CN117152472B - 一种面向建筑设计的建筑物形变测量方法 - Google Patents

Abstract

本发明涉及形变测量技术领域，提出了一种面向建筑设计的建筑物形变测量方法，包括：获取目标建筑点云和初始目标建筑点云；根据目标建筑点云和初始目标建筑点云获取时邻形变向量、沉降向量与位移向量；获取时邻形变指数，根据时邻形变指数获取时邻形变指数矩阵，获取点对匹配组，根据点对匹配组对应的时邻形变指数获取一次时邻形变指数矩阵，进而获取第一目标函数，根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果；根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量。本发明旨在解决建筑形变测量精度对建筑点云数据匹配时初值敏感的问题。

Description

一种面向建筑设计的建筑物形变测量方法

技术领域

本发明涉及形变测量技术领域，具体涉及一种面向建筑设计的建筑物形变测量方法。

背景技术

建筑形变是指建筑在荷载作用下产生的形状或位置变化的现象，可分为位移和沉降两大类。其中，沉降是指竖向的形变，包括下沉和上升；位移是除沉降外所有形变的统称，包括水平位移、倾斜、挠度、风振形变、日照形变等。随着城市化建设的高速发展，现有建筑物的数量非常庞大，且落成速度比以往更快，将来会有更多的高层建筑，一旦建筑出现形变，将会对建筑物的使用者造成安全隐患，所以，对建筑物的形变进行测量具有重要的意义。

对建筑形变进行测量可使用ICP匹配算法，通过对建筑点云数据进行匹配检测建筑形变，简单直观，易于实现，且匹配精度较高，可实现对建筑形变较准确的测量。为了满足人们日益增长的需求，建筑物的结构越来越复杂，高层建筑也越来越多，结构复杂的建筑物和高层建筑对应的点云数据量较大，会导致ICP匹配算法的计算量较大，且ICP算法对初值较为敏感，当建筑点云的初值估计效果不佳时，会导致建筑形变的检测精度降低。

发明内容

本发明提供一种面向建筑设计的建筑物形变测量方法，以解决建筑形变测量精度对建筑点云数据匹配时初值敏感的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种面向建筑设计的建筑物形变测量方法，该方法包括以下步骤：

采集目标建筑点云并进行预处理，获取初始目标建筑点云；

根据目标建筑点云和初始目标建筑点云获取时邻形变向量，对时邻形变向量进行分解，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量；

根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，根据时邻形变指数获取时邻形变指数矩阵，获取点对匹配组，根据点对匹配组对应的时邻形变指数和邻形变指数矩阵中时邻形变指数的相同排列方式，获取一次时邻形变指数矩阵，根据一次时邻形变指数矩阵获取第一目标函数，根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果；

根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量。

进一步，所述采集目标建筑点云并进行预处理，获取初始目标建筑点云，包括的具体方法为：

使用激光雷达系统获取需要进行形变测量的建筑的点云，对目标建筑点云进行去噪，将去噪后的需要进行形变测量的建筑的点云记为目标建筑点云；

提取建筑建成时的点云，将建筑建成时的点云记为初始目标建筑点云。

进一步，所述根据目标建筑点云和初始目标建筑点云获取时邻形变向量，包括的具体方法为：

分别将实时目标建筑点云中的每个点记为一级点，分别将初始目标建筑点云中的每个点记为二级点；

将一级点与二级点的横坐标差值记为第一位置差值，将一级点与二级点的纵坐标差值记为第二位置差值，将一级点与二级点的竖坐标差值记为第三位置差值；

将第一位置差值、第二位置差值和第三位置差值的数值依次排列构成的向量记为一级点与二级点的时邻形变向量。

进一步，所述对时邻形变向量进行分解，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量，包括的具体方法为：

