CN115439839B 基于点云数据的多类型结构面分层识别方法（三峡大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN115439839B(65)同一申请的已公布的文献号号US2020043186A1,2020.0(74)专利代理机构宜昌市三峡专利事务所法本发明提供了基于点云数据的多类型结构面分层识别方法，步骤1:对岸坡岩体进行三维激光扫描，获取观测处待处理的岸坡岩体点云空间坐标信息；步骤2:基于KDtree邻近搜索完成原始数据体素下采样，得到初步处理点云；步骤3:使用随机霍夫变换空间计算初级处理点云数据法向量，采用PCA主成分分析计算对应的曲率特征得到次级处理点云；步骤4:以法向量差值和曲率阈值作为限制条件，用区域生长算法对次级处理机着色，得到层理断层类结构面识别结果；步骤5:对初级处理点云采用马尔科夫随机场点领域特征预测法来计算表面特征，采用HSV云数据法向量，采用PCA法计算对应的曲分，获得节理裂隙类结构面识别结果21.基于点云数据的多类型结构面分层识别方法，包括以下步骤：步骤1:对岸坡岩体进行三维激光扫描，获取观测处待处理的岸坡岩体点云空间坐标信步骤2:基于KDtree邻近搜索完成原始数据体素下采样，得到初步处理点云；步骤3:使用随机霍夫变换空间计算初级处理点云数据法向量，采用PCA主成分分析计算对应的曲率特征得到次级处理点云；步骤4:以法向量差值和曲率阈值作为限制条件，用区域生长算法对次级处理点云进行步骤5:对初级处理点云采用马尔科夫随机场点领域特征预测法来计算表面特征，采用所述步骤2的具体处理过程为：步骤2.1:对原始点云数据建立KDtree树形数据结构，统计原始点云总数N,并设置点云空间在x,y,z上的长度分别为L,Ly,L₂;步骤2.2:找出点云最小间距imin,以最小距离为单位长度，将点云空间分为n=1×w×h个小立方体，设置初始单位立方体大小I=L×imin,w=L,×imin,h=L₂×imin;步骤2.3:计算每个非空体素质心点为P建下采样数据点集P;步骤2.4:采用KDtree遍历质心点Peentroid,并设置K=1进行以Peerntroida为步骤2.5:判断经测试10万点在数据下采样超过后会出现局部特征丢失的情况，须根据实际数据量大小，细节详细情况进行调整判断；所述步骤3的具体处理过程为：步骤3.1:进行随机霍夫变换空间计算点云数据法向量，构成法向量数集；步骤3.2:使用PCA主成分分析计算曲率特征，该曲率并非数学意义上曲率，而是基于曲面变分的思想来近似曲率信息，是求解数据构成的协方差矩阵的特征值，具体过程为：步骤3.2.1:根据KDtree数据结构，设置搜索步骤3.2.2:围绕P邻域K构建空间点坐标数据集P;步骤3.2.3:计算该数据集P的协方差矩阵，构建协方差张量；步骤3.2.4:依据协方差张量计算特征值并排序λ₁≥λ2i≥λ₃≥0;步骤3.2.5:计算P;表面曲率：步骤3.2.6:循环步骤3.2.2~步骤3.2.4,计算所有点曲率特征，构成曲率数集。2.根据权利要求1所述基于点云数据的多类型结构面分层识别方法，其特征在于，所述步骤4的具体处理过程为：步骤4.1:导入次级点云数据P={X,Y,Z,},用法向量以及表面曲率构成数据集3Nnor={N,N„N,σ3,根据大小对点云进行排序，找到9min并加入种子点集；步骤4.2:设置邻域K,邻域点则加入生长点集，对于每个种子点计算其邻域点的法线角度差值，如果差值小于设置的阈值θth,则该种子点重点考虑，进入步骤4.3中进行下一步判步骤4.3:如果通过了法线角度差值θt检验，值cth,则该种子点属于该种子点当前平面；步骤4.4:设置最小平面点数Cmin,最大平面点数Cmax,从生长点集中去除通过两次检验步骤4.5:重复步骤4.1~步骤4.4,采用RGB随机着色对所有聚类的平面标记不同颜色；步骤4.6:持续计算直到剩余点中能生成平面的数量小于Cm:则停止计算；步骤4.7:通过RGB色彩区别识别不同结构面。