CN115147551A - 远程地面激光扫描技术提取监测对象表面同名特征点的方法 - Google Patents

远程地面激光扫描技术提取监测对象表面同名特征点的方法 Download PDF

Info

Publication number
CN115147551A
CN115147551A CN202210841899.4A CN202210841899A CN115147551A CN 115147551 A CN115147551 A CN 115147551A CN 202210841899 A CN202210841899 A CN 202210841899A CN 115147551 A CN115147551 A CN 115147551A
Authority
CN
China
Prior art keywords
point
point cloud
plane
points
feature
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.)
Pending
Application number
CN202210841899.4A
Other languages
English (en)
Inventor
万程辉
白鹏军
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202210841899.4A priority Critical patent/CN115147551A/zh
Publication of CN115147551A publication Critical patent/CN115147551A/zh
Pending legal-status Critical Current

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
    • G06T17/005—Tree description, e.g. octree, quadtree
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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

Abstract

本发明公开了一种远程地面激光扫描技术提取监测对象表面同名特征点的方法，它涉及测绘工程、水利工程及岩土工程技术领域。外业获取监测对象不同时期点云数据；内业将不同周期监测变形区域统一到同一工程坐标系；建立八叉树空间索引，根据线性回归算法拟合平面，提取网格内平面点云重心为平面特征点；把不同周期变形区域表面点云与首期点云表面平面特征点利用ICP算法匹配，比较识别变形位置转换前后同名特征点的坐标变化，求出不同周期监测变形区域的位移量与倾斜度，对关键变形区域进行表面特征的变形分析，获得变形趋势。本发明克服点云散乱无序、减少点云匹配误差，监测结果精度高，可应用实时滑坡监测、塔吊安全监测、古建筑保护修复。

