技术领域
[0001] 本
发明实施例涉及隧道的
三维重建及其内部的特征识别技术领域，具体涉及一种基于三维成像的隧道钢拱识别方法。
背景技术
[0002] 隧道是人们用以克服复杂地形，充分利用地理空间建设公路、
铁路的重要建筑形式，在世界各地的
基础设施建设中都占有重大的意义。因此，隧道的施工也越来越频繁。与此同时，我们也要面临隧道施工所带来的恶劣环境，例如
光源受限，潮湿，空气稀薄，落石甚至是塌方，特别是在对隧道面进行喷浆处理时，还要面临粉尘及噪音问题，这更加加重了对施工工人身体上的危害，虽然目前隧道喷浆技术越来越受到重视，隧道喷浆也渐渐地往机械化智能化方向发展，许多新型的隧道喷浆机被研发出来并投入使用，但由于隧道喷浆机也需要一定数量的操作手与随行人员，所以这无法从根本上改变现状，于是，隧道喷浆的全自动无人化便愈发的重要了。
[0003] 近年来，由于激光扫描技术的飞速发展与三维
图像处理越来越受到重视，许多人开始将三维重建运用到隧道施工当中，因为区别于受隧道环境影响比较大的摄影及二维图像处理的方法，即使是在不利的环境下，激光扫描及三维图像处理也可以获得高
精度数据及
定位，所以三维重建技术将逐渐成为隧道数据化处理的主流技术。
[0004] 要做到无人化的喷浆，首先就要对
喷涂区域进行识别，而喷涂区域一般处于每两榀钢拱的拱间，所以，对钢拱的识别就尤为重要了，目前还未有现成的技术在三维点
云上对钢拱进行识别。
发明内容
[0005] 为了解决目前还未有的在隧道中通过
机器视觉对钢拱进行识别的技术问题，本发明提供一种基于三维成像的隧道钢拱识别方法。
[0006] 为了实现上述目的，本发明提供如下技术方案：
[0007] 一种基于三维成像的隧道钢拱识别方法，包括以下步骤：
[0008] 步骤一，对隧道内部进行整体扫描，以得到原始点云数据，并进行数据预处理；
[0009] 步骤二，对经过预处理后的数据进行点云
坐标系校正；
[0010] 步骤三，对校正后的数据进行径向滤波以滤除隧道壁以外的点云数据；
[0011] 步骤四，通过法线对齐径向特征关键点
算法对钢拱的特征点进行提取；
[0012] 步骤五，对提取的特征点进行三维圆拟合，实现对于钢拱的提取，完成识别。
[0013] 所述的基于三维成像的隧道钢拱识别方法，所述的步骤一中，数据预处理是对原始点云数据依次进行
体素滤波和直通滤波。
[0014] 所述的基于三维成像的隧道钢拱识别方法，所述的步骤二中，点云坐标系校正包括以下步骤：
[0015] 步骤1，通过随机抽样一致性算法对隧道点云进行圆柱拟合，得到隧道点云的轴向及轴心；
[0016] 步骤2，通过旋转矩阵将隧道点云轴向旋转至与点云坐标系x轴重合，再通过平移将隧道点云轴心与点云坐标系原点重合。
[0017] 所述的基于三维成像的隧道钢拱识别方法，所述的点云坐标系校正的步骤1中，通过随机抽样一致性算法对隧道点云进行圆柱拟合的具体步骤为：
[0018] (1)以经过步骤一的数据预处理后的隧道点云数据作为待测数据；
[0019] (2)建立圆柱模型，其中建立模型时包括的参数为圆柱轴线参数和圆柱底圆半径，这些参数组成圆柱方程；
[0020] (3)输入模型中的其他自定义参数，包括子集最小点数、子集最大点数、最大
迭代次数、内点到模型的距离最大
阈值、模型半径范围；
[0021] (4)随机抽样一致性算法通过反复选择待测数据中的一组随机子集来达成目标，选中的子集被假设为局内点，用算法验证之后通过估计其与输入模型的错误率来评估模型，最后得出模型参数。
[0022] 所述的基于三维成像的隧道钢拱识别方法，所述的点云坐标系校正的步骤2包括以下步骤：
[0023] 1)以通过圆柱拟合后得出的隧道轴向为Pn(a,b,c)，其中a,b,c分别为向量Pn在坐标系中x,y,z方向的对应分量，轴心为Pc(x0,y0,z0)；
[0024] 2)将Pn(a,b,c)绕点云坐标系中的z轴旋转至xoz平面上，其中旋转
角度为-α，α为Pn在平面xoy上的投影与x轴的夹角，得到向量 旋转矩阵为：
[0025]
[0026] 其中
[0027]