3.根据权利要求1所述基于点云数据的多类型结构面分层识别方法，其特征在于，所述步骤5的具体处理过程为：步骤5.1:根据KDtree数据结构，采用预处理时点云间距设置邻域范围，设置初始计算步骤5.2:围绕P₁邻域K构建空间点坐标数据集P,计算该数据集协方差矩阵，构建协方差张量：步骤5.3:依据协方差张量计算特征值并排序L₁≥L₂≥L₃≥0,并定义特征值对应的特征步骤5.4:计算中心点P表面特征参数，构建每个点几何特征集，采用二元分类器预测表每个点P₂的轮廓分数P(C₂|X),其中最能反应表面特征的参数有以下几种：Verticality=1-<[0,0,1],e步骤5.5:设置体素网格，采用自适应阈值对每个体素点的几何特征集打分，找到具有高轮廓分数的种子点P(c=0|X),进行二次判断f;步骤5.6:利用多生成树构建种子点邻域，通过与邻域点的距离判断其作为高轮廓分数点的正确性，通过e,f检测后将得分最高点保留到特征集候选集；步骤5.7:根据特征集分数和空间位置分布统计，采用马尔科夫随机场从特征集候选集中选择连续的最优特征点获得特征轮廓模型；4步骤5.8:循环步骤5.1-步骤5.7,直到点Pi(i=)计算完成；步骤5.9:采用HSV着色分割表面特征进行识别。5基于点云数据的多类型结构面分层识别方法技术领域[0001]本发明涉及利用三维激光扫描识别提取岩体结构面的技术领域，特别是涉及一种库岸岩体层理、节理两种不同类型结构面的识别提取技术。背景技术[0002]岩体结构面是评价岩体质量的重要指标之一。岩体质量的优劣取决于构成岩体结构特性的内在因素，而岩体结构面是主要控制性因素之一。因此，如何精确快速地获取不同类型结构面形貌特征对岩石工程建设有重要意义。[0003]结构面形貌信息的提取离不开对结构面的精准识别，岩体结构面的识别方法众多，其中包含图像识别，影像识别，以及三维激光扫描技术，而三维激光扫描技术是近年来最为广泛也最具代表性的，这项技术通过对岩体结构面点云信息进行二次处理来获得结构面信息，从数据预处理到结构面识别再到后续信息提取每一步都很重要，本发明主要针对数据的预处理和结构面识别进行研究。[0004]专利CN111553292A提出了一种基于三角网格的点云识别；专利CN106896213B提出了一种点云识别提取方法，采用了赋固定权值的最小二乘法计算点云法向量并基于法向夹角进行区域生长来识别结构面；专利CN112529844A则基于随机霍夫空间变换的法向量余弦的球面K均值聚类法来识别结构面；上述方法对数据预处理方法提及很少，未考虑到预处理对数据后续处理的影响，并且赋固定权值最小二乘法依然存在该方法的共性即对数据尖锐产生平滑效果，在尖锐交界处反应不好，K-means聚类中K值得选取非常依靠经验，且对初始值和异常点很敏感，相较于区域生长基于特征分类使用限制大和难度较高，因此目前岩体结构面点云数据识别的二次处理时存在以下不足：[0005]结构面点云预处理提及很少，未考虑数据精简的合理性以及为后续计算提高速度和精度的必要性；层理，断层之类的法相差异较大的结构面与节理裂隙等差异不大的结构面两者为不同尺度结构面，同一方法难以识别多类型，未作区分；方法存在很强的人工经验发明内容[0006]针对上述问题，本发明的目的在于提出基于点云数据的多类型结构面分层识别方法，该方法使用了邻近搜索的体素下采样，该采样是一种数据精简的方法能在保证数据不失真的条件下大幅减少数据量，在保留数据特征前提下，减少了异常点数量，加快了后续数据处理的速度。