Description

远程地面激光扫描技术提取监测对象表面同名特征点的方法
技术领域
本发明涉及的是测绘工程、水利工程及岩土工程技术领域，具体涉及一种远程地面激光扫描技术提取监测对象表面同名特征点的方法。
背景技术
随着科技的快速发展，人类大量的工程建设破坏了自然山体地貌，导致滑坡发生的频率增大，对人们的生产和生活造成一定的影响，该问题应当重点关注以及预警，尽可能的将损失降到最低，因此，监测滑坡微小变形和滑坡破坏前的地表位移对滑坡预警非常重要，在监测滑坡地区方面，诸多大地测量技术和遥感工具已被用来探测不同尺度和大小的地表变形，例如全站仪、GPS、全球导航卫星系统(GNSS)、地面激光扫描(TLS)、地面合成孔径雷达干涉测量(GB InSAR)。
远程地面激光扫描技术是一种新型测绘技术，采用非接触式的扫描测量方式，直观反映物体真实形态特性的点云数据，具有主动性、高质量、高冗余、分布不均匀、离散性等特点。从被扫描物体表面主动获取细节丰富的空间数据，无需接触扫描对象，不受光照限制。而传统的单点监测方法不具有整体监测，具有传统测量手段所不具有的优点，该技术已逐渐应用于各种变形监测中，为变形监测提供了一种可选择的、研究的技术新方案。
但点云扫描监测具有以下问题：由于点云数据散乱、存在噪点，导致点云特征不明显，单点精度不高，且点云优化效率低；
对于刚体结构，点云特征明显便于比较，若监测对象的变形为整体变形，例如施工塔吊在不同倾斜度下的运行，根据特征点的倾斜变化判断变形；但是对于复杂的滑坡监测问题，不能直接进行滑坡表面变形点云比较，由于降雨、地震、水压力等不同因素导致的变形，对监测区域的变形分析时，通常直接对点云表面前后变化比较，求出在不同周期监测变形区域的变形量，不能直接表示为滑坡体表面不同特征位置的变形趋势。
基于此，开发一种利用远程地面激光扫描技术提取监测对象表面同名特征点的方法尤为必要。
发明内容
针对现有技术上存在的不足，本发明目的是在于提供一种远程地面激光扫描技术提取监测对象表面同名特征点的方法，能够克服点云散乱无序、减少点云匹配误差，监测结果精度高，可应用于滑坡监测、塔吊的安全监测、古建筑的保护与修复，易于推广使用。
为了实现上述目的，本发明是通过如下的技术方案来实现：远程地面激光扫描技术提取监测对象表面同名特征点的方法，分为外业和内业，其步骤为：
(1)外业：利用远程地面三维激光扫描仪在固定测站上获取不同时期的点云数据；
(2)内业：①将不同周期点云数据导出，进行点云数据处理与分析；
②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系；
③对扫描区域内点云建立八叉树空间索引；
④根据线性回归算法拟合平面；
⑤提取网格内平面点云重心为平面特征点；
⑥对不同周期扫描的非监测范围稳定区域点云数据，利用迭代最近点(ICP)拼接算法统一工程坐标系；
⑦识别提取的平面同名特征点，利用特征点直方图的方法，识别提取的平面特征点对应变形位置的平面特征点为同名监测点，对扫描监测体的关键变形区域进行表面特征的变形分析；
⑧将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点进行ICP算法匹配，使不同周期变形区域表面点云与首期点云表面点云重合，对不同周期同名特征点在匹配前后的坐标变化进行比较分析，通过识别的同名特征点坐标前后变化快速求出不同周期监测变形区域的位移量与倾斜度，获得监测体表面不同平面特征位置的变形趋势。
作为优选，所述的步骤②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系。
利用精密扫描平面靶标点云拟合圆心的原理为：设拟合的圆心坐标为(x0，y0，z0)，R为已知靶标半径，(A，B，C)为靶标拟合平面法矢量，每个球面点拟合后估值与实际值的差值为：
ei(x0，y0，z0)＝A(xi-x0)2+B(yi-y0)2+C(zi-z0)2-R2 (1)
差值平方和为：
E(x0，y0，z0)＝∑ei(x0，y0，z0)2 (2)
E为x0，y0，z0的函数，令E分别对x0，y0，z0求偏导数，令其值为0，即可求出(x0，y0，z0)。
已知3个靶标中心坐标(x，y，z)建立三维空间后方交会方程，可求得远程地面三维激光扫描中心坐标(Xs，Ys，Zs)：
Figure BDA0003751445820000031
其中式(3)左边是目标坐标系统下的坐标，右边(下标为S)表示原坐标系统下坐标；[ΔX ΔY ΔZ]T＝T[Xs Ys Zs]T为平移因子，其意义是参考点旋转后的坐标；μ为尺度因子；T为坐标转换旋转矩阵，
Figure BDA0003751445820000041
ΔX、ΔY、ΔZ、μ、α、β、γ为7参数，后3个称为旋转参数或角度参数；当靶标数大于3个时，利用最小二乘原理求出最优地面三维激光扫描中心坐标(Xs，Ys，Zs)。
作为优选，所述的步骤③首先依据点云最小包围盒确立八叉树根节点，然后将八叉树根节点沿XYZ方向等分为8个小立方体作为子节点，对所有节点及所包含的点云进行分割，直到立方体边长小于规定的阈值时停止。
作为优选，所述的步骤④将包围盒内分割的点云，利用线性回归算法拟合平面特征点云：针对扫描获取表面点云分区后，对每个分区三维点云数据进行提取，将数据集按比例8：2随机分成训练集和测试集两组点云，对训练集的点云数据集建立线性回归方程组：
