CN118262065A - 一种基于激光点云的地铁隧道三维建模方法 - Google Patents

Abstract

本发明属于隧道快速、无损、自动化检测与激光点云处理技术领域，具体涉及基于激光点云进行地铁隧道三维建模方法。包括以下步骤：S1、架站式激光扫描仪在地铁隧道现场采集点云数据；S2、分站点云进行人工拼接与手动初步去噪；S3、架站式激光扫描仪的轨迹提取与点云自动分段；S4、分段点云进行圆拟合与自动化精细去噪；S5、基于距离‑强度模型校正点云的扫描强度值；S6、提取地铁隧道的中轴线并对中轴线进行平滑处理；S7、立体式点云形成地铁隧道衬砌平面图像；等等。本发明实现地铁隧道三维纹理模型的快速浏览和保存。为直观地、立体地检测隧道结构的安全状态提供途径，能够促进地铁隧道的数字化管理。

Description

一种基于激光点云的地铁隧道三维建模方法

技术领域

本发明涉及隧道快速、无损、自动化检测与激光点云处理技术领域，具体而言，涉及基于激光点云进行地铁隧道三维建模方法。

背景技术

地铁隧道成为了地铁线路的核心，甚至是整个城市轨道交通线路的骨架。地铁隧道的结构出现问题将影响地铁乃至城市轨道交通的正常运营。地铁隧道的结构安全检测与保障一直以来是业界研究的热点和难点。

长久以来，地铁隧道的结构安全检测以人工为主，一线工作人员在夜间“天窗期”进入地铁隧道内部，进行隧道结构安全状态的排查、记录、评估。亟需研究自动化、半自动化的地铁隧道结构安全检测技术，逐渐替代或辅助传统的人工作业方式，以应对日益增长的隧道维养需求。在此背景下，地面激光扫描技术被引入地铁隧道安全检测领域。通过在隧道内部采集海量的激光点云，针对不同的工作目标和需求，工作人员对点云数据采取不同的后处理操作，以快速、精准地掌握地铁隧道的结构安全状况。

目前，地面激光扫描技术在地铁隧道检测任务中的应用分为两类：变形检测和衬砌表观状态检测。在衬砌表观状态的检测的应用中，现有的技术和方法更多是将激光点云数据进行后处理，生成二维的衬砌图像，基于二维图像进行隧道衬砌表观情况的浏览、分析，进而对结构安全状态做出诊断。依托激光点云反演得到的图像，虽然能够观测隧道衬砌的表面情况，但是，平面图像缺乏立体效果，无法直观地了解隧道的全局结构和局部特征，且平面图像无法为工程人员提供三维的数据漫游。同时，对于隧道这类大场景，基于点云数据反演的图像尺寸也非常庞大，不利于地铁隧道的数字化管理。还有一部分方法直接对采集到的隧道点云进行数据漫游，但因为点云非常密集、数量巨大，难以对隧道结构状况进行快速地浏览和查看。点云数据同样面临着存储的难题，不利于工程人员对其进行数字化管理。

为直观地、立体地检测隧道结构的安全状态，一些研究着眼于三维模型的构建，以激光点云作为数据源，逐步建立隧道三维网格模型或纹理模型。但现有的方法和技术存在以下几个问题：

1)研究多针对移动激光扫描设备获取的点云数据进行建模，针对架站式设备获取的激光点云开展的研究较少，但在实际应用中，架站式激光扫描设备成本较低，其在隧道检测任务中，被地铁维养部门广泛应用；

2)在现有关于隧道三维建模的方法和技术中，多是基于Delaunay三角构网等方式，且直接对空间点云开展隧道网格模型的构建，其计算复杂，效率低，在点云极度稠密的情况下构网不精确，不适用于隧道这类大场景模型构建；

3)现有的隧道三维建模方法和技术多针对移动激光扫描仪获取的点云进行，其采用断面扫描或螺旋线扫描的方式获取点云数据，应用此类点云数据在建模的过程中，隧道的三维空间姿态和位置易于通过扫描仪的移动轨迹数据和里程数据确定，对于架站式激光扫描仪而言，其通过定点扫描的方式获取点云数据，在三维建模的过程中很难确定隧道三维轮廓和形状；

4)现有的许多方法和技术将网格模型作为隧道三维模型的表达形式，但网格模型不具备纹理等细节信息，无法展示地铁隧道内部真实的状况。

发明内容

发明目的本发明基于地铁隧道的激光点云数据进行三维建模，从而实现隧道结构的快速、立体浏览和细节展示，为一线工程人员提供隧道结构安全状态检测、诊断的三维虚拟模型，更好地服务于城市地铁安全运营。本发明实现“空间离散点云-二维平面图像-三维网格模型-三维纹理模型”的转变，将海量的点云数据，转换成轻量化的OBJ模型，提升地铁隧道的数字化管理水平。

技术方案

一种基于激光点云的地铁隧道三维建模方法，包括如下步骤：

S1、架站式激光扫描仪在地铁隧道现场采集点云数据；

S2、分站点云进行人工拼接与手动初步去噪；

S3、架站式激光扫描仪的轨迹提取与点云自动分段；

S4、分段点云进行圆拟合与自动化精细去噪；

S5、基于距离-强度模型校正点云的扫描强度值；

S6、提取地铁隧道的中轴线并对中轴线进行平滑处理；

S7、立体式点云形成地铁隧道衬砌平面图像；

S8、提取地铁隧道衬砌平面图像的像素阵列点；

S9、依托图像阵列点构建三角面片形成平面网格模型；

S10、平面网格模型的三角面片顶点的空间角度反算；

S11、基于三维圆的参数方程对地铁隧道截面进行建模；

S12、地铁隧道三维截面展开形成立体网格模型；

S13、利用纹理映射技术实现地铁隧道纹理模型构建；

S14、OBJ文件和MTL文件生成实现地铁隧道三维模型的保存。

优选的，所述的S1步骤中，使用架站式激光扫描仪在地铁隧道现场进行连续、多次扫描作业，获取一系列分站点云数据。

优选的，所述的S2步骤中，首先使用Cyclone点云处理软件，以标靶拼接的方式将一系列分站点云拼接成完整的地铁隧道点云，而后使用CloudCompare点云处理软件，删除地铁隧道内部明显的人群等噪点以及外部明显的离群点，实现手动初步去噪。

优选的，所述S3进一步包括以下步骤：

S3.1、导入激光扫描仪架站J_i(i＝1,...,n)的空间坐标(X_i,Y_i,Z_i)，基于公式计算相邻两架站间的距离D(J_i,J_i+1)；

S3.2、基于公式计算激光扫描仪的平均架站间距

S3.3、以激光扫描仪初始的两个架站J₁和J₂确定一个延伸方向，以1.5倍的平均架站间距作为延伸距离，得到一个新的起始位置；以激光扫描仪最后两个架站J_n和J_n-1确定一个延伸方向，仍以1.5倍的平均架站间距作为延伸距离，得到一个新的终止位置；

S3.4、设置点云自动分段距离阈值，以该阈值为采样步长，以激光扫描仪架站J_i的位置(X_i,Y_i,Z_i)和更新后的起止位置作为控制点，进行上采样，得到密集的激光扫描仪的轨迹点；

S3.5、基于密集的激光扫描仪轨迹点，建立KD-Tree，而后搜索每个隧道点云最近的轨迹点，最近轨迹点相同的隧道点云属于同一分段点云，同一分段点云保存在同一个txt格式的文件中，遍历所有的隧道点云，实现点云自动分段。