[0028] 3)将 绕y轴旋转至xoy平面上，其中旋转角度为β，β为Qn与x轴的夹角，旋转后原始隧道点云轴向Pn便与x轴重合，旋转矩阵为：
[0029]
[0030] 其中
[0031]
[0032] 4)再通过平移将Pc(x0,y0,z0)与点云坐标系原点重合，其中平移矩阵为：
[0033]
[0034] 所述的基于三维成像的隧道钢拱识别方法，所述的步骤三为：
[0035] 以隧道轴向上的点为隧道径向剖面轴心，将隧道径向剖面上点云数据中与隧道轴向的距离不大于径向阈值的点全部滤除，其中径向阈值为隧道点云进行圆柱拟合时得到的半径数值减去预设钢拱厚度值。
[0036] 所述的基于三维成像的隧道钢拱识别方法，所述的步骤四包括以下步骤：
[0037] 步骤①，对点云进行物体边缘提取得到边缘点；
[0038] 步骤②，对边缘点进行关键点提取，关键点需要处于隧道钢拱的实际边界和表面结构上，且未被其他物体点云所遮挡，同时这些点均位于能够为常规估计或描述符计算提供稳定区域的
位置，将提取的关键点作为特征点。
[0039] 所述的基于三维成像的隧道钢拱识别方法，所述的钢拱特征点提取的步骤①中，边缘提取的步骤为：
[0041] 步骤Ⅱ，遍历每个深度图像点，以当前遍历的点为pi，则将pi作为中心取一个边长为s的方框，将方框中点作为边缘点搜索点集；
[0042] 步骤Ⅲ，计算pi与方框内所有点的距离，以d0表示与pi最近的点，即pi自身，以表示与pi最远的点，然后以d0和 所表示的与pi距离的平均值，选择该平均值所对应的点dm；
[0043] 步骤Ⅳ，根据选择的dm，将边缘点搜索点集中距离大于dm的点设为边缘点集；
[0044] 步骤Ⅴ，对边缘点集进行非极大值抑制，取出其中的极大值作为边缘点；
[0045] 步骤Ⅵ，返回步骤Ⅱ直至遍历完所有点。
[0046] 所述的基于三维成像的隧道钢拱识别方法，所述的步骤五包括以下步骤：
[0047] 步骤壹，输入经过步骤三处理过后的只剩隧道面的点云数据与特征点数据；
[0048] 步骤贰，用随机抽样一致性算法对特征点数据进行三维圆模型参数估计，并将用于估计的特征点删除；
[0049] 步骤叁，将步骤贰中估计出来的参数拟合成三维圆公式，并代入到隧道面点云数据中，将位于圆上的点提取并单独存储，这些提取的点便是钢拱点；
[0050] 步骤肆，用剩下的数据重复步骤贰和叁，直至剩下的数据不能满足继续进行三维圆模型参数估计为止。
[0051] 所述的基于三维成像的隧道钢拱识别方法，所述的钢拱提取的步骤叁中，三维圆的参数方程为：
[0052] 用随机抽样一致性算法估计出7个三维圆模型参数，分别是三维圆圆心坐标(xc,yc,zc),半径r，三维圆所在平面的法向量n(nx,ny,nz)；
[0053] 先求出三维圆所在平面上的一个向量u(ux,uy,uz)，其中ux,uy,nz分别为向量u在坐标轴x，y，z上的分量，有：
[0054]
[0055] 因为 其中T为矩阵转置符号；
[0056] 再求出一个与n、u都
正交的向量v＝n×u，向量v也在圆所在的平面上：
[0057]
[0058] 再把u、v都化为对应的单位向量
[0059]
[0060]
[0061] 则圆的参数方程表示为
[0062]
[0063] 本发明的技术效果在于，1、本发明通过数据预处理、点云坐标系校正、径向滤波、钢拱特征点提取、钢拱提取等步骤实现了在隧道三维点云中对待喷面中的钢拱进行识别、提取，这是
现有技术还未涉及的方向，为以后的隧道喷浆自动化提供了环境
感知上的支持，对于隧道
工程机械自动化具有较强的实际意义。2、作为钢拱识别技术，在之后还能为钢拱安装位置检测提供技术支持，对于隧道安全检测具有较强的实际意义。
附图说明
[0064] 图1为本发明的钢拱识别的系统
流程图；
[0065] 图2为本发明在三维重建时隧道点云在坐标系上对应的位置和朝向；
[0066] 图3为本发明的径向滤波的结果图，其中(a)为径向滤波后隧道面点云侧视结果图，(b)为径向滤波后隧道面点云正视结果图，(c)为径向滤波后隧道内点云侧视结果图，(d)为径向滤波后隧道内点云正视结果图，隧道面点云为保留点云，隧道内点云为滤除点云；
