CN114067073A - 一种基于tls点云的矿区建筑物变形自动提取方法 - Google Patents
一种基于tls点云的矿区建筑物变形自动提取方法 Download PDFInfo
- Publication number
- CN114067073A CN114067073A CN202111354390.9A CN202111354390A CN114067073A CN 114067073 A CN114067073 A CN 114067073A CN 202111354390 A CN202111354390 A CN 202111354390A CN 114067073 A CN114067073 A CN 114067073A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- points
- boundary
- deformation
- 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.)
- Granted
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于TLS点云的矿区建筑物变形自动提取方法,所述基于TLS点云的矿区建筑物变形自动提取方法包括以下步骤:第一期点云作业:S1:数据输入;S2:数据预处理;S3:提取特征点;S4:计算变形值。本发明以墙体上的门窗角点为特征点,在人为给定参数的前提下,可实现变形的自动提取;本发明提取的变形值与真实值误差小,与手动提取方法获取变形值近乎一致;本发明中的斜率滤波与传统去噪滤波:统计滤波、半径滤波相比,其可以更有效的进行噪声点的去除,极大提升了在矿区复杂的测量环境下,本方法的适用性,相比于手动提取方法,本文方法具有极高的稳定性。
Description
技术领域
本发明属于建筑物形变提取技术领域,尤其涉及一种基于TLS点云的 矿区建筑物变形自动提取方法。
背景技术
地下煤层开采后,采动空间周围的岩层失去支撑,逐渐开始移动。随 着开采工作面的不断推进,这种移动过程逐渐扩散至地表,对地表建筑物 造成了严重的破坏。因此,进行矿区建筑物的变形提取,为采动损害评估 提供依据,一直是变形监测中的热点问题。
近年来,随着测绘技术的发展,以高精度,高效率著称的地面激光扫 描仪(TLS)被广泛应用于变形监测,如桥梁监测、隧道监测。在最近的研究 中,提出了一种基于移动TLS数据的公路桥头变形测量方法,用于桥梁监 测。该方法包含自动数据采集系统,确定了一种高效、准确的公路桥头点 云去噪方法,可有效消除了特征点识别的随机误差。还有些研究中提出了 一种基于分数阶微积分、三维不变矩和最佳拟合椭圆的隧道中心线和截面 提取方法,用于隧道监测。该方法研究了一种新的平滑模板用于TLS点云 去噪,并在此基础上,提出了一种基于三维不变矩提取隧道中心轴的新方 法。在上述领域中,有效减少了分析人员的工作量,同时可减少人为误差 对最终结果的影响。
然而,TLS应用于矿区建筑物监测仍停留在以人工操作的阶段。分析人 员通常以人工标志为特征点,在单期点云中手动选择特征点,在两期点云 中人工确定特征点对关系。通过上述方式进行矿区建筑物变形提取时,主 要有如下几个限制:
①人工标志的布设需要耗费大量的人力物力;
②在监测过程中难以避免人工标志的脱离丢失;
③最终结果的准确性及可靠性主要取决于分析人员的经验及工作量;
④人工提取变形具有主观性,以其结果作为标准不具有合理性。
因此,有必要以非人工布设的标志为特征点,在仅需少量人工干预的 情况下,基于激光点云实现矿区建筑物的变形提取。
在此背景下,本发明提出了一种基于TLS点云的矿区建筑物变形自动 提取方法,该方法以墙体上的门窗角点为特征点,在人为给定参数的前提 下,可实现变形的自动提取。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于TLS点云的矿 区建筑物变形自动提取方法。
本发明通过以下技术方案来实现上述目的:
一种基于TLS点云的矿区建筑物变形自动提取方法,包括以下步骤:
S1:数据输入:以建筑物墙体上的门窗角点为特征点,对单面墙体进 行两期扫描,以所述单面墙体上扫描得到的两期点云作为输入数据;
S2:数据预处理:通过随机采样一致性算和基于法线的点云边界估计 方法得到2D边界点云,并对所述2D边界点云进行去噪,得到去噪后的2D 边界点云;
S3:基于2D边界点云提取特征点:拆分边界线获取种子特征点并聚类 种子特征点,将聚类中心作为临时特征点进行特征点的判别;
