CN115248032B - 一种三维激光点云房屋信息自动化提取方法 - Google Patents

一种三维激光点云房屋信息自动化提取方法 Download PDF

Info

Publication number
CN115248032B
CN115248032B CN202211155333.2A CN202211155333A CN115248032B CN 115248032 B CN115248032 B CN 115248032B CN 202211155333 A CN202211155333 A CN 202211155333A CN 115248032 B CN115248032 B CN 115248032B
Authority
CN
China
Prior art keywords
house
point cloud
cloud data
grid
plane
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
CN202211155333.2A
Other languages
English (en)
Other versions
CN115248032A (zh
Inventor
张淳
赵安华
杨相展
曹煌
王颖
李健华
刘峰
刘凯
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.)
Chuang Hui Da Design Co ltd
Original Assignee
Chuang Hui Da Design Co ltd
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 Chuang Hui Da Design Co ltd filed Critical Chuang Hui Da Design Co ltd
Priority to CN202211155333.2A priority Critical patent/CN115248032B/zh
Publication of CN115248032A publication Critical patent/CN115248032A/zh
Application granted granted Critical
Publication of CN115248032B publication Critical patent/CN115248032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • G01C15/002—Active optical surveying means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及房屋信息自动化提取的技术领域，揭露了一种三维激光点云房屋信息自动化提取方法，所述方法包括：利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径；房屋信息采集设备将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数；房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据；基于房屋激光点云数据利用自适用生成分析技术进行房屋平面提取；基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。本发明实现房屋信息采集设备的行进路径优化，得到可以全面表征房屋信息的点云数据，并基于点云数据实现房屋尺寸信息的自动化提取。

