CN113340266A - 一种室内空间测绘***及方法 - Google Patents
一种室内空间测绘***及方法 Download PDFInfo
- Publication number
- CN113340266A CN113340266A CN202110613003.2A CN202110613003A CN113340266A CN 113340266 A CN113340266 A CN 113340266A CN 202110613003 A CN202110613003 A CN 202110613003A CN 113340266 A CN113340266 A CN 113340266A
- Authority
- CN
- China
- Prior art keywords
- indoor space
- point cloud
- sub
- voxel
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种室内空间测绘***及测绘方法,包括:数据获取模块,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;识别模块,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;建立模块,用于基于所述尺度数据自动绘制出室内空间的三维空间模型,方便智能快捷,节省时间,节省人力物力,一切都由仪器自动完成,实用性较强。
Description
技术领域
本发明涉及智能测绘领域,特别涉及一种室内空间测绘***及方法。
背景技术
随着我国房地产业的不断发展,室内空间测绘被应用域房地产上,现有楼宇建造往往在土建工程后连带实施装修工程,由于土建工程的输出结果都有一定范围的误差,往往需要根据每一施工现场的具体土建工程情况实测实量,效率低下且不准确,并且需要依靠人工识别门、窗、拐角类型、墙体方向,过程繁琐,并且无法自动生成室内空间的三维空间模型,无法满足现代化装修的需求。
因此,本发明提供一种室内空间测绘***及其方法。
发明内容
本发明提供一种室内空间测绘***及其方法,本发明采用数据采集模块按照顺时针的顺序测绘室内空间,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;建立模块根据测量得到的数据自动绘制出室内空间的三维空间模型,方便智能快捷,节省时间,节省人力物力,一切都由仪器自动完成,实用性较强。
本发明提供一种基于测绘仪的室内空间测绘***,包括:
数据获取模块,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
识别模块,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
建立模块,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
在一种可能实现的方式中,
所述数据获取模块,包括:
激光采样单元,用于对室内空间进行顺时针激光扫描,获得标准激光坐标系下的室内空间的激光点云数据;
图像采样单元,用于对室内空间进行顺时针图像扫描,获取标准图像坐标系下的室内空间的图像数据;
轨迹捕捉单元,用于捕捉所述数据获取模块的运动轨迹。
在一种可能实现的方式中,
所述激光采样单元包括:
激光测距传感器,用于测量激光点云数据距离标准激光坐标系原点的距离;
拐角距离感应器,用于测量室内空间拐角处距离标准图像坐标系原点的距离;
所述图像采样单元包括:
摄像头,用于对室内空间进行图像拍摄;
轨迹捕捉单元,包括:
电子罗盘,用于采集数据获取模块的转动角度;
重力感应器,用于采集数据获取模块的加速度方向;
处理器,用于根据转动角度和加速度方向获得数据获取模块运动轨迹。
在一种可能实现的方式中,
所述识别模块,包括:
预处理单元:用于基于预设的激光采样单元和图像采样单元的相对位置关系,建立标准激光坐标系与标准图像坐标系的关系模型,从而得到标准激光坐标系中点位与标准图像坐标系中点位的转换关系,并将所述转换关系改写为矩阵形式,获得激光点和图像像素点之间的映射矩阵;
直线检测单元:基于预设的高斯滤波器对预设时间节点的图像数据进行平滑滤波,并对滤波后的图像数据进行计算,获得图像数据在x轴方向和y轴方向的偏导,从而获得图像数据的梯度图像,并对梯度图像进行抑制处理,获得细化梯度幅值阵列,并对细化梯度幅值阵列进行双阈值化处理:
对于梯度幅值低于低阈值的点和高于高阈值的点,将其设为边缘点;对于梯度幅度处于双阈值之间的点,查看其周围预设数目个邻接点,若所述邻接点中存在边缘点,则将幅度处于双阈值之间的点设定为边缘点,否则该点设定为非边缘点,并剔除,从而获得预设时间节点图像数据的边缘点集合;