S4:计算变形值:基于预处理后的2D边界点云寻回特征点的3D坐标 并建立特征点的关系,根据点对关系,对两期的同名特征点的三维坐标进 行差值后,实现变形值计算。
作为本发明的进一步优化方案,所述数据输入步骤中支持以下两种类 型的输入数据:
类型一:在两期扫描的单面墙体上,框选包含特征点的同一区域,以 区域内的点云为输入数据;
类型二:直接以两期扫描的单面墙体点云为输入数据。
作为本发明的进一步优化方案,所述S2数据预处理具体包括以下步骤:
S201:获取2D边界点云:
所述单面墙体所在的平面通过随机采样一致性算法被拟合,并基于点 索引实现墙体点云的提取;
使用基于法线的点云边界估计方法,实现墙体边界点云的获取;
墙体边界点云被投影至与其所在平面夹角较小的坐标面;
基于墙体边界点云的二维包围框,删除位于包围框r邻域内的边界点, 得到2D边界点云;
S202:对获取的所述2D边界点云进行去噪,得到去噪后的2D边界点 云;
作为本发明的进一步优化方案,所述步骤S202中对获取的所述2D边 界点云进行去噪的具体步骤如下:
在二维投影面上两条相互垂直的边界线,首先通过一致性算法被拟合, 两条所述边界线即为参考线;
依次计算二维边界点云中的点至两条所述参考线的距离,并按照距离 排序;
在排序后的点集[p1,…,pi,pi+1,…,pj,…]中,计算每一个 点在距离线的斜率;
以点pi与点pj的距离差值作为临时斜率,为减少误差影响,点pi的 斜率被表示为k邻域内所有点的临时斜率均值;
基于给定的斜率阈值,将超出阈值的点删除后,完成所述2D边界点云 的噪声去除。
作为本发明的进一步优化方案,所述S3基于2D边界点云提取特征点, 在投影平面上进行墙体的特征点的提取,包括以下步骤:
S301:拆分边界线获取种子特征点,边界线指投影平面上的门窗的边 线;
拆分时,所述边界线基于Ransac被拟合,并记录其模型参数;
根据点索引从所述去噪后的2D边界点云中删除位于该边界线上的边界 点,完成一次点云更新;
重复上述过程,直至满足边界点云中的剩余点数小于点数阈值,得到 种子特征点;
S302:聚类种子特征点:
根据边界线的模型参数,计算所述种子特征点在投影平面上的坐标;
随机选取一个种子特征点;
以其r邻域内的种子特征点的坐标均值作为当前聚类中心;
删除该邻域内的种子特征点,实现了一次聚类集合的更新;
重复上述步骤直至满足聚类集合中的剩余点数为0,实现了种子特征点 的聚类;
S303:判断特征点:将所述聚类中心作为临时特征点,所述临时特征 点可分为:特征点,非特征点;
判别时,首先统计位于临时特征点r邻域内的边界点;
计算了邻域内边界点在X、Y方向上的坐标差值;
在特征点邻域内,坐标差值均大于差值阈值,而非特征点邻域内最多 有一个坐标差值大于差值阈值;
最后,针对这一特点,遍历临时特征点后,完成特征点的判别。
作为本发明的进一步优化方案,所述S4计算变形值,具体包括以下步 骤:
S401:寻回特征点的3D坐标:基于预处理后的边界点云,在投影平面 上寻找距离特征点最近的边界点;
根据点索引,将其三维坐标赋予特征点,从而完成特征点三维坐标寻 回;
S402:建立特征点的关系:通过正态分布变换、迭代最近点算法依次 两期输入点云间的全局配准、局部配准;
基于配准后的输入点云,两期扫描间距离最近的特征点被认为是同名 特征点,从而完成特征点关系的建立;
S403:根据点对关系,对两期的同名特征点的三维坐标进行差值后, 实现变形值计算。
本发明的有益效果在于:
本发明以墙体上的门窗角点为特征点,在人为给定参数的前提下,可 实现变形的自动提取:
(1)精确度高,本发明提取的变形值与真实值相差不大,之间的误差大 部分分布在-5-5mm间,仅有极少数超出±5mm,但不超出±9mm,与真实值 相差不大;且本发明提出的方法与手动提取方法获取变形值近乎一致,其 之间的误差绝对值不超过8mm;
(2)适用性强:本发明包含了一种矿区建筑物的墙体边界点云去噪滤 波:斜率滤波;与传统去噪滤波:统计滤波、半径滤波相比,其可以更有 效的进行噪声点的去除;因此,在矿区复杂的测量环境下,该方法的适用 性得到了极大的提升;
(3)稳定性好:本发明提取的RMSE均不超出2.0,大多数分布在0-1.5; 手动方法提取的RMSE均不超出7.1,大多数分布在0.5-5.0;相比于手动 提取方法,本发明具有极高的稳定性;
(4)本发明可避免以人工标志为特征点时,布设标志耗费时费力,及 监测过程中标志脱离丢失的问题;同时,可避免人工提取特征点时,结果 准确性及可靠性主要取决于分析人员的经验及工作量,及人工提取变形具 有主观性,以其结果作为标准不具有合理性的问题;本发明对于矿区建筑 物变形监测具有一定的应用价值。