将一级点与二级点在垂直方向的形变量记为第一形变量；

将一级点与二级点的连线与垂直方向的形变角记为第二形变量；

将第一形变量和第二形变量的数值依次排列构成的向量记为一级点与二级点所构成时邻形变向量经过分解后所得的沉降向量；

将一级点与二级点在水平方向的形变量记为第三形变量；

将一级点与二级点的连线与水平方向的形变角记为第四形变量；

将第三形变量和第四形变量的数值依次排列构成的向量记为一级点与二级点所构成时邻形变向量经过分解后所得的位移向量。

进一步，所述根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，包括的具体方法为：

将一级点与二级点的沉降向量内包含的所有元素的值的和记为第一和值；

将一级点与二级点的位移向量内包含的所有元素的值的和记为第二和值；

将第一和值、第二和值与第一调节因子的和的倒数记为一级点与二级点的时邻形变指数，其中，时邻形变指数与第一和值、第二和值与第一调节因子的和呈负相关关系。

进一步，所述获取点对匹配组，包括的具体方法为：

在初始目标建筑点云中随机选取第一预设阈值个点，将一级点与初始目标建筑点云中随机选取第一预设阈值个点分别进行匹配，获取第一预设阈值个点对匹配组。

进一步，所述根据一次时邻形变指数矩阵获取第一目标函数，包括的具体方法为：

将一次时邻形变指数矩阵中每个元素分别记为第一元素；

将第一元素对应的点对匹配组中两个匹配点在垂直高度上与元素的高度的差值的绝对值的均值记为第一均值；

将一次时邻形变指数矩阵中包含的所有时邻形变指数的均值记为第二均值；

将第一元素的数值与第一均值的比值与第二均值的差值记为第一元素的第一数值；

将一次时邻形变指数矩阵中所有第一元素的第一数值的均值记为第一目标函数。

进一步，所述根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果，包括的具体方法为：

将第一目标函数作为优化算法的目标函数，使用优化算法对实时目标建筑点云与初始目标建筑点云进行粗匹配，获取实时目标建筑点云与初始目标建筑点云的粗匹配结果。

进一步，所述根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，包括的具体方法为：

将实时目标建筑点云作为目标点云，将初始目标建筑点云作为参考点云，对参考点云与目标点云使用点云匹配算法，将参考点云与目标点云粗匹配结果之间的欧式距离作为点云匹配算法的度量距离，获取参考点云与目标点云的匹配结果。

进一步，所述根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量，包括的具体方法为：

将所有匹配成功点对的空间坐标的欧氏距离的均值记为第三均值；

将初始目标建筑点云数据中的数据总数与实时目标建筑点云中的数据总数的和记为第三和值；

将第三和值与匹配成功点对内包含的点的数量的差值记为第一差值；

将第三均值与第一差值的乘积记为目标建筑形变量；

目标建筑形变量即为建筑物的形变测量的数值。

本发明的有益效果是：

本发明通过分析实时目标建筑点云数据与初始目标建筑点云数据的形变特征，构建时邻形变向量，并根据形变分类，将时邻形变向量分解为沉降向量与位移向量，其中，沉降向量与位移向量分别反映实时目标建筑点云与初始目标建筑点云的垂直形变与位移形变；然后，以沉降向量与位移向量为基础构建时邻形变指数，时邻形变指数反映综合形变程度，进而获取时邻形变指数矩阵，时邻形变指数矩阵反映目标建筑点云和初始目标建筑点云中各点之间的形变程度，以此为基础，结合建筑形变特征获取粒子群优化算法的第一目标函数，实现对实时目标建筑点云数据与初始目标建筑点云数据的粗匹配，在粗匹配结果的基础上获取两个点云的匹配结果，根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量，其中，在粗匹配结果的基础上获取两个点云的匹配结果解决了建筑形变测量精度对建筑点云数据匹配时初值敏感的问题，提高了匹配精度与匹配效率，同时，根据，根据匹配结果获取目标建筑形变量提高了建筑物的形变测量的准确性。

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附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种面向建筑设计的建筑物形变测量方法流程示意图；

图2为垂直和水平方向的形变量示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例所提供的一种面向建筑设计的建筑物形变测量方法流程图，该方法包括以下步骤：

步骤S001、采集目标建筑点云并进行预处理，获取初始目标建筑点云。

激光雷达系统是一种用于测量距离、生成地图和获取环境信息的远程感测技术，主要由激光发射器、接收器、计时装置、扫描系统组成，激光雷达通过激光发射器向建筑物发射激光束，通过接收器接收从建筑物反射回来的激光束，并根据激光束返回的时间计算建筑与激光雷达之间的距离，进而获取建筑表面上点的三维坐标。通过扫描系统对建筑物进行扫描时，会在建筑表面生成大量的点，所得点的坐标信息构成了建筑的点云数据。

使用激光雷达系统获取需要进行形变测量的建筑的点云，将需要进行形变测量的建筑的点云记为目标建筑点云。

根据需要进行形变测量的建筑建成时的资料，提取建筑建成时的点云，将建筑建成时的点云记为初始目标建筑点云。

在采集目标建筑点云的过程中，由于采集设备误差、环境干扰等因素的存在，目标建筑点云中存在噪声，为避免使用ICP匹配算法对目标建筑点云与初始目标建筑点云进行匹配时匹配效果较差，使用均值滤波去噪对目标建筑点云进行去噪。其中，均值滤波去噪为公知技术，具体过程本发明不再赘述。

