一种面向点云数据的列车边界提取方法与流程

本发明涉及遥感科学技术领域，特别是一种面向点云数据的列车边界提取方法。

技术背景

随着激光测量技术和计算机技术的飞速发展，先进的产品表面数字化测量设备得到了推广应用。但是对于列车装卸货物来说主要还是依靠人工操作吊车或者是起重机，在相关工作人员的指挥下装卸，定位也是依靠人员指挥或者是操作人员的经验完成，这样就导致工作效率低下，不利于高效化管理操作。然而在国外有不少发达国家已经实现了将三维激光扫描仪之类的表面化数字测量设备用到了列车的装卸货物和定位中，实现了行业的高效率和自动化。

因此，改进我国列车装卸货物和定位存在自动化程度低、生产效率低、操作精度低等多方面的缺点，就显得尤为重要。

技术实现要素：

本发明的目的在于解决列车装卸货物和定位中存在的繁琐的工作，工作效率低的情况。选择用三维激光扫描仪获取出列车的点云，因为操作并不需要所有的环境点云，只需要点云边界信息以获得列车的尺寸位姿，进而做出决策，实现与周围环境的交互。点云边界不仅作为表达曲面的重要几何特征，而且作为求解曲面的定义域，对重建曲面模型的品质和精度起着重要的作用。

为了达到上述目的，本发明提供一种面向点云数据的列车边界提取方法。方法通过以下技术方案来实现，具体步骤如下：

1)列车点云的初始化处理；

2)列车点云边界确定及目标提取；

3)列车点云边界线的生成；

进一步地，步骤1)中所述列车点云的初始化处理的具体步骤如下：

1-1)用三维激光扫描仪取得列车的原始散乱点云。指从激光扫描仪中获取到列车相对于一个坐标原点的三维坐标(每个点对应一个三维坐标)，该原点可以是选定的任意固定点。激光扫描仪对整体点云的获取长宽至少要大于列车的长宽；

1-2)对点云用KD树来建立拓扑关系。指得到散乱列车点云中点与点之间的空间几何关系；

1-3)根据点云的实际分布情况进行滤波处理。指去掉列车点云中对求取边界无关的点云；

1-4)对于点云中存在的具有测量误差、离群值、表面空洞等情况，可通过点迭代算法重建。指通过点云重建算法得出列车点云的理想轮廓。

进一步地，步骤2)中所述列车点云边界确定及目标提取的具体步骤如下：

2-1)确定点云特征图像的宽W、高H以及地面采样间隔GSD；

2-2)确定每个格网(i,j)的特征值Fij；假设落在第(i,j)个格网中的激光扫描点个数为nij，格网(i,j)的中心点为P0＝(x0,y0,0)，利用nij个扫描点的三维坐标加权计算格网(i,j)的特征值Fij。

2-3)生成点云特征图像，将特征值Fij归化到0-255灰度空间，从而得到整个扫描区域的点云特征图像；

2-4)将k最近点拟合成最小二乘切平面，然后将点投影到该平面上；

2-5)利用数据点及其k邻域的分布是否均匀来判断边界特征点，而这种分布的均匀性度量标准采用k领域内向量之和的方式来提取边界点，当向量之和的大小与所有向量在同一方向时候达到最大值m的比值超过某一设定的阈值时则为边界点，否则为内部点。

进一步地，步骤3)中所述列车点云边界线的生成的具体步骤如下：

3-1)为了建立点与点之间的空间拓扑关系，需要将提取的边界点重新建立KD树，以方便k近邻搜索；

3-2)利用快速排序法来生成点云边界线。通过快速排序法获得夹角大小排序，再通过k最近邻算法相连得到列车边界。

与现有技术相比，本发明的有益效果为：

1)通过点云特征值Fij方法来生成点云的特征图像，从巨大的点云数据中选取典型特征值，提高了边界提取的快速性以及典型准确性。

2)通过采用k领域内向量之和的方法来提取边界点，其中将点投影到最小二乘切平面上的方式可以排除掉冗杂数据的干扰，通过选取其中典型特征数据可使结果更具有代表性。

3)总的来说，本发明中典型特征量的选取以及快速排序法获得夹角大小排序，再通过k最近邻算法相连得到列车边界。对点云边界线的生成，都有益于列车边界获取的快速性以及典型性的要求。

