一种密闭空间快速三维模型重构方法

1.本发明涉及密闭空间点云数据采集及快速实时精确构网领域，具体涉及一种实时快速网格模型重建方法和网格模型优化技术。


背景技术：

2.传统的点云数据三维重建方法一般都是属于“内业”，即通过采集设备收集完数据导出后在计算机上对其进行构网。这样传统的构网方法不仅繁琐，时间效率低而且算法复杂，已经无法满足现在很多的工业需求。因此很多快速构网的方法应运而生。随着现在设备的升级和技术的改进，基于各种slam采集的快速构网程序成为了当下的热点，提高三维重建的效率已经具有了无限的前景。
3.当下针对密闭环境的快速构网程序并不多。因为其难点就在于像隧道、煤矿这种昏暗密闭的环境进行数据特征识别和提取，光照弱，对动态物体采集难度大。再者是在密闭环境下的实时快速、高效的构网。复杂昏暗的环境下本身给数据采集就带来了难度，另一方面现有的构网程序面对这种点云数据庞大、分布多样的时候，效果差且消耗时间太长，无法做到实时快速，影响很多后续研究分析工作的效率、准确性。


技术实现要素：

4.为了解决上述现有技术中存在的不足，本发明提出了一种实时快速网格模型重建方法和网格模型优化技术。
5.本发明提供一种密闭空间快速三维模型重构方法，包括以下步骤，
6.步骤1，密闭空间手持slam系统数据采集，包括使用带可见光摄像头的采集设备，在密闭空间采集目标物的颜色和纹理信息；
7.步骤2，密闭空间三维点云生成，包括以一帧的激光雷达为基准，通过邻近时间且包含此帧的激光雷达的所有imu数据进行预积分处理，对每一个点云的点实现位姿补偿；
8.步骤3，采集点云的预处理，包括对点云用统计滤波方式进行去噪，并进行数据精简，减少数据冗余并提高存储和运行效率；
9.步骤4，快速三维构网，包括在采集点云的同时对校正后的点云进行三角剖分，初始化边界圆快速构网所需圆半径参数，计算出每个三角面片的法线向量，以此计算结果确定边界线，进行alpha-shape构网；
10.步骤5，模型优化，包括遍历每个点，判定存在的空洞三角形，并将找到的空洞三角形建立外接圆然后删除三角形，剩下的多边形中将顶点包含辅助窗口的三角形全部删除，从而实现对漏洞的自动填充修补。
11.而且，步骤1包括以下子步骤，
12.步骤1.1，针对不同的环境设置手持slam采集参数；
13.步骤1.2，数据采集，包括激光和imu数据；
14.步骤1.3，求出传感器相对于初始位姿的位姿变换，最后统一到传感器起始位姿坐
标系下，实现传感器位姿状态的更新。
15.而且，步骤2包括以下子步骤，
16.步骤2.1，寻找配对数据，以激光雷达为基准，找到包含激光雷达一帧的点的起始、结束时刻的imu数据；
17.步骤2.2，imu数据积分处理，以第一个imu为基准坐标，依次积分所有的imu数据，使每一个imu都得到一个对应位姿；
18.步骤2.3，计算激光雷达相对位姿，然后插值出这个激光雷达时刻的姿态，并将这个imu坐标系下的姿态转换成激光雷达坐标系相对于第一个imu坐标系的姿态；
19.步骤2.4，将整个点云的点按照步骤2.3的处理结果，对每一个点进行运动补偿并生成校正后的点云。
20.而且，步骤3包括以下子步骤，
21.步骤3.1，点云去噪，通过统计滤波，预先指定一个阈值，对整体点云剔除测量噪声点；
22.步骤3.2，数据精简，将构建三维场景点云中的操作前置，减少数据冗余并提高存储和运行效率。
23.而且，步骤4包括以下子步骤，
24.步骤4.1，首先对校正后的点云进行三角剖分，初始化边界圆快速构网算法中的圆半径参数，计算出每个三角面片的法线向量；
25.步骤4.2，确定边界线，进行alpha-shape构网。
26.而且，步骤5包括以下子步骤，
27.步骤5.1，遍历每个点，寻找空洞三角形；
28.步骤5.2，将找到的空洞三角形分别建立外接圆并删除三角形，得到剩下的多边形；
29.步骤5.3，将顶点包含辅助窗口的三角形全部删除，得到优化后的三角网。
30.而且，对特殊区域进行约束，避免被当作漏洞修补；同时最终模型支持用户用于人为编辑，以校正自动优化出现的错误点、错误线和错误面。
31.而且，用于昏暗密闭环境的快速实时构网。
32.而且，所述昏暗密闭环境为隧道或煤矿快速实时构网。
33.本发明带来了如下的积极效果：
34.1)本发明实现密闭空间场景数据快速采集和实时回传，支持通过可视化平台按时间进度查看数据。其中，数据包括：激光雷达扫描数据，惯导传感器感应数据以及其他辅助传感器产生的数据；