附图说明
图1是本发明的变形自动提取流程图;
图2是本发明的数据预处理描述图;
图3是本发明的特征点提取描述图;
图4是本发明的变形值计算描述图;
图5是本发明的实验场景及扫描仪图;
图6是本发明的应用区域概况图;
图7是本发明的第一期及第二期的点云图;
图8是本发明的2D边界点云的去噪结果图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以 下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请 保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出 一些非本质的改进和调整。
如图1-7所示,一种基于TLS点云的矿区建筑物变形自动提取方法, 以建筑物墙体上的门窗角点为特征点,支持以下两种类型的输入数据:类 型一:在两期扫描的单面墙体上,框选包含特征点的同一区域,以区域内 的点云为输入数据;
类型二:直接以两期扫描的单面墙体点云为输入数据。
基于墙体扫描点云,进行变形提取的主要步骤包括数据预处理,特征 点提取及变形值计算。
一、数据预处理
数据预处理流程如图2所示,包括获取2D边界点云和对2D边界点云 进行去噪。
1.1、2D边界点云获取:对于矿区建筑物墙体,作为特征点的门窗角点 总是位于边界线上。相对于三维空间,二维平面上的直线拟合更为简单, 因此我们获取了二维边界点云。首先,墙体所在平面通过随机采样一致性 算法(Ransac)被拟合,并基于点索引实现墙体点云的提取。之后,使用基 于法线的点云边界估计方法,实现墙体边界点云的获取。然后,墙体边界 点云被投影至与其所在平面夹角较小的坐标面(如图2a)。最后,基于墙体 边界点云的二维包围框,位于包围框r邻域内的边界点被删除(如图2b)。
1.2、2D边界点云去噪:获取二维边界点云实际上由两部分组成:边界 点、噪声点。由于矿区建筑物的墙体结构简单,边界线间相互平行或垂直, 在获取两条相互垂直的边界线后,边界点至边界线的距离线的斜率应接近 于0。针对这一特性,可进行边界点与噪声点的区分。
在二维投影面上,两条相互垂直的边界线,首先通过Ransac被拟合(如 图2c)。在接下来的叙述中,这两条边界线被称为参考线。之后,依次计 算二维边界点云中的点至参考线的距离,并按照距离排序(如图2d)。然后, 在排序后的点集[p1,…,pi,pi+1,…,pj,…]中,计算每一个点在 距离线的斜率(如图2e)。以点pi与点pj的距离差值作为临时斜率,为减 少误差影响,点pi的斜率被表示为k邻域内所有点的临时斜率均值。最后, 基于给定的斜率阈值,将超出阈值的点删除后,便完成了边界点云的噪声 去除。
二、特征点提取
特征点提取是实现变形提取的关键,过程如图3所示。基于预处理获 取的边界点云,在投影平面上进行了墙体特征点的提取。接下来,分别从 三个方面:边界线的拆分,种子特征点的聚类,特征点的判断,进行阐述。
2.1、边界线的拆分:特征点表示为边界线的交点,但并不是所有的交 点都是特征点,这些未经过任何处理及判定的交点被称为种子特征点,边 界线拆分便是为了获取种子特征点。在拆分前,我们首先给定了终止条件: 边界点云中的剩余点数小于点数阈值。由于边界点云中的噪声不可能完全 去除,所以通常不以剩余点数为0作为终止条件。拆分时,一条墙体边界 线基于Ransac被拟合,并记录其模型参数(如图3a)。之后,我们根据点索 引从边界点云中删除位于该边界线上的边界点,完成一次点云更新。最后, 重复上述过程,直至满足终止条件。
2.2、种子特征点的聚类:拆分结束后,根据边界线的模型参数,计算 了种子特征点在投影平面上的坐标(如图3b)。然而,在拆分过程中,一条 边界线可能被拆分为多条,导致本该只有一个种子特征点的区域,出现了 多个。因此,我们以种子特征点集合为聚类集合,进行了种子特征点的聚 类。在进行聚类前,给定了聚类的终止条件:聚类集合中的剩余点数为0。 聚类时,一个种子特征点被随机选取。之后,我们以其r邻域内的种子特 征点的坐标均值作为当前聚类中心(如图3c)。随后,我们删除该邻域内的 种子特征点,实现了一次聚类集合的更新。最后我们重复上述过程,直至 满足终止条件。
2.3、特征点的判断:对于聚类获取的聚类中心,我们将其称为临时特 征点(如图3d)。临时特征点可分为两个类别:特征点,非特征点。判别时, 首先统计位于临时特征点r邻域内的边界点。之后,我们计算了邻域内边 界点在X、Y方向上的坐标差值。在特征点邻域内,坐标差值均大于差值阈 值(如图3e),而非特征点邻域内最多有一个坐标差值大于差值阈值(如图 3f)。最后,针对这一特点,遍历临时特征点后,完成特征点的判别。