Description

一种三维激光点云房屋信息自动化提取方法
技术领域
本发明涉及房屋信息自动提取的技术领域，尤其涉及一种三维激光点云房屋信息自动化提取方法。
背景技术
房屋信息采集是进行房屋装修设计、交付验收等活动的重要环节，现有房屋信息采集以人工测验为主，存在耗时长和测量死角等问题，针对该问题，本专利提出一种三维激光点云房屋信息自动化提取方法，实现房屋信息自动化采集。
发明内容
有鉴于此，本发明提供一种三维激光点云房屋信息自动化提取方法，目的在于（1）利用房屋信息采集无人车的激光雷达对房屋物体发射激光束，得到表示房屋尺寸信息的点云坐标数据，并对房屋信息采集无人车的行进路径进行优化，保证所采集点云数据能够更为全面地表征房屋尺寸信息，提高所提取房屋信息的准确性；（2）基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，实现房屋天花板平面、地板平面以及其余平面的提取，各邻接平面的交线即为平面的框线，框线之间的交点即为平面的角点，实现房屋尺寸信息的自动化提取。
实现上述目的，本发明提供的一种三维激光点云房屋信息自动化提取方法，包括以下步骤：
S1：以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径；
S2：房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径，前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，
S3：房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据；
S4：基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，其中区域生长算法为自适应生成分析技术的主要方法；
S5：基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
作为本发明的进一步改进方法：
可选地，所述S1步骤中以房屋二维平面数据为输入并人工标注目标位置，包括：
获取待信息提取房屋的二维平面结构数据，并对二维平面结构数据进行栅格化处理，所述栅格化处理的流程为：
将二维平面结构数据建立为二维坐标系，其中坐标系的原点为二维平面结构数据的房门位置；
将二维平面结构数据处理为若干栅格，所述栅格为变长为1米的正方形，则所述第i个栅格
Figure 100002_DEST_PATH_IMAGE002
，表示坐标系中位置为
Figure 100002_DEST_PATH_IMAGE004
的栅格，栅格中心坐标为
Figure 100002_DEST_PATH_IMAGE004A
；
计算每个栅格中障碍物区域的面积，所述障碍物区域表示无法通行的区域，则第i个栅格
Figure 100002_DEST_PATH_IMAGE006
的障碍物面积为
Figure 100002_DEST_PATH_IMAGE008
，若
Figure 100002_DEST_PATH_IMAGE010
，则表示房屋信息采集设备无法到达栅格
Figure 100002_DEST_PATH_IMAGE006A
的位置，将栅格
Figure 100002_DEST_PATH_IMAGE006AA
标记为障碍栅格，其中
Figure 100002_DEST_PATH_IMAGE012
表示房屋信息采集设备的通行阈值；所述目标位置为房屋二维平面数据中房屋的平面顶点位置。
可选地，所述S1步骤中利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，包括：
利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，所述房屋信息采集设备为房屋信息采集无人车，所述全局路径规划算法流程为：
S11：初始化房屋信息采集设备的初始位置为房门位置的栅格，所述房屋信息采集设备处于栅格中心位置；
S12：初始化空列表close列表，并将房屋信息采集设备的初始栅格位置存储到close列表中，所述close列表为有序列表，按照先进先服务原则，close列表中的第一个栅格位置为房屋信息采集设备行进路径中的第一个路径节点位置；
S13：所述close列表中最后进入的栅格为
Figure 100002_DEST_PATH_IMAGE014
，计算
Figure DEST_PATH_IMAGE014A
的邻近栅格的移动代价，所述邻近栅格表示相距
Figure 100002_DEST_PATH_IMAGE016
米的栅格，所述栅格距离表示栅格中心点坐标的曼哈顿距离，则任意栅格
Figure 100002_DEST_PATH_IMAGE006AAA
与
Figure 100002_DEST_PATH_IMAGE018
的曼哈顿距离
Figure 100002_DEST_PATH_IMAGE020
为：
Figure 100002_DEST_PATH_IMAGE022
其中：
Figure 100002_DEST_PATH_IMAGE024
分别为栅格
Figure DEST_PATH_IMAGE006AAAA
与
Figure DEST_PATH_IMAGE018A
中心位置的坐标；
所述邻近栅格的移动代价计算公式为：
Figure 100002_DEST_PATH_IMAGE026
其中：
Figure 100002_DEST_PATH_IMAGE028
表示任意栅格
Figure DEST_PATH_IMAGE006_5A
的邻近栅格，
Figure 100002_DEST_PATH_IMAGE030
表示距离
Figure DEST_PATH_IMAGE028A
最近的未被遍历过的目标位置栅格，
Figure 100002_DEST_PATH_IMAGE032
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE028AA
移动到
Figure DEST_PATH_IMAGE030A
的移动代价；
Figure 100002_DEST_PATH_IMAGE034
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE028AAA
出发，沿可通行栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE030AA
的距离；
Figure 100002_DEST_PATH_IMAGE036
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE028AAAA
出发，忽视障碍栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE030AAA
的距离；
将移动代价最小的邻近栅格位置存放在close列表中；
S14：重复步骤S13，直到遍历完成所有目标位置，close列表中的栅格位置顺序即为房屋信息采集设备行进路径的路径节点顺序；
S15：对于close列表中连续的三个路径节点，分别连接中心路径节点与两侧路径节点，得到两条线段，计算两条线段的夹角，若夹角大于阈值，则将中心路径节点位置的坐标提换为两侧路径节点的平均坐标，重复该步骤，得到平滑后的房屋信息采集设备行进路径。
可选地，所述S2步骤中房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径，包括：
房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径，所述前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所述前进控制参数的计算流程为：
S21：构建行进路径中相邻三个路径节点
Figure 100002_DEST_PATH_IMAGE038
之间前进控制参数的优化目标函数，通过求解目标函数得到房屋信息采集设备从路径节点
Figure 100002_DEST_PATH_IMAGE040
到
Figure 100002_DEST_PATH_IMAGE042
再到
Figure 100002_DEST_PATH_IMAGE044
的前进控制参数，所述前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所构建目标函数为：
Figure 100002_DEST_PATH_IMAGE046
其中：
Figure 100002_DEST_PATH_IMAGE048
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE040A
到
Figure DEST_PATH_IMAGE042A
的前进时间；
S22：构建目标函数的速度约束、角速度约束、与障碍物距离约束以及加速度约束：
Figure 100002_DEST_PATH_IMAGE050