优选的，所述S4进一步包括以下步骤：

S4.1、加载和读取分段点云txt文件，每个点云P有四个变量(X_P,Y_P,Z_P,I_P)，前三个变量为点云的空间坐标，第四个变量为点云的扫描强度；

S4.2、基于RANSAC算法，利用点云的空间坐标数据拟合圆模型M_circle,保存圆模型的圆心C_circle的三维坐标(X_circle,Y_circle,Z_circle)、圆半径R_circle的大小、圆的单位法向量

S4.3、重复S4.1和S4.2，直至完成所有分段点云的处理，保存每个分段点云提取的圆模型几何参数；

S4.4、再次加载和读取分段点云txt文件，对分段点云中的每个点云P，提取点云P与拟合圆的圆心C_circle相连产生的向量而后利用公式 计算点云P到隧道中央的距离D_P；

S4.5、基于公式E_P＝|D_P-R_circle|计算每个点云P的差值E_P，而后设置差值阈值T_up和T_down；

S4.6、判断隧道点云的位置，若Z_P≥0，则点云P为隧道的上部点云，若Z_P<0，则点云P为隧道的下部点云；

S4.7、针对隧道的上部点云，若E_P≤T_up，则保留该点云，否则删除该点云，针对隧道的下部点云，若E_P≤T_down，则保留该点云，否则删除该点云；

S4.8、重复S4.4-S4.7，直至完成所有分段点云的自动精细去噪，滤除地铁隧道内部的轨道以及接触网等噪点。

优选的，所述S5进一步包括以下步骤：

S5.1、加载完整的地铁隧道点云数据，搜寻各个隧道点云的最近的激光扫描仪架站位置，计算点云到其最近的架站中心的距离，则每个点云P具有了五个变量(X_P,Y_P,Z_P,I_P,L_P)，前三个变量仍为点云的空间坐标，第四个变量为点云的扫描强度，第五个变量为点云的距离值；

S5.2、对所有点云的距离值进行排序，以0.5米为间隔对点云进行采样和划分，得到一系列点云子集{F_i|i＝1,…,n}，其中n代表子集的数目；

S5.3、对每一个点云子集F_i提取一个点云样本，该点云样本仅包含两个变量，即距离和扫描强度，其中距离值取该点云子集中所有点云的距离的中值，强度值取该点云子集中所有点云的强度的中值；

S5.4、重复S5.3，直至每个点云子集都提取出了代表性样本，从而形成点云距离-强度数据集，继而基于三次多项式拟合出地铁隧道点云的距离-强度关系；

S5.5、基于差值法进行隧道点云的强度校正，校正后的隧道点云包含4个变量，即(X_P,Y_P,Z_P,I_P-new)，其中I_P-new为校正后的强度值。

其中，隧道点云P到其最近的架站扫描中心的距离L_P满足计算公式：

为隧道点云P到其最近的架站点J_i的向量；为相邻两个激光扫描仪架站形成的方向向量，j＝i+1。

其中，差值法进行点云强度校正的公式满足：

I_P-new＝I_p+f(L₀)-f(L_P)

I_P-new为校正后的地铁隧道点云强度，I_P为地铁隧道点云的原始强度，f(L)表示S5.4得到的强度-距离关系三次多项式，L₀代表预先设定的参考距离。

优选的，所述S6进一步包括以下步骤：

S6.1、加载S4.3得到的所有分段点云的圆模型的圆心C_circle，构建有序的隧道中轴线点集{AX_i|i＝1,…,n}，AX_i为中轴线点，其包含三个变量，即三维坐标(X_circle,Y_circle,Z_circle)；

S6.2、提取每个中轴线点AX_i的三维坐标，基于三次多项式，拟合空间曲线；

S6.3、依据拟合得到的空间曲线方程，以AX_i的X轴坐标X_circle为输入，解算出Y轴坐标Y_circle-new和Z轴坐标Z_circle-new，(X_circle,Y_circle-new,Z_circle-new)则为校正后的隧道中轴线点的三维坐标；

S6.4、利用校正后的隧道中轴线点，构建新的有序点集作为最终的地铁隧道中轴线点集。

优选的，所述S7进一步包括以下步骤：

S7.1、加载完整的地铁隧道点云数据，以最终的隧道中轴线点作为投影基准，设定像素分辨率值Δdist，计算每个点云P在隧道衬砌平面图像中的列号col_P；

S7.2、基于极坐标展开的方式，计算点云与参考方向向量间的角度，从而确定点云在平面图像中的行号row_P；

S7.3、依据S7.1和S7.2计算出的点云行号和列号，将隧道点云由立体空间投影至平面，而后将平面点云网格化，以投影至同一像素格网的所有点云的强度I_P-new的平均值作为像素灰度值，生成地铁隧道衬砌平面图像。

其中，点云P在隧道衬砌平面图像中的列号满足计算公式：

min_dist定义为点云的最小内部距离，取0；dist_p定义为隧道点云的内部距离，其计算过程为：基于最近邻算法获取距离隧道点云P最近的两个隧道中轴线点和基于公式之间，判定P与和的位置关系，如果P在左侧，则 如果P在右侧，则如果P在和之间，则上述dist_k定义为中轴线点的内部距离，其计算公式为上述dist_k+1定义为中轴线点的内部距离，其计算公式为 为两相邻的隧道中轴线点间的欧式距离，表示点云P在向量上的垂足P_⊥和间的欧式距离，表示P_⊥和间的欧式距离。

其中，点云P在隧道衬砌平面图像中的行号满足计算公式：

α_P为点云P与垂足P_⊥构成的向量和参考方向向量Vec_ref间的夹角， Vec_ref＝(0,0,-1)，Δα是平面图像分辨率对应的角度分辨率， 表示S4.3得到的所有拟合圆的半径均值，满足公式

其中，地铁隧道点云的强度值转换为平面图像的像素值的具体流程为：确定所有点云的强度值的最大值I_max和最小值I_min；依据公式 将每个点云的强度值映射至区间[0,255]；依据设定的像素分辨率值Δdist将投影至平面的点云网格化，此时每个点云具有三个变量(col_P,row_P,I_P-trans)；基于公式计算该像素格网内点云强度的平均值，以此作为像素值；计算得到每个像素的像素值，从而生成地铁隧道衬砌平面图像。

优选的，所述S8进一步包括以下步骤：

S8.1、确定隧道平面图像的像素采样间隔阈值，包括距离采样间隔阈值d_sample和角度采样间隔阈值θ_sample；

S8.2、基于S7.1中设置的平面图像像素分辨率Δdist和S7.2中的角度分辨率Δα计算平面图像的采样大小row_sample和col_sample；

S8.3、根据采样大小(col_sample,row_sample)获取用于后续三角面片构建的像素，实现平面图像像素的下采样，将采样到的像素定义为阵列点，像素阵列点的二维坐标为(x_2d,y_2d)。