三、变形值计算
在特征点提取步骤中,投影平面上的墙体特征点已被提取。为获取三 维空间中的墙体变形,需寻回特征点三维坐标,并建立两期扫描间的特征 点点对关系。根据点对关系,对同名特征点的三维坐标进行差值后,实现 变形值计算,步骤如图4所示。
3.1、特征点三维坐标寻回:我们在投影平面上计算了特征点的坐标, 由于墙体在开采期间发生了不规则变形,并没有通过“计算投影前后边界 点云的旋转变换矩阵,以旋转变换矩阵实现坐标转换”的方式,获取特征 点位于绝对坐标系下的三维坐标。在寻回三维坐标时,首先基于预处理后 的边界点云,在投影平面上寻找距离特征点最近的边界点。然后,根据点 索引,将其三维坐标赋予特征点,从而完成特征点三维坐标寻回(如图4a)。
3.2、特征点关系的建立:建立点对关系时,首先通过正态分布变换 (DNT)、迭代最近点算法(ICP)依次两期输入点云间的全局配准、局部配准。 然后,基于配准后的输入点云,两期扫描间距离最近的特征点被认为是同 名特征点,从而完成特征点关系的建立(如图4b)。
根据点对关系,对两期同名特征点的三维坐标进行差值后,实现变形 值计算。
实施例1
本次的模拟实验地点是中国安徽理工大学实验基地,针对图5a中的墙 体,我们在同一位置连续进行了五期扫描。每期扫描结束后并不移动TLS, 以确保五期扫描的点云数据均位于同一坐标系内。
采集数据所使用的TLS为中海达HS-650激光扫描仪(如图5b)。该扫描 仪采用脉冲式测量方法进行测距,提供两种激光脉冲发射频率,分别为300 kHz(室内)、100kHz(室外),频率越高则测量距离越短。测距范围为 1.5-650m,扫描范围为水平0-360°,竖直-40-60°,百米测距精度可达 5mm。
在模拟实验中,我们以扫描墙体的点云为输入数据,依次进行了第一 期扫描点云与剩余期扫描点云间的变形提取。并给出了特征点的变形值, 即X、Y方向上的移动ΔX、ΔY和沉降ΔW,其结果如表1所示。
从表中可以看出,特征点的变形值大部分分布在-5-5mm间,仅有极少 数超出±5mm,但不超出±9mm,与真实值0mm相差不大。在模拟实验中, 每一期点云数据中的四个特征点均被识别,且两期间的特征点点对关系准 确建立。整体上看,本文方法在提取矿区墙体变形值方面具有较高的准确 性。
实施例2
本次应用区域为中国毫州市姜楼村,在该村庄的正下方,一个走向长度约1000米,倾向长度约300米的煤层工作面正在开采(如图6a)。在该村庄中,我们选择了两个建筑物,并使用TLS扫描存在特征点最多的墙体(如图6b)。
采集数据时同样使用中海达HS-650激光扫描仪。为获取扫描点云的绝对坐标,TLS附近放置四个标靶球用以进行坐标转换。第一期扫描日期为2021年03年月28日,此时工作面还未开采。第二期扫描日期为2021年07年月28日,此时工作面将要推进至村庄下方。
进行了两期扫描间的变形提取时,建筑物A以红色矩形中的点云为输入数据(如图6c),建筑物B直接以扫描点云为输入数据(如图6d)。同样给出了特征点的变形值,并计算与手动提取结果间的误差绝对值AE。在手动提取时,为减少人为误差的影响,每一期的每个特征点均被提取四次,以四次提取坐标均值作为特征点坐标,并计算变形。其结果如表2所示。
从表中可以看出,本发明使用的方法与手动方法提取变形间的误差绝 对值大部分分布在3mm-7mm间,均不超过9mm,本发明提供的方法与手动提 取方法获取变形值几乎相同。在观测的两个建筑物中,建筑物A整体向西 北移动并伴随下沉。建筑物向西北的最大移动为154mm,向西、向北的最大 移动分别为95mm、59mm,最大下沉为113mm。建筑物B以水平移动为主, 下沉较少。建筑物向西北的最大移动为102mm,向西、向北的最大移动分别 为69mm、74mm。
结合建筑物与工作面的位置关系发现,相对于建筑物B,建筑物A距离 工作面当前的采空中心较近,应发生较大的水平移动及下沉,这与本文方 法提取的变形数据(表2)及实测点云(图7)所显示的基本一致。但建筑物在 Y方向上的移动值相差不大,且建筑物A、B均没有向南方移动。经分析, 主要由以下三个因素造成:
①至第二期扫描结束,工作面仍未开采至村庄下方。
②相对于工作面走向,建筑物沿倾向受开采影响较小。
③建筑物受到村庄北方工作面开采的影响。
值得说明的是,本发明提出的斜率滤波具有优越性:在不考虑仪器误 差的影响下,获取二维边界点云的步骤中获取二维边界点云中的噪声点可 分为两种类型:
类型①:在基于法线进行墙体点云的边界估计时,由于参数选择的不 合理,导致边界点云出现的本不该存在的边界点。