Figure BDA0003751445820000042
式(5)中(x，y，z)为测试数据集点云数据；(A，B，C)为平面单位法向量，且A2+B2+C2≠1；D为坐标原点到平面的距离；
建立好平面回归模型参数方程组后，建立回归模型的损失函数：
Figure BDA0003751445820000043
式(6)为残差平方和，是衡量回归模型误差的函数，函数值越小，说明拟合平面的效果越好，设定损失函数的阈值，不断对给定的训练集点云数据进行线性回归分析直至损失函数降至指定阈值。
作为优选，所述的步骤⑤网格内平面特征点计算：根据立方体网格内平面特征点云，提取平面特征点云的重心作为平面特征点T(cx，cy，cz)：
Figure BDA0003751445820000051
式(7)为满足拟合平面特征点云坐标(xi，yi，zi)(i＝1，2，3…n)。
作为优选，所述的步骤⑦通过考虑其k邻域中法线方向之间所有的相互作用，然后以步骤③提取的点云为基础首先建立最大正方体包围盒，尽可能地包含所有点云，通过调整不同的k邻域搜索半径不断地以正方体包围盒的方式分割点云，根据提取特征点法线的方向对数据进行归类，点云稀疏的位置建立大的包围盒，点云密集的位置建立小的包围盒，对监测位置进行重点分割，将相同k邻域半径的包围盒的重心点连接起来拟合平面，依次类推直到建立的包围盒中包含一个特征点为止，根据法线方向和k邻域半径以及监测区域可以将变化明显的特征点识别出来，以描述监测对象的几何特征。
算法过程如下所述：首先确定k值，选取点Pq并确定其k邻域，记录点集状态，然后选取邻域内的两点P1、P2，并求出各自的法线n1、n2，以n1、n2任意一点为原点定义局部坐标系计算单位向量u、v、w，在uvw坐标系中求出特征三元组，将Pq邻域查询完毕，并将点集全部遍历，最后输出点集的所有特征三元组，其中，单位向量uvw建立规则如下：
Figure BDA0003751445820000052
特征三元组(α,φ,θ)创建过程如下：
Figure BDA0003751445820000053
Figure BDA0003751445820000061
PFH特征仅用三个参数就能涵盖两个点原本信息中的12个参数(每个点的位置和法线各需要3个参数表达空间信息)，极大的压缩了点云参数量；计算完中心邻域内n个点之间的所有三元组特征后，将每个特征值分成b等分，形成一个b3维的直方图，每一维代表了其中某个值的某一范围区间，再去统计出现在各个子区间的频率，不同区域或不同物体的点，其PFH会有很大的区别，而对于相似的区域，会有相似的直方图分布。
作为优选，所述的步骤⑧对不同周期平面特征点的坐标变化进行比较，将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点再次进行ICP算法匹配，根据欧式空间最小距离，在设置的搜索半径内的获取同名点对，计算所有同名点对的距离中误差；
考虑空间转换参数(ΔR)与点位坐标误差(Δt)；
A′＝(R+ΔR)A+(t+Δt) (10)
其中：
Figure BDA0003751445820000062
Figure BDA0003751445820000063
Figure BDA0003751445820000064
式中α、β、γ分别表示点沿x、y、z轴方向的旋转角度，tx、ty、tz分别表示点集沿x、y、z方向的平移量；
利用整体最小二乘方法表示为约束最优化问题的最小范数求解转换参数，利用两点间距离公式计算变形结果及配准误差：
‖[ΔR Δt]‖F＝MIN (11)
Figure BDA0003751445820000071
其中P1(x0，y0，z0)和P2(x1，y1，z1)分别为第1期和不同周期对应平面特征点坐标；
利用整体最小二乘方法表示为约束最优化问题的最小范数使得同名点对尽可能完全重合从而确定不同周期的同名特征点，然后利用两点间距离公式和倾斜度公式求得监测对象的位移量和倾斜度变化，获得监测体表面识别的不同特征位置的变形趋势；
监测体表面识别的不同特征点在不同周期与第一个周期的坐标差值为：
Figure BDA0003751445820000072
其中(x0，y0，z0)为第一个周期特征点坐标，(xi，yi，zi)为在不同周期对应同名特征点坐标。
监测对象的倾斜度为：
Figure BDA0003751445820000073
其中k为倾斜度，f为轴向偏移距离△，L为监测对象对应轴向距离。
本发明的有益效果：本方法能够减少点云误差、克服点云散乱的缺点，监测结果精度高，具有较好的有效性、准确性、鲁棒性，且应用前景广阔，可应用于滑坡监测、塔吊的安全监测、古建筑的保护与修复。
附图说明
下面结合附图和具体实施方式来详细说明本发明；
图1为本发明对不同倾角的箱体进行扫描提取平面特征点示意图；
图2为本发明特征点提取示意图；
图3为本发明计算结果和纸箱特征点的倾斜度变化示意图；
图4为本发明实施例1对塔吊安全监测提取后的特征点图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参照图1至图4，本具体实施方式采用以下技术方案：远程地面激光扫描技术提取监测对象表面同名特征点的方法，分为外业和内业，其步骤为：
(1)外业：利用Riegl vz-1000三维激光扫描仪在固定测站上获取不同时期的点云数据；
(2)内业：①将不同周期点云数据导出，进行点云数据处理与分析；