其中，采样大小row_sample和col_sample满足计算公式：

其中，经下采样操作提取的像素的二维坐标具体为：

优选的，所述S9进一步包括以下步骤：

S9.1、加载S8采样后的像素阵列点；

S9.2、利用四邻域内的阵列点构建三角面片，从而建立平面网格模型。

其中，利用四个相邻的阵列点构建三角面片的规则为：设定整数a，初始化a为0，设定整数c，c＝a+1；设定整数b，初始化b为0，开始迭代构网，第一个三角面片的三个顶点为V(a,b)、V(a,b+1)、V(c,b)，分别代表位置(a,b)处的阵列点、位置(a,b+1)处的阵列点、位置(c,b)处的阵列点，第二个三角面片的三个顶点为V(a,b+1)、V(c,b+1)、V(c,b)，分别代表位置(a,b+1)处的阵列点、位置(c,b+1)处的阵列点、位置(c,b)处的阵列点；不断迭代，保持整数a不变，改变整数b，b＝b+1，直至第0列和第1列的所有阵列点完成构网；继续迭代，改变整数a，a＝a+1，此时a＝1，算法开始对第1列和第2列的阵列点进行构网，不断改变整数b，直到第1列和第2列的所有阵列点完成构网；改变整数a，a＝a+1，此时a＝2，算法开始对第2列和第3列的阵列点进行构网，不断改变整数b，直到第2列和第3列的所有阵列点完成构网；以此类推，实现平面三角面片的构建，由此形成平面网格模型。

优选的，所述S10进一步包括以下步骤：

S10.1、加载S9中平面三角面片顶点的坐标(x_2d,y_2d)，即阵列点的二维坐标；

S10.2、参照S7中空间点云向平面投影的行号计算过程和S8中像素的下采样过程，反算出三角面片顶点在三维笛卡尔坐标系中，与Y轴之间呈现的夹角angle，计算公式满足angle＝y₂d*Δα+270°。

优选的，所述S11进一步包括以下步骤：

S11.1、构建三维笛卡尔坐标系；

S11.2、建立圆心坐标为(0,0,0)的三维圆的参数方程，对地铁隧道截面进行建模；

S11.3、基于三维圆方程，计算出每个三角面片顶点的三维空间坐标(x_3d,y_3d,z_3d)，此时所有的三角面片顶点(阵列点)均位于同一个空间三维圆上。

其中，在三维笛卡尔坐标系中，圆心置于(0,0,0)的三维圆的参数方程为：

angle为S10中反算出的空间夹角，代表S4.3中得到的所有分段点云拟合圆半径的平均值，和为三维圆所在平面中一对正交的单位向量， 向量为圆平面的一个单位法向量，其坐标为(1,0,0)，单位向量需人为指定，其不能与单位法向量平行。

其中，根据三维圆方程，每个三角面片顶点的空间坐标的计算公式满足：

V_{1_X}、V_{1_Y}、V_{1_Z}分别为向量在X轴、Y轴、Z轴上的分量，V_{2_X}、V_{2_Y}、V_{2_z}分别为向量在X轴、Y轴、Z轴上的分量。

优选的，所述S12进一步包括以下步骤：

S12.1、加载隧道的中轴线点集和平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)；

S12.2、定义三角面片顶点的内部距离为dist_tri，dist_tri＝x_2d*Δdist；

S12.3、基于计算得到的dist_tri，搜寻内部距离dist_k与其最接近的中轴线节点位于同一截面圆的面片顶点(阵列点)计算出的dist_tri一致；

S12.4、以中轴线节点和构造方向向量作为三维圆平面的法向量；

S12.5、计算三角面片顶点(阵列点)在隧道中轴线上的垂足Q，垂足Q即为三维截面圆圆心在三维笛卡尔坐标系中实际所处的位置；

S12.6、基于圆心Q和法向量确定了每一个三维截面圆在空间中实际的姿态和位置，从而完成三维截面圆的展开，即所有的三角面片顶点(阵列点)准确分布在各自的三维截面圆上，此时空间三角面片的顶点坐标(x_3d,y_3d,z_3d)可由罗德里格斯公式换为

S12.7、三角面片的顶点(阵列点)随着三维截面圆展开而分布在空间中，空间三角面片仍具有原来的拓扑结构，由此建立了地铁隧道立体网格模型。

其中，中轴线节点的内部距离dist_k计算公式已在S7中给出；在构造方向向量时，将的三维坐标与的三维坐标相减即可得到方向向量的三维坐标。

优选的，所述S13进一步包括以下步骤：

S13.1、准备图片，为保证纹理的真实性和细节的还原度，使用S7中地铁隧道衬砌平面图像作为纹理图片；

S13.2、加载平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)，在UV坐标系中，计算面片顶点所对应的纹理图片UV坐标；

S13.3、平面三角面片顶点、立体三角面片顶点、纹理坐标相互关联，由此建立起纹理图片与地铁隧道立体网格模型表面点之间的内在联系，从而构建出地铁隧道纹理模型。

其中，UV坐标系的横轴为U轴，纵轴为V轴，原点位于图像左下角，坐标轴范围为[0,1]，UV坐标的计算公式满足：

cols为纹理图像的最大列号，max_dist定义为隧道中轴线点的最大内部距离，rows为纹理图像的最大行号，

优选的，所述S14进一步包括以下步骤：

S14.1、采用OBJ格式文件保存地铁隧道立体网格模型；

S14.2、使用MTL格式文件保存纹理信息；

S14.3、MTL文件将OBJ文件和纹理图片相互关联，实现地铁隧道三维纹理模型的快速浏览和保存。为直观地、立体地检测隧道结构的安全状态提供途径，能够促进地铁隧道的数字化管理。

本发明的有益效果是：

(1)考虑到地铁隧道平面图像中像素数量庞大，基于所有像素生成三角网格，得到的面片数量也是巨大的，不利于后续快速建模和模型浏览。本发明针对该情况，提出了一种像素间隔采样的策略，在不影响地铁隧道整体形状的前提下，减少用于三角构网的像素数目，从而减少隧道网格模型的面片数目，进而提高三维建模效率，并降低了模型对于存储空间的需求；

(2)考虑到三角网格具有几何结构良好、数据结构简单等特点，本发明设计了一种简单且高效的三角构网方式，同时考虑到三维三角面片生成的复杂性，本发明将设计的三角构网方式应用于下采样后的二维阵列点(像素)，快速、稳定地进行二维三角网格生成，而后将构建好的二维三角网格映射至三维空间，实现三维隧道网格模型的建立；

(3)本发明基于三维空间圆模型对地铁隧道的截面进行参数化建模，并设计了新颖的隧道三维截面展开的方案，实现了平面网格模型向立体网格模型的便捷式转换，保证了平面三角面片与空间三角面片的精准对应，在确保三维网格模型高精细度的同时，提高了建模效率，同时为后续纹理映射奠定了基础；

(4)本发明将纹理区域映射技术应用于地铁隧道建模的过程中，以地铁隧道衬砌平面图像作为纹理图片，将其蕴含的像素信息、纹理信息保留下来，并存储至MTL格式的文件中，并将空间网格模型中三角面片的顶点与纹理坐标一一对应起来，存储至OBJ格式的文件中，实现颜色纹理的精准映射，从而构造精细的地铁隧道三维纹理模型，便于工程人员更加直观、真实地浏览隧道内部情况，借助于可视化软件，可实现隧道模型的三维实例漫游，更好地服务于地铁隧道结构的安全状态检测任务。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明实施例一种基于激光点云的地铁隧道三维建模方法的流程图；