类型②:由于物体遮挡的影响,墙体扫描点云中往往存在空洞,从而 导致墙体边界点云出现的本不存在的边界点。因此在数据预处理中,提出 了一种基于斜率的噪声去除方法(斜率滤波)。
以实施例2中的建筑物B为例,基于获取二维边界点云,分别使用本 发明提供的斜率滤波及传统噪声去除方法(半径滤波、统计滤波)进行去 噪,其结果如图8所示。
对比噪声去除前后,三种滤波去噪后的边界点云均无明显缺失。针对 于类型①噪声点,上述三种滤波均可实现去除(参见实线圆圈);针对于类 型②噪声点,仅有本文的斜率滤波可实现去除(参见虚线圆圈)。在实际应 用时,由于矿区环境复杂,难以避免类型②噪声点的出现。因此,经斜率 滤波去噪后,极大提升了本文方法的适用性。
本发明提出的方法中特征点提取具有稳定性:目前,在TLS应用于矿 区建筑物变形监测中,通过手动提取特征点坐标仍是最为常用的方法,且 手动提取结果仍被作为标准结果。
在实验及应用中,已经验证了本文方法的准确性。因此,同样以工程 应用中的建筑物B为例,特征点提取的稳定性被验证。在提取特征点坐标 时,我们分别通过本文方法与手动提取方法提取特征点坐标四次,计算了 坐标中误差(RMSE),并以RMSE作为评判稳定性的指标。
结果如表3所示:
从表3可以看出,除3号特征点在X方向上的RMSE为4.1外,本文方法提 取的RMSE均不超出2.0,大多数分布在0-1.5。手动提取的RMSE均不超出7.1, 大多数分布在0.5-5.0。从RMSE的分布及其上下限可以看出,相比于手动提 取方法,本文方法在特征点提取方面,具有极高的稳定性,以本文方法的 提取结果作为标准更具有合理性。
通过以上实施例表明,本发明提出了一种基于TLS点云的矿区建筑物变 形自动提取方法,该方法以墙体上的门窗角点为特征点,在人为给定参数 的前提下,可实现变形的自动提取。主要优点如下:
(1)本方法在矿区建筑物变形提取中的准确度被验证。本方法提取的变 形值与真实值相差不大,之间的误差大部分分布在-5-5mm间,仅有极少数 超出±5mm,但不超出±9mm,与真实值相差不大。且本方法与手动提取方 法获取变形值近乎一致,其之间的误差绝对值不超过8mm。
(2)本方法包含了一种矿区建筑物的墙体边界点云去噪滤波:斜率滤 波。与传统去噪滤波:统计滤波、半径滤波相比,其可以更有效的进行噪 声点的去除。因此,在矿区复杂的测量环境下,本方法的适用性得到了极 大的提升。
(3)针对同一矿区建筑物的墙体特征点,分别采用本方法及手动方法 进行坐标提取。本方法提取的RMSE均不超出2.0,大多数分布在0-1.5。手 动方法提取的RMSE均不超出7.1,大多数分布在0.5-5.0。相比于手动提取 方法,本文方法具有极高的稳定性。
(4)本方法可避免以人工标志为特征点时,布设标志耗费时费力,及 监测过程中标志脱离丢失的问题。同时,可避免人工提取特征点时,结果 准确性及可靠性主要取决于分析人员的经验及工作量,及人工提取变形具 有主观性,以其结果作为标准不具有合理性的问题。
本方法对于矿区建筑物变形监测具有一定的应用价值。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和 详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是, 对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以 做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于,包括以下步骤:
S1:数据输入:以建筑物墙体上的门窗角点为特征点,对单面墙体进行两期扫描,以所述单面墙体上扫描得到的两期点云作为输入数据;
S2:数据预处理:通过随机采样一致性算和基于法线的点云边界估计方法得到2D边界点云,并对所述2D边界点云进行去噪,得到去噪后的2D边界点云;
S3:基于2D边界点云提取特征点:拆分边界线获取种子特征点并聚类种子特征点,将聚类中心作为临时特征点进行特征点的判别;
S4:计算变形值:基于预处理后的2D边界点云寻回特征点的3D坐标并建立特征点的关系,根据点对关系,对两期的同名特征点的三维坐标进行差值后,实现变形值计算。
2.根据权利要求1所述的一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于:所述数据输入步骤中支持以下两种类型的输入数据:
类型一:在两期扫描的单面墙体上,框选包含特征点的同一区域,以区域内的点云为输入数据;
类型二:直接以两期扫描的单面墙体点云为输入数据。