②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系；
③对扫描区域内点云建立八叉树空间索引；
④根据线性回归算法拟合平面；
⑤提取网格内平面点云重心为平面特征点；
⑥对不同周期扫描的非监测范围稳定区域点云数据，利用迭代最近点(ICP)拼接算法统一工程坐标系；
⑦识别提取的平面同名特征点，利用特征点直方图的方法，识别提取的平面特征点对应变形位置的平面特征点为同名监测点，对扫描监测体的关键变形区域进行表面特征的变形分析；
⑧将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点进行ICP算法匹配，使不同周期变形区域表面点云与首期点云表面点云重合，对不同周期同名特征点在匹配前后的坐标变化进行比较分析，通过识别的同名特征点坐标前后变化快速求出不同周期监测变形区域的位移量与倾斜度，获得监测体表面不同平面特征位置的变形趋势。
值得注意的是，所述的步骤②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系。
首先利用精密扫描平面靶标点云拟合圆心，其原理为：设拟合的圆心坐标为(x0，y0，z0)，R为已知靶标半径，(A，B，C)为靶标拟合平面法矢量，每个球面点拟合后估值与实际值的差值为：
ei(x0，y0，z0)＝A(xi-x0)2+B(yi-y0)2+C(zi-z0)2-R2 (1)差值平方和为：
E(x0，y0，z0)＝∑ei(x0，y0，z0)2 (2)
E为x0，y0，z0的函数，令E分别对x0，y0，z0求偏导数，令其值为0，即可求出(x0，y0，z0)。
然后利用已知的3个靶标中心坐标(x，y，z)建立三维空间后方交会方程，可求得远程地面三维激光扫描中心坐标(Xs，Ys，Zs)：
Figure BDA0003751445820000091
其中式(3)左边是目标坐标系统下的坐标，右边(下标为S)表示原坐标系统下坐标；[ΔX ΔY ΔZ]T＝T[Xs Ys Zs]T为平移因子，其意义是参考点旋转后的坐标；μ为尺度因子；T为坐标转换旋转矩阵，
Figure BDA0003751445820000092
ΔX、ΔY、ΔZ、μ、α、β、γ为7参数，后3个称为旋转参数或角度参数；当靶标数大于3个时，利用最小二乘原理求出最优地面三维激光扫描中心坐标(Xs，Ys，Zs)。
值得注意的是，所述的步骤③首先依据点云最小包围盒确立八叉树根节点，然后将八叉树根节点沿XYZ方向等分为8个小立方体作为子节点，对所有节点及所包含的点云进行分割，直到立方体边长小于规定的阈值时停止。
值得注意的是，所述的步骤④将包围盒内分割的点云，利用线性回归算法拟合平面特征点云：针对扫描获取表面点云分区后，对每个分区三维点云数据进行提取，将数据集按比例8：2随机分成训练集和测试集两组点云，对训练集的点云数据集建立线性回归方程组：
Figure BDA0003751445820000101
式(5)中(x，y，z)为测试数据集点云数据；(A，B，C)为平面单位法向量，且A2+B2+C2≠1；D为坐标原点到平面的距离；
建立好平面回归模型参数方程组后，建立回归模型的损失函数：
Figure BDA0003751445820000102
式(6)为残差平方和，是衡量回归模型误差的函数，函数值越小，说明拟合平面的效果越好，设定损失函数的阈值，不断对给定的训练集点云数据进行线性回归分析直至损失函数降至指定阈值。
值得注意的是，所述的步骤⑤网格内平面特征点计算：根据立方体网格内平面特征点云，提取平面特征点云的重心作为平面特征点T(cx，cy，cz)：
Figure BDA0003751445820000103
式(7)为满足拟合平面特征点云坐标(xi，yi，zi)(i＝1，2，3…n)。
值得注意的是，所述的步骤⑦通过考虑其k邻域中法线方向之间所有的相互作用，然后以步骤③提取的点云为基础首先建立最大正方体包围盒，尽可能地包含所有点云，通过调整不同的k邻域搜索半径不断地以正方体包围盒的方式分割点云，根据提取特征点法线的方向对数据进行归类，点云稀疏的位置建立大的包围盒，点云密集的位置建立小的包围盒，对监测位置进行重点分割，将相同k邻域半径的包围盒的重心点连接起来拟合平面，依次类推直到建立的包围盒中包含一个特征点为止，根据法线方向和k邻域半径以及监测区域可以将变化明显的特征点识别出来，以描述监测对象的几何特征。
如图2，(ⅰ)为特征点提取整体图，(ⅱ)为k邻域图，颜色越深越为特征点密集的位置和监测区域，算法过程如下所述：首先确定k值，选取点Pq并确定其k邻域，记录点集状态，然后选取邻域内的两点P1、P2，并求出各自的法线n1、n2，以n1、n2任意一点为原点定义局部坐标系计算单位向量u、v、w，在uvw坐标系中求出特征三元组，将Pq邻域查询完毕，并将点集全部遍历，最后输出点集的所有特征三元组，其中，单位向量uvw建立规则如下：
Figure BDA0003751445820000111
特征三元组(α,φ,θ)创建过程如下：
Figure BDA0003751445820000112
PFH特征仅用三个参数就能涵盖两个点原本信息中的12个参数(每个点的位置和法线各需要3个参数表达空间信息)，极大的压缩了点云参数量；计算完中心邻域内n个点之间的所有三元组特征后，将每个特征值分成b等分，形成一个b3维的直方图，每一维代表了其中某个值的某一范围区间，再去统计出现在各个子区间的频率，不同区域或不同物体的点，其PFH会有很大的区别，而对于相似的区域，会有相似的直方图分布。