图2为本发明实施例中架站式激光扫描仪以及黑白标靶的外观图；

图3为本发明实施例中地铁隧道现场激光扫描作业图；

图4为本发明实施例中拼接后的地铁隧道点云的局部效果图；

图5为本发明实施例中激光扫描仪的架站位置确定、起止位置更新、轨迹上采样示意图；

图6为本发明实施例中平滑操作前后的部分隧道中轴线点的示意图；

图7为本发明实施例中生成的地铁隧道衬砌局部平面图像；

图8为本发明实施例中隧道衬砌平面图像的像素下采样的示意图；

图9为本发明实施例中四相邻阵列点构建平面三角面片的示意图；

图10为本发明实施例中一个三角面片顶点反算空间夹角的示意图；

图11为本发明实施例中在三维笛卡尔坐标系内建立三维圆模型的示意图；

图12为本发明实施例中平面三角面片顶点转换至同一个空间三维圆的示意图；

图13为本发明实施例中根据三维截面圆在空间中实际的姿态和位置进行展开的示意图；

图14为本发明实施例中建立的地铁隧道立体网格模型图；

图15为本发明实施例中面片顶点对应的纹理图片UV坐标计算示意图；

图16为本发明实施例中生成的OBJ文件和MTL文件内容的展示图；

图17为本发明实施例中地铁隧道纹理模型的整体和局部外表面图；

图18为本发明实施例中地铁隧道纹理模型的内部整体状态图；

图19为本发明实施例中地铁隧道三维模型实例漫游时的部分细节图。

具体实施方式

下面将结合具体实施例及其附图对本申请提供的技术方案作进一步说明。结合下面说明，本申请的优点和特征将更加清楚。

本发明一种新颖的基于激光点云的地铁隧道三维建模方法，面向架站式激光扫描仪获取的点云数据，首先由空间点云生成隧道平面图像，然后基于平面图像，设计合理的像素下采样方式，提出新的三角构网方案，建立平面网格模型，而后提出一种新的基于三维圆的隧道参数化建模方法，逐步恢复隧道的三维轮廓和空间姿态，最后设计合理的纹理映射方案，建立起逼真的隧道三维纹理模型，为直观地、立体地检测隧道结构的安全状态提供一种新的途径，同时能够促进地铁隧道的数字化管理。

请参阅图1所示，本发明实施例一种基于激光点云的地铁隧道三维建模方法，该方法具体包括以下步骤：

S1、架站式激光扫描仪在地铁隧道现场采集点云数据；

S2、分站点云进行人工拼接与手动初步去噪；

S3、架站式激光扫描仪的轨迹提取与点云自动分段；

S4、分段点云进行圆拟合与自动化精细去噪；

S5、基于距离-强度模型校正点云的扫描强度值；

S6、提取地铁隧道的中轴线并对中轴线进行平滑处理；

S7、立体式点云形成地铁隧道衬砌平面图像；

S8、提取地铁隧道衬砌平面图像的像素阵列点；

S9、依托图像阵列点构建三角面片形成平面网格模型；

S10、平面网格模型的三角面片顶点的空间角度反算；

S11、基于三维圆的参数方程对地铁隧道截面进行建模；

S12、地铁隧道三维截面展开形成立体网格模型；

S13、利用纹理映射技术实现地铁隧道纹理模型构建；

S14、OBJ文件和MTL文件生成实现地铁隧道三维模型的保存。

在本发明实施例中，优先选用徕卡RTC360架站式激光扫描仪采集地铁隧道的点云数据，激光扫描仪及黑白标靶的外观如图2所示，主要操作流程为：确定架站位置、摆放三脚架、连接三脚架与扫描仪、摆放标靶、基于iPad为扫描任务新建项目、设置扫描的点云密度(高、中、低)、基于iPad控制扫描作业开始、利用iPad浏览扫描情况、多次架站作业、工业U盘数据传输。本实施例中地铁隧道激光扫描任务共架设4站，现场作业情况如图3所示，隧道的设计内部半径为2.75米。

在本发明实施例中，优先使用Cyclone点云处理软件，以标靶拼接的方式将一系列分站点云拼接成完整的地铁隧道点云，拼接后的地铁隧道点云的局部效果如图4所示，图4中的左图和右图对点云采用了不同的着色方式。然后使用CloudCompare点云处理软件，删除地铁隧道内部明显的人群等噪点以及外部明显的离群点，实现手动初步去噪。

具体地，结合图5，S3包括以下步骤：

S3.1、导入激光扫描仪架站J_i(i＝1,...,n)的空间坐标(X_i,Y_i,Z_i)，基于公式计算相邻两架站间的距离D(J_i,J_i+1)；

S3.2、基于公式计算激光扫描仪的平均架站间距

S3.3、以激光扫描仪初始的两个架站J₁和J₂确定一个延伸方向，以1.5倍的平均架站间距作为延伸距离，得到一个新的起始位置；以激光扫描仪最后两个架站J_n和J_n-1确定一个延伸方向，仍以1.5倍的平均架站间距作为延伸距离，得到一个新的终止位置；

S3.4、设置点云自动分段距离阈值，以该阈值为采样步长，以激光扫描仪架站J_i的位置(X_i,Y_i,Z_i)和更新后的起止位置作为控制点，进行上采样，得到密集的激光扫描仪的轨迹点；

S3.5、基于密集的激光扫描仪轨迹点，建立KD-Tree，而后搜索每个隧道点云最近的轨迹点，最近轨迹点相同的隧道点云属于同一分段点云，同一分段点云保存在同一个txt格式的文件中，遍历所有的隧道点云，实现点云自动分段。

具体地，S4包括以下步骤：

S4.1、加载和读取分段点云txt文件，每个点云P有四个变量(X_P,Y_P,Z_P,I_P)，前三个变量为点云的空间坐标，第四个变量为点云的扫描强度；

S4.2、基于RANSAC算法，利用点云的空间坐标数据拟合圆模型M_circle,保存圆模型的圆心C_circle的三维坐标(X_circle,Y_circle,Z_circle)、圆半径R_circle的大小、圆的单位法向量

S4.3、重复S4.1和S4.2，直至完成所有分段点云的处理，保存每个分段点云提取的圆模型几何参数；

S4.4、再次加载和读取分段点云txt文件，对分段点云中的每个点云P，提取点云P与拟合圆的圆心C_circle相连产生的向量而后利用公式 计算点云P到隧道中央的距离D_P；

S4.5、基于公式F_P＝|D_P-R_circle|计算每个点云P的差值E_P，而后设置差值阈值T_up和T_down，在本发明实施例中T_up设置为0.1米，T_down设置为0.2米；

S4.6、判断隧道点云的位置，若Z_P≥0，则点云P为隧道的上部点云，若Z_P<0，则点云P为隧道的下部点云；

S4.7、针对隧道的上部点云，若E_P≤T_up，则保留该点云，否则删除该点云，针对隧道的下部点云，若E_P≤T_down，则保留该点云，否则删除该点云；

S4.8、重复S4.4-S4.7，直至完成所有分段点云的自动精细去噪，滤除地铁隧道内部的轨道以及接触网等噪点。

具体地，S5包括以下步骤：

S5.1、加载完整的地铁隧道点云数据，搜寻各个隧道点云的最近的激光扫描仪架站位置，计算点云到其最近的架站中心的距离，则每个点云P具有了五个变量(X_P,Y_P,Z_P,I_P,L_P)，前三个变量仍为点云的空间坐标，第四个变量为点云的扫描强度，第五个变量为点云的距离值；

S5.2、对所有点云的距离值进行排序，以0.5米为间隔对点云进行采样和划分，得到一系列点云子集{F_i|i＝1,…,n}，其中n代表子集的数目；

S5.3、对每一个点云子集F_i提取一个点云样本，该点云样本仅包含两个变量，即距离和扫描强度，其中距离值取该点云子集中所有点云的距离的中值，强度值取该点云子集中所有点云的强度的中值；

