【技术实现步骤摘要】
本专利技术涉及粮仓点云图形相似度识别的，尤其是涉及一种粮仓点云图形相似度自动识别算法。
技术介绍
1、激光雷达三维扫描技术作为一种高新技术，凭借海量的点云数据能够快速获取被扫描物体的形貌，已经在测绘、林业、气象、交通、考古等领域得到了广泛应用。近年来，利用激光雷达进行粮仓内粮堆体积检测的技术逐渐成熟。实际应用中，激光雷达扫描的粮仓点云图形受雷达安装姿态的影响会发生倾斜、变形失真。为了准确计算粮堆体积，需要对扫描的原始点云图形进行修正，让点云图形与实际仓房基本保持一致。设备在使用过程姿态也可能发生变化，严重时导致设备检测精度大幅降低。人工方式对点云图形修正耗时费力且无法实时修正，为了应对设备姿态变化的情况，需要对点云图形进行自动修正。
2、粮仓点云图形人工修正主要依靠人眼将点云图形与实际仓房进行比对，让两者基本吻合。自动修正也需要完成类似的比对过程，为了实现比对，需要将待修正的点云图形(实验组)与事先人工修正好的点云图形(对照组)进行比对，让两幅点云图形基本一致。欲实现点云图形自动修正，点云图形相似度判断是重要的基础。
3、随着激光雷达的推广应用，各种点云算法应运而生，如点云滤波、配准、特征提取、聚类分析、三维重建、体积计算等，然而目前，针对两幅点云图形相似度自动识别的算法很少见，特别是在粮仓应用场景中，特别针对粮仓点云图形相似度算法更是稀少，难以应对在粮仓内扫描设备姿态变化产生的不利情况，为此，专利技术一种适用于粮仓的点云图形相似度自动识别算法是十分必要的。
技术实现思路>
1、根据现有技术存在的不足，本专利技术的目的是提供一种粮仓点云图形相似度自动识别算法，具有对粮仓点云图形相似度自动判断，为粮仓点云图形自动修正奠定了良好的基础，以应对激光雷达设备姿态变化情况的效果。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、一种粮仓点云图形相似度自动识别算法，该算法首次运行时包括以下步骤：
4、s1、通过激光雷达设备连续采集粮仓两组点云数据，分为参照组和实验组；
5、s2、人工修整参照组点云图形作为对比模板；
6、s3、实验组点云数据的读取与预处理；
7、s4、提取目标测点群，选取仓壁或仓顶测点作为目标测点群；
8、s5、计算目标测点群特征值；
9、s6、比较参照组和实验组的特征值；
10、s7、判断相似度结果。
11、本专利技术在一较佳示例中可以进一步配置为：在非首次运行该算法时，步骤s1和步骤s2可以替换为：
12、通过激光雷达设备采集粮仓实验组点云数据。
13、本专利技术在一较佳示例中可以进一步配置为：该算法适用的粮仓包括筒仓和平房仓。
14、本专利技术在一较佳示例中可以进一步配置为：所述步骤s3中，对于筒仓，通过平移让筒仓点云图形的中心竖轴与坐标系竖直坐标轴重合。
15、本专利技术在一较佳示例中可以进一步配置为：所述步骤s3中，对于平房仓，通过旋转使得平房仓点云图形中纵墙沿水平方向，横墙沿竖直方向，再通过平移让仓房点云图形左下角点位于坐标系原点上。
16、本专利技术在一较佳示例中可以进一步配置为：所述步骤s4中，对于筒仓，目标测点群的判断条件如下：
17、a)提取仓壁测点作为目标测点群：
18、
19、其中，x、y为测点的横坐标和纵坐标，r为仓房的半径，δr为偏差容许值；
20、b)提取仓顶带状区域测点作为目标测点群，仓顶带状区域是以仓房中心为圆心的环带：
21、
22、其中，x,y为测点的横坐标和纵坐标，rin、rout分别为环带内径和外径。
23、本专利技术在一较佳示例中可以进一步配置为：所述步骤s4中，对于平房仓，目标测点群的判断条件如下：
24、a)提取仓壁测点作为目标测点群，将平房仓的四面墙体分别定义为左横墙、右横墙、上纵墙和下纵墙，每面墙测点基本上沿一条直线分布，直线的方程分别如下：
25、x＝0，x＝l，y＝w，y＝0
26、其中，x为横坐标，y为纵坐标，l为仓房长度，w为仓房宽度；
27、左横墙、右横墙、上纵墙和下纵墙测点的判断条件分别如下：
28、-δs<x<δs
29、l-δs<x<l+δs
30、-δs<y<δs
31、w-δs<x<w+δs
32、其中，δs为偏差容许值；
33、b)提取仓顶带状区域作为目标测点群，仓顶带状区域是平行于纵墙的条带：
34、a-δs<y<a+δs
35、其中，a为条带距离仓房纵墙平面的距离。
36、本专利技术在一较佳示例中可以进一步配置为：所述步骤s5中：
37、对于筒仓，仓壁测点群特征值包括测点到仓房中心线距离的均值和标准差，仓顶测点群特征值包括测点高度的均值和标准差；
38、对于平房仓，仓壁测点群特征值包括测点横坐标或纵坐标的均值和标准差，仓顶测点群特征值包括测点高度的均值和标准差；
39、均值和方差计算公式如下：
40、
41、
