CN112833815B - 一种基于激光的房屋测量和墙面平整度检测方法 - Google Patents

Abstract

本发明公开了一种基于激光的房屋测量和墙面平整度检测方法，包括以下步骤：S1、在待测的房屋内放置激光雷达设备；S2、基于激光对待测的房屋进行扫描；S3、进行激光点云数据坐标换算和数据处理；S4、对处理后的激光点云数据进行边界提取；S5、读取待测房屋各个轮廓信息，计算房屋各个尺寸；以及结合边界提取结果，进行边界轮廓的平面检测，划分不平整区域；S6、输出房屋尺寸和平整度划分结果。本发明具有检测效率高、检测成本低、检测精度高等优点。

Description

一种基于激光的房屋测量和墙面平整度检测方法

技术领域

本发明涉及测绘的技术领域，尤其涉及到一种基于激光的房屋测量和墙面平整度检测方法。

背景技术

随着经济的不断发展，现代人们对房屋装修的要求越来越高。在装修中，对房屋的测量以及对墙面平整度检测是必不可少的一部分。国内传统方法是接触式检测，若房屋的高度过高或墙面面积过大，传统的检测法工作量将很大，造成效率较低、成本较高，并且由于检测人员的专业素质问题，精度不高，导致检测结果无法令人满意。

发明内容

本发明的目的在于提供一种检测效率高、检测成本低、检测精度高的基于激光的房屋测量和墙面平整度检测方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于激光的房屋测量和墙面平整度检测方法，包括以下步骤：

S1、在待测的房屋内放置激光雷达设备；

S2、基于激光对待测的房屋进行扫描；

S3、进行激光点云数据坐标换算和数据处理；

S4、对处理后的激光点云数据进行边界提取；

S5、读取待测房屋各个轮廓信息，计算房屋各个尺寸；以及结合边界提取结果，进行边界轮廓的平面检测，划分不平整区域；

S6、输出房屋尺寸和平整度划分结果。

进一步地，所述步骤S3进行激光点云数据坐标换算和使用kalman滤波对激光点云数据进行处理，具体过程如下：

S3-1、将极坐标下的角度和距离信息转化为笛卡尔坐标系下的x,y,z坐标，转换关系式为：

(1)式中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度， x,y,z分别为极坐标投影到X，Y，Z轴上的坐标；

S3-2、使用kalman滤波对激光点云数据进行处理：

状态的一步预测：

(2)式中，

为k时刻预测的状态，

为k时刻的状态，A为状态转移矩阵；

协方差阵一步预测：

P(k+1|k)＝AP(k|k)A^T+Q (3)

(3)式中，P(k+1|k)为

对应的方差，Q为系统状态输入方差；

滤波增益矩阵更新：

K(k+1)＝P(k+1|k)H^T[HP(k+1|k)H^T+R]^-1 (4)

(4)式中，K(k+1)为k时刻滤波增益，H为状态转移矩阵，R为观测噪声的方差；

状态更新：

(5)式中，

为k时刻最优估计结果，Z(k+1)为观测输入，

为更新的观测预测；

协方差矩阵更新：

P(k+1|k+1)＝[I_n-K(k+1)H]P(k+1|k) (6)

(6)式中，I_n为单位矩阵；

通过以上进行迭代，对激光点云数据进行全部处理。

进一步地，所述步骤S4对处理后的激光点云数据进行边界提取的具体过程如下：

首先使用主成分分析法和k近邻算法计算探测点P_i周边法向量，假设探测点 P_i周边的k邻域点集为P_j＝(x_j,y_j,z_j)，可得邻域点的重心；

1)找到点P_i在R范围内所有点P_j，计算均值：

2)计算样本协方差矩阵

3)进行特征分解

其中，Λ为对C_j进行特征分解的结果；

将特征值分级后，选择最小特征值λ_min对应的特征向量e_min作为探测点P_i的法向量n；并由点云法向量n确定投影面，基于该投影面对邻近点P_j进行投影，计算探测点到邻近点连线的向量；

