一种基于点云的带电作业场景电力部件三维重建方法与流程

本发明属于带电作业机器人环境感知领域，具体涉及一种基于点云的带电作业场景的三维重建方法。

背景技术：

随着计算机技术和三维测量技术的发展，真实物体的三维重建技术在各领域的应用日趋广泛。在利用三维测量设备对物体进行测量时，由于被测物自身和环境的遮挡以及测量范围的限制，需要对物体表面进行多次测量以获取完整的表面数据。其中，三维点云配准技术，成为解决被测物三维测量数据拼合和完整重建的重要步骤。

目前使用最广泛的点云配准方法是最近点迭代(iterativeclosetpoint，icp)算法，算法的核心思想是采用不断迭代的方式以逼近最佳结果。由于icp算法实现依赖源点集和最近点集的搜索匹配，通常要求待匹配点云具有良好的初始位置，否则很难取得良好的配准效果。选择合适的粗配准算法，实现待配准点云的大致重合，为点云精配准提供良好的位置输入，成为决定点云配准质量的关键。基于物体形貌特征的点云配准算法是粗配准过程常采用的算法。但现有的算法对点云初始位置、重叠率等有一定的要求，因此还需对特征点描述的构建和特征点匹配进行进一步研究，以形成一种更为通用的点云配准算法。

技术实现要素：

本发明要解决的技术问题是提供一种基于点云的带电作业场景电力部件三维重建方法，用于通过对不同角度获取的点云数据滤波处理后进行点云配准、点云拼接、分割等操作后可实现电力操作部件的三维建模，通过滤波去除点云数据的离散点和噪声点，最后对获取的点云数据进行处理并最终完成电力作业场景的三维重建。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于点云的带电作业场景电力部件三维重建方法，包括以下步骤：

离线环境进行带电作业场景电力部件模型库的建立；

通过点云数据采集设备多角度获取带电作业场景点云数据，通过滤波对其进行预处理操作；

将预处理后的点云数据通过粗配准加精确配准方法进行配准；

将配准完成的点云数据使用分割算法分割出单个目标物体的点云聚类，最终完成三维点云的识别。

优选地，所述离线环境进行带电作业场景电力部件模型库的建立具体为包括：通过视觉采集装置获取电力部件的深度信息和彩色信息，根据电力部件的深度信息和彩色信息建立带电作业电路部件模型库。

优选地，所述通过点云数据采集设备多角度获取带电作业场景点云数据，对其进行预处理操作中的预处理操作为将采集到的点云数据通过直通滤波处理去除扫描到目标范围外的无效数据，使用基于距离统计的滤波处理过滤掉直通滤波无法消除的稀疏的离散点。