42、其中，μ为均值，σ为标准差，n为测点数量，pi为第i个测点的参数值，代表距离或坐标。
43、本专利技术在一较佳示例中可以进一步配置为：所述步骤s6中，先将实验组与对照组点云图形目标测点群的均值进行比较，当均值差值不小于阈值时，比较结束；当均值差值小于阈值时，再对标准差进行比较，当标准差误差率小于阈值时，比较结束；如下式所示：
44、|μ-μ0|<δμ
45、ε＝(σ-σ0)/σ0
46、|ε|<δσ
47、其中，μ0和σ0分别为参照组目标测点群的均值和标准差，μ和σ分别为试验组目标测点群的均值和标准差，δμ和δσ分别为均值差值和标准差误差率的阈值，ε为标准差偏差率。
48、本专利技术在一较佳示例中可以进一步配置为：当所述对照组与实验组的点云图形特征值同时满足|μ-μ0|<δμ和|ε|<δσ时，判断点云图形相似，否则判断点云图形不相似。
49、综上所述，本专利技术包括以下至少一种有益技术效果：
50、1.本专利技术对粮仓点云图形相似度自动判断，为粮仓点云图形自动修正奠定了良好的基础，以应对激光雷达设备姿态变化情况，且对粮仓的针对性较强，同时选取仓壁测点或仓顶测点特征进行点云图形相似度判断，几乎不受粮堆高度变化的影响，适用范围较大；
51、2.本专利技术方法思路简洁，算法的复杂度低，易于编程实现，便捷高效、准确可靠，可替代人眼识别，省时省力；
52、3.本专利技术建立的点云图形相似度判断条件利用目标测点群距离或高度的均值和标准差作为特征参数，利用统计学规律消除了点云中本文档来自技高网...
【技术保护点】
1.一种粮仓点云图形相似度自动识别算法，其特征在于：该算法首次运行时包括以下步骤：
2.根据权利要求1所述的一种粮仓点云图形相似度自动识别算法，其特征在于：在非首次运行该算法时，步骤S1和步骤S2可以替换为：
3.根据权利要求1所述的一种粮仓点云图形相似度自动识别算法，其特征在于：该算法适用的粮仓包括筒仓和平房仓。
4.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S3中，对于筒仓，通过平移让筒仓点云图形的中心竖轴与坐标系竖直坐标轴重合。
5.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S3中，对于平房仓，通过旋转使得平房仓点云图形中纵墙沿水平方向，横墙沿竖直方向，再通过平移让仓房点云图形左下角点位于坐标系原点上。
6.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S4中，对于筒仓，目标测点群的判断条件如下：
7.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S4中，对于平房仓，目标测点群
8.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S5中：
9.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤S6中，先将实验组与对照组点云图形目标测点群的均值进行比较，当均值差值不小于阈值时，比较结束；当均值差值小于阈值时，再对标准差进行比较，当标准差误差率小于阈值时，比较结束；如下式所示：
10.根据权利要求9所述的一种粮仓点云图形相似度自动识别算法，其特征在于：当所述对照组与实验组的点云图形特征值同时满足|μ-μ0|<δμ和|ε|<δσ时，判断点云图形相似，否则判断点云图形不相似。
...【技术特征摘要】
1.一种粮仓点云图形相似度自动识别算法，其特征在于：该算法首次运行时包括以下步骤：
2.根据权利要求1所述的一种粮仓点云图形相似度自动识别算法，其特征在于：在非首次运行该算法时，步骤s1和步骤s2可以替换为：
3.根据权利要求1所述的一种粮仓点云图形相似度自动识别算法，其特征在于：该算法适用的粮仓包括筒仓和平房仓。
4.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤s3中，对于筒仓，通过平移让筒仓点云图形的中心竖轴与坐标系竖直坐标轴重合。
5.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，其特征在于：所述步骤s3中，对于平房仓，通过旋转使得平房仓点云图形中纵墙沿水平方向，横墙沿竖直方向，再通过平移让仓房点云图形左下角点位于坐标系原点上。
6.根据权利要求3所述的一种粮仓点云图形相似度自动识别算法，...
【专利技术属性】
技术研发人员：许启铿，揣君，王录民，袁庆利，王有安，刘永超，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。