至此，获取目标建筑点云和初始目标建筑点云。

步骤S002、根据目标建筑点云和初始目标建筑点云获取时邻形变向量，对时邻形变向量进行分解，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量。

通过实时目标建筑点云与初始目标建筑点云，则可以构建时邻形变向量，时邻形变向量可表示为如下形式：

；

其中，表示初始目标建筑点云中第/>个点与实时目标建筑点云中第/>个点的时邻形变向量；/>分别表示初始目标建筑点云中第/>个点的横坐标、纵坐标和竖坐标；/>分别表示实时目标建筑点云中第/>个点的横坐标、纵坐标和竖坐标。

当实时目标建筑点云中的点与初始目标建筑点云中的点的空间位置越为接近时，两个点的时邻形变向量中的数值越接近于0。

建筑形变分为两类，分别为位移与沉降，其中，沉降为建筑在垂直方向上的形变，位移为建筑除沉降外其余形变的统称，所以，对时邻形变向量进行分解，得到初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量，具体可表示为如下形式：

；/>；

其中，表示将实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点所构成时邻形变向量经过分解后所得的沉降向量；/>表示将实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点所构成时邻形变向量经过分解后所得的位移向量；表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点在垂直方向的形变量，即/>；/>表示实时目标建筑点云中第/>个点与初始目标建筑点云中第个点在水平方向的形变量，即/>与/>的平方和的算术平方根；/>表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点的连线与垂直方向的形变角；/>表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点的连线与水平方向的形变角。

垂直和水平方向的形变量示意图如图2所示。在垂直和水平方向的形变量示意图中，点表示坐标原点，点A表示初始目标建筑点云中的一个点，点B表示实时目标建筑点云中的一个点，/>表示点A在x-y平面内的投影点坐标取绝对值后的对应点，/>表示点B在x-y平面内的投影点坐标取绝对值后的对应点，Az表示点A在z轴上的投影点，Bz表示点B在z轴上的投影点，则点A与点B在垂直方向上的形变量为Az与Bz之间的欧式距离，点A与点B在水平方向上的形变量为/>与/>之间的欧式距离。

由于建筑在垂直方向上发生的形变多为下降，故本发明取直线AB与z轴负方向的夹角作为点A与点B在垂直方向上的形变角，形变角的取值范围为[0°,180°]，点A与点B在水平面上的形变角为直线AB与直线的夹角，形变角的取值范围为[0°,180°]。

至此，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量。

步骤S003、根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，根据时邻形变指数获取时邻形变指数矩阵，获取点对匹配组，根据点对匹配组对应的时邻形变指数和时邻形变指数矩阵中时邻形变指数的相同排列方式，获取一次时邻形变指数矩阵，根据一次时邻形变指数矩阵获取第一目标函数，根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果。

此时，获取初始目标建筑点云中每个点与实时目标建筑点云中每个点之间的时邻形变向量、沉降向量和位移向量，数据量较为庞大，所以，需要对时邻形变向量、沉降向量和位移向量进行筛选，筛选过程如下。

根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，时邻形变指数的计算公式如下：

；

其中，表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点的时邻形变指数；/>表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点的沉降向量中第/>个元素的值；/>表示实时目标建筑点云中第/>个点与初始目标建筑点云中第/>个点的位移向量中第/>个元素的值；/>表示沉降向量内包含的元素的数量；/>表示位移向量内包含的元素的数量；/>表示第一调节因子，经验值为1。

当实时目标建筑点云中的点与初始目标建筑点云中的点对应的沉降向量和位移向量中包含的元素的数值越大时，即、/>越大，获取的时邻形变指数越大。

根据实时目标建筑点云中的点与初始目标建筑点云中的点的时邻形变指数，获取时邻形变指数矩阵，时邻形变指数矩阵具体可表示为如下形式：

；

其中，表示时邻形变指数矩阵；/>表示实时目标建筑点云内包含的点的数量；/>表示初始目标建筑点云内包含的点的数量；/>表示实时目标建筑点云中第个点与初始目标建筑点云中第/>个点的时邻形变指数，其中，。

由于建筑的低层区域较为稳固，当建筑发生形变时，发生的形变多为刚性形变，即建筑整体形状、尺寸、相对位置未发生改变，建筑整体位置发生改变。建筑的高层区域相对于低层区域稳定性较差，所以发生的形变多为弹性形变，即建筑的相对位置发生改变。所以，建筑的形变程度与高度呈现出正相关关系，同时，目标建筑发生形变时，目标建筑的整体结构变化相对较小。

