲面S的高斯图，曲面上的点向球面上映射的过程，称为高斯映射，该单位球称为高斯球面。
进一步地，本发明步骤5的具体方法为：
轮廓点的定义为：对于光滑曲面S，定义满足表面点法向量垂直于视线方向的点组成的点集为轮廓点点集。即
ni·n＝0
其中，ni为曲面某点的法向量，n为视线方向向量，如图1所示为轮廓点的示意图，图中虚线为特征线。
进一步地，本发明步骤6的具体方法为：
在点云的最大面上按照固定大小矩形格网对点云进行区域划分，选取其中一个点云建立格网，当有多个特征点在同一个格网中时，取均值为该格网的最大面方向特征值，采样格网大小对应关系如下式：
Figure BDA0002803689220000031
其中，Cellwidth为采样格网大小，N为点云内轮廓点特征点总数，widthX为点云在X方向上的宽度，widthY为初始默认值。
进一步地，本发明步骤7的具体方法为：
实施例中点云片移动方法为：先固定T2时期的特征，移动T1时期的特征进行对比。设M1为T1中的某一特征，M1中的点的坐标集合为K1(X1,Y1,Z1)，设M2为T2中与M1对应的特征，M2中点的坐标集合为K2(X2,Y2,Z2)。在对比过程中，首先将特征M1上对应坐标为(maxX1，maxY1，maxZ1)的点与M2上的坐标(MaxX2+ΔX,MaxY2+ΔY,MaxZ2+ΔZ)对齐。然后移动M1，移动方法如图3所示，先在X方向移动，当X方向无法继续移动时，再在Y方向移动一次，继续沿X方向移动。当M1在XY平面移动完毕后沿Z方向移动一次。。每一次移动后对特征M1与M2对应格网进行一次计算，相差的格网个数记为Mq，其中q为当前对比次数。
进一步地，本发明步骤8的具体方法为：
通过步骤7的方法移动特征，每移动一次就会得到对应的结果Mq，移动完毕后会得到一组(X2,Y2,Z2,Mq)值(其中X2,Y2,Z2分别为集合K2中对应的值)。该实施例中，以X2为x坐标、Y2为y坐标、Z2为z坐标、Mq值为h坐标构造四维曲面H(x,y,z)，用最小二乘法进行四维曲面的多项式拟合，选取的拟合方程为：
H(x,y,z)＝a1x3+a2x2+a3x+b1y3+b2y2+b3y+c1z3+c2z2+c3z+d
其中a1，a2，a3，b1，b2，b3，c1，c1，c1，d为方程的拟合系数，根据改进的随机游走算法求出曲面H中h值的最小值，记为MinH。比较|MinH|与ε值的大小，若|MinH|<ε，则特征M1与特征M2判定为完全重合，标记为没有发生变化，否则特征M1相比特征M2发生了变化。
进一步的，改进的随机游走算法步骤为：
①给定曲面中的初始迭代点(X0,Y0,Z0)，初次行走步长μ，控制精度∈；
②给定迭代控制次数K，j为当前迭代次数，置j＝1；
③当j<K时候，随机生成n个(-1,1)之间的向量Uj＝(Xj,Yj,Zj)，将向量Uj标准化得到U′j，令(Xj,Yj,Zj)＝(X0,Y0,Z0)+μU′j(Xj,Yj,Zj)，取寻找的曲面最小值坐标对应坐标为(Xmin,Ymin,Zmin)，完成第一步游走；
④计算函数值，如果N(Xmin,Ymin,Zmin)<N(X0,Y0,Z0)，即找到了一个比初始值好的点，那么j重新置为1，将(Xmin,Ymin,Zmin)作为初始值，回到第②步，否则j＝j+1，回到第③步；
⑤如果连续K次都找不到更优的值，则认为，最优解就在以当前最优解为中心，当前步长为半径的K维球内。此时，如果μ<∈，则结束算法；否则，令μ＝μ/2，回到第①步，开始新一轮游走。
进一步地，本发明步骤10的具体方法为：
判断特征M发生了变化的条件为：将对比结果1和对比结果2进行相互对比,若特征M在对比结果1和对比结果2中都判断为发生了变化，则特征M为有差别特征。若特征M在某一个对比结果中判断为发生了变化，在另一个对比结果中判断为未发生变化，则特征M为可疑特征，进行可疑特征标记，对于可疑特征是否为变化特征需进一步通过人为判断确定。若特征M在对比结果1和对比结果2中都判断为未发生变化，则特征为无差别特征。
本发明具有的有益效果是：利用三维壁画表面不同时期的点云数据，开展的基于四维曲面拟合的轮廓点对比几何变化检测方法研究，提出了一种针对三维壁画表面的几何变化检测方法：首先用ICP算法将两片三维壁画的点云数据大致配准，然后用PCA算法求取点云法向量，将法向量投影到单位高斯球面上，采用多视角高斯球平行投影的方式提取点云的轮廓点，最后通过四维曲面拟合方法对提取到的轮廓点进行对比。本发明充分利用点云数据的轮廓特征信息，利用点云表面的变化来准确地检测出三维壁画表面的变化：该方法在整个检测过程中不需要或者仅需要极少的人工进行干预就能得到很好的检测效果，具有数据更新快，成本低，精度高的特点，同时也能对变化区域进行变化性质的判断，为文物保护与检测领域提供了一种有效的检测方法。