3.根据权利要求1所述的一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于:所述S2数据预处理具体包括以下步骤:
S201:获取2D边界点云:
所述单面墙体所在的平面通过随机采样一致性算法被拟合,并基于点索引实现墙体点云的提取;
使用基于法线的点云边界估计方法,实现墙体边界点云的获取;
墙体边界点云被投影至与其所在平面夹角较小的坐标面;
基于墙体边界点云的二维包围框,删除位于包围框r邻域内的边界点,得到2D边界点云;
S202:对获取的所述2D边界点云进行去噪,得到去噪后的2D边界点云。
4.根据权利要求2所述的一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于:所述步骤S202中对获取的所述2D边界点云进行去噪的具体步骤如下:
在二维投影面上两条相互垂直的边界线,首先通过一致性算法被拟合,两条所述边界线即为参考线;
依次计算二维边界点云中的点至两条所述参考线的距离,并按照距离排序;
在排序后的点集[p1,…,pi,pi+1,…,pj,…]中,计算每一个点在距离线的斜率;
以点pi与点pj的距离差值作为临时斜率,为减少误差影响,点pi的斜率被表示为k邻域内所有点的临时斜率均值;
基于给定的斜率阈值,将超出阈值的点删除后,完成所述2D边界点云的噪声去除。
5.根据权利要求1所述的一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于:所述S3基于2D边界点云提取特征点,在投影平面上进行墙体的特征点的提取,包括以下步骤:
S301:拆分边界线获取种子特征点,边界线指投影平面上的门窗的边线;
拆分时,所述边界线基于Ransac被拟合,并记录其模型参数;
根据点索引从所述去噪后的2D边界点云中删除位于该边界线上的边界点,完成一次点云更新;
重复上述过程,直至满足边界点云中的剩余点数小于点数阈值,得到种子特征点;
S302:聚类种子特征点:
根据边界线的模型参数,计算所述种子特征点在投影平面上的坐标;
随机选取一个种子特征点;
以其r邻域内的种子特征点的坐标均值作为当前聚类中心;
删除该邻域内的种子特征点,实现了一次聚类集合的更新;
重复上述步骤直至满足聚类集合中的剩余点数为0,实现了种子特征点的聚类;
S303:判断特征点:将所述聚类中心作为临时特征点,所述临时特征点可分为:特征点,非特征点;
判别时,首先统计位于临时特征点r邻域内的边界点;
计算了邻域内边界点在X、Y方向上的坐标差值;
在特征点邻域内,坐标差值均大于差值阈值,而非特征点邻域内最多有一个坐标差值大于差值阈值;
最后,针对这一特点,遍历临时特征点后,完成特征点的判别。
6.根据权利要求1所述的一种基于TLS点云的矿区建筑物变形自动提取方法,其特征在于:所述S4计算变形值,具体包括以下步骤:
S401:寻回特征点的3D坐标:基于预处理后的边界点云,在投影平面上寻找距离特征点最近的边界点;
根据点索引,将其三维坐标赋予特征点,从而完成特征点三维坐标寻回;
S402:建立特征点的关系:通过正态分布变换、迭代最近点算法依次两期输入点云间的全局配准、局部配准;
基于配准后的输入点云,两期扫描间距离最近的特征点被认为是同名特征点,从而完成特征点关系的建立;
S403:根据点对关系,对两期的同名特征点的三维坐标进行差值后,实现变形值计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354390.9A CN114067073B (zh) | 2021-11-16 | 2021-11-16 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354390.9A CN114067073B (zh) | 2021-11-16 | 2021-11-16 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067073A true CN114067073A (zh) | 2022-02-18 |
CN114067073B CN114067073B (zh) | 2022-09-06 |
Family
ID=80272579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354390.9A Active CN114067073B (zh) | 2021-11-16 | 2021-11-16 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067073B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612806A (zh) * | 2022-02-07 | 2022-06-10 | 安徽理工大学 | 一种提高消费级无人机dem产品精度方法 |