根据相邻向量之间的夹角β_j，对邻近向量角进行排序，通过将邻近向量角β_j，与设定阈值β_threshold进行比较，对边界点云进行提取：

进一步地，所述步骤S5通过余弦定理计算房屋尺寸。

进一步地，所述步骤S5结合边界轮廓提取的结果进行平整度进行检测，同时使用DBSCAN密度聚类算法对不平整的区域进行聚类，从而划分出不平整区域，具体过程如下：

建立平面，将墙面的激光信息在平面上进行投影，得到激光点云与建立的平面的距离差f_i；

通过下式解得墙面平整度：

(12)式中，μ为测量点到拟合平面的点位中误差,μ越小说明墙面越平整, 即其平整度越高,μ越大说明墙面越凹凸不平,即其平整度越低；

使用DBSCAN密度聚类的方法，对墙面的不平整点进行划分：

1)设定一个阈值λ_threshold，对距离差f_i进行筛选，如式(13)所示：

将筛选后不平整点进行DBSCAN密度聚类，对墙体不平整的区域进行划分；

2)假定邻域参数(ε,Minpts)，设置ε和Minpts；DBSCAN密度算法先找出各样本的ε-领域并确定核心对象集合：

Ω＝{p₁,p₃,p₄,p₆,p₇,p₉,p₁₃,p₁₆,...,p_m} (14)

然后从Ω中随机选取一个核心种子，找到由它密度可达的所有样本，构成第一个聚类簇S₁；

3)DBSCAN将S₁中包含的核心对象从Ω中去除，然后从更新集合Ω中再随机选择一个为核心对象作为种子生成下一个聚类簇；

4)通过不断重复，直到Ω为空。

与现有技术相比，本方案原理及优点如下：

1.将激光雷达设备用于房屋测量，能快速准确地得到房屋的墙面数据，且操作简便。

2.使用Kalman滤波进行数据处理，能够方便计算和获得平滑、连续的激光点云数据。

3.使用主成分分析法和k近邻算法提取激光点云数据的边界，大大提高后续的尺寸计算和平整度检测的精度。

4.结合边界轮廓数据，利用余弦定理，提高房屋各个轮廓尺寸的计算效率。

5.结合边界轮廓提取的结果进行平整度检测，使结果更加精确，同时使用 DBSCAN密度聚类算法对不平整的区域进行聚类，可以清晰地得到墙面的不平整区域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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的附图。

图1为本发明一种基于激光的房屋测量和墙面平整度检测方法的原理流程图；

图2为坐标换算的示意图；

图3为根据邻近点构建法向量的示意图；

图4为边界点判定的示意图；

图5为实施例中边界轮廓提取的结果图；

图6为实施例中房屋尺寸计算的示意图；

图7为实施例中不平整点的聚类结果图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，本发明实施例所述的一种基于激光的房屋测量和墙面平整度检测方法，包括以下步骤：

S1、在待测的房屋内放置激光雷达设备；

S2、基于激光对待测的房屋进行扫描；

S3、进行激光点云数据坐标换算和数据处理；

本步骤的具体过程如下：

S3-1、由于激光雷达设备封装的数据包仅为水平旋转角度和距离参量，因此，将极坐标下的角度和距离信息转化为笛卡尔坐标系下的x,y,z坐标，如图2所示，转换关系式为：

(1)式中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度， x,y,z分别为极坐标投影到X，Y，Z轴上的坐标；

S3-2、使用kalman滤波对激光点云数据进行处理：

状态的一步预测：

(2)式中，

为k时刻预测的状态，

为k时刻的状态，A为状态转移矩阵；

协方差阵一步预测：

P(k+1|k)＝AP(k|k)A^T+Q (3)

(3)式中，P(k+1|k)为

对应的方差，Q为系统状态输入方差；

滤波增益矩阵更新：

K(k+1)＝P(k+1|k)H^T[HP(k+1|k)H^T+R]^-1 (4)

(4)式中，K(k+1)为k时刻滤波增益，H为状态转移矩阵，R为观测噪声的方差；

状态更新：

(5)式中，

为k时刻最优估计结果，Z(k+1)为观测输入，

为更新的观测预测；

协方差矩阵更新：

P(k+1|k+1)＝[I_n-K(k+1)H]P(k+1|k) (6)