综上所述，本发明可靠实用，对于三维表面的几何变形检测有较好的适应性，在实际采集的三维壁画数据表面上均采取了相关处理措施并获得了优异效果，实用性和可行性较好。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明的具体实现流程图；
图2是轮廓点上的点的示意图；
图3是特征线移动方法图。
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，以下结合附图及附图标记对本发明进行更详细的说明，使熟悉本领域的技术人在研读本说明书后能据以实施。应当理解，此处所描述的具体实施例是指示性的，仅用以解释本发明，并不用于限定本发明。基于本发明申请的实施例，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，都应当属于本申请保护的范围。
实施例的具体实现方法包括以下步骤：
步骤1，利用三维激光扫描仪在不同的时间段采集同一三维壁画表面的点云数据。
步骤2，对两期点云数据进行精简、去噪、和重采样等预处理工作。
实施例对采集新旧两个不同时期的点云数据进行处理，分别记为T1时期的点云数据和T2时期的点云数据，对两期点云数据进行滤波以剔除粗差点，包括极高点、极低点和噪声点，同时精简点云数据量。
步骤3，利用ICP(Iterative Closest Point)算法对两期点云数据进行粗配准，使两片点云对应特征大致对齐。
步骤4，用PCA(Principal Component Analysis，主成分分析)算法求取两片点云的法向量，并将法向量投影到单位高斯球面上，生成点云对应的高斯球面模型。
实施例使用PCA算法提取点云的法向量。点云的法向量是点云的重要属性之一，众多的点云算法都是基于其法向量。PCA(Principal Component Analysis，主成分分析)算法是一种常用的数据分析方法，它通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量。设点云中一点P，其邻域的质心计算公式为：
Figure BDA0002803689220000061
其中
Figure BDA0002803689220000062
为邻域的质心坐标，pi为邻域中的点。然后构建邻域的协方差矩阵
Figure BDA0002803689220000063
式中，r为p点所在邻域半径，pj为邻域内的点，
Figure BDA0002803689220000064
为质心，k为邻域内点的总个数，
Figure BDA0002803689220000065
为点pj到质心的距离。最后计算协方差矩阵E的特征值及特征向量：
E·vj＝λj·vj
式中，λj是矩阵E特征值，vj是λj对应的特征向量。取最小的特征值对应的特征向量为所求点对应的法向量n。
实施例将点云法向量生成高斯球模型，高斯球的原理和方法为：
对于一个分段光滑的空间三维曲面S，假设其上所有点的单位法向量为n，并将法向量的起点平移到单位球S2的球心O上，则法向量的终点落在单位球面上，形成投影点的集合称为该曲面S的高斯图，曲面上的点向球面上映射的过程，称为高斯映射，该单位球称为高斯球面。
步骤5，采用多视角高斯球平行投影的方式从多个角度提取点云的轮廓点，实施例中轮廓点的定义为：对于任一光滑曲面S，定义满足表面点法向量垂直于视线方向的点组成的点集为轮廓点集。即
ni·n＝0
其中，ni为曲面某点的法向量，n为视线方向向量，如图2所示为轮廓点的示意图，图中虚线为特征线。
步骤6，在重采样格网下对轮廓点集合进行重采样。
实施例在点云的最大面上按照固定大小矩形格网对点云进行区域划分，选取其中一个点云建立格网，当有多个特征点在同一个格网中时，取均值为该格网的最大面方向特征值，采样格网大小对应关系如下式：
Figure BDA0002803689220000071
其中，Cellwidth为采样格网大小，N为点云内轮廓点总数，widthX为点云在X方向上的宽度，widthY为初始默认值。
步骤7，固定某一片点云，另外一片点云有规律的移动，对比每一次移动后两片点云的差值情况，将相差的格网个数记为Mi。
实施例中点云片移动方法为：先固定T2时期的特征，移动T1时期的特征进行对比。设M1为T1中的某一特征，M1中的点的坐标集合为K1(X1,Y1,Z1)，设M2为T2中与M1对应的特征，M2中点的坐标集合为K2(X2,Y2,Z2)。在对比过程中，首先将特征M1上对应坐标为(maxX1，maxY1，maxZ1)的点与M2上的坐标(MaxX2+ΔX,MaxY2+ΔY,MaxZ2+ΔZ)对齐。然后移动M1，移动方法如图3所示，先在X方向移动，当X方向无法继续移动时，再在Y方向移动一次，继续沿X方向移动。当M1在XY平面移动完毕后沿Z方向移动一次。。每一次移动后对特征M1与M2对应格网进行一次计算，相差的格网个数记为Mq，其中q为当前对比次数。