Figure 100002_DEST_PATH_IMAGE052
Figure 100002_DEST_PATH_IMAGE054
Figure 100002_DEST_PATH_IMAGE056
Figure 100002_DEST_PATH_IMAGE058
其中：
Figure 100002_DEST_PATH_IMAGE060
表示房屋信息采集无人车的与障碍物距离约束，当房屋信息采集无人车遇到障碍
Figure 100002_DEST_PATH_IMAGE062
时会进行绕行处理，
Figure 100002_DEST_PATH_IMAGE064
表示绕行的距离，
Figure 100002_DEST_PATH_IMAGE066
表示最小绕行距离，即房屋信息采集无人车沿障碍边缘绕行，
Figure 100002_DEST_PATH_IMAGE068
表示最大绕行距离；
Figure 100002_DEST_PATH_IMAGE070
表示角速度约束，
Figure 100002_DEST_PATH_IMAGE072
表示房屋信息采集无人车遇到障碍
Figure 100002_DEST_PATH_IMAGE062A
时绕行的角速度，
Figure 100002_DEST_PATH_IMAGE074
表示最小绕行角速度，
Figure 100002_DEST_PATH_IMAGE076
表示最大绕行角速度；所述角速度表示房屋信息采集无人车中方向轴的角速度；
Figure 100002_DEST_PATH_IMAGE078
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE040AA
到
Figure 100002_DEST_PATH_IMAGE080
的速度，
Figure 100002_DEST_PATH_IMAGE082
表示房屋信息采集无人车在路径节点
Figure DEST_PATH_IMAGE080A
的加速度；
S23：在目标函数约束条件下生成若干组前进控制参数，选取得到使得目标函数达到最小的房屋信息采集无人车前进控制参数，基于所选取前进控制参数控制房屋信息采集无人车在局部区域行驶过程中的角速度、速度以及加速度，避免房屋信息采集无人车与障碍相撞，并快速实现遍历完成目标位置，采集得到室内房屋激光点云数据。
在本发明实施例中，可通行的非障碍栅格中可能存在障碍区域，该障碍区域面积较小，不影响房屋信息采集无人车的通过。
可选地，所述S3步骤中房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，包括：
房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，所述激光点云数据的采集流程为：
房屋信息采集无人车的激光雷达在行进过程中向周围发出激光束，激光束探测得到周围环境物体的三维位置坐标，将激光束探测的返回结果集合作为室内房屋激光点云数据，所述室内房屋激光点云数据包括点云数量以及点云坐标；
以室内房屋房门的中心为原点构建三维坐标系；
所述室内房屋激光点云数据中点云的数量为n，室内房屋激光点云数据中任意第k个点云的表示为
Figure 100002_DEST_PATH_IMAGE084
，
Figure 100002_DEST_PATH_IMAGE086
表示第k个点云在三维坐标系中的坐标，所述点云
Figure 100002_DEST_PATH_IMAGE088
坐标即为第k条激光束所探测到的物体坐标；
提取采集后点云数据在Z轴的坐标集合，并将Z轴坐标集合构成直方图，其中直方图中坐标数量最多的两个坐标值分别为室内房屋的天花板平面坐标以及地板平面坐标，较大的坐标值为天花板平面坐标，较小的坐标值为地板平面坐标；
遍历Z轴坐标等于天花板平面坐标的点云数据，得到房屋的天花板平面；
遍历Z轴坐标等于地板平面坐标的点云数据，得到房屋的地板平面。
可选地，所述S3步骤中对采集的激光点云数据进行预处理，包括：
对室内房屋激光点云数据中的n个点云数据进行预处理，所述预处理流程为：
S31：基于n个点云数据构建得到室内房屋三维立体结构模型，创建m个三维栅格，所述三维栅格为长宽高均为1米的正方体，三维栅格的几何中心即为该三维栅格在三维坐标系中的坐标；
S32：为室内房屋三维立体结构模型中的每个点云数据添加三维栅格，点云数据坐标与三维栅格几何中心重合，若三维栅格内具有其他点云数据，则计算三维栅格内所有点云数据坐标的质心，将质心坐标代替三维栅格内所有点云数据的坐标，删除三维栅格内所有点云数据，将质心坐标转换为点云数据，转换后的点云可以替代之前三维栅格内所有的点云数据；
S33：重复上述步骤S32，将包含n个点云数据的室内房屋三维立体结构模型减少为包含m个点云数据的室内房屋三维立体结构模型，所述m个点云数据的集合为
Figure 100002_DEST_PATH_IMAGE090
，
Figure 100002_DEST_PATH_IMAGE092
表示其中第
Figure 100002_DEST_PATH_IMAGE094
个点云数据，
Figure 100002_DEST_PATH_IMAGE096
表示点云数据
Figure DEST_PATH_IMAGE092A
的点云坐标；
在保留室内房屋结构的同时，减少点云数据的数目，提高后续计算的效率。
可选地，所述S4步骤中基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，包括：
基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，得到室内房屋的平面结构，所述房屋平面的提取流程为：
计算m个点云数据集合U中任意点云数据的法向量，所述法向量的计算流程为：
S41：将点云数据置于矩阵中心，点云数据的邻近数据置于对应的矩阵位置，得到5行5列的矩阵M；
S42：确定法向量维数为3，计算得到矩阵M的协方差矩阵C：
Figure 100002_DEST_PATH_IMAGE098
其中：
T表示矩阵转置；
S43：计算得到协方差矩阵C的10个特征值：
Figure 100002_DEST_PATH_IMAGE100
其中：
Figure 100002_DEST_PATH_IMAGE102
表示特征值，I表示单位矩阵；
选取其中最大的三个特征值计算得到法向量，所选取的三个特征值依次为
Figure 100002_DEST_PATH_IMAGE104
，所计算得到的法向量p为：
Figure 100002_DEST_PATH_IMAGE106
Figure 100002_DEST_PATH_IMAGE108
随机从点云数据集合U中选取点云数据
Figure DEST_PATH_IMAGE092AA
作为种子点，基于种子点构建种子集合，计算种子点法向量与邻近15个法向量的夹角，判断夹角是否满足夹角阈值，若满足则将满足夹角阈值的邻近法向量以及种子点添加到种子集合中；
重复上述步骤得到若干种子集合，并判断每个种子集合中点云数据的数量是否满足大于平面构建阈值的条件，将满足条件的种子集合内的所有点云数据构建为1个平面，提取得到房屋平面集合。
可选地，所述S5步骤中基于提取得到的房屋平面信息进行平面框线分析，包括：
将所提取平面、天花板平面以及地板平面添加到室内房屋三维立体结构模型中，各邻接平面的交线即为平面的框线，框线之间的交点即为平面的角点，得到房屋的尺寸信息。
为了解决上述问题，本发明提供一种三维激光点云房屋信息自动化提取装置，所述装置包括：
路径计算模块，用于以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径；
点云采集装置，用于房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据；
房屋信息提取模块，用于基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的三维激光点云房屋信息自动化提取方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的三维激光点云房屋信息自动化提取方法。
相对于现有技术，本发明提出一种三维激光点云房屋信息自动化提取方法，该技术具有以下优势：
首先，本方案提出一种局部行进路径的优化，通过构建行进路径中相邻三个路径节点
Figure 100002_DEST_PATH_IMAGE110
之间前进控制参数的优化目标函数，求解目标函数得到房屋信息采集设备从路径节点
Figure DEST_PATH_IMAGE040AAA
到
Figure 100002_DEST_PATH_IMAGE112
再到
Figure 100002_DEST_PATH_IMAGE114
的前进控制参数，所述前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所构建目标函数为：
Figure 100002_DEST_PATH_IMAGE116
其中：
Figure 100002_DEST_PATH_IMAGE118