此外，所述的步骤⑧对不同周期平面特征点的坐标变化进行比较，将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点再次进行ICP算法匹配，根据欧式空间最小距离，在设置的搜索半径内的获取同名点对，计算所有同名点对的距离中误差。
考虑空间转换参数(ΔR)与点位坐标误差(Δt)；
A′＝(R+ΔR)A+(t+Δt) (10)
其中：
Figure BDA0003751445820000121
Figure BDA0003751445820000122
Figure BDA0003751445820000123
式中α、β、γ分别表示点沿x、y、z轴方向的旋转角度，tx、ty、tz分别表示点集沿x、y、z方向的平移量；
利用整体最小二乘方法表示为约束最优化问题的最小范数求解转换参数，利用两点间距离公式计算变形结果及配准误差：
‖[ΔR Δt]‖F＝MIN (11)
Figure BDA0003751445820000124
其中P1(x0，y0，z0)和P2(x1，y1，z1)分别为第1期和不同周期对应平面特征点坐标；
利用整体最小二乘方法表示为约束最优化问题的最小范数使得同名点对尽可能完全重合从而确定不同周期的同名特征点，然后利用两点间距离公式和倾斜度公式求得监测对象的位移量和倾斜度变化，获得监测体表面识别的不同特征位置的变形趋势；
监测体表面识别的不同特征点在不同周期与第一个周期的坐标差值为：
Figure BDA0003751445820000131
其中(x0，y0，z0)为第一个周期特征点坐标，(xi，yi，zi)为在不同周期对应同名特征点坐标。
监测对象的倾斜度为：
Figure BDA0003751445820000132
其中k为倾斜度，f为轴向偏移距离△，L为监测对象对应轴向距离。
本具体实施方式通过设计纸箱倾斜度变化验证实验，来说明提取监测对象表面点云同名特征点并解决点云散乱排序问题的方法。本实验中，通过不同倾斜角度的纸箱，对纸箱进行不同位置和扫描分辨率的扫描，用以验证监测方法的有效性、准确性、鲁棒性，同时确定采用线性回归算法拟合平面时拟合误差阈值与点云密度和点云误差的关系。
由于纸箱整体倾斜移位，认为纸箱的表面变化是整体的平移和旋转，纸箱不存在局部变形。具体扫描步骤如下：
(1)在8.258m距离设置扫描箱，扫描角度分辨率分别为0.06°，计算不同点云密度和点云误差对拟合平面特征点的影响。对不同倾角的箱体进行扫描，模拟滑坡表面倾斜变形(图1)，其实验设计角度如表1所示。每次扫描角度均事先固定，扫描后通过处理点云数据计算出实际倾斜角度，并与设计角度对应一致。
表1纸箱实验设计角度
Figure BDA0003751445820000133
Figure BDA0003751445820000141
(2)扫描点云数据在同一测站位置下进行。通过对从纸箱表面提取的平面特征点进行ICP拼接，分析了不同倾角纸箱点云数据的表面变形位移和倾角。处理步骤可进一步分为：
Ⅰ.对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系。
Ⅱ.对扫描区域内点云建立八叉树空间索引。为了降低点云数量并去除无用信息，使用八叉树点云压缩的方法即可达到预期的目的，但是其缺陷性会使得点云分布不均。
Ⅲ.根据线性回归算法拟合平面。根据步骤③将包围盒内分割的点云，利用线性回归算法拟合平面特征点云：针对扫描获取表面点云分区后，对每个分区三维点云数据进行提取，将数据集按比例8：2随机分成训练集和测试集两组点云，对训练集的点云数据集建立步骤③线性回归方程组，然后建立回归模型的损失函数。
Ⅳ.提取网格内平面点云重心为平面特征点。设置扫描距离为8.258m，角度扫描分辨率为0.06°的点云效果，根据线性回归算法，将导入的点云数据，提取平面特征点数据，设置最大平面拟合误差为2mm，最少拟合点数为8个，八叉树最小网格间隔为0.016m。
表2不同扫描角度分辨率测得的平面特征点个数
Figure BDA0003751445820000142
Ⅴ.对不同周期扫描的非监测范围稳定区域点云数据，利用迭代最近点(ICP)拼接算法统一到工程坐标系。使用最小二乘算法提取平面特征点并建立平面特征点替换到ICP中，提高了点云的配准精度和收敛速度。优化后的ICP算法，设定搜索范围和误差允许值等参数进行迭代计算，设置ICP最小搜索半径0.05m，拼接的允许误差小于0.001m，达到所设定的配准精度后停止。
Ⅵ.识别提取的平面同名特征点，利用特征点直方图的方法，设置不同的k值以求取3个特征点中距离最近的点，从而识别提取的平面特征点对应变形位置的平面特征点为同名监测点。
Ⅶ.通过所有平面特征点坐标差值，利用两点间距离公式和中误差公式计算出三维空间距离，求出平均距离，并求助距离均方根误差(中误差)。将扫描位置的平面特征点与拼接后的平面特征点进行坐标比较，计算箱子位置的变化量，计算结果和纸箱特征点的倾斜度变化如图3、表3所示。
表3纸箱的空间位移变化与倾斜度
A B C D
平均位移量/m 0.0544 0.1286 0.2279 0.2687
最大位移量/m 0.0850 0.2088 0.4044 0.4638