校准单元:基于映射矩阵将预设时间节点的激光点云数据映射至图像数据中,获得若干子时间节点的二值图像,并对预设时间节点的激光点云数据进行读取,获得激光点云的深度信息,并基于预设的添加算法和激光点云的深度信息对二值图像进行颜色添加,获得初始深度图像,并基于初始深度图像中的已添加像素点对初始深度图像进行像素扩展,获得扩展图像,并在扩展图像找出与边缘点集合所对应的映射点集合,并分别映射点集合和边缘点集合进行计算,获得坐标偏移量,并基于坐标偏移量对映射矩阵进行校准,获得校准映射矩阵;
融合单元:基于校准映射矩阵对每一子时间节点的激光点云数据和图像数据进行融合,获得若干子彩色点云,并分别对子彩色点云进行坐标分解,并基于预设转换算法和数据获取模块的运动轨迹获得不同子彩色点云坐标的变换关系,并基于变换关系对若干子彩色点云进行融合,获得彩色点云数据。
在一种可能实现的方式中,
所述识别模块,还包括:
过滤单元:用于获得彩色点云数据中每一彩色子点云到该彩色子点云邻域的欧式距离,并基于欧式距离与预设范围的关系对判断是否对该彩色点云数据进行滤除:
若欧式距离不在预设范围内,则删除该彩色子点云;
否则,保留该彩色子点云,从而获得过滤后的彩色点云数据;
处理单元:基于过滤后的彩色点云数据构建根节点,并基于预设的分割算法和预设的分割精度对根节点进行分割,从而获得若干子终节点,并对子终节点进行判别:
若子终节点中不包含彩色子点云,则表明该子终节点为空节点,并删除该子终节点;
若子终节点中包含彩色子点云,则表明该子终节点为非空节点,并保留该子终节点,从而获得室内空间的体素模型;
计算单元:基于预设的拟合算法对体素模型进行表面拟合,获得体素模型的表面结构,并对所述体素模型中每一子体素进行切面估计,从而获得子体素的子切线平面,并基于预设法向量算法对子切线平面进行计算,从而获得子体素的法向量,并基于子体素的法向量通过计算获得每一子体素法向量的标准差,并选取标准差最小的子体素作为种子体素;
分类单元:若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角小于预设值,则将该邻域体素与种子体素归为同类体素;
若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角不小于预设值,则将该邻域体素作为当前种子体素,并判断当前种子体素与其邻域体素的法向量与种子体素法向量的之间的夹角是否小于预设值:
若是则将该邻域体素与种子体素归为同类体素,否则将当前种子体素的邻域体素作为当前种子体素继续进行分类,直至体素模型中的每一子体素都完成分类,从而获得若干组具有相似特征的体素聚类;
识别单元:在体素聚类中选取相邻体素小于预设值的体素为子边界体素,从而获得边界体素集合,并以子边界体素为中心,对子边界体素的周围子体素进行判别:
若周围子体素与表面结构的距离不小于预设值,则剔除该周围子体素;
若周围子体素与表面结构的距离小于预设值,则将该周围子体素与子边界体素归为同一平面,从而获得室内空间的结构模型;
基于预设的分类器对结构模型进行识别,获得室内空间的墙体信息、门信息以及窗户信息。
在一种可能实现的方式中,
所述识别模块还用于根据如下公式计算实际墙体长度与图像数据中墙体长度的比例:
其中,D为实际墙体长度与图像数据中墙体长度的比例,d为数据获取模块到墙体的顶端距离,dp为数据获取模块到墙体的水平距离,ζ为基于数据获取模块获取的墙体所占的像素长度;θ为所述数据获取模块基于墙体的水平偏移角度,取值为[0°,5°],j为所述数据获取模块的测量精度,取值为j=0.98;
所述识别模块还用于根据实际墙体长度与图像数据中墙体长度的比例以及图像数据中各墙体的像素距离,计算获得各墙体的实际长度。
在一种可能实现的方式中,
建立模块,用于基于预设构建算法和所述各个墙体的实际长度自动绘制出室内空间的三维空间模型。
在一种可能实现的方式中,
所述建立模块,还包括:
第一计算单元,用于根据如下公式计算室内空间中激光点云数据的冗余度:
其中,β表示激光点云数据的冗余度;i表示预设时间节点中激光点云数据中直线段的编号;n表示预设时间节点中激光点云数据中直线段的总个数;fi表示预设时间节点中第i个直线段长度与激光点云数据中直线段平均长度的比例,且取值范围为(0.8,1);表示预设时间节点中第i个直线段重心与激光点云数据中直线段平均重心的匹配度;θi表示预设时间节点中第i个直线段角度与激光点云数据中直线段平均角度的匹配度;表示预设时间节点中第i个直线段置信度与激光点云数据中直线段平均置信度的比例;μ表示基于激光点云数据确定的所述室内空间所对应的拐角的数量,且取值范围为(0,20);
第二计算单元,用于根据如下公式,计算室内空间中激光点云数据的完整度;