表示房屋信息采集无人车从路径节点
Figure 100002_DEST_PATH_IMAGE120
到
Figure DEST_PATH_IMAGE122
的前进时间；构建目标函数的速度约束、角速度约束、与障碍物距离约束以及加速度约束：
Figure DEST_PATH_IMAGE050A
Figure DEST_PATH_IMAGE052A
Figure DEST_PATH_IMAGE054A
Figure 100002_DEST_PATH_IMAGE056A
Figure DEST_PATH_IMAGE058A
其中：
Figure DEST_PATH_IMAGE124
表示房屋信息采集无人车的与障碍物距离约束，当房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE126
时会进行绕行处理，
Figure DEST_PATH_IMAGE128
表示绕行的距离，
Figure DEST_PATH_IMAGE130
表示最小绕行距离，即房屋信息采集无人车沿障碍边缘绕行，
Figure DEST_PATH_IMAGE132
表示最大绕行距离；
Figure DEST_PATH_IMAGE134
表示角速度约束，
Figure DEST_PATH_IMAGE136
表示房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE126A
时绕行的角速度，
Figure DEST_PATH_IMAGE138
表示最小绕行角速度，
Figure DEST_PATH_IMAGE140
表示最大绕行角速度；所述角速度表示房屋信息采集无人车中方向轴的角速度；
Figure DEST_PATH_IMAGE142
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE120A
到
Figure DEST_PATH_IMAGE112A
的速度，
Figure DEST_PATH_IMAGE082A
表示房屋信息采集无人车在路径节点
Figure DEST_PATH_IMAGE144
的加速度；在目标函数约束条件下生成若干组前进控制参数，选取得到使得目标函数达到最小的房屋信息采集无人车前进控制参数，基于所选取前进控制参数控制房屋信息采集无人车在局部区域行驶过程中的角速度、速度以及加速度，避免房屋信息采集无人车与障碍相撞，并快速实现遍历完成目标位置，采集得到室内房屋激光点云数据。本方案利用房屋信息采集无人车的激光雷达对房屋物体发射激光束，得到表示房屋尺寸信息的点云坐标数据，并对房屋信息采集无人车的行进路径进行优化，快速采集得到全面的点云数据，利用所采集点云数据全面地表征房屋尺寸信息，提高所提取房屋信息的准确性以及提取效率。
同时，本方案提出一种房屋信息提取方法，通过基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，得到室内房屋的平面结构，所述房屋平面的提取流程为：计算m个点云数据集合U中任意点云数据的法向量，所述法向量的计算流程为：将点云数据置于矩阵中心，点云数据的邻近数据置于对应的矩阵位置，得到5行5列的矩阵M；确定法向量维数为3，计算得到矩阵M的协方差矩阵C：
Figure DEST_PATH_IMAGE098A
计算得到协方差矩阵C的10个特征值：
Figure 100002_DEST_PATH_IMAGE100A
其中：
Figure DEST_PATH_IMAGE102A
表示特征值，I表示单位矩阵；选取其中最大的三个特征值计算得到法向量，所选取的三个特征值依次为
Figure DEST_PATH_IMAGE146
，所计算得到的法向量P为：
Figure DEST_PATH_IMAGE106A
Figure DEST_PATH_IMAGE108A
随机从点云数据集合U中选取点云数据
Figure DEST_PATH_IMAGE092AAA
作为种子点，基于种子点构建种子集合，计算种子点法向量与邻近15个法向量的夹角，判断夹角是否满足夹角阈值，若满足则将满足夹角阈值的邻近法向量以及种子点添加到种子集合中；重复上述步骤得到若干种子集合，并判断每个种子集合中点云数据的数量是否满足大于平面构建阈值的条件，将满足条件的种子集合内的所有点云数据构建为1个平面，提取得到房屋平面集合。本方案基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，实现房屋天花板平面、地板平面以及其余平面的提取，各邻接平面的交线即为平面的框线，框线之间的交点即为平面的角点，实现房屋尺寸信息的自动化提取。
附图说明
图1为本发明一实施例提供的一种三维激光点云房屋信息自动化提取方法的流程示意图；
图2为本发明一实施例提供的三维激光点云房屋信息自动化提取装置的功能模块图；
图3为本发明一实施例提供的实现三维激光点云房屋信息自动化提取方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种三维激光点云房屋信息自动化提取方法。所述三维激光点云房屋信息自动化提取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述三维激光点云房屋信息自动化提取方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径。
所述S1步骤中以房屋二维平面数据为输入并人工标注目标位置，包括：
获取待信息提取房屋的二维平面结构数据，并对二维平面结构数据进行栅格化处理，所述栅格化处理的流程为：
将二维平面结构数据建立为二维坐标系，其中坐标系的原点为二维平面结构数据的房门位置；
将二维平面结构数据处理为若干栅格，所述栅格为变长为1米的正方形，则第i个栅格为
Figure DEST_PATH_IMAGE006_6A
，表示坐标系中位置为
Figure 100002_DEST_PATH_IMAGE004AA
的栅格，栅格中心坐标为
Figure DEST_PATH_IMAGE004AAA
；
计算每个栅格中障碍物区域的面积，所述障碍物区域表示无法通行的区域，则所述第i个栅格
Figure DEST_PATH_IMAGE006_7A
的障碍物面积为
Figure DEST_PATH_IMAGE008A
，若
Figure DEST_PATH_IMAGE010A
，则表示房屋信息采集设备无法到达栅格
Figure DEST_PATH_IMAGE006_8A
的位置，将栅格
Figure DEST_PATH_IMAGE006_9A
标记为障碍栅格，其中
Figure DEST_PATH_IMAGE012A
表示房屋信息采集设备的通行阈值；所述目标位置为房屋二维平面数据中房屋的平面顶点位置。
所述S1步骤中利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，包括：
利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，所述房屋信息采集设备为房屋信息采集无人车，所述全局路径规划算法流程为：
S11：初始化房屋信息采集设备的初始位置为房门位置的栅格，所述房屋信息采集设备处于栅格中心位置；
S12：初始化空列表close列表，并将房屋信息采集设备的初始栅格位置存储到close列表中，所述close列表为有序列表，按照先进先服务原则，close列表中的第一个栅格位置为房屋信息采集设备行进路径中的第一个路径节点位置；
S13：所述close列表中最后进入的栅格为
Figure DEST_PATH_IMAGE014AA
，计算
Figure DEST_PATH_IMAGE014AAA
的邻近栅格的移动代价，所述邻近栅格表示相距
Figure DEST_PATH_IMAGE016A
米的栅格，所述栅格距离表示栅格中心点坐标的曼哈顿距离，则任意栅格
Figure DEST_PATH_IMAGE006_10A
与
Figure DEST_PATH_IMAGE018AA
的曼哈顿距离
Figure DEST_PATH_IMAGE020A
为：
Figure DEST_PATH_IMAGE022A
其中：
Figure DEST_PATH_IMAGE024A
分别为栅格
Figure DEST_PATH_IMAGE006_11A
与
Figure DEST_PATH_IMAGE018AAA
中心位置的坐标；
所述邻近栅格的移动代价计算公式为：
Figure DEST_PATH_IMAGE148
其中：
Figure DEST_PATH_IMAGE150
表示任意栅格
Figure DEST_PATH_IMAGE006_12A
的邻近栅格，
Figure DEST_PATH_IMAGE152
表示距离
Figure DEST_PATH_IMAGE154
最近的未被遍历过的目标位置栅格，
Figure DEST_PATH_IMAGE156