优选地，基于统计距离的滤波处理具体包括以下步骤：

输入点云数据，设置距离统计的临近点k和噪声点判别因子c；

计算各点到其临近点的平均距离μ，求全局均值及标准方差σ；

求距离阈值s＝μ+c·σ；

选中数据点g；

搜索其k个临近点，并计算平均距离；

判断各点的平均距离是否小于阈值s，若是则重新选中数据点g；若否则判定数据点g为噪声点，删除；

保存点云数据。

优选地，将预处理后的点云数据通过粗配准加精确配准方法进行配准中，使用基于特征点邻域曲率值与ransac的粗配准算法对点云数据进行粗配准。

优选地，在粗配准的结果上使用icp精配准进一步调整点云之间的位置。

优选地，使用基于特征点邻域曲率值与ransac的粗配准算法对点云数据进行粗配准进一步包括以下步骤：

通过点的曲率表征三维模型的某个点与其邻域点所构成的曲面的弯曲程度，设定参考的点云集p＝{p1,p2...pn}，目标点云集为q＝{q1,q2...qn}；

在p中随机选取三个不同线的点{p1,p2,p3}，计算三个点{p1,p2,p3}之间的距离记为{l1,l2,l3}；

设定距离的取值范围为[λ0l0-l,λ0l0+l]，其中l0表示统计所有点与其最近的相邻点的距离的平均值，λ0为3时效果最优，l为调节因子，可取0.5l0；

在点云集q查找与点云集p中{p1,p2,p3}所对应的{q1,q2,q3}，由{p1,p2,p3}和{q1,q2,q3}计算得到刚体变换矩阵h；

点云集p经过变换矩阵h得到pq，假设pq中的pqi与q中的qi为一组对应对，计算pqi与qi之间的欧式距离δi，若δi小于阈值δ，则该点的一致性程度如式：

若δi大于阈值δ，则ωi＝1，两个点云模型之间的一致性程度可按式计算：

一般无法准确计算阈值δ，可采用l0的值来设定阈值δ；

重复上述步骤，更新h为一致性程度最高的情况下的取值，经过k次迭代，完成两个点云的粗配准。

优选地，在粗配准的结果上使用icp精配准进一步调整点云之间的位置进一步包括以下步骤：

假设有两点云集，分别为参考点云集p＝{pi∈r³,i＝1,2,...,n}和目标点云集q＝{qi∈r³,i＝1,2,...,m}：

初始化参考点云集p和目标点云集q，设置最大迭代次数kmax；

在目标点云集q中，根据条件距离小于阈值distmax且||qi-pi||＝min，查找出距离最近的点与p中的点构成配对；

对误差函数，进行迭代，当达到设定的收敛条件时结束：

其中，r为旋转变换矩阵，t为平移变换矩阵，wi,j是配准权值，若参考点云集p与目标点云集q中的点配对正确则wi,j＝1，否则，wi,j＝0；

使用上式计算出最小情况下出旋转变换矩阵r，平移变换矩阵t；

按照计算出的变换矩阵对p进行变换，计算出最小二乘误差ek(rk,tk)；

若||ek-ek-1||＜ε，ε>0，则迭代终止；否则，k＝k+1。

判断k＜kmax是否满足，若是，则重复按照计算出的变换矩阵对p进行变换，计算出最小二乘误差ek(rk,tk)，否则配准结束。

优选地，将配准完成的点云数据使用分割算法分割出单个目标物体的点云聚类，最终完成三维点云的识别，具体为：

依据点云曲率值大小进行排序，将曲率值最小的点作为初始的种子点，将种子点加入到种子序列，并作为当前的聚类区域；

确定当前种子点的k邻域的邻近点，计算当前种子点与邻近点的法线方向并进行比较，若种子点与某邻近点的法线方向夹角小于设定的平滑阈值，则将该邻近点划归到当前区域；

寻找新的种子点，完成对种子点的更新。首先对当前种子点k邻域的邻近点曲率值进行计算，判断该点曲率值，若小于设定阈值，则将该点加入到种子点序列中，并移除当前的种子点，重复执行上一步骤，当种子点序列为空时结束迭代；

迭代执行，完成对所有的点所属区域的标记；

得到单物体的点云聚类。

采用本发明具有如下的有益效果：通过电力作业场景的半自主式三维重建，提出了对多角度获取的点云数据使用基于特征点邻域曲率值、ransac的粗配准算法和icp精确配准算法进行处理，有效避免了传统配准算法中重合率低，需采样次数多，易受噪声点干扰的问题，提高了配准速度和精度并加快算法的收敛速度。最后通过基于区域生长的分割算法有效地避免分割不足和分割过度的弊端提高了点云识别的效率和准确度，最终提高了三维重建的效率。

附图说明

图1为本发明实施例的基于点云的带电作业场景电力部件三维重建方法的步骤流程图；

图2为本发明实施例的基于点云的带电作业场景电力部件三维重建方法中基于统计距离的滤波处理的步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1和图2，本发明公开了一种基于点云的带电作业场景电力部件三维重建方法，包括以下步骤：

s10，离线环境进行带电作业场景电力部件模型库的建立；

具体地，通过视觉采集装置获取电力部件的深度信息和彩色信息，根据电力部件的深度信息和彩色信息建立带电作业电路部件模型库，在离线环境下根据电力场景中的电力设备、电力部件的具体型号不同完成各部件的精确模型建模。