步骤8，利用本发明设计的四维曲面拟合方法对比两片点云表面各部分的几何变化情况，得到对比结果1。
通过步骤7的方法移动特征，每移动一次就会得到对应的结果Mq，移动完毕后会得到一组(X2,Y2,Z2,Mq)值(其中X2,Y2,Z2分别为集合K2中对应的值)。该实施例中，以X2为x坐标、Y2为y坐标、Z2为z坐标、Mq值为h坐标构造四维曲面H(x,y,z)，用最小二乘法进行四维曲面的多项式拟合，选取的拟合方程为：
H(x,y,z)＝a1x3+a2x2+a3x+b1y3+b2y2+b3y+c1z3+c2z2+c3z+d
其中a1，a2，a3，b1，b2，b3，c1，c1，c1，d为方程的拟合系数，根据改进的随机游走算法求出曲面H中h值的最小值，记为MinH。比较|MinH|与ε值的大小，若|MinH|<ε，则特征M1与特征M2判定为完全重合，标记为没有发生变化，否则特征M1相比特征M2发生了变化。改进的随机游走算法步骤为：
①给定曲面中的初始迭代点(X0,Y0,Z0)，初次行走步长μ，控制精度∈；
②给定迭代控制次数K，j为当前迭代次数，置j＝1；
③当j<K时候，随机生成n个(-1,1)之间的向量Uj＝(Xj,Yj,Zj)，将向量Uj标准化得到U′j，令(Xj,Yj,Zj)＝(X0,Y0,Z0)+μU′j(Xj,Yj,Zj)，取寻找的曲面最小值坐标对应坐标为(Xmin,Ymin,Zmin)，完成第一步游走；
④计算函数值，如果N(Xmin,Ymin,Zmin)<N(X0,Y0,Z0)，即找到了一个比初始值好的点，那么j重新置为1，将(Xmin,Ymin,Zmin)作为初始值，回到第②步，否则j＝j+1，回到第③步；
⑤如果连续K次都找不到更优的值，则认为，最优解就在以当前最优解为中心，当前步长为半径的K维球内。此时，如果μ<∈，则结束算法；否则，令μ＝μ/2，回到第①步，开始新一轮游走。步骤9，交换步骤7中的固定点云与移动点云片，并利用步骤8的方法得到对比结果2。
步骤10，比较对比结果1和对比结果2，获取三维壁画表面发生几何变化的区域。
实施例中判断特征M发生了变化的条件为：将对比结果1和对比结果2进行相互对比,若特征M在对比结果1和对比结果2中都判断为发生了变化，则特征M为有差别特征。若特征M在某一个对比结果中判断为发生了变化，在另一个对比结果中判断为未发生变化，则特征M为可疑特征，进行可疑特征标记，对于可疑特征是否为变化特征需进一步通过人为判断确定。若特征M在对比结果1和对比结果2中都判断为未发生变化，则特征为无差别特征。
以上所述各步骤，仅为本发明具体实施方式，相关技术人员完全可以在不偏离本发明思想的范围内，进行多样的变更及修改。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揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种多视轮廓点的三维壁画几何变化检测方法，其特征在于，包括以下几个步骤：
步骤1、在不同的时间段采集同一三维壁画表面的点云数据；
步骤2、对两期点云数据进行精简、去噪、和重采样处理；
步骤3、对两期点云数据进行粗配准，使两片点云对应特征大致对齐；
步骤4、求取两片点云的法向量，并将法向量投影到单位高斯球面上，生成点云对应的高斯球面模型；
步骤5、采用多视角高斯球平行投影的方式从多个角度提取点云的轮廓点，获得轮廓点集合；
步骤6、在重采样格网下对轮廓点集合进行重采样；
步骤7、固定某一片点云，另外一片点云有规律的移动，对比每一次移动后两片点云的差值情况，将相差的格网个数记为Mq；
步骤7的具体实现方式为，
点云片移动时，先固定T2时期的特征，移动T1时期的特征进行对比，设M1为T1中的某一特征，M1中的点的坐标集合为K1(X1,Y1,Z1)，设M2为T2中与M1对应的特征，M2中点的坐标集合为K2(X2,Y2,Z2)；在对比过程中，首先将特征M1上对应坐标为(maxX1，maxY1，maxZ1)的点与M2上的坐标(MaxX2+ΔX,MaxY2+ΔY,MaxZ2+ΔZ)对齐；然后移动M1，先在X方向移动，当X方向无法继续移动时，再在Y方向移动一次，继续沿X方向移动；当M1在XY平面移动完毕后沿Z方向移动一次，每一次移动后对特征M1与M2对应格网进行一次计算，相差的格网个数记为Mq，其中q为当前对比次数；
步骤8、利用四维曲面拟合方法对比两片点云表面各部分的几何变化情况，得到对比结果1；