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE150A
移动到
Figure DEST_PATH_IMAGE158
的移动代价；
Figure DEST_PATH_IMAGE160
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE162
出发，沿可通行栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE164
的距离；
Figure DEST_PATH_IMAGE166
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE162A
出发，忽视障碍栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE164A
的距离；
将移动代价最小的邻近栅格位置存放在close列表中；
S14：重复步骤S13，直到遍历完成所有目标位置，close列表中的栅格位置顺序即为房屋信息采集设备行进路径的路径节点顺序；
S15：对于close列表中连续的三个路径节点，分别连接中心路径节点与两侧路径节点，得到两条线段，计算两条线段的夹角，若夹角大于阈值，则将中心路径节点位置的坐标提换为两侧路径节点的平均坐标，重复该步骤，得到平滑后的房屋信息采集设备行进路径。
S2：房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径，前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所述前进控制参数的计算流程为：
S21：构建行进路径中相邻三个路径节点
Figure DEST_PATH_IMAGE168
之间前进控制参数的优化目标函数，通过求解目标函数得到房屋信息采集设备从路径节点
Figure DEST_PATH_IMAGE040AAAA
到
Figure DEST_PATH_IMAGE170
再到
Figure DEST_PATH_IMAGE172
的前进控制参数，所述前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所构建目标函数为：
Figure DEST_PATH_IMAGE174
其中：
Figure DEST_PATH_IMAGE176
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE040_5A
到
Figure DEST_PATH_IMAGE170A
的前进时间；
S22：构建目标函数的速度约束、角速度约束、与障碍物距离约束以及加速度约束：
Figure DEST_PATH_IMAGE050AA
Figure DEST_PATH_IMAGE052AA
Figure DEST_PATH_IMAGE054AA
Figure DEST_PATH_IMAGE056AA
Figure DEST_PATH_IMAGE058AA
其中：
Figure DEST_PATH_IMAGE060A
表示房屋信息采集无人车的与障碍物距离约束，当房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE178
时会进行绕行处理，
Figure DEST_PATH_IMAGE064A
表示绕行的距离，
Figure DEST_PATH_IMAGE066A
表示最小绕行距离，即房屋信息采集无人车沿障碍边缘绕行，
Figure DEST_PATH_IMAGE068A
表示最大绕行距离；
Figure 100002_DEST_PATH_IMAGE070A
表示角速度约束，
Figure DEST_PATH_IMAGE072A
表示房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE062AA
时绕行的角速度，
Figure DEST_PATH_IMAGE074A
表示最小绕行角速度，
Figure DEST_PATH_IMAGE076A
表示最大绕行角速度；所述角速度表示房屋信息采集无人车中方向轴的角速度；
Figure DEST_PATH_IMAGE180
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE040_6A
到
Figure DEST_PATH_IMAGE182
的速度，
Figure DEST_PATH_IMAGE184
表示房屋信息采集无人车在路径节点
Figure DEST_PATH_IMAGE186
的加速度；
S23：在目标函数约束条件下生成若干组前进控制参数，选取得到使得目标函数达到最小的房屋信息采集无人车前进控制参数，基于所选取的前进控制参数控制房屋信息采集无人车在局部区域行驶过程中的角速度、速度以及加速度，避免房屋信息采集无人车与障碍相撞，并快速实现遍历完成目标位置，采集得到室内房屋激光点云数据。
S3：房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据。
所述S3步骤中房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，包括：
房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，所述激光点云数据的采集流程为：
房屋信息采集无人车的激光雷达在行进过程中向周围发出激光束，激光束探测得到周围环境物体的三维位置坐标，将激光束探测的返回结果集合作为室内房屋激光点云数据，所述室内房屋激光点云数据包括点云数量以及点云坐标；
以室内房屋房门的中心为原点构建三维坐标系；
所述室内房屋激光点云数据中点云的数量为n，室内房屋激光点云数据中任意第k个点云的表示为
Figure DEST_PATH_IMAGE084A
，
Figure 100002_DEST_PATH_IMAGE086A
表示第k个点云在三维坐标系中的坐标，所述点云
Figure 100002_DEST_PATH_IMAGE088A
坐标即为第k条激光束所探测到的物体坐标；
提取采集后点云数据在Z轴的坐标集合，并将Z轴坐标集合构成直方图，其中直方图中坐标数量最多的两个坐标值分别为室内房屋的天花板平面坐标以及地板平面坐标，较大的坐标值为天花板平面坐标，较小的坐标值为地板平面坐标；
遍历Z轴坐标等于天花板平面坐标的点云数据，得到房屋的天花板平面；
遍历Z轴坐标等于地板平面坐标的点云数据，得到房屋的地板平面。
所述S3步骤中对采集的激光点云数据进行预处理，包括：
对室内房屋激光点云数据中的n个点云数据进行预处理，所述预处理流程为：
S31：基于n个点云数据构建得到室内房屋三维立体结构模型，创建m个三维栅格，所述三维栅格为长宽高均为1米的正方体，三维栅格的几何中心即为该三维栅格在三维坐标系中的坐标；
S32：为室内房屋三维立体结构模型中的每个点云数据添加三维栅格，点云数据坐标与三维栅格几何中心重合，若三维栅格内具有其他点云数据，则计算三维栅格内所有点云数据坐标的质心，将质心坐标代替三维栅格内所有点云数据的坐标，删除三维栅格内所有点云数据，将质心坐标转换为点云数据，转换后的点云可以替代之前三维栅格内所有的点云数据；
S33：重复上述步骤S32，将包含n个点云数据的室内房屋三维立体结构模型减少为包含m个点云数据的室内房屋三维立体结构模型，所述m个点云数据的集合为
Figure DEST_PATH_IMAGE188
，
Figure DEST_PATH_IMAGE190
表示其中第
Figure DEST_PATH_IMAGE192
个点云数据，
Figure DEST_PATH_IMAGE194
表示点云数据
Figure DEST_PATH_IMAGE190A
的点云坐标；
在保留室内房屋结构的同时，减少点云数据的数目，提高后续计算的效率。
S4：基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，其中区域生长算法为自适应生成分析技术的主要方法。
所述S4步骤中基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，包括：
基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，得到室内房屋的平面结构，所述房屋平面的提取流程为：
计算m个点云数据集合U中任意点云数据的法向量，所述法向量的计算流程为：
S41：将点云数据置于矩阵中心，点云数据的邻近数据置于对应的矩阵位置，得到5行5列的矩阵M；
S42：确定法向量维数为3，计算得到矩阵M的协方差矩阵C：
Figure DEST_PATH_IMAGE098AA
其中：
T表示矩阵转置；
S43：计算得到协方差矩阵C的10个特征值：
Figure 100002_DEST_PATH_IMAGE100AA
其中：
Figure DEST_PATH_IMAGE102AA
表示特征值，I表示单位矩阵；