s20，通过点云数据采集设备多角度获取带电作业场景点云数据，通过滤波对其进行预处理操作；

具体地，将采集到的点云数据通过直通滤波处理去除扫描到目标范围外的无效数据，使用基于距离统计的滤波处理过滤掉直通滤波无法消除的稀疏的离散点。

参见图2，基于统计距离的滤波处理具体包括以下步骤：

s201，输入点云数据，设置距离统计的临近点k和噪声点判别因子c；

s202，计算各点到其临近点的平均距离μ，求全局均值及标准方差σ；

s203，求距离阈值s＝μ+c·σ；

s204，选中数据点g；

s205，搜索其k个临近点，并计算平均距离；

s206，判断各点的平均距离是否小于阈值s，若是则重新选中数据点g；

s207，若否则判定数据点g为噪声点，删除；

s208，保存点云数据。

s30，将预处理后的点云数据通过粗配准加精确配准方法进行配准；

使用基于特征点邻域曲率值与ransac的粗配准算法对点云数据进行粗配准，在粗配准的结果上使用icp精配准进一步调整点云之间的位置。

具体地，对滤波处理后的多角度下采集的点云数据转化到同一坐标系，完成点云的配准拼接，具体实施方法如下：

s301，使用基于特征点邻域曲率值与ransac的粗配准算法对点云数据进行粗配准。

s3011，通过点的曲率表征三维模型的某个点与其邻域点所构成的曲面的弯曲程度，设定参考的点云集p＝{p1,p2…pn}，目标点云集为q＝{q1,q2…qn}；

s3012，在p中随机选取三个不同线的点{p1,p2,p3}，计算三个点{p1,p2,p3}之间的距离记为{l1,l2,l3}；

s3013，设定距离的取值范围为[λ0l0-l,λ0l0+l]，其中l0表示统计所有点与其最近的相邻点的距离的平均值，λ0为3时效果最优，l为调节因子，可取0.5l0；

s3014，在点云集q查找与点云集p中{p1,p2,p3}所对应的{q1,q2,q3}，由{p1,p2,p3}和{q1,q2,q3}计算得到刚体变换矩阵h；

s3015，点云集p经过变换矩阵h得到pq，假设pq中的pqi与q中的qi为一组对应对，计算pqi与qi之间的欧式距离δi，若δi小于阈值δ，则该点的一致性程度如式：

若δi大于阈值δ，则ωi＝1，两个点云模型之间的一致性程度可按式计算：

一般无法准确计算阈值δ，可采用l0的值来设定阈值δ。

3016，重复上述步骤，更新h为一致性程度最高的情况下的取值，经过k次迭代，完成两个点云的粗配准。

s302，在粗配准的结果上使用icp精配准进一步调整点云之间的位置，改善配准算法的效果。

假设有两点云集，分别为参考点云集p＝{pi∈r³,i＝1,2,...,n}和目标点云集q＝{qi∈r³,i＝1,2,...,m}，采用icp算法配准的具体流程为：

s3021，初始化参考点云集p和目标点云集q，设置最大迭代次数kmax。

s3022，在目标点云集q中，根据条件距离小于阈值distmax且||qi-pi||＝min，查找出距离最近的点与p中的点构成配对。

s3023，对误差函数，进行迭代，当达到设定的收敛条件时结束。

其中，r为旋转变换矩阵，t为平移变换矩阵，wi,j是配准权值，若参考点云集p与目标点云集q中的点配对正确则wi,j＝1，否则，wi,j＝0。

s3024，使用上式计算出最小情况下出旋转变换矩阵r，平移变换矩阵t。

s3025，按照计算出的变换矩阵对p进行变换，计算出最小二乘误差ek(rk,tk)。

s3026，若||ek-ek-1||＜ε，ε>0，则迭代终止，否则，k＝k+1。

s3027，判断k＜kmax是否满足，若是，则重复步骤s3025，否则配准结束。

s40，将配准完成的点云数据使用分割算法分割出单个目标物体的点云聚类，最终完成三维点云的识别。

具体为，为了完成三维点云的识别，就需要从众多点云数据中分割出单个目标物体的点云聚类，才能建立起单物体的模型数据库，完成后续的识别任务。

基于区域生长的分割算法具体如下：

s401，依据点云曲率值大小进行排序，将曲率值最小的点作为初始的种子点，将种子点加入到种子序列，并作为当前的聚类区域。

s402，确定当前种子点的k邻域的邻近点，计算当前种子点与邻近点的法线方向并进行比较，若种子点与某邻近点的法线方向夹角小于设定的平滑阈值，则将该邻近点划归到当前区域。

s403，寻找新的种子点，完成对种子点的更新。首先对当前种子点k邻域的邻近点曲率值进行计算，判断该点曲率值，若小于设定阈值，则将该点加入到种子点序列中，并移除当前的种子点，重复执行步骤(2)，当种子点序列为空时结束迭代。

s404，迭代执行，完成对所有的点所属区域的标记。

s405，得到单物体的点云聚类。

通过本发明实施例实现的电力作业场景的半自主式三维重建，提出了对多角度获取的点云数据使用基于特征点邻域曲率值、ransac的粗配准算法和icp精确配准算法进行处理，有效避免了传统配准算法中重合率低，需采样次数多，易受噪声点干扰的问题，提高了配准速度和精度并加快算法的收敛速度。最后通过基于区域生长的分割算法有效地避免分割不足和分割过度的弊端提高了点云识别的效率和准确度，最终提高了三维重建的效率。

应当理解，本文所述的示例性实施例是说明性的而非限制性的。尽管结合附图描述了本发明的一个或多个实施例，本领域普通技术人员应当理解，在不脱离通过所附权利要求所限定的本发明的精神和范围的情况下，可以做出各种形式和细节的改变。