最小位移量/m 0.0379 0.0638 0.0595 0.0463
中误差/m ±0.0115 ±0.0456 ±0.1131 ±0.1398
X倾斜角/° -9.084 -21.8507 -43.6794 -51.3546
Y倾斜角/° -0.4474 -1.3449 -3.9016 -5.3267
Z倾斜角/° -1.1265 -1.2048 -3.1705 -4.3447
总倾斜角/° 9.1652 21.9252 43.9678 51.8126
实施例1：塔吊在工作时的安全监测：利用三维激光扫描仪对正常运行的塔吊进行变形监测，数据采集和数据处理步骤均与纸箱实验相同，这里将塔吊分为回转结构、标准节、基础预埋件三部分，分开分析各部分不同时期的变形。
图4为提取后的特征点图，其中(a)为第1期点云，点云个数145332；(b)为第2期点云，点云个数145183，(c)为第1期抽稀后的点云，点云个数3487，(d)为第2期抽稀后的点云，点云个数3267，抽稀即提取同名特征点，提取的个数根据设置不同的阈值而不同；(e)为将(a)、(b)统一坐标系后的特征点图，(f)为将(c)、(d)统一坐标系后的特征点图，进而实现不同时期散乱点云的有序排列，监测到塔吊的变化幅度。重复上述步骤可以得到塔吊在运行过程中的变形量。
(1)塔吊各部件高程位移变形分析：回转结构、标准节、基础预埋件的高程位移变形分布如表4所示，标准节变形大于回转结构和基础预埋件的变形。
表4各部件高程位移变形分布分析
高程位移变形分布 回转结构 标准节 基础预埋件
偏移量范围/mm [-5，20] [9，20] [4，9]
平均偏移量/mm 9 13 7
点云特征点变形数量/个 1014 2289 1115
点云特征点数量占比 82.7％ 77.1％ 97.6％
(2)塔吊倾斜分析：回转结构为0.154％，标准节为0.068％，基础预埋件为0.031％，倾斜度最大的是回转结构，按塔吊的设计规程(GB/T13752-2017)正常塔吊允许值为0.4％。回转结构为变形最大部件，其变形满足规范要求，塔吊的倾角在正常的变形范围内，是安全的。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，分为外业和内业，其步骤为：
(1)外业：利用远程地面三维激光扫描仪在固定测站上获取不同时期的点云数据；
(2)内业：①将不同周期点云数据导出，进行点云数据处理与分析；
②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系；
③对扫描区域内点云建立八叉树空间索引；
④根据线性回归算法拟合平面；
⑤提取网格内平面点云重心为平面特征点；
⑥对不同周期扫描的非监测范围稳定区域点云数据，利用迭代最近点(ICP)拼接算法统一工程坐标系；
⑦识别提取的平面同名特征点，利用特征点直方图的方法，识别提取的平面特征点对应变形位置的平面特征点为同名监测点，对扫描监测体的关键变形区域进行表面特征的变形分析；
⑧将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点进行ICP算法匹配，使不同周期变形区域表面点云与首期点云表面点云重合，对不同周期同名特征点在匹配前后的坐标变化进行比较分析，通过识别的同名特征点坐标前后变化快速求出不同周期监测变形区域的位移量与倾斜度，获得监测体表面不同平面特征位置的变形趋势。
2.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤②对不同周期扫描的点云数据，利用扫描靶标拟合点云中心的空间后方交会方法建立统一的监测坐标系：
利用精密扫描平面靶标点云拟合圆心的原理为：设拟合的圆心坐标为(x0，y0，z0)，R为已知靶标半径，(A，B，C)为靶标拟合平面法矢量，每个球面点拟合后估值与实际值的差值为：
ei(x0，y0，z0)＝A(xi-x0)2+B(yi-y0)2+C(zi-z0)2-R2 (1)差值平方和为：
E(x0，y0，z0)＝∑ei(x0，y0，z0)2 (2)E为x0，y0，z0的函数，令E分别对x0，y0，z0求偏导数，令其值为0，即可求出(x0，y0，z0)；
已知3个靶标中心坐标(x，y，z)建立三维空间后方交会方程，可求得远程地面三维激光扫描中心坐标(Xs，Ys，Zs)：
Figure FDA0003751445810000021
其中式(3)左边是目标坐标系统下的坐标，右边(下标为S)表示原坐标系统下坐标；[ΔX ΔY ΔZ]T＝T[Xs Ys Zs]T为平移因子，其意义是参考点旋转后的坐标；μ为尺度因子；T为坐标转换旋转矩阵，
Figure FDA0003751445810000022
ΔX、ΔY、ΔZ、μ、α、β、γ为7参数，后3个称为旋转参数或角度参数；当靶标数大于3个时，利用最小二乘原理求出最优地面三维激光扫描中心坐标(Xs，Ys，Zs)。
3.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤③首先依据点云最小包围盒确立八叉树根节点，然后将八叉树根节点沿XYZ方向等分为8个小立方体作为子节点，对所有节点及所包含的点云进行分割，直到立方体边长小于规定的阈值时停止。
