一种基于点云密度梯度的孔洞识别方法技术

本发明专利技术公开一种基于点云密度梯度的孔洞识别方法，先通过构建点云密度的基础空间，再计算各点的点云密度，然后计算孔洞边缘点所在的点云密度区间，接着通过寻找该密度区间内的点实现孔洞的识别和提取，最后通过聚类算法分离出各个孔洞。本发明专利技术方法操作简单，且基于基础空间、点云密度、点云密度区间以及聚类算法的结合，能快速且准确地实现孔洞的识别，可以为钢结构孔群检测提供重要的技术支撑；在此基础上，采用本发明专利技术方法可直接获得孔洞的具体参数（如孔的数量、周长、面积、几何中心等）。几何中心等）。几何中心等）。

【技术实现步骤摘要】
一种基于点云密度梯度的孔洞识别方法


[0001]本专利技术涉及点云数据处理
，特别是涉及一种基于点云密度梯度的孔洞识别方法。

技术介绍

[0002]在对构件进行扫描过程中，由于构件本身损坏或者视线遮挡等原因，不可避免地会出现点云数据不完整（如存在孔洞）的情况，这将直接影响点云的后续处理效果，所以必须对点云进行前期处理。有时需要对构件上的螺栓孔进行扫描，然后对螺栓孔的孔径和位置进行检测，以判断构件加工是否合格。这两种情况下的孔洞都需要对其进行特殊处理（如修补、检测等），对这些孔洞的准确识别是后续处理的关键。
[0003]现有的孔洞提取方法主要可以分为两大类：一类是先将散乱点云进行三角化得到三角网格模型，然后根据网格模型相关特点提取；另一类是直接从散乱点云中提取。基于三角网格模型的孔洞提取算法的主要思想是先对散乱点云进行三角化剖分，得到该点云模型的三角网格，以三角网格的形式表示空间散乱点与点之间的拓补关系，在三角网格的基础上采用相关算法提取得到点云的边界。基于散乱点云的孔洞提取算法主要是根据局部参考点集中相邻向量之间最大夹角的方法提取散乱点云的边界点。根据采样点及其K邻域点拟合微切平面，并将其向微切平面投影，构建由采样点到其K邻域向量，并通过相邻向量之间最大夹角的方法来提取孔洞特征点。基于三角网格模型的孔洞提取算法，能有效提取出点云的边界，其优点是精度比较高，但对于海量点云建立三角网格的过程比较复杂，耗时较多，增加了孔洞提取的难度。基于散乱点云的孔洞提取算法，算法复杂度高，增加了大量复杂计算，且对凹形孔洞识别效果较差。
[0004]因此，设计一种快速实现孔洞识别的方法具有重要意义。