S5.4、重复S5.3，直至每个点云子集都提取出了代表性样本，从而形成点云距离-强度数据集，继而基于三次多项式拟合出地铁隧道点云的距离-强度关系；

S5.5、基于差值法进行隧道点云的强度校正，校正后的隧道点云包含4个变量，即(X_P,Y_P,Z_P,I_P-new)，其中I_P-new为校正后的强度值。

其中，隧道点云P到其最近的架站扫描中心的距离L_P满足计算公式：

为隧道点云P到其最近的架站点J_i的向量；为相邻两个激光扫描仪架站形成的方向向量，j＝i+1。

其中，差值法进行点云强度校正的公式满足：

I_P-new＝I_P+f(L₀)-f(L_P)

I_P-new为校正后的地铁隧道点云强度，I_P为地铁隧道点云的原始强度，f(L)表示S5.4得到的强度-距离关系三次多项式，L₀代表预先设定的参考距离，在本发明实施例中L₀取2.75米。

具体地，S6包括以下步骤：

S6.1、加载S4.3得到的所有分段点云的圆模型的圆心C_circle，构建有序的隧道中轴线点集{AX_i|i＝1,…,n}，AX_i为中轴线点，其包含三个变量，即三维坐标(X_circle,Y_circle,Z_circle)；

S6.2、提取每个中轴线点AX_i的三维坐标，基于三次多项式，拟合空间曲线；

S6.3、依据拟合得到的空间曲线方程，以AX_i的X轴坐标X_circle为输入，解算出Y轴坐标Y_circle-new和Z轴坐标Z_circle-new，(X_circle,Y_circle-new,Z_circle-new)则为校正后的隧道中轴线点的三维坐标；

S6.4、利用校正后的隧道中轴线点，构建新的有序点集作为最终的地铁隧道中轴线点集，校正前后的部分隧道中轴线点如图6所示，其中红色点代表校正前的中轴线点，白色点代表校正后的中轴线点。

具体地，S7包括以下步骤：

S7.1、加载完整的地铁隧道点云数据，以最终的隧道中轴线点作为投影基准，设定像素分辨率值Δdist，在本发明实施例中，Δdist设为0.01米，基于此计算每个点云P在隧道衬砌平面图像中的列号col_P；

S7.2、基于极坐标展开的方式，计算点云与参考方向向量间的角度，从而确定点云在平面图像中的行号row_P；

S7.3、依据S7.1和S7.2计算出的点云行号和列号，将隧道点云由立体空间投影至平面，而后将平面点云网格化，以投影至同一像素格网的所有点云的强度I_P-new的平均值作为像素灰度值，生成地铁隧道衬砌平面图像。

其中，点云P在隧道衬砌平面图像中的列号满足计算公式：

min_dist定义为点云的最小内部距离，取0；dist_p定义为隧道点云的内部距离，其计算过程为：基于最近邻算法获取距离隧道点云P最近的两个隧道中轴线点和基于公式之间，判定P与和的位置关系，如果P在左侧，则 如果P在右侧，则如果P在和之间，则上述dist_k定义为中轴线点的内部距离，其计算公式为上述dist_k+1定义为中轴线点的内部距离，其计算公式为 为两相邻的隧道中轴线点间的欧式距离，表示点云P在向量上的垂足P_⊥和间的欧式距离，表示P_⊥和间的欧式距离。

其中，点云P在隧道衬砌平面图像中的行号满足计算公式：

α_P为点云P与垂足P_⊥构成的向量和参考方向向量Vec_ref间的夹角， Vec_ref＝(0,0,-1)，Δα是平面图像分辨率对应的角度分辨率， 表示S4.3得到的所有拟合圆的半径均值，满足公式 在本发明实施例中，经计算为2.96米。

其中，地铁隧道点云的强度值转换为平面图像的像素值的具体流程为：确定所有点云的强度值的最大值I_max和最小值I_min；依据公式 将每个点云的强度值映射至区间[0,255]；依据设定的像素分辨率值Δdist将投影至平面的点云网格化，此时每个点云具有三个变量(col_P,row_P,I_P-trans)；基于公式计算该像素格网内点云强度的平均值，以此作为像素值；计算得到每个像素的像素值，从而生成地铁隧道衬砌平面图像。在本发明实施例中，生成的地铁隧道衬砌图像大小为55.8MB，局部图像如图7所示。

具体地，结合图8，S8包括以下步骤：

S8.1、确定隧道平面图像的像素采样间隔阈值，包括距离采样间隔阈值d_sample和角度采样间隔阈值θ_sample，在本发明实施例中，d_sample设置为5米，θ_sample设置为10度；

S8.2、基于S7.1中设置的平面图像像素分辨率Δdist和S7.2中的角度分辨率Δα计算平面图像的采样大小row_sample和col_sample；

S8.3、根据采样大小(col_sample,row_sample)获取用于后续三角面片构建的像素，实现平面图像像素的下采样，将采样到的像素定义为阵列点，像素阵列点的二维坐标为(x_2d,y_2d)。

其中，采样大小row_sample和col_sample满足计算公式：

其中，经下采样操作提取的像素的二维坐标具体为：

具体地，S9包括以下步骤：

S9.1、加载S8采样后的像素阵列点；

S9.2、利用四邻域内的阵列点构建三角面片，从而建立平面网格模型。

其中，利用四个相邻的阵列点构建三角面片的规则为：设定整数a，初始化a为0，设定整数c，c＝a+1；设定整数b，初始化b为0，开始迭代构网，第一个三角面片的三个顶点为V(a,b)、V(a,b+1)、V(c,b)，分别代表位置(a,b)处的阵列点、位置(a,b+1)处的阵列点、位置(c,b)处的阵列点，第二个三角面片的三个顶点为V(a,b+1)、V(c,b+1)、V(c,b)，分别代表位置(a,b+1)处的阵列点、位置(c,b+1)处的阵列点、位置(c,b)处的阵列点；不断迭代，保持整数a不变，改变整数b，b＝b+1，直至第0列和第1列的所有阵列点完成构网；继续迭代，改变整数a，a＝a+1，此时a＝1，算法开始对第1列和第2列的阵列点进行构网，不断改变整数b，直到第1列和第2列的所有阵列点完成构网；改变整数a，a＝a+1，此时a＝2，算法开始对第2列和第3列的阵列点进行构网，不断改变整数b，直到第2列和第3列的所有阵列点完成构网；以此类推，实现平面三角面片的构建，由此形成平面网格模型。

图9给出了四相邻阵列点构建三角面片的示例，将间隔采样到的蓝色像素抽象化为12个红色的阵列点，而后按照S9.2不断迭代构网，a＝0、b＝0时，三角面片①的三个顶点为V(0,0)、V(0,1)、V(1,0)，分别代表位置(0,0)处的阵列点、位置(0,1)处的阵列点、位置(1,0)处的阵列点，三角面片②的三个顶点为V(0,1)、V(1,1)、V(1,0)，分别代表位置(0,1)处的阵列点、位置(1,1)处的阵列点、位置(1,0)处的阵列点；a＝0、b＝1时，三角面片③的三个顶点为V(0,1)、V(0,2)、V(1,1)，分别代表位置(0,1)处的阵列点、位置(0,2)处的阵列点、位置(1,1)处的阵列点，三角面片④的三个顶点为V(0,2)、V(1,2)、V(1,1)，分别代表位置(0,2)处的阵列点、位置(1,2)处的阵列点、位置(1,1)处的阵列点；a＝1、b＝0时，三角面片⑤的三个顶点为V(1,0)、V(1,1)、V(2,0)，三角面片⑥的三个顶点为V(1,1)、V(2,1)、V(2,0)；a＝1、b＝1时，三角面片⑦的三个顶点为V(1,1)、V(1,2)、V(2,1)，三角面片⑧的三个顶点为V(1,2)、V(2,2)、V(2,1)；a＝2、b＝0时，三角面片⑨的三个顶点为V(2,0)、V(2,1)、V(3,0)，三角面片⑩的三个顶点为V(2,1)、V(3,1)、V(3,0)；a＝2、b＝1时，三角面片的三个顶点为V(2,1)、V(2,2)、V(3,1)，三角面片的三个顶点为V(2,2)、V(3,2)、V(3,1)。