[0067] 图4为本发明的钢拱特征点提取的结果图；
[0068] 图5为本发明的钢拱提取的结果图。
具体实施方式
[0069] 下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的有点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确得到界定。
[0070] 如图1～5所示，本发明提供了一种基于三维成像的隧道钢拱识别方法，包括以下步骤：
[0071] 本发明依次执行数据预处理、点云坐标系校正、径向滤波、钢拱特征点提取和钢拱提取来完成识别过程。其中数据预处理部分对原始点云数据先进行体素滤波，在不破坏各部分特征的基础上将点云的数据量降低，以提升之后处理过程中的运行效率，然后对体素滤波后的点云进行直通滤波，以滤除目标主体外的噪点。点云坐标系校正部分在得到点云旋转角度之后通过旋转矩阵将坐标系进行校正。径向滤波部分以一定的半径对隧道轴向上半径以内的点进行滤除，以去除掌子面、地面、和空中及地面上的噪点的影响(包括扫描范围内被重建的人、车以及其他干扰物)。钢拱特征点提取部分通过NARF对隧道点云中的特征点进行提取，由于钢拱的形状特点及其安装位置特点，所以钢拱上的点会被判断为特征点。钢拱提取部分通过RANSAC进行三维圆拟合来将属于同一条钢拱的钢拱特征点提取到同一个点云内，最终实现对钢拱的提取。
[0072] 数据预处理是对原始点云数据依次进行体素滤波和直通滤波，其中参数设置如下：
[0073] (1)体素滤波中每个体素格的大小设置为50mm*50mm*50mm；
[0074] (2)直通滤波中在x，y，z方向上设置的都为保留-20000mm～20000mm之间的点。
[0075] 点云坐标系校正的具体步骤如下：
[0076] (1)通过RANSAC对隧道点云进行圆柱拟合，拟合后得到隧道点云的轴向及轴心；
[0077] (2)通过旋转矩阵将隧道点云轴向旋转至与点云坐标系x轴重合，再通过平移将隧道点云轴心与点云坐标系原点重合；
[0078] 在点云坐标系校正的步骤(1)中，通过RANSAC对隧道点云进行圆柱拟合的具体步骤为：
[0079] (1)以经过步骤一的数据预处理后的隧道点云数据作为待测数据。
[0080] (2)建立圆柱模型，其中建立模型时包括的参数为圆柱轴线参数和圆柱底圆半径，圆柱模型适应于待测数据，圆柱轴线参数包括圆柱轴线向量(a,b,c)、圆柱轴线上的一个点的坐标(xc,yc,zc)，圆柱底圆半径为r0，这些参数组成圆柱方程：
[0081] (x-xc)2+(y-yc)2+(z-zc)2-[a(x-xc)+b(y-yc)+c(z-zc)]2＝r02
[0082] (3)输入模型中的其他自定义参数，包括子集最小点数、子集最大点数、最大迭代次数、内点到模型的距离最大阈值、模型半径范围。其中本实施例所采用的具体值为：
[0083] 子集最小点数：100000。
[0084] 子集最大点数：1000000。
[0085] 最大迭代次数：50。
[0086] 内点到模型的距离最大阈值：200。
[0087] 模型半径范围：5000mm～9000mm。
[0088] (4)随机抽样一致性算法通过反复选择待测数据中的一组随机子集来达成目标，选中的子集被假设为局内点，用算法验证之后通过估计其与输入模型的错误率来评估模型，最后得出模型参数：隧道轴向Pn(a,b,c)，轴心Pc(x0,y0,z0)，圆柱底圆半径r0。
[0089] 在点云坐标系校正的步骤(2)中，通过旋转矩阵对隧道点云做校正的步骤为：
[0090] (1)设通过圆柱拟合后得出的隧道轴向为Pn(a,b,c)，其中a,b,c分别为向量Pn在坐标系中x,y,z方向的对应分量，轴心为Pc(x0,y0,z0)。
[0091] (2)将Pn(a,b,c)绕z轴旋转至xoz平面上，其中旋转角度为-α(α为Pn在平面xoy上的投影与x轴的夹角)，旋转后得到向量 旋转矩阵为：
[0092]