其中,γ表示室内空间中激光点云数据的完整度,且取值范围为(0%,100%);L表示基于所述数据采集模块采集的室内空间的数据容量;
当所述激光点云数据的完整度大于预设值时,表明室内空间中激光点云数据采集完毕;
当所述激光点云数据的完整度不大于预设值时,表明室内空间中激光点云数据未采集完毕,所述数据获取模块继续进行采集。
本发明提出一种室内空间测绘方法,包括:
步骤1,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
步骤2,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
步骤3,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种室内空间测绘***的结构图;
图2为本发明实施例中数据获取模块的结构图;
图3为本发明实施例中识别模块的结构图;
图4为本发明实施例中识别模块的另一结构图;
图5为本发明实施例中建立模块的结构图;
图6为本发明实施例中一种室内空间测绘方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本发明实施例提供一种室内空间测绘***,如图1所示,包括:
数据获取模块,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
识别模块,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
建立模块,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
在本实施例中,所述数据获取模块包括内部设置有电子罗盘、激光测距传感器、重力感应器、拐角距离感应器以及无线发射器。
在本实施例中,必须测量区域为墙体和拐角区域;
在本实施例中,非必须测量区域为门窗区域;
在本实施例中,尺度数据为各部分结构的长度数据;
上述方案的有益效果为:通过对室内空间中的墙面、拐角门窗、走廊进行识别,并进行测量,从而根据各项测量数据自动绘制出室内空间的三维空间模型,方便智能快捷,节省时间,节省人力物力,一切都由仪器自动完成,实用性较强。
实施例2
本发明实施例提供一种的室内空间测绘***,如图2所示,包括:
所述数据获取模块,包括:
激光采样单元,用于对室内空间进行顺时针激光扫描,获得标准激光坐标系下的室内空间的激光点云数据;
图像采样单元,用于对室内空间进行顺时针图像扫描,获取标准图像坐标系下的室内空间的图像数据;
轨迹捕捉单元,用于捕捉所述数据获取模块的运动轨迹。
上述方案的有益效果为:通过顺时针顺序对室内空间进行激光扫描和图像扫描确保了数据的完整性,并且可以根据数据获取模块的运动轨迹将激光点云数据和图像数据进行融合。
实施例3
本发明实施例提供一种室内空间测绘***,如图2所示,包括:
所述激光采样单元包括:
激光测距传感器,用于测量激光点云数据距离标准激光坐标系原点的距离;
拐角距离感应器,用于测量室内空间拐角处距离标准图像坐标系原点的距离;
所述图像采样单元包括:
摄像头,用于对室内空间进行图像拍摄;
轨迹捕捉单元,包括:
电子罗盘,用于采集数据获取模块的转动角度;
重力感应器,用于采集数据获取模块的加速度方向;
处理器,用于根据转动角度和加速度方向获得数据获取模块运动轨迹。
上述方案的有益效果为:通过激光测距传感器、距离感应器、拐角距离感应器、电子罗盘、重力感应器进行数据采集,确保了数据的准确性,提高了数据的可信度。
实施例4
本发明实施例提供一种室内空间测绘***,如图3所示,包括:
所述识别模块,包括:
预处理单元:用于基于预设的激光采样单元和图像采样单元的相对位置关系,建立标准激光坐标系与标准图像坐标系的关系模型,从而得到标准激光坐标系中点位与标准图像坐标系中点位的转换关系,并将所述转换关系改写为矩阵形式,获得激光点和图像像素点之间的映射矩阵;
直线检测单元:基于预设的高斯滤波器对预设时间节点的图像数据进行平滑滤波,并对滤波后的图像数据进行计算,获得图像数据在x轴方向和y轴方向的偏导,从而获得图像数据的梯度图像,并对梯度图像进行抑制处理,获得细化梯度幅值阵列,并对细化梯度幅值阵列进行双阈值化处理:
对于梯度幅值低于低阈值的点和高于高阈值的点,将其设为边缘点;对于梯度幅度处于双阈值之间的点,查看其周围预设数目个邻接点,若所述邻接点中存在边缘点,则将幅度处于双阈值之间的点设定为边缘点,否则该点设定为非边缘点,并剔除,从而获得预设时间节点图像数据的边缘点集合;