4.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤④将包围盒内分割的点云，利用线性回归算法拟合平面特征点云：针对扫描获取表面点云分区后，对每个分区三维点云数据进行提取，将数据集按比例8：2随机分成训练集和测试集两组点云，对训练集的点云数据集建立线性回归方程组：
Figure FDA0003751445810000031
式(5)中(x，y，z)为测试数据集点云数据；(A，B，C)为平面单位法向量，且A2+B2+C2≠1；D为坐标原点到平面的距离；
建立好平面回归模型参数方程组后，建立回归模型的损失函数：
Figure FDA0003751445810000032
式(6)为残差平方和，是衡量回归模型误差的函数，函数值越小，说明拟合平面的效果越好，设定损失函数的阈值，不断对给定的训练集点云数据进行线性回归分析直至损失函数降至指定阈值。
5.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤⑤网格内平面特征点计算：根据立方体网格内平面特征点云，提取平面特征点云的重心作为平面特征点T(cx，cy，cz)：
Figure FDA0003751445810000033
式(7)为满足拟合平面特征点云坐标(xi,yi,zi)(i＝1，2，3…n)。
6.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤⑦通过考虑其k邻域中法线方向之间所有的相互作用，然后以步骤③提取的点云为基础首先建立最大正方体包围盒，包含所有点云，通过调整不同的k邻域搜索半径不断地以正方体包围盒的方式分割点云，根据提取特征点法线的方向对数据进行归类，点云稀疏的位置建立大的包围盒，点云密集的位置建立小的包围盒，对监测位置进行重点分割，将相同k邻域半径的包围盒的重心点连接起来拟合平面，依次类推直到建立的包围盒中包含一个特征点为止，根据法线方向和k邻域半径以及监测区域可以将变化明显的特征点识别出来，以描述监测对象的几何特征；
算法过程如下所述：首先确定k值，选取点Pq并确定其k邻域，记录点集状态，然后选取邻域内的两点P1、P2，并求出各自的法线n1、n2，以n1、n2任意一点为原点定义局部坐标系计算单位向量u、v、w，在uvw坐标系中求出特征三元组，将Pq邻域查询完毕，并将点集全部遍历，最后输出点集的所有特征三元组，其中，单位向量uvw建立规则如下：
Figure FDA0003751445810000041
特征三元组(α,φ,θ)创建过程如下：
Figure FDA0003751445810000042
计算完中心邻域内n个点之间的所有三元组特征后，将每个特征值分成b等分，形成一个b3维的直方图，每一维代表了其中某个值的某一范围区间，再去统计出现在各个子区间的频率。
7.根据权利要求1所述的远程地面激光扫描技术提取监测对象表面同名特征点的方法，其特征在于，所述的步骤⑧对不同周期平面特征点的坐标变化进行比较，将不同周期变形区域的平面特征点与首期监测的变形区域平面特征点再次进行ICP算法匹配，根据欧式空间最小距离，在设置的搜索半径内的获取同名点对，计算所有同名点对的距离中误差；
考虑空间转换参数(ΔR)与点位坐标误差(Δt)；
A′＝(R+ΔR)A+(t+Δt) (10)
其中：
Figure FDA0003751445810000051
Figure FDA0003751445810000052
Figure FDA0003751445810000053
式中α、β、γ分别表示点沿x、y、z轴方向的旋转角度，tx、ty、tz分别表示点集沿x、y、z方向的平移量；
利用整体最小二乘方法表示为约束最优化问题的最小范数求解转换参数，利用两点间距离公式计算变形结果及配准误差：
‖[ΔR Δt]‖F＝MIN (11)
Figure FDA0003751445810000054
其中P1(x0，y0，z0)和P2(x1，y1，z1)分别为第1期和不同周期对应平面特征点坐标；
利用整体最小二乘方法表示为约束最优化问题的最小范数使得同名点对尽可能完全重合从而确定不同周期的同名特征点，然后利用两点间距离公式和倾斜度公式求得监测对象的位移量和倾斜度变化，获得监测体表面识别的不同特征位置的变形趋势；
监测体表面识别的不同特征点在不同周期与第一个周期的坐标差值为：
Figure FDA0003751445810000061
其中(x0，y0，z0)为第一个周期特征点坐标，(xi，yi，zi)为在不同周期对应同名特征点坐标；
监测对象的倾斜度为：
Figure FDA0003751445810000062
其中k为倾斜度，f为轴向偏移距离△，L为监测对象对应轴向距离。
CN202210841899.4A 2022-07-18 2022-07-18 远程地面激光扫描技术提取监测对象表面同名特征点的方法 Pending CN115147551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210841899.4A CN115147551A (zh) 2022-07-18 2022-07-18 远程地面激光扫描技术提取监测对象表面同名特征点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210841899.4A CN115147551A (zh) 2022-07-18 2022-07-18 远程地面激光扫描技术提取监测对象表面同名特征点的方法