具体地，结合图10，S10包括以下步骤：

S10.1、加载S9中平面三角面片顶点的坐标(x_2d,y_2d)，即阵列点的二维坐标；

S10.2、参照S7中空间点云向平面投影的行号计算过程和S8中像素的下采样过程，反算出三角面片顶点在三维笛卡尔坐标系中，与Y轴之间呈现的夹角angle，计算公式满足angle＝y_2d*Δα+270°。

图10给出了一个三角面片顶点反算空间夹角的示例，该示例中，以参考向量Vec_ref＝(0,0,-1)为基准，通过S7中的Δα和S8中的y_2d相乘得出一个角度为120°，在此基础上叠加270°，此时计算的angle为390°，以笛卡尔坐标系的Y轴为基准，angle为30°，即该三角面片顶点的空间夹角为30°。

具体地，结合图11和图12，S11包括以下步骤：

S11.1、构建三维笛卡尔坐标系；

S11.2、建立圆心坐标为(0,0,0)的三维圆的参数方程，对地铁隧道截面进行建模，三维圆的示意图如图11所示；

S11.3、基于三维圆方程，计算出每个三角面片顶点的三维空间坐标(x_3d,y_3d,z_3d)，此时所有的三角面片顶点(阵列点)均位于同一个空间三维圆上，图12给出了该过程的示意图，图中的红色点代表二维三角面片的顶点(阵列点)，每个绿色虚线框内的点为处于同一个三维截面圆的点。

其中，在三维笛卡尔坐标系中，圆心置于(0,0,0)的三维圆的参数方程为：

angle为S10中反算出的空间夹角，代表S4.3中得到的所有分段点云拟合圆半径的平均值，和为三维圆所在平面中一对正交的单位向量， 向量为圆平面的一个单位法向量，其坐标为(1,0,0)，单位向量需人为指定，其不能与单位法向量平行，在本发明实施例中，

其中，根据三维圆方程，每个三角面片顶点的空间坐标的计算公式满足：

V_{1_X}、V_{1_Y}、V_{1_Z}分别为向量在X轴、Y轴、Z轴上的分量，V_{2_X}、V_{2_Y}、V_{2_Z}分别为向量在X轴、Y轴、Z轴上的分量。

具体地，结合图13，S12包括以下步骤：

S12.1、加载隧道的中轴线点集和平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)；

S12.2、定义三角面片顶点的内部距离为dist_tri，dist_tri＝x_2d*Δdist；

S12.3、基于计算得到的dist_tri，搜寻内部距离dist_k与其最接近的中轴线节点位于同一截面圆的面片顶点(阵列点)计算出的dist_tri一致；

S12.4、以中轴线节点和构造方向向量作为三维圆平面的法向量；

S12.5、计算三角面片顶点(阵列点)在隧道中轴线上的垂足Q，垂足Q即为三维截面圆圆心在三维笛卡尔坐标系中实际所处的位置；

S12.6、基于圆心Q和法向量确定了每一个三维截面圆在空间中实际的姿态和位置，从而完成三维截面圆的展开，即所有的三角面片顶点(阵列点)准确分布在各自的三维截面圆上，此时空间三角面片的顶点坐标(x_3d,y_3d,z_3d)可由罗德里格斯公式换为

S12.7、三角面片的顶点(阵列点)随着三维截面圆展开而分布在空间中，空间三角面片仍具有原来的拓扑结构，由此建立了地铁隧道立体网格模型，如图14所示，立体网格模型与真实的地铁隧道在几何特征上保持一致。

其中，中轴线节点的内部距离dist_k计算公式已在S7中给出；在构造方向向量时，将的三维坐标与的三维坐标相减即可得到方向向量的三维坐标。

具体地，S13包括以下步骤：

S13.1、准备图片，为保证纹理的真实性和细节的还原度，使用S7中地铁隧道衬砌平面图像作为纹理图片；

S13.2、加载平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)，在UV坐标系中，计算面片顶点所对应的纹理图片UV坐标；

S13.3、平面三角面片顶点、立体三角面片顶点、纹理坐标相互关联，由此建立起纹理图片与地铁隧道立体网格模型表面点之间的内在联系，从而构建出地铁隧道纹理模型。

其中，UV坐标系的横轴为U轴，纵轴为V轴，原点位于图像左下角，坐标轴范围为[0,1]，UV坐标的计算公式满足：

cols为纹理图像的最大列号，max_dist定义为隧道中轴线点的最大内部距离，rows为纹理图像的最大行号，

图15给出了面片顶点对应的纹理图片UV坐标计算示意图，顶点1对应的UV坐标为顶点2对应的UV坐标为顶点3对应的UV坐标为顶点4对应的UV坐标为顶点5对应的UV坐标为顶点6对应的UV坐标为顶点7对应的UV坐标为 顶点8对应的UV坐标为顶点9对应的UV坐标为顶点10对应的UV坐标为顶点11对应的UV坐标为顶点12对应的UV坐标为

具体地，S14包括以下步骤：

S14.1、采用OBJ格式文件保存地铁隧道立体网格模型；

S14.2、使用MTL格式文件保存纹理信息；

S14.3、MTL文件将OBJ文件和纹理图片相互关联，实现地铁隧道三维纹理模型的快速浏览和保存。

图16展示了本发明实施例中生成的OBJ文件和MTL文件中的部分内容，图16中的左图展示了OBJ文件中的内容，第一行表示使用my_mtl.mtl纹理文件，第二行为注释说明，第三行到第五行为网格顶点的三维空间坐标，第六行到第八行，为网格顶点所对应的纹理图片UV坐标，第九行阐明了使用my_mtl.mtl文件中的my_mtl纹理组，第十行到第十二行表示三角面片的顶点索引/纹理坐标索引。图16中的右图展示了MTL文件中的内容，第一行表示在纹理文件中新建一个名称为my_mtl的纹理组，第二行为环境反射颜色，使用r＝1，g＝1，b＝1的颜色值作为环境光，第三行为漫反射颜色值，同样使用r＝1，g＝1，b＝1的颜色值，第四行为透明度，本实施例取1，表示不透明，第五行为反射指数，本实施例取0，第六行为照明度，本实施例取1，第七行表示纹理图片的使用路径，本实施例保存和调用的纹理图片名称为imgIntensity.png。

加载OBJ文件和MTL文件，可直观浏览地铁隧道三维纹理模型，图17展示了隧道纹理模型的整体和局部外表面，图18展示了隧道纹理模型的内部整体状态。在本发明实施例中，使用CloudCompare软件进行地铁隧道三维模型的实例漫游，检测地铁隧道的内部安全状态，模型的部分细节如图19所示。