步骤8的具体实现方式为：
通过步骤7的方法移动特征，每移动一次就会得到对应的结果Mq，移动完毕后得到一组(X2,Y2,Z2,Mq)值，其中X2,Y2,Z2分别为集合K2中对应的值；以X2为x坐标、Y2为y坐标、Z2为z坐标、Mq值为h坐标构造四维曲面H(x,y,z)，用最小二乘法进行四维曲面的多项式拟合，选取的拟合方程为：
H(x,y,z)＝a1x3+a2x2+a3x+b1y3+b2y2+b3y+c1z3+c2z2+c3z+d
其中a1，a2，a3，b1，b2，b3，c1，c1，c1，d为方程的拟合系数，根据改进的随机游走算法求出曲面H中h值的最小值，记为MinH，比较|MinH|与ε值的大小，若|MinH|<ε，则特征M1与特征M2判定为完全重合，标记为没有发生变化，否则特征M1相比特征M2发生了变化；
步骤9、交换步骤7中的固定点云与移动点云片，并利用步骤8的方法得到对比结果2；
步骤10、比较对比结果1和对比结果2，获取三维壁画表面发生几何变化的区域。
2.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤4中利用PCA算法求取两片点云的法向量，其具体实现方式为，
设点云中一点P，其邻域的质心计算公式为：
Figure FDA0003594651260000021
其中
Figure FDA0003594651260000024
为邻域的质心，pi为邻域中的点，然后构建邻域的协方差矩阵：
Figure FDA0003594651260000022
式中，r为p点所在邻域半径，pj为邻域内的点，
Figure FDA0003594651260000023
为邻域的质心，k为邻域内点的总个数，
Figure FDA0003594651260000025
为点pj到质心的距离；最后计算协方差矩阵E的特征值及特征向量：
E·vj＝λj·vj
式中，λj是矩阵E特征值，vj是λj对应的特征向量，取最小的特征值对应的特征向量为所求点对应的法向量n。
3.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤4中将法向量投影到单位高斯球面的具体实现方式如下，
对于一个分段光滑的空间三维曲面S，假设其上所有点的单位法矢量为n，并将法矢量的起点平移到单位球S2的球心O上，则法矢量的终点落在单位球面上，形成投影点的集合称为该曲面S的高斯图，曲面上的点向球面上映射的过程，称为高斯映射，该单位球称为高斯球面。
4.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤5中轮廓点的定义为：对于光滑曲面S，定义满足表面点法向量垂直于视线方向的点组成的点集为轮廓线点集，即
ni·n＝0
其中，ni为曲面某点的法向量，n为视线方向向量。
5.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤6的具体实现方式为，
在点云的最大面上按照固定大小矩形格网对点云进行区域划分，选取其中一个点云建立格网，当有多个特征点在同一个格网中时，取均值为该格网的最大面方向特征值，采样格网大小对应关系如下式：
Figure FDA0003594651260000031
其中，Cellwidth为采样格网大小，N为点云内轮廓线特征点总数，widthX为点云在X方向上的宽度，widthY为初始默认值。
6.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：改进的随机游走算法的具体实现步骤为；
①给定曲面中的初始迭代点(X0,Y0,Z0)，初次行走步长μ，控制精度∈；
②给定迭代控制次数K，j为当前迭代次数，置j＝1；
③当j<K时候，随机生成n个(-1,1)之间的向量Uj＝(Xj,Yj,Zj)，将向量Uj标准化得到U′j，令(Xj,Yj,Zj)＝(X0,Y0,Z0)+μU′j(Xj,Yj,Zj)，取寻找的曲面最小值坐标对应坐标为(Xmin,Ymin,Zmin)，完成第一步游走；
④计算函数值，如果N(Xmin,Ymin,Zmin)<N(X0,Y0,Z0)，即找到了一个比初始值好的点，那么j重新置为1，将(Xmin,Ymin,Zmin)作为初始值，回到第②步，否则j＝j+1，回到第③步；
⑤如果连续K次都找不到更优的值，则认为，最优解就在以当前最优解为中心，当前步长为半径的K维球内，此时，如果μ<∈，则结束算法；否则，令μ＝μ/2，回到第①步，开始新一轮游走。
7.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤10的具体实现方式为：