选取其中最大的三个特征值计算得到法向量，所选取的三个特征值依次为
Figure DEST_PATH_IMAGE104A
，所计算得到的法向量p为：
Figure DEST_PATH_IMAGE106AA
Figure DEST_PATH_IMAGE108AA
随机从点云数据集合U中选取点云数据
Figure DEST_PATH_IMAGE190AA
作为种子点，基于种子点构建种子集合，计算种子点法向量与邻近15个法向量的夹角，判断夹角是否满足夹角阈值，若满足则将满足夹角阈值的邻近法向量以及种子点添加到种子集合中；
重复上述步骤得到若干种子集合，并判断每个种子集合中点云数据的数量是否满足大于平面构建阈值的条件，将满足条件的种子集合内的所有点云数据构建为1个平面，提取得到房屋平面集合。
S5：基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
所述S5步骤中基于提取得到的房屋平面信息进行平面框线分析，包括：
将所提取平面、天花板平面以及地板平面添加到室内房屋三维立体结构模型中，各邻接平面的交线即为平面的框线，框线之间的交点即为平面的角点，得到房屋的尺寸信息。
实施例2：
如图2所示，是本发明一实施例提供的三维激光点云房屋信息自动化提取装置的功能模块图，其可以实现实施例1中的房屋信息自动化提取方法。
本发明所述三维激光点云房屋信息自动化提取装置100可以安装于电子设备中。根据实现的功能，所述三维激光点云房屋信息自动化提取装置可以包括路径计算模块101、点云采集装置102及房屋信息提取模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
路径计算模块101，用于以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径；
点云采集装置102，用于房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据；
房屋信息提取模块103，用于基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
详细地，本发明实施例中所述三维激光点云房屋信息自动化提取装置100中的所述各模块在使用时采用与上述的图1中所述的三维激光点云房屋信息自动化提取方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现三维激光点云房屋信息自动化提取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于房屋信息自动化提取的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径；
房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径；
房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据；
基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取；
基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种三维激光点云房屋信息自动化提取方法，其特征在于，所述方法包括：
S1：以房屋二维平面数据为输入并人工标注目标位置，利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径；
S2：房屋信息采集设备按照规划的行进路径前进，并将周围障碍物的空间信息和自身空间参数相结合，实时计算得到前进控制参数，优化局部行进路径，前进控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所述前进控制参数的计算流程为：
S21：构建行进路径中相邻三个路径节点
Figure DEST_PATH_IMAGE002
之间前进控制参数的优化目标函数，通过求解目标函数得到房屋信息采集设备从路径节点
Figure DEST_PATH_IMAGE004
到
Figure DEST_PATH_IMAGE006
再到
Figure DEST_PATH_IMAGE008
的前进控制参数，所述控制参数包括房屋信息采集无人车的速度、角速度以及加速度信息，所构建目标函数为：
Figure DEST_PATH_IMAGE010
其中：
Figure DEST_PATH_IMAGE012
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE004A
到
Figure DEST_PATH_IMAGE006A
的前进时间；
S22：构建目标函数的速度约束、角速度约束、与障碍物距离约束以及加速度约束：
Figure DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE022
其中：
Figure DEST_PATH_IMAGE024
表示房屋信息采集无人车的与障碍物距离约束，当房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE026
时会进行绕行处理，
Figure DEST_PATH_IMAGE028
表示绕行的距离，
Figure DEST_PATH_IMAGE030
表示最小绕行距离，即房屋信息采集无人车沿障碍边缘绕行，
Figure DEST_PATH_IMAGE032
表示最大绕行距离；
f(w)表示角速度约束，
Figure DEST_PATH_IMAGE034
表示房屋信息采集无人车遇到障碍
Figure DEST_PATH_IMAGE026A
时绕行的角速度，
Figure DEST_PATH_IMAGE036
表示最小绕行角速度，
Figure DEST_PATH_IMAGE038
表示最大绕行角速度；所述角速度表示房屋信息采集无人车中方向轴的角速度；
Figure DEST_PATH_IMAGE040
表示房屋信息采集无人车从路径节点
Figure DEST_PATH_IMAGE004AA
到
Figure DEST_PATH_IMAGE006AA
的速度，
Figure DEST_PATH_IMAGE042
表示房屋信息采集无人车在路径节点
Figure DEST_PATH_IMAGE006AAA
的加速度；
S23：在目标函数约束条件下生成若干组前进控制参数，选取得到使得目标函数达到最小的房屋信息采集无人车前进控制参数，基于所选取的前进控制参数控制房屋信息采集无人车在局部区域行驶过程中的角速度、速度以及加速度；
S3：房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，得到预处理后的房屋激光点云数据；
S4：基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，其中区域生长算法为自适应生成分析技术的方法；
S5：基于提取得到的房屋平面信息进行平面框线分析，绘制房屋平面框线并计算房屋尺寸信息。
2.如权利要求1所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S1步骤中以房屋二维平面数据为输入并人工标注目标位置，包括：
获取待信息提取房屋的二维平面结构数据，并对二维平面结构数据进行栅格化处理，所述栅格化处理的流程为：
将二维平面结构数据建立为二维坐标系，其中坐标系的原点为二维平面结构数据的房门位置；
将二维平面结构数据处理为若干栅格，所述栅格为变长为1米的正方形，则第i个栅格为
Figure DEST_PATH_IMAGE044
，表示坐标系中位置为
Figure DEST_PATH_IMAGE046
的栅格，栅格中心坐标为
Figure DEST_PATH_IMAGE046A
；
计算每个栅格中障碍物区域的面积，所述障碍物区域表示无法通行的区域，则所述第i个栅格
Figure DEST_PATH_IMAGE044A
的障碍物面积为
Figure DEST_PATH_IMAGE048
，若
Figure DEST_PATH_IMAGE050
，则表示房屋信息采集设备无法到达栅格
Figure DEST_PATH_IMAGE044AA
的位置，将栅格
Figure DEST_PATH_IMAGE052
标记为障碍栅格，其中
Figure DEST_PATH_IMAGE054
表示房屋信息采集设备的通行阈值；所述目标位置为房屋二维平面数据中房屋的平面顶点位置。
3.如权利要求2所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S1步骤中利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，包括：
利用全局路径规划算法计算房屋信息采集设备到达目标位置的行进路径，所述房屋信息采集设备为房屋信息采集无人车，所述全局路径规划算法流程为：