本发明实施例中，在地铁隧道现场采集到的激光点云数据大小为26.1GB，生成的隧道衬砌平面图像大小为55.8MB，生成的三维模型大小仅为102KB(OBJ文件101KB，MTL文件1KB)。相较于规模庞大的点云模型，本发明所构建的三维模型极其轻量化，可实现便捷式存储和快速浏览，提升地铁隧道的数字化管理水平。相较于衬砌平面图像，本发明所构建的三维模型可以更好地实现隧道结构的沉浸式、立体式浏览和细节展示，更好地服务于城市地铁安全运营。

Claims (10)

1.一种基于激光点云的地铁隧道三维建模方法，其特征在于，包括：

S1、架站式激光扫描仪在地铁隧道现场采集点云数据；

S2、分站点云进行人工拼接与手动初步去噪；

S3、架站式激光扫描仪的轨迹提取与点云自动分段；

S4、分段点云进行圆拟合与自动化精细去噪；

S5、基于距离-强度模型校正点云的扫描强度值；

S6、提取地铁隧道的中轴线并对中轴线进行平滑处理；

S7、立体式点云形成地铁隧道衬砌平面图像；

S8、提取地铁隧道衬砌平面图像的像素阵列点；

S9、依托图像阵列点构建三角面片形成平面网格模型；

S10、平面网格模型的三角面片顶点的空间角度反算；

S11、基于三维圆的参数方程对地铁隧道截面进行建模；

S12、地铁隧道三维截面展开形成立体网格模型；

S13、利用纹理映射技术实现地铁隧道纹理模型构建；

S14、OBJ文件和MTL文件生成实现地铁隧道三维模型的保存。

2.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S3步骤进一步包括以下步骤：

S3.1、导入激光扫描仪架站J_i(i＝1,...,n)的空间坐标(X_i,Y_i,Z_i)，基于公式计算相邻两架站间的距离D(J_i,J_i+1)；

S3.2、基于公式计算激光扫描仪的平均架站间距

S3.3、以激光扫描仪初始的两个架站J₁和J₂确定一个延伸方向，以固定倍的平均架站间距作为延伸距离，得到一个新的起始位置；以激光扫描仪最后两个架站J_n和J_n-1确定一个延伸方向，仍以同倍的平均架站间距作为延伸距离，得到一个新的终止位置；

S3.4、设置点云自动分段距离阈值，以该阈值为采样步长，以激光扫描仪架站J_i的位置(X_i,Y_i,Z_i)和更新后的起止位置作为控制点，进行上采样，得到密集的激光扫描仪的轨迹点；

S3.5、基于密集的激光扫描仪轨迹点，建立KD-Tree，而后搜索每个隧道点云最近的轨迹点，最近轨迹点相同的隧道点云属于同一分段点云，同一分段点云保存在同一个txt格式的文件中，遍历所有的隧道点云，实现点云自动分段。

3.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S4步骤进一步包括以下步骤：

S4.1、加载和读取分段点云txt文件，每个点云P有四个变量(X_P,Y_P,Z_P,I_P)，前三个变量为点云的空间坐标，第四个变量为点云的扫描强度；

S4.2、基于RANSAC算法，利用点云的空间坐标数据拟合圆模型M_circle,保存圆模型的圆心C_circle的三维坐标(X_circle,Y_circle,Z_circle)、圆半径R_circle的大小、圆的单位法向量

S4.3、重复S4.1和S4.2，直至完成所有分段点云的处理，保存每个分段点云提取的圆模型几何参数；

S4.4、再次加载和读取分段点云txt文件，对分段点云中的每个点云P，提取点云P与拟合圆的圆心C_circle相连产生的向量而后利用公式 计算点云P到隧道中央的距离D_P；

S4.5、基于公式E_P＝|D_P-R_circle|计算每个点云P的差值E_P，而后设置差值阈值T_up和T_down；

S4.6、判断隧道点云的位置，若Z_P≥0，则点云P为隧道的上部点云，若Z_P<0，则点云P为隧道的下部点云；

S4.7、针对隧道的上部点云，若E_P≤T_up，则保留该点云，否则删除该点云，针对隧道的下部点云，若E_P≤T_down，则保留该点云，否则删除该点云；

S4.8、重复S4.4-S4.7，直至完成所有分段点云的自动精细去噪，滤除地铁隧道内部的轨道以及接触网等噪点。

4.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S5步骤进一步包括以下步骤：

S5.1、加载完整的地铁隧道点云数据，搜寻各个隧道点云的最近的激光扫描仪架站位置，计算点云到其最近的架站中心的距离，则每个点云P具有了五个变量(X_P,Y_P,Z_P,I_P,L_P)，前三个变量仍为点云的空间坐标，第四个变量为点云的扫描强度，第五个变量为点云的距离值；

S5.2、对所有点云的距离值进行排序，间隔对点云进行采样和划分，得到一系列点云子集{F_i|i＝1,…,n}，其中n代表子集的数目；

S5.3、对每一个点云子集F_i提取一个点云样本，该点云样本仅包含两个变量，即距离L_P和扫描强度I_P,，其中距离值取该点云子集中所有点云的距离的中值，强度值取该点云子集中所有点云的强度的中值；

S5.4、重复S5.3，直至每个点云子集都提取出了代表性样本，从而形成点云距离-强度数据集，继而基于三次多项式拟合出地铁隧道点云的距离-强度关系；

S5.5、基于差值法进行隧道点云的强度校正，校正后的隧道点云包含4个变量，即(X_P,Y_P,Z_P,I_P-new)，其中I_P-new为校正后的强度值；

其中，隧道点云P到其最近的架站扫描中心的距离L_P满足计算公式：

为隧道点云P到其最近的架站点J_i的向量；为相邻两个激光扫描仪架站形成的方向向量，j＝i+1；

其中，差值法进行点云强度校正的公式满足：

I_P-new＝I_P+f(L₀)-f(L_P)

I_P-new为校正后的地铁隧道点云强度，I_P为地铁隧道点云的原始强度，f(L)表示S5.4得到的强度-距离关系三次多项式，L₀代表预先设定的参考距离。

5.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S6步骤进一步包括以下步骤：

S6.1、加载S4.3得到的所有分段点云的圆模型的圆心C_circle，构建有序的隧道中轴线点集{AX_i|i＝1,…,n}，AX_i为中轴线点，其包含三个变量，即三维坐标(X_circle,Y_circle,Z_circle)；

S6.2、提取每个中轴线点AX_i的三维坐标，基于三次多项式，拟合空间曲线；

S6.3、依据拟合得到的空间曲线方程，以AX_i的X轴坐标X_circle为输入，解算出Y轴坐标Y_circle-new和Z轴坐标Z_circle-new，(X_circle,Y_circle-new,Z_circle-new)则为校正后的隧道中轴线点的三维坐标；

S6.4、利用校正后的隧道中轴线点，构建新的有序点集作为最终的地铁隧道中轴线点集。

6.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S7步骤进一步包括以下步骤：

S7.1、加载完整的地铁隧道点云数据，以最终的隧道中轴线点作为投影基准，设定像素分辨率值Δdist，计算每个点云P在隧道衬砌平面图像中的列号col_P；

S7.2、基于极坐标展开的方式，计算点云与参考方向向量间的角度，从而确定点云在平面图像中的行号row_P；

S7.3、依据S7.1和S7.2计算出的点云行号和列号，将隧道点云由立体空间投影至平面，而后将平面点云网格化，以投影至同一像素格网的所有点云的强度I_P-new的平均值作为像素灰度值，生成地铁隧道衬砌平面图像；