判断特征M发生了变化的条件为：将对比结果1和对比结果2进行相互对比，若特征M在对比结果1和对比结果2中都判断为发生了变化，则特征M为有差别特征；若特征M在某一个对比结果中判断为发生了变化，在另一个对比结果中判断为未发生变化，则特征M为可疑特征，进行可疑特征标记，对于可疑特征是否为变化特征需进一步通过人为判断确定；若特征M在对比结果1和对比结果2中都判断为未发生变化，则特征为无差别特征。
8.如权利要求1所述的一种多视轮廓点的三维壁画几何变化检测方法，其特征在于：步骤1中利用三维激光扫描仪在不同的时间段采集同一三维壁画表面的点云数据；步骤2中对两期点云数据进行滤波以剔除粗差点，包括极高点、极低点和噪声点；步骤3中利用ICP算法对两期点云数据进行粗配准。
CN202011359959.6A 2020-11-27 2020-11-27 一种基于多视轮廓点的三维壁画几何变化检测方法 Active CN112465896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011359959.6A CN112465896B (zh) 2020-11-27 2020-11-27 一种基于多视轮廓点的三维壁画几何变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011359959.6A CN112465896B (zh) 2020-11-27 2020-11-27 一种基于多视轮廓点的三维壁画几何变化检测方法

Publications (2)

Publication Number Publication Date
CN112465896A CN112465896A (zh) 2021-03-09
CN112465896B true CN112465896B (zh) 2022-07-05

Family

ID=74809089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011359959.6A Active CN112465896B (zh) 2020-11-27 2020-11-27 一种基于多视轮廓点的三维壁画几何变化检测方法

Country Status (1)

Country Link
CN (1) CN112465896B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127851A (zh) * 2016-07-01 2016-11-16 范国宏 一种基于曲面分割的三维点云物体检测的方法
CN110335234A (zh) * 2019-04-28 2019-10-15 武汉大学 一种基于古文物LiDAR点云的三维变化检测方法
CN110838115A (zh) * 2019-11-12 2020-02-25 武汉大学 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN111369606A (zh) * 2020-03-27 2020-07-03 北京建筑大学 基于无控制扫描点云的文物对象高精度微变形监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127851A (zh) * 2016-07-01 2016-11-16 范国宏 一种基于曲面分割的三维点云物体检测的方法
CN110335234A (zh) * 2019-04-28 2019-10-15 武汉大学 一种基于古文物LiDAR点云的三维变化检测方法
CN110838115A (zh) * 2019-11-12 2020-02-25 武汉大学 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN111369606A (zh) * 2020-03-27 2020-07-03 北京建筑大学 基于无控制扫描点云的文物对象高精度微变形监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A REVIEW OF DIGITAL WATERMARKING AND COPYRIGHT CONTROL TECHNOLOGY FOR CULTURAL RELICS;Haoyu Liu 等;《International Archives of the Photogrammetry》;20181231;全文 *
基于UAV影像密集匹配点云的建筑物三维变化检测;杨钰琪;《中国优秀硕士学位论文全文数据库》;20200615(第06期);全文 *

Also Published As