(6)式中，I_n为单位矩阵；

通过以上进行迭代，对激光点云数据进行全部处理。

S4、对处理后的激光点云数据进行边界提取：

首先使用主成分分析法和k近邻算法计算探测点P_i周边法向量，假设探测点 P_i周边的k邻域点集为P_j＝(x_j,y_j,z_j)，可得邻域点的重心；

1)找到点P_i在R范围内所有点P_j，计算均值：

2)计算样本协方差矩阵

3)进行特征分解

其中，Λ为对C_j进行特征分解的结果；

将特征值分级后，选择最小特征值λ_min对应的特征向量e_min作为探测点P_i的法向量n；并由点云法向量n确定投影面，基于该投影面对邻近点P_j进行投影，计算探测点到邻近点连线的向量；

根据相邻向量之间的夹角β_j，对邻近向量角进行排序，通过将邻近向量角β_j，与设定阈值β_threshold进行比较，对边界点云进行提取，如图3，4所示；

本实施例将阈值设为90度，通过下式(10)判断是否为边界点，从而进行边界特征点的提取，提取结果如图5所示

S5、读取待测房屋各个轮廓信息，计算房屋各个尺寸；以及结合边界提取结果，进行边界轮廓的平面检测，划分不平整区域；

其中，如图6所示，已知d1～d8的距离以及它们之间的夹角θ，因此可以使用三角形余弦定理来求解L1～L8的距离。假设三角形的三边为a,b,c，其中，a,b之间夹角为θ，第三边的长度为：

c²＝a²+b²-2abcosθ (11)

通过余弦定理，将数据依次代入，通过这种方式来对房屋的尺寸信息进行计算，可得墙与窗户的尺寸信息。

而划分不平整区域时，结合边界轮廓提取的结果进行平整度进行检测，同时使用DBSCAN密度聚类算法对不平整的区域进行聚类，具体过程为；

建立平面，将墙面的激光信息在平面上进行投影，得到激光点云与建立的平面的距离差f_i；

通过下式解得墙面平整度：

(12)式中，μ为测量点到拟合平面的点位中误差,μ越小说明墙面越平整, 即其平整度越高,μ越大说明墙面越凹凸不平,即其平整度越低；

使用DBSCAN密度聚类的方法，对墙面的不平整点进行划分：

1)设定一个阈值λ_threshold，对距离差f_i进行筛选，如式(13)所示：

将筛选后不平整点进行DBSCAN密度聚类，对墙体不平整的区域进行划分；

2)假定邻域参数(ε,Minpts)，设置ε＝25cm和Minpts＝2500；DBSCAN密度算法先找出各样本的ε-领域并确定核心对象集合：

Ω＝{p₁,p₃,p₄,p₆,p₇,p₉,p₁₃,p₁₆,...,p_m} (14)

然后从Ω中随机选取一个核心种子，找到由它密度可达的所有样本，构成第一个聚类簇S₁；

假设核心对象p₆被选中为种子，则DBSCAN生成第一个聚类簇为:

S₁＝{p₄,p₆,p₇,p₉,…,p_l}；

3)DBSCAN将S₁中包含的核心对象从Ω中去除，然后从更新集合Ω＝{p₁,p₃,p₁₃,p₁₆,…,p_m}中再随机选择一个为核心对象作为种子生成下一个聚类簇；

4)通过不断重复，直到Ω为空。

DBSCAN生成聚类簇的情况如图7所示，图中，“●”表示核心对象，“○”表示非核心对象，“*”表示噪声，包围着的实线显示聚类簇划分。

S6、最后，输出房屋尺寸和平整度划分结果。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于激光的房屋测量和墙面平整度检测方法，其特征在于，包括以下步骤：

