CN114067073B - 一种基于tls点云的矿区建筑物变形自动提取方法 - Google Patents

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

一种基于TLS点云的矿区建筑物变形自动提取方法

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 (5)

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，具体包括：

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r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；

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3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。

Images