Publication number Publication date
CN112465896A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Yang et al. Automatic registration of large-scale urban scene point clouds based on semantic feature points
Grussenmeyer et al. Comparison methods of terrestrial laser scanning, photogrammetry and tacheometry data for recording of cultural heritage buildings
CN110335234B (zh) 一种基于古文物LiDAR点云的三维变化检测方法
Gross et al. Extraction of lines from laser point clouds
Yang et al. Ransac matching: Simultaneous registration and segmentation
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN110838115B (zh) 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法
CN107767456A (zh) 一种基于rgb‑d相机的物体三维重建方法
CN109544612A (zh) 基于特征点几何表面描述的点云配准方法
Zhong et al. A method for extracting trees from vehicle-borne laser scanning data
Liang et al. Automatic registration of terrestrial laser scanning data using precisely located artificial planar targets
Hu et al. An automatic 3D registration method for rock mass point clouds based on plane detection and polygon matching
CN109472802A (zh) 一种基于边缘特征自约束的表面网格模型构建方法
CN105488491A (zh) 基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法
Guo et al. Extraction of dense urban buildings from photogrammetric and LiDAR point clouds
CN115564926A (zh) 基于影像建筑物结构学习的三维面片模型构建方法
Ji et al. A coarse-to-fine strip mosaicing model for airborne bathymetric LiDAR data
Özdemir et al. A multi-purpose benchmark for photogrammetric urban 3D reconstruction in a controlled environment
Li et al. A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces
Wang et al. A method for detecting windows from mobile LiDAR data
CN116518864A (zh) 一种基于三维点云对比分析的工程结构全场变形检测方法
Junior et al. A new variant of the ICP algorithm for pairwise 3D point cloud registration
Yuan et al. 3D point cloud recognition of substation equipment based on plane detection
Tong et al. 3D point cloud initial registration using surface curvature and SURF matching
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant