本发明属于激光点云三维重建领域，特别是涉及到一种利用点云数据实现门窗形状检测与提取的技术方案。
背景技术：
激光雷达(lidar)通过测量激光脉冲的传播时间，同时结合机载定位系统提供的定位姿态数据，直接快速获取高精度的密集点阵数据，是一种新型的主动式遥感技术。lidar技术的一个显著特点就是可以直接获取地物3d坐标，这些点在空间中呈不均匀离散分布，表现为“云”状，因而称为点云。基于点云的三维重建技术是计算机图形学、虚拟现实、计算机视觉等多个学科交叉的一个研究领域。其主要研究的是如何将点云记录的三维物体的几何信息恢复成图形、图像，并通过计算机显示出来，由此可以方便、快速地对物体进行定量的分析、显示和处理等。基于点云的三维重建技术广泛应用于以下领域：计算机图形学领域，如影视特技、三维动画制作、三维游戏模型的建立等；医学领域，有医疗修复、医学检测与模拟、医学仿生、整形美容及正畸的模拟与评价等；逆向工程领域，有cad模型重构、快速造型、有限元分析等；刑事侦查领域，有弹痕、脚印、工具痕迹数据采集及建模等；工业检测领域，有零件探伤、产品解析等。
基于点云的三维重建的基本任务是对测量设备采集得到的点云进行曲面重建，生成物体的三维实体模型。但由于测量得到的点云数据可能是散乱的，也可能是均匀的，目标网格的质量又有优劣之分，因此基于点云的三维重建并没有统一的建模流程。但大体上有如下的基本流程：使用测量设备对待重建物体进行点云数据采集；然后对采集到的点云数据进行预处理，包括去噪声点、简化，得到物体的点云模型；接着对空间点云进行网格化和优化，得到重建的网格模型；最后对网格进行纹理处理，得到物体的三维实体模型。
在建筑场景，最关键要求最精密的是门窗的测量。在门窗的测量领域，现有的主要是采用传统人工测量的方式，耗费人力物力和时间，尤其是对于异形门窗，传统测量方式的效率和精度很低。而在现有的激光雷达应用的领域，并没有一套针对门窗形状检测的算法流程。本发明将激光雷达点云应用到门窗形状检测上，主要是提取点云的线特征，通过将日常生活场景简化建模，从实际场景中构建函数模型，实现对点云数据的形状检测和提取。
技术实现要素：
本发明实现了一种基于激光点云数据的门窗点云形状检测技术方案，可实现复杂形状的拟合并提取相应的形状参数。
本发明提供一种基于激光点云数据的门窗点云形状检测方法，包括以下步骤：
步骤1，数据准备，包括对原始的点云数据进行预处理，得到去除粗差的点云数据；
步骤2，边缘提取，包括对步骤1所得去除粗差的点云数据进行边缘提取；
步骤3，形状判断，包括根据边缘提取的结果判断该点云形状，
步骤3.1，将三维点云向垂直于门框平面方向投影至二维，然后将二维点云图划分格网，提取中间位置的内部网格；
步骤3.2，判断内部格网的点数是否大于预设的相应阈值，若是，则认为是l形，结束判断，用6条直线拟合门窗的6条边，进入步骤5；若不是，则认为是其他形状，进入步骤3.3；
步骤3.3，将点云的边缘提取结果分割为上下左右四个部分；
步骤3.4，用上部分拟合出一条直线，得到拟合的直线与上部分的相关系数，当拟合的相关系数r大于预设的相应阈值，则认为门窗形状是矩形，结束判断，进入步骤4；若不是，则认为是别的形状，进入步骤3.5；
步骤3.5，用圆弧去拟合上部分，得到拟合的相关系数r1；用两段直线去拟合上部分，得到拟合的相关系数r2，若r1>＝r2，则认为门窗上方是圆弧形，反之则门窗上方是三角形；步骤4，用直线拟合点云边缘的左、右和下部分；
步骤5，误差控制，包括拟合数据与点云数据逐点计算拟合误差，然后计算决定系数，提取出决定系数满足相应阈值的拟合参数。
而且，步骤1中，去除孤点、离群点和毛刺点。
而且，步骤2中，利用candy算法拟合边缘，然后通过端点检测、交叉点跟踪和闭合边缘跟踪实现边缘的完整性提取。
而且，步骤4中，用hough变换拟合点云边缘的左、右和下部分。
而且，步骤5中，设r2是决定系数，计算如下，
其中，wi是权重，yi是观测值，
本发明还提供一种基于激光点云数据的门窗点云形状检测系统，包括以下模块：
数据准备模块，用于对原始的点云数据进行预处理，得到去除粗差的点云数据；
边缘提取模块，用于对数据准备模块所得去除粗差的点云数据进行边缘提取；
形状判断模块，用于根据边缘提取的结果判断该点云形状，包括以下单元，
第一单元，用于将三维点云向垂直于门框平面方向投影至二维，然后将二维点云图划分格网，提取中间位置的内部网格；
第二单元，用于判断内部格网的点数是否大于预设的相应阈值，若是，则认为是l形，结束判断，用6条直线拟合门窗的6条边，命令误差控制模块工作；若不是，则认为是其他形状，命令第三单元工作；
第三单元，用于将点云的边缘提取结果分割为上下左右四个部分；
第四单元，用于用上部分拟合出一条直线，得到拟合的直线与上部分的相关系数，当拟合的相关系数r大于预设的相应阈值，则认为门窗形状是矩形，结束判断，命令拟合模块工作；若不是，则认为是别的形状，命令第五单元工作；
第五单元，用于用圆弧去拟合上部分，得到拟合的相关系数r1；用两段直线去拟合上部分，得到拟合的相关系数r2，若r1>＝r2，则认为门窗上方是圆弧形，反之则门窗上方是三角形；
拟合模块，用于用直线拟合点云边缘的左、右和下部分；
误差控制模块，用于拟合数据与点云数据逐点计算拟合误差，然后计算决定系数，提取出决定系数满足相应阈值的拟合参数。
而且，数据准备模块中，去除孤点、离群点和毛刺点。
而且，边缘提取模块中，利用candy算法拟合边缘，然后通过端点检测、交叉点跟踪和闭合边缘跟踪实现边缘的完整性提取。
而且，拟合模块中，用hough变换拟合点云边缘的左、右和下部分。
而且，误差控制模块中，设r2是决定系数，计算如下，
其中，wi是权重，yi是观测值，
本发明提供了一种基于激光点云数据的门窗形状检测与提取技术方案，实现了无需传统人工测量设备，只需要体积小、重量轻的手持设备运行本发明所提供技术方案，即可构建复杂场景的函数模型，对场景门窗进行形状检测和参数提取，为进一步提高勘测效率、减轻人力物力的损耗提供了新途径。该方法具有简单、有效、精度高、易于实现的特点，具有重要的市场价值。
附图说明
图1为本发明实施例的整体流程图。
图2为本发明实施例的门窗形状结果示意图，其中图2(a)为矩形门窗示意图，图2(b)为下部分矩形上部分三角形的门窗示意图，图2(c)为下部分矩形上部分圆弧的门窗示意图，图2(d)为l形门窗示意图。
图3为本发明实施例的步骤3流程图。
图4为本发明实施例的网格划分与内部网格示意图。
图5为本发明实施例的上下左右部分示意图。
图6为本发明实施例的圆弧拟合上部分示意图。
图7为本发明实施例的两段直线拟合上部分示意图。
具体实施方式
本发明技术方案可采用计算机软件方式支持自动运行流程。以下结合附图和实施例详细说明本发明技术方案。
图1表示的是基于激光点云数据的形状检测与提取技术流程图，以下针对实施例流程中的各步骤，对本发明方法做进一步详细描述。
(1)数据准备，对原始的点云数据进行预处理，得到去除粗差的点云数据。
实施例中，去除孤点、离群点和毛刺点：对于点云中一点pg，如果其与最近点之间的距离远大于点云的平均点间距，则pg点称为孤点；对于点云中一点pl，如果按照某一预设距离阈值寻找其邻近点时只能找到k个，而第k+1个最近点与pl及其前k个最近点之间的距离都远大于距离阈值，则pl及其k个最近点称为离群点，离群点与孤点的区别是离群点成簇出现，单个离群点即为孤点；对于点云中一点ps，如果ps距离其所在位置的点云表面并无孤立现象，但ps的存在影响其所在局部表面的光滑性，则ps称为毛刺点(不光顺点)。具体实施时，探测孤点利用加权平均距离去除法，离群点利用格网探测法。
(2)边缘提取，包括对步骤1所得去除粗差的点云数据进行边缘提取，实施例利用candy算法拟合边缘，然后通过端点检测、交叉点跟踪、闭合边缘跟踪等算法实现边缘的完整性提取。
具体实施时，可以参考现有用于边缘检测的方法，大致可分为两类：基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度，通常用一阶导数表示，例如梯度模，然后，用计算估计边缘的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。
基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。通常用拉普拉斯算子或非线性微分方程的零交叉点。
滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。
(3)形状判断，根据边缘提取的结果判断该门窗点云标志形状是矩形、圆形、三角形或l形等。
形状的判断是十分关键的一步，只有形状判断正确了，才能使用正确的函数模型来拟合离散的点云数据。
常见的门框(窗框)形状有：矩形，下部分矩形上部分圆弧，下部分矩形上部分三角，l形，分别参见图2：图2(a)为矩形门窗示意图，图2(b)为下部分矩形上部分三角形的门窗示意图，图2(c)为下部分矩形上部分圆弧的门窗示意图，图2(d)为l形门窗示意图。因此，本发明设计最高效合理的区分方式，先从中部格网点数量判断是否为l形，然后分割上下左右部分，通过拟合判断上部分形状。
参见图3，区分门框形状的技术路线如下：
(3.1)首先，将三维点云向垂直于门框平面方向投影至二维，然后将二维点云图划分格网，提取中间位置的内部网格。例如划分为30乘30的网格，认为中心区域的24乘24的区域为内部网格，如图4中中间有中心区域。