通过粒子群优化算法对所有沉降向量与位移向量进行筛选，对时邻形变指数矩阵使用粒子群优化算法进行处理，获取实时目标建筑点云与初始目标建筑点云的粗匹配结果，其中，粒子群优化算法的目标函数构建过程如下。

以实时目标建筑点云中的点为例，在初始目标建筑点云中随机选取/>个点，将随机选取/>个点分别记为/>。分别将点/>与/>进行匹配，得到点/>的/>个点对匹配组。其中，/>为第一预设阈值，第一预设阈值的经验值为30。由于实时目标建筑点云中包含/>个点，所以，可以得到/>个点对匹配组，同时，可以根据时邻形变指数矩阵获取每个点对匹配组对应的时邻形变指数。

根据每个点对匹配组对应的时邻形变指数获取对应的一次时邻形变指数矩阵。其中，一次时邻形变指数矩阵为行/>列的矩阵，矩阵中的时邻形变指数所在的行数为时邻形变指数对应的实时目标建筑点云中的点的编号，所在的列数为时邻形变指数对应的初始目标建筑点云中的点的编号，一次时邻形变指数矩阵中的时邻形变指数的排列方式与时邻形变指数矩阵中时邻形变指数的排列方式相同。

根据一次时邻形变指数矩阵获取第一目标函数。

；

其中，表示第一目标函数；/>表示实时目标建筑点云内包含的点的数量；/>第一预设阈值，经验值为30；/>表示一次时邻形变指数矩阵中第/>行第/>列的元素，即时邻形变指数/>；/>表示一次时邻形变指数矩阵中第/>行第/>列的元素对应的点对匹配组中两个匹配点在垂直高度上与元素的高度的差值的绝对值的均值；/>表示一次时邻形变指数矩阵中包含的所有时邻形变指数的均值。

当目标建筑发生形变时，由于其整体结构变化相对较小，即实时目标建筑点云中各点与初始目标建筑点云中各点的匹配结果中，各时邻形变指数较为相似，故目标函数值较小。

将第一目标函数作为粒子群优化算法的目标函数，使用粒子群优化算法对实时目标建筑点云与初始目标建筑点云进行粗匹配。

至此，获取实时目标建筑点云与初始目标建筑点云的粗匹配结果。

步骤S004、根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量。

基于实时目标建筑点云与初始目标建筑点云的粗匹配结果，将实时目标建筑点云作为目标点云，将初始目标建筑点云作为参考点云，将参考点云与目标点云作为ICP匹配算法的输入，将参考点云与目标点云粗匹配结果之间的欧式距离作为ICP匹配算法的度量距离，通过ICP匹配算对参考点云与目标点云进行匹配，得到参考点云与目标点云的匹配结果。其中，ICP匹配算法为公知技术，具体过程本发明不再赘述。

根据初始目标建筑点云与实时目标建筑点云的匹配结果，获取目标建筑形变量，目标建筑形变量的计算公式如下：

；

其中，表示实时目标建筑相对于初始时刻发生的形变量，/>表示初始目标建筑点云数据中的数据总数，/>表示实时目标建筑点云中的数据总数，/>表示初始目标建筑点云中的点与实时目标建筑点云中的点匹配成功的数量，/>表示第/>个匹配成功点对空间坐标的欧氏距离。

匹配成功的点对数越多，即越小，同时，匹配成功的点对之间的欧氏距离越小，即/>越小，表明实时目标建筑点云与初始目标建筑点云的匹配效果越好，即实时目标建筑与初始目标建筑相比，形变程度越小，故计算出的目标建筑形变量越小；反之亦然。

至此，得到目标建筑的形变量，便于监测目标建筑的位置、结构是否发生变化，可以尽早发现潜在的结构问题，确保建筑物的稳定性和安全性，并且，目标建筑形变量可以帮助维护人员了解建筑的整体结构变化情况，便于制定出相应的维护计划。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向建筑设计的建筑物形变测量方法，其特征在于，该方法包括以下步骤：

采集实时目标建筑点云并进行预处理，获取初始目标建筑点云；

根据实时目标建筑点云和初始目标建筑点云获取时邻形变向量，对时邻形变向量进行分解，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量；

根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，根据时邻形变指数获取时邻形变指数矩阵，获取点对匹配组，根据点对匹配组对应的时邻形变指数和时邻形变指数矩阵中时邻形变指数的相同排列方式，获取一次时邻形变指数矩阵，根据一次时邻形变指数矩阵获取第一目标函数，根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果；