Publications (1)

Publication Number Publication Date
CN115147551A true CN115147551A (zh) 2022-10-04

Family

ID=83411339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210841899.4A Pending CN115147551A (zh) 2022-07-18 2022-07-18 远程地面激光扫描技术提取监测对象表面同名特征点的方法

Country Status (1)

Country Link
CN (1) CN115147551A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475002A (zh) * 2023-12-27 2024-01-30 青岛亿联建设集团股份有限公司 基于激光扫描技术的建筑倾斜度测量方法
CN117556703A (zh) * 2023-11-23 2024-02-13 中铁大桥局集团有限公司 边坡的岩体结构面识别方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556703A (zh) * 2023-11-23 2024-02-13 中铁大桥局集团有限公司 边坡的岩体结构面识别方法、装置、设备及可读存储介质
CN117475002A (zh) * 2023-12-27 2024-01-30 青岛亿联建设集团股份有限公司 基于激光扫描技术的建筑倾斜度测量方法

Similar Documents

Publication Publication Date Title
CN109506580B (zh) 基于线激光三维扫描的锪孔质量检测方法
Woo et al. A new segmentation method for point cloud data
CN115147551A (zh) 远程地面激光扫描技术提取监测对象表面同名特征点的方法
Liu et al. Automated matching of multiple terrestrial laser scans for stem mapping without the use of artificial references
JP5703396B2 (ja) 減数された測定点による公差評価
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
Zhang et al. Automated method for extracting and analysing the rock discontinuities from point clouds based on digital surface model of rock mass
CN110807781B (zh) 一种保留细节与边界特征的点云精简方法
CN108303037A (zh) 一种基于点云分析的工件表面形状差异的检测方法及装置
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
Wang et al. Distortion calibrating method of measuring rail profile based on local affine invariant feature descriptor
CN111369609B (zh) 一种基于点云曲面特征约束的建筑物局部变形分析方法
CN111932669A (zh) 一种基于边坡岩体特征对象的变形监测方法
CN113031005A (zh) 基于激光雷达的吊车动态障碍物识别方法
CN112099046A (zh) 基于多值体素模型的机载lidar三维平面检测方法
Cheng et al. An effective coaxiality measurement for twist drill based on line structured light sensor
Kim et al. New approach for planar patch segmentation using airborne laser data
Chen et al. A point-based offsetting method of polygonal meshes
CN115937149A (zh) 一种基于三角网格化的墙面局部偏差自动化检测方法
Cao et al. Aircraft pipe gap inspection on raw point cloud from a single view
CN115456937A (zh) 一种直接基于tls高密度点云实测值的变形检测方法
Sun et al. Datum feature extraction and deformation analysis method based on normal vector of point cloud
Lv et al. Point-based integration for 3D object reconstruction from Ladar range images
CN109697754B (zh) 基于主方向估算的3d岩体点云特征面提取方法
Putra et al. Approximate volume of sand materials stockpile based on structure from motion (sfm)

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