CN117496448A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市旭仓科技有限公司 | 一种建筑施工安全智能监控系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607512A (zh) * | 2011-01-25 | 2012-07-25 | 吴立新 | 矿区沉陷车载式激光测量方法 |
CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
CN111612806A (zh) * | 2020-01-10 | 2020-09-01 | 江西理工大学 | 一种建筑物立面窗户提取方法及装置 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
AU2020103105A4 (en) * | 2020-10-29 | 2021-01-07 | Nanjing Forestry University | A Method for Segmenting Point Cloud Data on Shield Tunnel Surface |
EP3783385A1 (en) * | 2019-08-23 | 2021-02-24 | Leica Geosystems AG | Combined point cloud generation using a stationary laser scanner and a mobile scanner |
CN113593017A (zh) * | 2021-08-02 | 2021-11-02 | 中南大学 | 露天矿地表三维模型构建方法、装置、设备及存储介质 |
-
2021
- 2021-11-16 CN CN202111354390.9A patent/CN114067073B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607512A (zh) * | 2011-01-25 | 2012-07-25 | 吴立新 | 矿区沉陷车载式激光测量方法 |
CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
EP3783385A1 (en) * | 2019-08-23 | 2021-02-24 | Leica Geosystems AG | Combined point cloud generation using a stationary laser scanner and a mobile scanner |
CN111612806A (zh) * | 2020-01-10 | 2020-09-01 | 江西理工大学 | 一种建筑物立面窗户提取方法及装置 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
AU2020103105A4 (en) * | 2020-10-29 | 2021-01-07 | Nanjing Forestry University | A Method for Segmenting Point Cloud Data on Shield Tunnel Surface |
CN113593017A (zh) * | 2021-08-02 | 2021-11-02 | 中南大学 | 露天矿地表三维模型构建方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
凌进新: "基于地面三维激光扫描技术的建筑变形监测研究", 《科技资讯》 * |
曹兴砚 等: "采动区框架结构建筑物变形特征分析", 《煤矿开采》 * |
王磊 等: "基于单视线向D-InSAR...斜煤层开采地表沉陷监测方法", 《武汉大学学报(信息科学版)》 * |
谢洪: "基于地面三维激光扫描技术的海量点云模型重建关键算法研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