根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量；

所述根据实时目标建筑点云和初始目标建筑点云获取时邻形变向量，包括的具体方法为：

分别将实时目标建筑点云中的每个点记为一级点，分别将初始目标建筑点云中的每个点记为二级点；

将一级点与二级点的横坐标差值记为第一位置差值，将一级点与二级点的纵坐标差值记为第二位置差值，将一级点与二级点的竖坐标差值记为第三位置差值；

将第一位置差值、第二位置差值和第三位置差值的数值依次排列构成的向量记为一级点与二级点的时邻形变向量；

所述对时邻形变向量进行分解，获取初始目标建筑点云中的点与实时目标建筑点云中的点分别在垂直方向和水平方向上的沉降向量与位移向量，包括的具体方法为：

将一级点与二级点在垂直方向的形变量记为第一形变量；

将一级点与二级点的连线与垂直方向的形变角记为第二形变量；

将第一形变量和第二形变量的数值依次排列构成的向量记为一级点与二级点所构成时邻形变向量经过分解后所得的沉降向量；

将一级点与二级点在水平方向的形变量记为第三形变量；

将一级点与二级点的连线与水平方向的形变角记为第四形变量；

将第三形变量和第四形变量的数值依次排列构成的向量记为一级点与二级点所构成时邻形变向量经过分解后所得的位移向量；

所述根据初始目标建筑点云与实时目标建筑点云的形变程度获取时邻形变指数，包括的具体方法为：

将一级点与二级点的沉降向量内包含的所有元素的值的和记为第一和值；

将一级点与二级点的位移向量内包含的所有元素的值的和记为第二和值；

将第一和值、第二和值与第一调节因子的和的倒数记为一级点与二级点的时邻形变指数，其中，时邻形变指数与第一和值、第二和值与第一调节因子的和呈负相关关系；

所述根据一次时邻形变指数矩阵获取第一目标函数，包括的具体方法为：

将一次时邻形变指数矩阵中每个元素分别记为第一元素；

将第一元素对应的点对匹配组中两个匹配点在垂直高度上与元素的高度的差值的绝对值的均值记为第一均值；

将一次时邻形变指数矩阵中包含的所有时邻形变指数的均值记为第二均值；

将第一元素的数值与第一均值的比值与第二均值的差值记为第一元素的第一数值；

将一次时邻形变指数矩阵中所有第一元素的第一数值的均值记为第一目标函数。

2.根据权利要求1所述的一种面向建筑设计的建筑物形变测量方法，其特征在于，所述采集实时目标建筑点云并进行预处理，获取初始目标建筑点云，包括的具体方法为：

使用激光雷达系统获取需要进行形变测量的建筑的点云，对实时目标建筑点云进行去噪，将去噪后的需要进行形变测量的建筑的点云记为实时目标建筑点云；

提取建筑建成时的点云，将建筑建成时的点云记为初始目标建筑点云。

3.根据权利要求1所述的一种面向建筑设计的建筑物形变测量方法，其特征在于，所述获取点对匹配组，包括的具体方法为：

在初始目标建筑点云中随机选取第一预设阈值个点，将一级点与初始目标建筑点云中随机选取第一预设阈值个点分别进行匹配，获取第一预设阈值个点对匹配组。

4.根据权利要求1所述的一种面向建筑设计的建筑物形变测量方法，其特征在于，所述根据第一目标函数获取实时目标建筑点云与初始目标建筑点云的粗匹配结果，包括的具体方法为：

将第一目标函数作为优化算法的目标函数，使用优化算法对实时目标建筑点云与初始目标建筑点云进行粗匹配，获取实时目标建筑点云与初始目标建筑点云的粗匹配结果。

5.根据权利要求1所述的一种面向建筑设计的建筑物形变测量方法，其特征在于，所述根据实时目标建筑点云与初始目标建筑点云的粗匹配结果获取匹配结果，包括的具体方法为：

将实时目标建筑点云作为目标点云，将初始目标建筑点云作为参考点云，对参考点云与目标点云使用点云匹配算法，将参考点云与目标点云粗匹配结果之间的欧式距离作为点云匹配算法的度量距离，获取参考点云与目标点云的匹配结果。

6.根据权利要求1所述的一种面向建筑设计的建筑物形变测量方法，其特征在于，所述根据匹配结果获取目标建筑形变量，实现对建筑物的形变测量，包括的具体方法为：

将所有匹配成功点对的空间坐标的欧氏距离的均值记为第三均值；

将初始目标建筑点云数据中的数据总数与实时目标建筑点云中的数据总数的和记为第三和值；

将第三和值与匹配成功点对内包含的点的数量的差值记为第一差值；

将第三均值与第一差值的乘积记为目标建筑形变量；

目标建筑形变量即为建筑物的形变测量的数值。