(3.2)然后，根据划分格网结果，判断内部的格网的点数是否大于相应阈值，若是，则认为是l形，结束判断，然后用6条直线拟合门窗的6条边，进入步骤(5)；若不是，则认为是其他形状，进入(3.3)继续判断。参见图4，l形门窗的内部的格网的点数大于阈值。其中，阈值的设定可以靠实验最优结果得到：设置阈值的最大和最小值，设置每次实验中阈值的改变量，然后改变阈值重复实验，得到实验结果最优情况下的阈值。即阈值的设定需考虑实际情况。
(3.3)然后，将点云的边缘提取结果分割为上下左右四个部分，如图5所示，12，23，34，41部分分别为左，下，右，上。
(3.4)用上部分(14部分)拟合出一条直线，得到拟合的直线与上部分的相关系数，公式如下：
其中，r(x,y)是相关系数，y为拟合得到的直线点的值，x值为原始上部分点的值。cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差。
当拟合的相关系数r大于预设的阈值，则认为门窗形状是矩形，结束判断，进入(4)；若不是，则认为是别的形状，进行下一步判断。其中，具体实施时阈值的设定可以靠实验最优结果得到。
(3.5)用圆弧去拟合上部分，如图6所示；并用两段直线去拟合上部分，如图7所示。即用上部分(14部分)拟合出一条圆弧，具体实施时可通过matlab函数实现，得到拟合的圆弧与上部分的相关系数；即用上部分(14部分)拟合出两段直线(三角形的两边腰线，通常是等腰三角形)，得到拟合的两端直线与上部分的相关系数。设分别得到拟合的相关系数r1和r2，相关系数的计算公式见上。比较之，若r1>＝r2，表明圆弧形拟合的程度更好，则认为门窗上方是圆弧形，反之则门窗上方是三角形。进入(4)。
基于本发明提出的特定形状拟合方法得到门窗形状，精度在于拟合关系系数的大小判断，若关系系数大，则拟合效果好，则认为是该形状。采用本发明提供的分析过程，通过阈值的合理设定，可以较好的区分上述常见的门窗形状。基于此，该方法是一种新颖且高效的门窗点云形状分类检测方法。
(4)用直线拟合点云边缘的左，右，下部分。具体实施时，可以使用霍夫变换(hough变换)等方式实现直线检测，拟合点云形状并获取形状参数，得到门窗的左右下的拟合结果。
除本步骤外，步骤(3.2)用6条直线拟合门窗的6条边、(3.4)用上部分(14部分)拟合出一条直线、(3.5)用两段直线去拟合上部分，同样都可以采用hough变换：在原始图像坐标系下的一个点对应了参数坐标系中的一条直线，同样参数坐标系的一条直线对应了原始坐标系下的一个点，然后，原始坐标系下呈现直线的所有点，它们的斜率和截距是相同的，所以它们在参数坐标系下对应于同一个点。这样在将原始坐标系下的各个点投影到参数坐标系下之后，看参数坐标系下有没有聚集点，这样的聚集点就对应了原始坐标系下的直线。
其中，k表示直线斜率，b表示直线截距，(x,y)是直角坐标系下的坐标，(ρ，θ)表示极坐标系下的坐标。
(5)误差控制，首先对拟合数据与点云数据逐点计算拟合误差，然后计算决定系数。为保证方法结果的精准度，计算决定系数r2。r2是决定系数，通过数据的变化来表征一个拟合的好坏。
其中，wi是权重，yi是观测值，
具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应系统。实施例提供一种基于激光点云数据的门窗点云形状检测系统，包括以下模块：
数据准备模块，用于对原始的点云数据进行预处理，得到去除粗差的点云数据；
边缘提取模块，用于对数据准备模块所得去除粗差的点云数据进行边缘提取；
形状判断模块，用于根据边缘提取的结果判断该点云形状，包括以下单元，
第一单元，用于将三维点云向垂直于门框平面方向投影至二维，然后将二维点云图划分格网，提取中间位置的内部网格；
第二单元，用于判断内部格网的点数是否大于预设的相应阈值，若是，则认为是l形，结束判断，用6条直线拟合门窗的6条边，命令误差控制模块工作；若不是，则认为是其他形状，命令第三单元工作；
第三单元，用于将点云的边缘提取结果分割为上下左右四个部分；
第四单元，用于用上部分拟合出一条直线，得到拟合的直线与上部分的相关系数，当拟合的相关系数r大于预设的相应阈值，则认为门窗形状是矩形，结束判断，命令拟合模块工作；若不是，则认为是别的形状，命令第五单元工作；
第五单元，用于用圆弧去拟合上部分，得到拟合的相关系数r1；用两段直线去拟合上部分，得到拟合的相关系数r2，若r1>＝r2，则认为门窗上方是圆弧形，反之则门窗上方是三角形；
拟合模块，用于用直线拟合点云边缘的左、右和下部分；
误差控制模块，用于拟合数据与点云数据逐点计算拟合误差，然后计算决定系数，提取出决定系数满足相应阈值的拟合参数。
各模块具体实现可参见相应步骤，本发明不予赘述。
本文中所描述的具体实例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。