附图说明

为了使本发明的目的、技术方案更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明的整体框架示意图；

图2为列车点云的初始化处理中KD树建立拓扑关系的流程图；

图3为列车点云边界确定及目标提取中点云特征图像的生成的流程图；

图4为投影点集几何分布特征分析流程图；

图5为列车点云边界特征提取流程图；

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

基于本发明的整体框架实施例示意如图1所示，其步骤如下：

步骤一：用三维激光扫描仪获取列车的点云数据；

步骤二：KD树建立点云拓扑关系；

步骤三：滤波、表面重建；

步骤四：点云特征图像生成；

步骤五：k最近点拟合最小二乘切面、并投影点到平面上；

步骤六：提取列车点云边界特征点；

步骤七：列车点云边界线生成。

基于本发明的列车点云的初始化处理中KD树建立拓扑关系的流程实施例示意如图2所示，其步骤如下：

步骤一：求取三维点云x、y、z各个分量的中值。

步骤二：分别将对应分量中值作为KD树第0层，第1层和第2层的判别值。任意一个三维点Pi，KD树的第F层，则有n＝Fmod3，通过n值来确定x、y、z中的哪一个分量。当n＝0时，取x分量；当n＝1时，取y分量；当n＝2时，取z分量。

步骤三：比较划分判别值，小于判别值划分到左分支，大于分到右分支。当步骤二计算取得分量的值小于等于比较的判别值时，则将此三维点就划分至左分支；大于判别值时就划分至右分支。

步骤四：循环操作直至所有点都插入到KD树中，拓扑关系构建完毕。

基于本发明的列车点云边界确定及目标提取中点云特征图像的生成的流程实施例示意如图3所示，其步骤如下：

步骤一：确定点云特征图像的宽W、高H以及地面采样间隔GSD。通过点云数据，可以得知扫描区域的最大最小X、Y、Z坐标分别为：Xmin、Ymin、Zmin、Xmax、Ymax、Zmax，用户自定义地面采样间隔GSD,则有：

步骤二：确定每个格网(i,j)的特征值Fij。假设落在第(i,j)个格网中的激光扫描点个数为nij，格网(i,j)的中心点为P0^H＝(x0^H,y0^H,0)，利用nij个扫描点的三维坐标加权计算格网(i,j)的特征值Fij。为了确定落在单元格(i,j)内每个(如第k个点，0＜k≤nij)的权值Wijk。将格网的特征值Fij计算分为两个部分：第一部分由格网中所有点与格网中心点之间的XOY平面距离Dij^k决定；第二部分由格网中所有点与格网中最低点之间的高程差异Hij^k决定。

式中，Wijk^XY、Wijk^H分别为扫描点k与格网点中心的距离权值以及扫描点k高程的权值。hmin(ij)、hmax(ij)分别为格网(i,j)中的最小高程和最大高程，Zmax、Zmin分别是整个扫描区域的最大高程和最小高程。设Zijk为格网(i,j)中的第k个点P(i,j,k)的高程值，则Hij^k＝Zij^k-Zmin。Wijk^XY反映了离散点与格网中心点的平面距离对格网中心点特征值的贡献。Wijk^H反映了格网内离散点的高程对格网中心点特征值的贡献。

通过设定不同的α、β值，采用IDW内插方法可以计算出格网(i,j)的特征值，其描述为：

步骤三：生成点云特征图像。将格网特征值Fij归化到0-255灰度空间即可得到格网对应的点云特征图像。

基于本发明的为投影点集几何分布特征分析流程实施例示意如图4所示，其步骤如下：

步骤一：将点集X向其切平面投影所示，其投影点集为X＝{(xi,yi,zi|i＝0,1,…,k)}。以当前点的投影点Pi为起始点，Ni为终点定义向量PiNj，其中任取一向量PiNj-1,求其与微切平面法向量的叉积v，及其他向量与向量PiNj-1和v的夹角αi，βj,若βj≥90°，则αj＝360°-αj。

步骤二：利用快速排序法将夹角αj从大到小排序，则相邻向量间的夹角可表示为:

基于本发明的列车点云边界特征提取流程实施例示意如图5所示，其步骤如下：

步骤一：基于相邻向量间的最大角δmax大于角度阈值ε时，可判断当前点为边界点。

步骤二：对于已判断的边界点中选取一个点作为种子点，然后沿着一个固定方向(顺时针或者是逆时针方向)，通过搜索距离种子点最近的另外一个边界点Bi,再搜索距离Bi最近且未搜索的边界Bi+1,…,直到又搜索到种子点位置。这样就成功跟踪出所要分离的目标边界点。