S1、在待测的房屋内放置激光雷达设备；

S2、基于激光对待测的房屋进行扫描；

S3、进行激光点云数据坐标换算和数据处理；

S4、对处理后的激光点云数据进行边界提取；

S5、读取待测房屋各个轮廓信息，计算房屋各个尺寸；以及结合边界提取结果，进行边界轮廓的平面检测，划分不平整区域；

S6、输出房屋尺寸和平整度划分结果；

所述步骤S4对处理后的激光点云数据进行边界提取的具体过程如下：

首先使用主成分分析法和k近邻算法计算探测点P_i周边法向量，假设探测点P_i周边的k邻域点集为P_j＝(x_j,y_j,z_j)，可得邻域点的重心；

1)找到点P_i在R范围内所有点P_j，计算均值：

2)计算样本协方差矩阵

3)进行特征分解

其中，Λ为对C_j进行特征分解的结果；

将特征值分级后，选择最小特征值λ_min对应的特征向量e_min作为探测点P_i的法向量n；并由点云法向量n确定投影面，基于该投影面对邻近点P_j进行投影，计算探测点到邻近点连线的向量；

根据相邻向量之间的夹角β_j，对邻近向量角进行排序，通过将邻近向量角β_j，与设定阈值β_threshold进行比较，对边界点云进行提取：

2.根据权利要求1所述的一种基于激光的房屋测量和墙面平整度检测方法，其特征在于，所述步骤S3进行激光点云数据坐标换算和使用kalman滤波对激光点云数据进行处理，具体过程如下：

S3-1、将极坐标下的角度和距离信息转化为笛卡尔坐标系下的x,y,z坐标，转换关系式为：

(1)式中，r为实测距离，ω为激光的垂直角度，α为激光的水平旋转角度，x,y,z分别为极坐标投影到X，Y，Z轴上的坐标；

S3-2、使用kalman滤波对激光点云数据进行处理：

状态的一步预测：

(2)式中，

为k时刻预测的状态，

为k时刻的状态，A为状态转移矩阵；

协方差阵一步预测：

P(k+1|k)＝AP(k|k)A^T+Q (3)

(3)式中，P(k+1|k)为

对应的方差，Q为系统状态输入方差；

滤波增益矩阵更新：

K(k+1)＝P(k+1|k)H^T[HP(k+1|k)H^T+R]^-1 (4)

(4)式中，K(k+1)为k时刻滤波增益，H为状态转移矩阵，R为观测噪声的方差；

状态更新：

(5)式中，

为k时刻最优估计结果，Z(k+1)为观测输入，

为更新的观测预测；

协方差矩阵更新：

P(k+1|k+1)＝[I_n-K(k+1)H]P(k+1|k) (6)

(6)式中，I_n为单位矩阵；

通过以上进行迭代，对激光点云数据进行全部处理。

3.根据权利要求1所述的一种基于激光的房屋测量和墙面平整度检测方法，其特征在于，所述步骤S5通过余弦定理计算房屋尺寸。

4.根据权利要求1所述的一种基于激光的房屋测量和墙面平整度检测方法，其特征在于，所述步骤S5结合边界轮廓提取的结果进行平整度进行检测，同时使用DBSCAN密度聚类算法对不平整的区域进行聚类，从而划分出不平整区域，具体过程如下：

建立平面，将墙面的激光信息在平面上进行投影，得到激光点云与建立的平面的距离差f_i；

通过下式解得墙面平整度：

(12)式中，μ为测量点到拟合平面的点位中误差,μ越小说明墙面越平整,即其平整度越高,μ越大说明墙面越凹凸不平,即其平整度越低；

使用DBSCAN密度聚类的方法，对墙面的不平整点进行划分：

1)设定一个阈值λ_threshold，对距离差f_i进行筛选，如式(13)所示：

将筛选后不平整点进行DBSCAN密度聚类，对墙体不平整的区域进行划分；

2)假定邻域参数(ε,Minpts)，设置ε和Minpts；DBSCAN密度算法先找出各样本的ε-领域并确定核心对象集合：

Ω＝{p₁,p₃,p₄,p₆,p₇,p₉,p₁₃,p₁₆,...,p_m} (14)

然后从Ω中随机选取一个核心种子，找到由它密度可达的所有样本，构成第一个聚类簇S₁；

3)DBSCAN将S₁中包含的核心对象从Ω中去除，然后从更新集合Ω中再随机选择一个为核心对象作为种子生成下一个聚类簇；

4)通过不断重复，直到Ω为空。

Images