饶杰: "基于激光点云数据的建筑物快速三维建模", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612806A (zh) * | 2022-02-07 | 2022-06-10 | 安徽理工大学 | 一种提高消费级无人机dem产品精度方法 |
CN117496448A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市旭仓科技有限公司 | 一种建筑施工安全智能监控系统及方法 |
CN117496448B (zh) * | 2024-01-02 | 2024-04-26 | 深圳市旭仓科技有限公司 | 一种建筑施工安全智能监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114067073B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN114067073B (zh) | 一种基于tls点云的矿区建筑物变形自动提取方法 | |
CN110030951B (zh) | 一种基于三维激光扫描技术的引水竖井缺陷检测方法 | |
CN111750822B (zh) | 一种采煤诱发的覆岩与地表沉陷协同动态预测方法 | |
CN106091972B (zh) | 一种基于移动窗口投影点密度的建筑物变化检测方法 | |
CN113804118B (zh) | 一种基于三维激光点云几何特征的建筑物变形监测方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN114998338B (zh) | 一种基于激光雷达点云的矿山开采量计算方法 | |
CN103020966B (zh) | 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法 | |
CN115560690B (zh) | 一种基于三维激光扫描技术的结构物整体变形分析方法 | |
CN116152461B (zh) | 地质建模方法、装置、计算机设备及计算机可读存储介质 | |
CN106338277B (zh) | 一种基于基线的建筑物变化检测方法 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN109903383A (zh) | 一种采煤机在工作面煤层三维模型中精确定位方法 | |
CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
CN114419445A (zh) | 一种基于三维激光扫描隧道围岩信息的识别和提取方法 | |
CN115127476A (zh) | 一种3d扫描的钢结构合龙检测及配切方法 | |
CN109064482B (zh) | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 | |
CN108895976B (zh) | 封闭空间设备变形监测方法及装置 | |
CN103065295A (zh) | 一种基于建筑物角点自修正的航空与地面LiDAR数据高精度自动配准方法 | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
CN117993069A (zh) | 一种“规建验管”全生命周期数字孪生bim构建方法 | |
CN111899291B (zh) | 基于多源维度分解的城市点云从粗到精的自动配准方法 | |
Wang et al. | Automatic deformation extraction method of buildings in mining areas based on TLS point clouds |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 232000 Tian Jia An District, Huainan City, Anhui Patentee after: Anhui University of Science and Technology Address before: 232000 tianjia'an District, Hefei City, Anhui Province Patentee before: Anhui University of Science and Technology |
|
CP02 | Change in the address of a patent holder |