S11：初始化房屋信息采集设备的初始位置为房门位置的栅格，所述房屋信息采集设备处于栅格中心位置；
S12：初始化空列表close列表，并将房屋信息采集设备的初始栅格位置存储到close列表中，所述close列表为有序列表，按照先进先服务原则，close列表中的第一个栅格位置为房屋信息采集设备行进路径中的第一个路径节点位置；
S13：所述close列表中最后进入的栅格为
Figure DEST_PATH_IMAGE056
，计算
Figure DEST_PATH_IMAGE056A
的邻近栅格的移动代价，所述邻近栅格表示相距
Figure DEST_PATH_IMAGE058
米的栅格，所述栅格距离表示栅格中心点坐标的曼哈顿距离，则任意栅格
Figure DEST_PATH_IMAGE060
与
Figure DEST_PATH_IMAGE062
的曼哈顿距离
Figure DEST_PATH_IMAGE064
为：
Figure DEST_PATH_IMAGE066
其中：
Figure DEST_PATH_IMAGE068
分别为栅格
Figure DEST_PATH_IMAGE070
与
Figure DEST_PATH_IMAGE062A
中心位置的坐标；
所述邻近栅格的移动代价计算公式为：
Figure DEST_PATH_IMAGE072
其中：
Figure DEST_PATH_IMAGE074
表示任意栅格
Figure DEST_PATH_IMAGE070A
的邻近栅格，
Figure DEST_PATH_IMAGE076
表示距离
Figure DEST_PATH_IMAGE078
最近的未被遍历过的目标位置栅格，
Figure DEST_PATH_IMAGE080
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE078A
移动到
Figure DEST_PATH_IMAGE082
的移动代价；
Figure DEST_PATH_IMAGE084
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE086
出发，沿可通行栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE088
的距离；
Figure DEST_PATH_IMAGE090
表示房屋采集设备从邻近栅格
Figure DEST_PATH_IMAGE086A
出发，忽视障碍栅格行驶，直到到达目标栅格
Figure DEST_PATH_IMAGE088A
的距离；
将移动代价最小的邻近栅格位置存放在close列表中；
S14：重复步骤S13，直到遍历完成所有目标位置，close列表中的栅格位置顺序即为房屋信息采集设备行进路径的路径节点顺序；
S15：对于close列表中连续的三个路径节点，分别连接中心路径节点与两侧路径节点，得到两条线段，计算两条线段的夹角，若夹角大于阈值，则将中心路径节点位置的坐标提换为两侧路径节点的平均坐标，重复该步骤，得到平滑后的房屋信息采集设备行进路径。
4.如权利要求1所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S3步骤中房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，并对采集的激光点云数据进行预处理，包括：
房屋信息采集设备在行进过程中同步采集室内房屋激光点云数据，所述激光点云数据的采集流程为：
房屋信息采集无人车的激光雷达在行进过程中向周围发出激光束，激光束探测得到周围环境物体的三维位置坐标，将激光束探测的返回结果集合作为室内房屋激光点云数据，所述室内房屋激光点云数据包括点云数量以及点云坐标；
以室内房屋房门的中心为原点构建三维坐标系；
所述室内房屋激光点云数据中点云的数量为n，室内房屋激光点云数据中任意第k个点云的表示为
Figure DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE094
表示第k个点云在三维坐标系中的坐标，所述点云
Figure DEST_PATH_IMAGE096
坐标即为第k条激光束所探测到的物体坐标；
提取采集后点云数据在Z轴的坐标集合，并将Z轴坐标集合构成直方图，其中直方图中坐标数量最多的两个坐标值分别为室内房屋的天花板平面坐标以及地板平面坐标，较大的坐标值为天花板平面坐标，较小的坐标值为地板平面坐标；
遍历Z轴坐标等于天花板平面坐标的点云数据，得到房屋的天花板平面；
遍历Z轴坐标等于地板平面坐标的点云数据，得到房屋的地板平面。
5.如权利要求4所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S3步骤中对采集的激光点云数据进行预处理，包括：
对室内房屋激光点云数据中的n个点云数据进行预处理，所述预处理流程为：
S31：基于n个点云数据构建得到室内房屋三维立体结构模型，创建m个三维栅格，所述三维栅格为长宽高均为1米的正方体，三维栅格的几何中心即为该三维栅格在三维坐标系中的坐标；
S32：为室内房屋三维立体结构模型中的每个点云数据添加三维栅格，点云数据坐标与三维栅格几何中心重合，若三维栅格内具有其他点云数据，则计算三维栅格内所有点云数据坐标的质心，将质心坐标代替三维栅格内所有点云数据的坐标，删除三维栅格内所有点云数据，将质心坐标转换为点云数据，转换后的点云可以替代之前三维栅格内所有的点云数据；
S33：重复上述步骤S32，将包含n个点云数据的室内房屋三维立体结构模型减少为包含m个点云数据的室内房屋三维立体结构模型，所述m个点云数据的集合为
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
表示其中第
Figure DEST_PATH_IMAGE102
个点云数据，
Figure DEST_PATH_IMAGE104
表示点云数据
Figure DEST_PATH_IMAGE100A
的点云坐标。
6.如权利要求5所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S4步骤中基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，包括：
基于预处理后的房屋激光点云数据利用自适应生成分析技术进行房屋平面提取，得到室内房屋的平面结构，所述房屋平面的提取流程为：
计算m个点云数据集合U中任意点云数据的法向量，所述法向量的计算流程为：
S41：将点云数据置于矩阵中心，点云数据的邻近数据置于对应的矩阵位置，得到5行5列的矩阵M；
S42：确定法向量维数为3，计算得到矩阵M的协方差矩阵C：
Figure DEST_PATH_IMAGE106
其中：
T表示矩阵转置；
S43：计算得到协方差矩阵C的10个特征值：
Figure DEST_PATH_IMAGE108
其中：
Figure DEST_PATH_IMAGE110
表示特征值，
Figure DEST_PATH_IMAGE112
表示单位矩阵；
选取其中最大的三个特征值计算得到法向量，所选取的三个特征值依次为
Figure DEST_PATH_IMAGE114
，所计算得到的法向量
Figure DEST_PATH_IMAGE116
为：
Figure DEST_PATH_IMAGE118
Figure DEST_PATH_IMAGE120
随机从点云数据集合U中选取点云数据
Figure DEST_PATH_IMAGE100AA
作为种子点，基于种子点构建种子集合，计算种子点法向量与邻近15个法向量的夹角，判断夹角是否满足夹角阈值，若满足则将满足夹角阈值的邻近法向量以及种子点添加到种子集合中；
重复上述步骤得到若干种子集合，并判断每个种子集合中点云数据的数量是否满足大于平面构建阈值的条件，将满足条件的种子集合内的所有点云数据构建为1个平面，提取得到房屋平面集合。
7.如权利要求6所述的三维激光点云房屋信息自动化提取方法，其特征在于，所述S5步骤中基于提取得到的房屋平面信息进行平面框线分析，包括：
将所提取平面、天花板平面以及地板平面添加到室内房屋三维立体结构模型中，各邻接平面的交线即为平面的框线，框线之间的交点即为平面的角点，得到房屋的尺寸信息。
CN202211155333.2A 2022-09-22 2022-09-22 一种三维激光点云房屋信息自动化提取方法 Active CN115248032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211155333.2A CN115248032B (zh) 2022-09-22 2022-09-22 一种三维激光点云房屋信息自动化提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211155333.2A CN115248032B (zh) 2022-09-22 2022-09-22 一种三维激光点云房屋信息自动化提取方法