35.2)本发明通过点云的预处理，对密闭环境中采集的点云进行有效的校正，提高隧道、巷道、煤矿等昏暗密闭环境的数据特征识别、提取。
36.3)本发明提出了实时现场三维场景建模自动化，以准实时方式实现地下工程场景快速重构。通过数据去噪、数据精简来保障实时重构的速度和准确性，结合alpa shape构网算法提高了密闭空间下的效率和精度，使最终模型的精度达到厘米级，网格模型的精度与实际场景之间的最大尺寸误差不超过10厘米。
37.4)本发明可基于重构的场景模型，通过现在主流的点云可视化软件实现基本的交
互和分析功能，如定位、量距、平移和旋转、点云分割标注等；可帮助使用者在采集过程中对三维模型进行操作。
38.本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。
附图说明
39.图1为本发明实施例的快速构网示意图。
40.图2为本发明实施例的在点云数据采集过程中同步构建网格示意图。
41.图3为本发明实施例的网格优化流程图。
具体实施方式
42.以下结合附图和实施例具体说明本发明的技术方案。
43.本发明公开了一种密闭空间三维模型重构方法，可对隧道、巷道、煤矿等昏暗密闭环境的进行快速实时构网的方法。发明针对密闭空间内的三维模型重构，通过对环境设置相应的参数来更有效的采集数据，包括了激光雷达、imu数据。然后通过激光雷达和imu的数据配对，将二者起始时间对齐并对imu进行预积分，以此来对每个点进行运动补偿，校正得到更精确的点云数据。并对点云进行去噪、精简，为后面构网程序降低数据量并提高精度。快速构网采用的是alpha shape构网，它可以保证效果的同时快速完成构网，并设置了可选项“模型优化”，使用者可根据需求对构网的结果进行漏洞修补。该方法着重解决了密闭昏暗空间点云采集的精度，支持隧道、巷道、煤矿等昏暗密闭环境的数据特征识别、提取。并且支持采集设备的位姿解算，具备每秒处理不少于30万点的点云数据处理能力，能实时显示提取的特征点。方便使用者外业采集过程中实时查看结果。点云的预处理不仅校正了点云的位姿，还降低了点云的数据量，为后续构网减少计算量。构网程序通过快速实时构网和模型优化两部分实施，以alpha shape和后期漏洞修复相结合的方法，为快速三维模型重构提供了一种新思路。
44.本发明实施例提出的一种密闭空间快速三维模型重构方法，包括以下步骤：
45.步骤1)密闭空间手持slam系统数据采集，优选实现建议为：使用带可见光摄像头的采集设备。能够采集目标物的颜色，纹理信息。特点在于扫描速率不小于50万点/秒，扫描精度不低于0.1毫米，分辨率不低于0.5毫米，这保证了在煤矿、巷道的密闭空间中能够快速、精确地进行点云数据采集。同时与本发明提出的采集构网方法结合以支持点云配准，保证在采集环境数据中实时显示采集设备的位置，并具备单次建模能够支持不低于5gb点云数据的点云配准能力。
46.该步骤主要是设置手持slam采集参数，数据收集使用的激光雷达与计算机之间的通信采用以太网介质，使用udp协议。使用设备的时候，需要把计算机的ip设置为与设备同一网段上，例如192.168.1.x(x的取值范围为1～254)，子网掩码为255.255.255.0。数据收集使用的imu通过串口与计算机连接。由于不同imu器件的驱动和数据格式各不相同，需要使用厂商提供的ros驱动进行imu数据的读取，并以“sensor_msgs::imu”的消息格式进行发布。其中包含imu数据的获取时间、imu器件的角速度以及imu器件的线加速度等信息。通过这些快速实时采集的数据回传，统一到全局坐标系下，寻找后一帧激光点云中的每一个激
光点与前一帧激光点云中的对应点，求解得到对应关系，即传感器相对于初始位姿的位姿变换。最后统一到传感器起始位姿坐标系下，实现传感器位姿状态推算，并支持在可视化端实时显示。该过程使用到的特征指标有：
47.①
支持隧道、巷道、煤矿等昏暗密闭环境的数据特征识别、提取。
48.②
可支持实时显示快速采集的点云。
49.③
支持点云配准，融合不同数据帧中的点云，显示融合后的点云数据。
50.④
具备单次建模能够支持不低于5gb点云数据的点云配准能力。
51.具体实施时可采用以下子步骤实现：
52.步骤1.1，针对不同的环境设置手持slam采集参数，本步骤具体实施时可根据具体环境设置经验值；
53.步骤1.2，数据采集，包括激光和imu数据；