其中，点云P在隧道衬砌平面图像中的列号满足计算公式：

min_dist定义为点云的最小内部距离，取0；dist_p定义为隧道点云的内部距离，其计算过程为：基于最近邻算法获取距离隧道点云P最近的两个隧道中轴线点和基于公式之间，判定P与和的位置关系，如果P在左侧，则 如果P在右侧，则如果P在和之间，则上述dist_k定义为中轴线点的内部距离，其计算公式为上述dist_k+1定义为中轴线点的内部距离，其计算公式为 为两相邻的隧道中轴线点间的欧式距离，表示点云P在向量上的垂足P_⊥和间的欧式距离，表示P_⊥和间的欧式距离；

其中，点云P在隧道衬砌平面图像中的行号满足计算公式：

α_P为点云P与垂足P_⊥构成的向量和参考方向向量Vec_ref间的夹角， Vec_ref＝(0,0,-1)，Δα是平面图像分辨率对应的角度分辨率， 表示S4.3得到的所有拟合圆的半径均值，满足公式

其中，地铁隧道点云的强度值转换为平面图像的像素值的具体流程为：确定所有点云的强度值的最大值I_max和最小值I_min；依据公式 将每个点云的强度值映射至区间[0,255]；依据设定的像素分辨率值Δdist将投影至平面的点云网格化，此时每个点云具有三个变量(col_P,row_P,I_P-trans)；基于公式计算该像素格网内点云强度的平均值，以此作为像素值；计算得到每个像素的像素值，从而生成地铁隧道衬砌平面图像。

7.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S8步骤进一步包括以下步骤：

S8.1、确定隧道平面图像的像素采样间隔阈值，包括距离采样间隔阈值d_sample和角度采样间隔阈值θ_sample；

S8.2、基于S7.1中设置的平面图像像素分辨率Δdist和S7.2中的角度分辨率Δα计算平面图像的采样大小row_sample和col_sample；

S8.3、根据采样大小(col_sample,row_sample)获取用于后续三角面片构建的像素，实现平面图像像素的下采样，将采样到的像素定义为阵列点，像素阵列点的二维坐标为(x_2d,y_2d)；

其中，采样大小row_sample和col_sample满足计算公式：

其中，经下采样操作提取的像素的二维坐标具体为：

8.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S9步骤进一步包括以下步骤：

S9.1、加载S8采样后的像素阵列点；

S9.2、利用四邻域内的阵列点构建三角面片，从而建立平面网格模型；

其中，利用四个相邻的阵列点构建三角面片的规则为：设定整数a，初始化a为0，设定整数c，c＝a+1；设定整数b，初始化b为0，开始迭代构网，第一个三角面片的三个顶点为V(a,b)、V(a,b+1)、V(c,b)，分别代表位置(a,b)处的阵列点、位置(a,b+1)处的阵列点、位置(c,b)处的阵列点，第二个三角面片的三个顶点为V(a,b+1)、V(c,b+1)、V(c,b)，分别代表位置(a,b+1)处的阵列点、位置(c,b+1)处的阵列点、位置(c,b)处的阵列点；不断迭代，保持整数a不变，改变整数b，b＝b+1，直至第0列和第1列的所有阵列点完成构网；继续迭代，改变整数a，a＝a+1，此时a＝1，算法开始对第1列和第2列的阵列点进行构网，不断改变整数b，直到第1列和第2列的所有阵列点完成构网；改变整数a，a＝a+1，此时a＝2，算法开始对第2列和第3列的阵列点进行构网，不断改变整数b，直到第2列和第3列的所有阵列点完成构网；以此类推，实现平面三角面片的构建，由此形成平面网格模型。

9.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S10步骤进一步包括以下步骤：

S10.1、加载S9中平面三角面片顶点的坐标(x_2d,y_2d)，即阵列点的二维坐标；

S10.2、参照S7中空间点云向平面投影的行号计算过程和S8中像素的下采样过程，反算出三角面片顶点在三维笛卡尔坐标系中，与Y轴之间呈现的夹角angle，计算公式满足angle＝y_2d*Δα+270°。

10.根据权利要求1所述的一种基于激光点云的地铁隧道三维建模方法，其特征在于，所述的S11步骤进一步包括以下步骤：

S11.1、构建三维笛卡尔坐标系；

S11.2、建立圆心坐标为(0,0,0)的三维圆的参数方程，对地铁隧道截面进行建模；

S11.3、基于三维圆方程，计算出每个三角面片顶点的三维空间坐标(x_3d,y_3d,z_3d)，此时所有的三角面片顶点(阵列点)均位于同一个空间三维圆上。

其中，在三维笛卡尔坐标系中，圆心置于(0,0,0)的三维圆的参数方程为：

angle为S10中反算出的空间夹角，代表S4.3中得到的所有分段点云拟合圆半径的平均值，和为三维圆所在平面中一对正交的单位向量， 向量为圆平面的一个单位法向量，其坐标为(1,0,0)，单位向量需人为指定，其不能与单位法向量平行；

其中，根据三维圆方程，每个三角面片顶点的空间坐标的计算公式满足：

V_{1_X}、V_{1_Y}、V_{1_Z}分别为向量在X轴、Y轴、Z轴上的分量，V_{2_X}、V_{2_Y}、V_{2_Z}分别为向量在X轴、Y轴、Z轴上的分量；

所述的S12步骤进一步包括以下步骤：

S12.1、加载隧道的中轴线点集和平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)；

S12.2、定义三角面片顶点的内部距离为dist_tri，dist_tri＝x_2d*Δdist；

S12.3、基于计算得到的dist_tri，搜寻内部距离dist_k与其最接近的中轴线节点位于同一截面圆的面片顶点(阵列点)计算出的dist_tri一致；

S12.4、以中轴线节点和构造方向向量作为三维圆平面的法向量；

S12.5、计算三角面片顶点(阵列点)在隧道中轴线上的垂足Q，垂足Q即为三维截面圆圆心在三维笛卡尔坐标系中实际所处的位置；

S12.6、基于圆心Q和法向量确定了每一个三维截面圆在空间中实际的姿态和位置，从而完成三维截面圆的展开，即所有的三角面片顶点(阵列点)准确分布在各自的三维截面圆上，此时空间三角面片的顶点坐标(x_3d,y_3d,z_3d)可由罗德里格斯公式换为

S12.7、三角面片的顶点(阵列点)随着三维截面圆展开而分布在空间中，空间三角面片仍具有原来的拓扑结构，由此建立了地铁隧道立体网格模型。

其中，中轴线节点的内部距离dist_k计算公式已在S7中给出；在构造方向向量时，将的三维坐标与的三维坐标相减即可得到方向向量的三维坐标；

所述的S13步骤进一步包括以下步骤：

S13.1、准备图片，为保证纹理的真实性和细节的还原度，使用S7中地铁隧道衬砌平面图像作为纹理图片；

S13.2、加载平面三角面片顶点(阵列点)的坐标(x_2d,y_2d)，在UV坐标系中，计算面片顶点所对应的纹理图片UV坐标；

S13.3、平面三角面片顶点、立体三角面片顶点、纹理坐标相互关联，由此建立起纹理图片与地铁隧道立体网格模型表面点之间的内在联系，从而构建出地铁隧道纹理模型。

其中，UV坐标系的横轴为U轴，纵轴为V轴，原点位于图像左下角，坐标轴范围为[0,1]，UV坐标的计算公式满足：

cols为纹理图像的最大列号，max_dist定义为隧道中轴线点的最大内部距离，rows为纹理图像的最大行号，