Publications (2)

Publication Number Publication Date
CN115248032A CN115248032A (zh) 2022-10-28
CN115248032B true CN115248032B (zh) 2022-12-09

Family

ID=83699538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211155333.2A Active CN115248032B (zh) 2022-09-22 2022-09-22 一种三维激光点云房屋信息自动化提取方法

Country Status (1)

Country Link
CN (1) CN115248032B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006146569A (ja) * 2004-11-19 2006-06-08 Sekisui House Ltd 住宅用３次元ｃｇシステム
CN110599546A (zh) * 2019-08-28 2019-12-20 贝壳技术有限公司 一种获取三维空间数据的方法、系统、装置和存储介质
CN110634187A (zh) * 2019-09-11 2019-12-31 广东维美家科技有限公司 基于户型图的房屋点云模型生成方法及装置
CN111060921A (zh) * 2020-01-06 2020-04-24 青梧桐有限责任公司 一种房屋信息采集终端及系统
US10755478B1 (en) * 2019-10-08 2020-08-25 Okibo Ltd. System and method for precision indoors localization and mapping

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006146569A (ja) * 2004-11-19 2006-06-08 Sekisui House Ltd 住宅用３次元ｃｇシステム
CN110599546A (zh) * 2019-08-28 2019-12-20 贝壳技术有限公司 一种获取三维空间数据的方法、系统、装置和存储介质
CN110634187A (zh) * 2019-09-11 2019-12-31 广东维美家科技有限公司 基于户型图的房屋点云模型生成方法及装置
US10755478B1 (en) * 2019-10-08 2020-08-25 Okibo Ltd. System and method for precision indoors localization and mapping
CN111060921A (zh) * 2020-01-06 2020-04-24 青梧桐有限责任公司 一种房屋信息采集终端及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于三维激光扫描的房屋尺寸质量智能化检测方法;刘界鹏，崔娜，周绪红，李东声，程国忠，曾焱，曹宇星;《建筑科学与工程学报》;20220730(第4期);全文 *

Also Published As

Publication number Publication date
CN115248032A (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Luo et al. Full body pose estimation of construction equipment using computer vision and deep learning techniques
CN107169608B (zh) 多无人机执行多任务的分配方法及装置
CN107103164B (zh) 无人机执行多任务的分配方法及装置
US10977501B2 (en) Object classification using extra-regional context
US10817748B2 (en) Method and apparatus for outputting information
JP2021152662A5 (zh)
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
JP2019144538A (ja) 電子地図を更新する方法、装置、およびコンピュータ読み取り可能な記憶媒体
US20210114622A1 (en) Movement control
CN110806211A (zh) 机器人自主探索建图的方法、设备及存储介质
US20210062653A1 (en) Method and device for acquiring three-dimensional coordinates of ore based on mining process
Arashpour et al. Computer vision for anatomical analysis of equipment in civil infrastructure projects: Theorizing the development of regression-based deep neural networks
EP3809231B1 (en) Controlling movement of a device
KR102308456B1 (ko) 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체
CN113378760A (zh) 训练目标检测模型和检测目标的方法及装置
JP2023549036A (ja) 点群からの効率的な三次元物体検出
CN112818756A (zh) 目标检测方法、系统、设备及存储介质
US20200380085A1 (en) Simulations with Realistic Sensor-Fusion Detection Estimates of Objects
CN111401190A (zh) 车辆检测方法、装置、计算机设备和存储介质
Huang et al. FAEL: fast autonomous exploration for large-scale environments with a mobile robot
Awadallah et al. Automated multiclass structural damage detection and quantification using augmented reality
CN115248032B (zh) 一种三维激光点云房屋信息自动化提取方法
Goss et al. Eagle strategy with local search for scenario based validation of autonomous vehicles
CN115061499B (zh) 无人机控制方法及无人机控制装置
CN116523970A (zh) 基于二次隐式匹配的动态三维目标跟踪方法及装置

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Automated Extraction of House Information from 3D Laser Point Cloud

Effective date of registration: 20230323

Granted publication date: 20221209

Pledgee: Changsha Rural Commercial Bank Co.,Ltd. Mulian Branch

Pledgor: Chuang Hui Da Design Co.,Ltd.

Registration number: Y2023980036027

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20221209

Pledgee: Changsha Rural Commercial Bank Co.,Ltd. Mulian Branch

Pledgor: Chuang Hui Da Design Co.,Ltd.

Registration number: Y2023980036027