[0007]为了实现上述的技术特征，本发明的目的是这样实现的：基于点云数据的多类型结构面分层识别方法，包括以下步骤：[0008]步骤1:对岸坡岩体进行三维激光扫描，获取观测处待处理的岸坡岩体点云空间坐标信息；[0009]步骤2:基于KDtree邻近搜索完成原始数据体素下采样，得到初步处理点云；6[0010]步骤3:使用随机霍夫变换空间计算初级处理点云数据法向量，采用PCA主成分分为N₁;[0030]步骤4.1:导入次级点云数据P={X,Y,Z},用法向量以及表面曲率构成数据集7计算点P;[0055]2、本发明对原始数据使用了随机霍夫变换法向量差值和曲率特征限制的区域生8[0056]3、本发明使用了马尔科夫随机场点领域特征预测法识别法向量差异较小的表面简化了多类型结构面识别流程，改善了多类型结构面共存情况下三维点云数据的识别效附图说明具体实施方式[0068]步骤2.1:对原始点云数据建立KDtr树形数据结构，统计原始点云总数N,并设置为N₁;[0072]步骤2.5:判断,经测试10万点在数据下采样超过一×100%<50%后会采样是将数据空间进行网格划分并在网格内基于数据权值分布减少数据量；所述K为目标[0074]步骤3:使用随机霍夫变换空间计算初级处理点云数据法向量，采用PCA主成分分9[0087]步骤4.1:导入次级点云数据P={X,Y,Z},用法向量以及表面曲率构成数据集为[0,255]即R∈[0,255]、G∈[计算点P;[0097]步骤5.2:围绕P邻域K构建空间点坐标数集P,计算该数据集协方差矩阵，构建协方差张量：[0100]步骤5.3:依据协方差张量计算特征值并排序L₁≥L₂≥L₃≥0,并定义特征值对应的特征向量e₁,e₂,e₃;[0101]步骤5.4:计算中心点P表面特征参数，构建每个点几何特征集，采用二元分类器预测表每个点P的轮廓分数P(c₁|X),其中最能反应表面特征的参数有以下几种：[0108]步骤5.5:设置体素网格，采用自适应阈值对每个体素点的几何特征集打分，找到具有高轮廓分数的种子点P(c₁=0|X),进行二次判断f;[0109]步骤5.6:利用多生成树构建种子点邻域，通过与邻域点的距离等判断其作为高轮廓分数点的正确性，通过e,f检测后将得分最高点保留到特征集候选集；[0110]步骤5.7:根据特征集分数和空间位置分布统计，采用马尔科夫随机场从特征集候选集中选择连续的最优特征点获得特征轮廓模型；[0111]步骤5.8:循环步骤5.1-步骤5.7,直到点Pi(i=)计算完成；[0112]步骤5.9:采用HSV着色分割表面特征进行识别。[0113]其中，所述马尔科夫随机场，即MRF,为概率预测模型，通过特征集内不同分数以及其点不同空间分布的先决条件，计算不同点路径的概率，基于不同概率分布实现提取概率最高即最优高特征轮廓点的所在路径的功能；所述HSV着色为基于H色调、S饱和度、V明度三种元素构成的颜色模型，其中H∈[0°,360°]不同角度代表不同颜色，S∈[0,100]不同取值代表不同颜色饱和度，V[0,100]不同取值代表不同颜色明亮度，通过不同强度组合来凸显节理裂隙；所述自适应阈值，即(NMS),为目标检测中必要的后处理过程，目的是消除冗余数据，将5.4步骤中得分最高的数据作为目标与其他剩余数据进行预测框比对，未超过阈值则[0114]实施例2:11[0115]本实施例中，申请人采用混凝土试块模拟岩体结构，并对试块进行三维激光扫描识别。具体参见图2中实验模拟的试块图。图3为区域生长识别层理结构面(法向量差识别)。图4为表面特征识别表面节理裂隙。[0116]图2中J1～J18都是不同岩样的不同表面，其中经实际测量J9、J17、J18法向量接法向量差距很小同一平面内损伤程度较重的节理裂隙进行的识别