54.步骤1.3，求出传感器相对于初始位姿的位姿变换，最后统一到传感器起始位姿坐标系下，实现传感器位姿状态的更新。
55.步骤2)密闭空间三维点云生成，包括对点云数据进行预积分。即以一帧的激光雷达为基准，通过邻近时间且包含此帧的激光雷达的所有imu数据进行预积分处理，对每一个点云的位姿补偿。
56.该步骤首先是针对前面数据的采集进行帧内校正，即以激光雷达为基准利用一帧点云时间段内的imu数据，以第一个imu为基准坐标，依次积分所有的imu数据，使每一个imu都得到一个对应位姿。找到包含一帧激光雷达数据结束时刻的最邻近的左右侧imu，得到其姿态和时间。然后插值出这个激光雷达时刻的姿态，并将这个imu坐标系下的姿态转换成激光雷达坐标系相对于第一个imu坐标系的姿态。然后按照计算出的每一个点相对于帧内第一个点的变换矩阵进行运动补偿。再将将点云从传感器局部坐标系转换到世界坐标系中，实现点云的生成。该过程使用到的特征指标有：
57.①
具备每秒处理不少于30万点的点云数据处理能力。
58.②
快速生成高精度的环境点云
59.具体实施时可采用以下子步骤实现：
60.步骤2.1，寻找配对数据，以激光雷达为基准，找到包含激光雷达一帧的点的起始、结束时刻的imu数据；
61.步骤2.2，imu数据积分处理，以第一个imu为基准坐标，依次积分所有的imu数据，使每一个imu都得到一个对应位姿；
62.步骤2.3，计算激光雷达相对位姿，然后插值出这个激光雷达时刻的姿态，并将这个imu坐标系下的姿态转换成激光雷达坐标系相对于第一个imu坐标系的姿态；
63.步骤2.4，将整个点云的点按照步骤2.3的处理结果，对每一个点进行运动补偿并生成校正后的点云。
64.步骤3)采集点云的预处理，包括对点云用统计滤波进行去噪。并对数据进行精简，减少数据冗余并提高存储和运行效率。
65.该步骤主要包括了数据去噪和数据精简。数据去噪基于扫描线和整体点云两个方面。前者设置一个滑动窗口和距离阈值，计算扫描线上的每一个点与其两侧邻域内的点的距离，将距离大于阈值的点认定为扫描线上的噪声点，并将其剔除。保证每条扫描线上的点
应该在一定的邻域内光滑。后者则是使用统计滤波的方法，从整体点云数据中集中剔除测量噪声点。对每个点的邻域进行统计分析，计算它到所有相邻点的平均距离，剔除距离均值较大的离群点。数据体现在针对不同场景的点云降采样和动态目标点云的剔除。在数据处理的前期缩减数据的体量，只保留数据中对后续处理有作用的信息，进而减小程序开销，保证数据处理的快速实时性。点云降采样使用了pcl点云库，将点云空间划分为若干个指定尺寸的三维体素网格，每个体素网格中只取一个点进行保留，进而实现了对密集点云的空间降采样。动态目标点云剔除利用了点云在相邻时间和空间下的相似性，通过点云在相邻时空下的可观性筛选动态点，并根据目标聚类图以聚类目标为单位确定动态目标。该过程使用到的特征指标有：
66.具体实施时可采用以下子步骤实现：
67.步骤3.1，点云去噪，通过统计滤波，预先指定一个阈值，对整体点云剔除测量噪声点。
68.步骤3.2，数据精简，将构建三维场景点云步骤中的一些操作前置，变为事先或事中处理；减少数据冗余并提高存储和运行效率。
69.步骤4)alfa shape构网，包括在采集点云的同时对校正后的点云进行三角剖分，初始化α圆半径，计算出每个三角面片的法线向量。以此计算结果确定边界线，进行alfa shape构网。此同步构网过程比最新一帧点云融合的时间延迟不超过10秒。并且得到的最终模型精度达到厘米级，网格模型的精度与实际场景之间的最大尺寸误差不超过10厘米。并将实时采集的点云以及同步的构网结果同步加载显示，支持网格模型和点云分层显示。
70.如图1所示，快速三维构网算法主要分为三个步骤。即imu补偿校正点云畸变，边界圆快速构网算法和基于优化的德劳内算法。第一步是利用激光雷达形成一帧点云时间段内的imu数据，补偿由于运动造成的激光雷达点云的畸变，从而在采集过程中实时生成精确位姿的场景点云。随后通过三点作半径为α的球来判断边界点，这就是边界圆快速构网算法。而其核心就是最后一步基于优化的德劳内的α形构网算法，它保证了快速构网以及点云采集和构网实时同步。此步骤首先对散乱点集进行德劳内三角剖分，然后对剖分结果中的每个单纯形(四面体、三角面、边、顶点)分别计算其属于α形的取值区间，若参数α值位于预先设置的取值区间内则保留该单纯形，若α值不在该取值区间内则删除该单纯形。然后对剖分的结果中单纯形计算边界区间。最后运用alpha-shape算法，在上一步计算出的边界点处建立三角片面，重构出曲面。该过程使用到的特征指标有：