技术实现思路

[0005]本专利技术提供一种基于点云密度梯度的孔洞识别方法，具体包括以下步骤：步骤一、获取构件的点云数据；步骤二、对构件点云数据姿态进行调整；步骤三、构建点云密度测量的基础空间的大小；步骤四、计算各点的点云密度；对点云密度进行分组，统计各组内的点数，记录点数最多的密度组；步骤五、进行孔洞识别，具体是：步骤5.1、计算孔洞边缘点所在的点云密度区间；步骤5.2、判断第i点的点云密度是否在点云密度区间内，若是，则认为该点为孔洞边缘点，存入数组内，进入下一步；若否，进入下一步；i为大于等于1且小于点云总数的自然数；步骤5.3、取i=i+1，返回步骤5.2；步骤六、通过点云聚类算法对识别出的孔洞进行分离，得到每一个孔洞的边缘点集合，
进而获得每个孔洞的参数。
[0006]以上技术方案中优选的，所述步骤一具体是：使用三维激光扫描仪对构件的表面进行扫描，获取原始坐标的点云数据；将点云数据进行滤波、去噪、配准和剪切，得到目标点云数据。
[0007]以上技术方案中优选的，所述步骤二对构件点云数据姿态进行平移和/或旋转。
[0008]以上技术方案中优选的，所述平移具体是：计算点云数据的重心坐标，将点云数据中的每一个点都减去重心坐标，即将点云数据的重心移动到坐标原点。
[0009]以上技术方案中优选的，所述旋转具体是：计算点云数据的孔洞所在面的局部法向量，根据法向量构建旋转矩阵对点云数据进行旋转。
[0010]以上技术方案中优选的，根据法向量构建旋转矩阵为表达式1）：
ꢀꢀꢀꢀꢀ
1）；其中：R为总旋转矩阵；分别为x轴、y轴、z轴的旋转矩阵；分别为绕x轴、y轴、z轴的旋转角，；为局部法向量沿x轴、y轴、z轴的分量。
[0011]以上技术方案中优选的，所述步骤三中基础空间的大小小于孔洞的最小曲率半径的2倍；所述基础空间为二维的矩形、二维的圆形、三维的长方体或三维的球体。
[0012]以上技术方案中优选的，计算各点的点云密度具体是：点云密度以该点为中心的基础空间内所含点云数量表示；采用表达式2）对点云密度进行分组：
ꢀꢀꢀꢀꢀ
2）；其中：N为分组数量，d为组间距，为点云密度的最大值和最小值。
[0013]以上技术方案中优选的，所述步骤5.1中点云密度区间的计算具体是：以孔洞边缘点为基础空间的中心，非孔洞空间所占基础空间的比例范围为（Rmin，Rmax），用该比例乘以步骤四所得密度组即得孔洞边缘点所在点云密度区间（r1，r2）。
[0014]以上技术方案中优选的，所述步骤六中获得每个孔洞的参数具体是：孔洞的周长L采用表达式3）计算：
ꢀꢀ
3）；其中：为第i个孔洞边缘点的坐标，k为单个孔洞边缘点的数量；孔洞的面积A采用表达式4）计算：
ꢀꢀꢀꢀ
4）；孔洞的几何中心C采用表达式5）计算：
ꢀꢀꢀꢀ
5）。
[0015]本实施例孔洞的周长和孔洞的面积计算时，孔洞边缘点首尾相接。
[0016]应用本专利技术的方法，具体是：先通过构建点云密度的基础空间，再计算各点的点云密度，然后计算孔洞边缘点所在的点云密度区间，接着通过寻找该密度区间内的点实现孔洞的识别和提取，最后通过聚类算法分离出各个孔洞。本专利技术方法操作简单，且基于基础空间、点云密度、点云密度区间以及聚类算法的结合，能快速且准确地实现孔洞的识别，可以为钢结构孔群检测提供重要的技术支撑。在此基础上，采用本专利技术方法可直接获得孔洞的具体参数（如孔的数量、周长、面积、几何中心等）。
附图说明
[0017]图1为实施例中带螺栓孔构件的原始点云分布图；图2为实施例中姿态调整后的构件点云分布图；图3为孔洞识别后的整体点云图；图4为图3将各孔洞分离后的点云图。
具体实施方式
[0018]下面结合附图对本专利技术的实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0019]实施例：一种基于点云密度梯度的孔洞识别方法，本实施例的对象为钢结构桥梁栓接板，具体包括以下步骤：第一步、使用三维激光扫描仪对该栓接板表面进行扫描，获取原始坐标的点云数据（即获取原始点云坐标*.xyz文件），可视化结果如图1所示；将点云数据进行滤波、去噪、配准和剪切（参见现有技术），得到目标点云数据。
[0020]第二步、对目标点云数据进行姿态调整，具体是进行平移和旋转，调整后的详见图2；本实施例中所述平移具体是：计算点云数据的重心坐标，将点云数据中的每一个点都减去重心坐标，即将点云数据的重心移动到坐标原点。
[0021]本实施例中所述旋转具体是：计算点云数据的孔洞所在面的局部法向量，根据法向量构建旋转矩阵对点云数据进行旋转，此处优选根据法向量构建旋转矩阵为表达式1）：
ꢀꢀꢀꢀꢀ
1）；其中：R为总旋转矩阵；分别为x轴、y轴、z轴的旋转矩阵；分别为绕x轴、y轴、z轴的旋转角，；
为局部法向量沿x轴、y轴、z轴的分量。
[0022]第三步、构建点云密度测量的基础空间S的大小，本实施例中基础空间的大小小于孔洞的最小曲率半径的2倍；所述基础空间为二维的矩形、二维的圆形、三维的长方体或三维的球体（此处为球体，S的半径为14mm）；第四步、计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云密度梯度的孔洞识别方法，其特征在于，包括以下步骤：步骤一、获取构件的点云数据；步骤二、对构件点云数据姿态进行调整；步骤三、构建点云密度测量的基础空间的大小；步骤四、计算各点的点云密度；对点云密度进行分组，统计各组内的点数，记录点数最多的密度组；步骤五、进行孔洞识别，具体是：步骤5.1、计算孔洞边缘点所在的点云密度区间；步骤5.2、判断第i点的点云密度是否在点云密度区间内，若是，则认为该点为孔洞边缘点，存入数组内，进入下一步；若否，进入下一步；i为大于等于1且小于等于点云总数的自然数；步骤5.3、取i=i+1，返回步骤5.2；步骤六、通过点云聚类算法对识别出的孔洞进行分离，得到每一个孔洞的边缘点集合，进而获得每个孔洞的参数。2.根据权利要求1所述的基于点云密度梯度的孔洞识别方法，其特征在于，所述步骤一具体是：使用三维激光扫描仪对构件的表面进行扫描，获取原始坐标的点云数据；将点云数据进行滤波、去噪、配准和剪切，得到目标点云数据。3.根据权利要求1所述的基于点云密度梯度的孔洞识别方法，其特征在于，所述步骤二对构件点云数据姿态进行平移和/或旋转。4.根据权利要求3所述的基于点云密度梯度的孔洞识别方法，其特征在于，所述平移具体是：计算点云数据的重心坐标，将点云数据中的每一个点都减去重心坐标，即将点云数据的重心移动到坐标原点。5.根据权利要求3所述的基于点云密度梯度的孔洞识别方法，其特征在于，所述旋转具体是：计算点云数据的孔洞所在面的局部法向量，根据法向量构建旋转矩阵对点云数据进行旋转。6.根据权利要求5所述的基于点云密度梯度的孔洞识...

【专利技术属性】
技术研发人员：吴勇生，梁晓东，杨承昆，周俊华，文言，刘盼盼，
申请(专利权)人：湖南联智科技股份有限公司，
类型：发明
国别省市：