[0093] 其中
[0094]
[0095] (3)将 绕y轴旋转至xoy平面上，其中旋转角度为β(β为Qn与x轴的夹角)，旋转后原始隧道点云轴向Pn便与x轴重合。旋转矩阵为：
[0096]
[0097] 其中
[0098]
[0099] (4)再通过平移将Pc(x0,y0,z0)与点云坐标系原点重合，平移矩阵为：
[0100]
[0101] 至此坐标系的标定便完成了，由于扫描装置一般放在地面上，所以不必再绕x轴做旋转，同时由于轴心在坐标系x轴上无论处于哪个位置对后续的处理并无影响，所以在平移时不对x轴进行平移。
[0102] 径向滤波对应的具体方法为：
[0103] 在对隧道点云做圆柱拟合时能得到其半径参数，在其半径的基础上再减去500mm作为滤波的半径阈值，以x轴(即隧道轴向)为轴心，若离x轴的欧氏距离大于半径阈值，便判断为隧道面的点，同时保留下来，反之，则为隧道内的点，将其滤除，这样便同时滤除了掌子面与地面及地面上干扰物，增加了之后钢拱识别的准确性。
[0104] 钢拱特征点提取的步骤为：
[0105] (1)对点云进行边缘提取，因为相对于其他点，边缘上的点更有可能是关键点。而在NARF算法中，点云的边缘分为三种：物体边缘，阴影边缘，Veil点集。由于本发明要识别的是钢拱，所以只需要提取物体边缘。
[0106] (2)在提取完边缘后再对边缘点进行关键点提取来作为特征点。
[0107] 在钢拱特征点提取的步骤(1)中，边缘提取的对应的具体方法为：
[0108] 步骤Ⅰ，将三维点云投影成深度图像。
[0109] 步骤Ⅱ，遍历每个深度图像点，以当前遍历的点为pi，则将pi作为中心取一个边长为s的方框，将方框中点作为边缘点搜索点集。
[0110] 步骤Ⅲ，计算pi与方框内所有点的距离，以d0表示与pi最近的点，即pi自身，以表示与pi最远的点，然后以d0和 所表示的与pi距离的平均值，选择该平均值所对应的点dm。
[0111] 步骤Ⅳ，根据选择的dm，将边缘点搜索点集中距离大于dm的点设为边缘点集。
[0112] 步骤Ⅴ，对边缘点集进行非极大值抑制，取出其中的极大值作为边缘点。
[0113] 步骤Ⅵ，返回步骤Ⅱ直至遍历完所有点。
[0114] 优选的，所述的钢拱特征点提取的步骤2中，关键点提取需要考虑到以下因素：
[0115] (1)必须考虑到边界和表面结构的信息，即关键点需要处于隧道钢拱的实际边界和表面结构上。
[0116] (2)必须选择能够可靠检测到的位置，即使从另一个角度观察对象。即未被其他物体点云所遮挡。
[0117] (3)这些点必须位于通常为常规估计或描述符计算提供稳定区域的位置。该稳定区域特指在关键点所在位置附近有足够数量的点去计算描述子和进行唯一的法向量估计，其中足够数量的点特指在以关键点为圆心，半径50mm范围内有三个以上的点。
[0118] 钢拱提取的步骤为：
[0119] (1)输入步骤三处理过后的只剩隧道面的点云数据与特征点数据；
[0120] (2)用RANSAC对特征点数据进行三维圆模型参数估计，并将用于估计的特征点删除；
[0121] (3)将步骤(2)中估计出来的参数拟合成三维圆公式，并代入到隧道面点云数据中，将位于圆上的点提取并单独存储，这些提取的点便是钢拱点；
[0122] (4)用剩下的特征点云数据重复步骤(2)(3)，直至无法估计出三维圆模型参数为止。
[0123] 其中钢拱提取的步骤中，三维圆的参数方程为：
[0124] 用随机抽样一致性算法估计出7个三维圆模型参数，分别是三维圆圆心坐标(xc,yc,zc),半径r，三维圆所在平面的法向量n(nx,ny,nz)；
[0125] 先求出三维圆所在平面上的一个向量u(ux,uy,uz)，其中ux,uy,uz分别为向量u在坐标轴x，y，z上的分量，有：
[0126]
[0127] 因为 其中T为矩阵转置符号；
[0128] 再求出一个与n、u都正交的向量v＝n×u，向量v也在圆所在的平面上：
[0129]
[0130] 再把u、v都化为对应的单位向量
[0131]
[0132]
[0133] 则圆的参数方程表示为
[0134]