71.①
在点云数据采集过程中、同步构建网格(如图2所示)。在密闭环境中每采集到一帧的点云，系统就会进行上述的快速三维构网算法。首先对点云通过imu进行运动畸变补偿。然后基于边界圆算法得到的边界点进行优化的德劳内算法构网。并利用上一步点云生成的初始网格进行三角网结构的更新，包括对上一步构建的初始网格中的“漏洞”(点云缺失的部分)进行自动填充，修补，以及对场景中的“特殊区域”(例如场景中的壁龛、门洞)进行约束，避免被当作“漏洞”修补。最终生成符合采集点云表达对象的最优凸包网格。同时保证了算法的实时性和可靠性，构网过程与数据采集同步进行，在接收到场景点云的数秒内进行3d激光雷达点云校正和三维表面网格生成、漏洞修复，使得系统能在采集过程中实时构建显示出场景的三维点云和三维表面模型。
72.②
数据采集与场景模型重构同步进行，表现为同步构面过程比最新一帧点云融合
的时间延迟不超过10秒。
73.③
场景建模总时间与数据采集时间的比值小于5。
74.具体实施时可采用以下子步骤实现：
75.步骤4.1，首先对校正后的点云进行三角剖分，初始化α圆半径，计算出每个三角面片的法线向量；
76.步骤4.2，根据前面计算的结果确定边界线，进行alpha-shape构网。
77.步骤5)模型优化，包括遍历每个点，自动判定可能存在的空洞三角形。并将找到的空洞三角形建立外接圆删除三角形，剩下的多边形中将顶点包含辅助窗口r的三角形全部删除，从而实现对漏洞的自动填充、修补。特别是可对门洞等特殊区域进行人为约束，避免被当作漏洞修补。同时最终模型支持人为编辑，以校正自动优化可能出现的错误点、错误线、错误面。
78.网格模型优化设计用于生成一般平面、表面和体积域的高质量三角形和多面体分解。是对快速构网的记过进行三角网结构的更新的可选项，包括对上一步构建的初始网格中的“漏洞”(点云缺失的部分)进行自动填充，修补。以及对场景中的“特殊区域”(例如场景中的壁龛、门洞)进行约束，避免被当作“漏洞”修补。如图3所示，模型优化通过构造一个“超级三角形”，包含所有散点，将它们放入三角形链表。再将点集中的散点依次插入，在三角形链表中找出外接圆包含插入点的三角形(称为该点的影响三角形)，删除影响三角形的公共边，将插入点及影响三角形的全部顶点连接起来，完成一个点在德劳内三角形链表中的插入。根据优化准则对局部新形成的三角形优化，将形成的三角形放入德劳内三角形链表。循环执行插入散点后的步骤，直至所有散点插入完毕。最终实现在数据采集和初始网格生成的同时快速进行优化，生成符合采集点云表达对象的最优凸包网格。
79.具体实施时，优化部分可采用以下子步骤实现：
80.步骤5.1，通过设置的参数遍历每个点，寻找可能存在的空洞三角形；
81.步骤5.2，将找到的空洞三角形分别建立外接圆并删除三角形，得到剩下的多边形；
82.步骤5.3，将顶点包含辅助窗口r的三角形全部删除，得到优化后的三角网。
83.通过以上流程，本发明通过采集系统和参数设置可准确的采集密闭空间点云。然后用imu进行预积分，补偿每个点云的运动畸变。随后对点云进行预处理，降低数据冗余并提高精度。快速构网采用的是alpha shape构网，此过程与采集点云的显示同步，且最终模型精度达到厘米级。并可进行模型优化，修补漏洞，约束特殊区域，为快速三维模型重构提供了一种新思路。
84.具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
85.在一些可能的实施例中，提供一种密闭空间快速三维模型重构系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种利用几何畸变参数进行无人机光谱影像辐射标定方法。
86.在一些可能的实施例中，提供一种密闭空间快速三维模型重构系统，包括可读存
储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种利用几何畸变参数进行无人机光谱影像辐射标定方法。
87.本文中所描述的具体实施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施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。