校准单元:基于映射矩阵将预设时间节点的激光点云数据映射至图像数据中,获得若干子时间节点的二值图像,并对预设时间节点的激光点云数据进行读取,获得激光点云的深度信息,并基于预设的添加算法和激光点云的深度信息对二值图像进行颜色添加,获得初始深度图像,并基于初始深度图像中的已添加像素点对初始深度图像进行像素扩展,获得扩展图像,并在扩展图像找出与边缘点集合所对应的映射点集合,并分别映射点集合和边缘点集合进行计算,获得坐标偏移量,并基于坐标偏移量对映射矩阵进行校准,获得校准映射矩阵;
融合单元:基于校准映射矩阵对每一子时间节点的激光点云数据和图像数据进行融合,获得若干子彩色点云,并分别对子彩色点云进行坐标分解,并基于预设转换算法和数据获取模块的运动轨迹获得不同子彩色点云坐标的变换关系,并基于变换关系对若干子彩色点云进行融合,获得彩色点云数据。
在本实施例中,相对位置关系为激光采样单元和图像采样单元在数据获取模块中的相对位置;
在本实施例中,关系模型,为基于激光采样单元和图像采样单元相对位置关系所建立的坐标转换模型;
在本实施例中,转换关系将标准图像坐标系中转换至标准激光坐标系的坐标变换关系;
在本实施例中,映射矩阵为转换关系的矩阵形式;
在本实施例中,预设数目个为周围8个邻接点;
在本实施例中,边缘点集合为边缘点所构成的集合;
在本实施例中,预设时间节点为每个采样周期的第二个时刻;
在本实施例中,扩展图像为基于初始深度图像中的已添加像素点对初始深度图像进行像素扩展后得到的图像;
在本实施例中,映射点集合为将边缘点集合映射至标准激光坐标系后对应的点集;
在本实施例中,校准映射矩阵为经过标准图像坐标系中转换至标准激光坐标系的坐标变换关系;
在本实施例中,图像数据在x轴方向和y轴方向的偏导为图像数据分别在x轴和y轴上的梯度变化率;
在本实施例中,抑制处理为对梯度变化率超过预设阈值的区域进行细分;
在本实施例中,深度信息为激光点云与数据采集模块之间的距离信息;
在本实施例中,预设添加算法为卡尔曼颜色添加算法;
在本实施例中,像素扩展为基于有颜色的像素,对周围没有颜色的像素进行颜色扩展;
在本实施例中,偏移量为基于映射算法获得的结果和实际的映射之间的偏移量;
在本实施例中,彩色点云为包含颜色信息的激光点云数据;
上述方案的工作原理及其有益效果为:通过对激光点和图像像素点进行预处理、直线检测、校准、融合,将激光点云数据和图像数据进行融合,为后续流程提供了必要的前提条件。
实施例5
本发明实施例提供一种室内空间测绘***,如图4所示,包括:
所述识别模块,还包括:
过滤单元:用于获得彩色点云数据中每一彩色子点云到该彩色子点云邻域的欧式距离,并基于欧式距离与预设范围的关系对判断是否对该彩色点云数据进行滤除:
若欧式距离不在预设范围内,则删除该彩色子点云;
否则,保留该彩色子点云,从而获得过滤后的彩色点云数据;
处理单元:基于过滤后的彩色点云数据构建根节点,并基于预设的分割算法和预设的分割精度对根节点进行分割,从而获得若干子终节点,并对子终节点进行判别:
若子终节点中不包含彩色子点云,则表明该子终节点为空节点,并删除该子终节点;
若子终节点中包含彩色子点云,则表明该子终节点为非空节点,并保留该子终节点,从而获得室内空间的体素模型;
计算单元:基于预设的拟合算法对体素模型进行表面拟合,获得体素模型的表面结构,并对所述体素模型中每一子体素进行切面估计,从而获得子体素的子切线平面,并基于预设法向量算法对子切线平面进行计算,从而获得子体素的法向量,并基于子体素的法向量通过计算获得每一子体素法向量的标准差,并选取标准差最小的子体素作为种子体素;
分类单元:若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角小于预设值,则将该邻域体素与种子体素归为同类体素;
若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角不小于预设值,则将该邻域体素作为当前种子体素,并判断当前种子体素与其邻域体素的法向量与种子体素法向量的之间的夹角是否小于预设值:
若是则将该邻域体素与种子体素归为同类体素,否则将当前种子体素的邻域体素作为当前种子体素继续进行分类,直至体素模型中的每一子体素都完成分类,从而获得若干组具有相似特征的体素聚类;
识别单元:在体素聚类中选取相邻体素小于预设值的体素为子边界体素,从而获得边界体素集合,并以子边界体素为中心,对子边界体素的周围子体素进行判别:
若周围子体素与表面结构的距离不小于预设值,则剔除该周围子体素;
若周围子体素与表面结构的距离小于预设值,则将该周围子体素与子边界体素归为同一平面,从而获得室内空间的结构模型;
基于预设的分类器对结构模型进行识别,获得室内空间的墙体信息、门信息以及窗户信息。
在本实施例中,欧式距离为在三维空间中彩色子点云到该彩色子点云邻域的距离;
在本实施例中,根节点为包含全部彩色点云数据的一个正方体范围;
在本实施例中,子终节点将根节点分割为预设范围后得到的子范围;
在本实施例中,体素模型为又体素所构成的室内空间模型;
在本实施例中,表面结构为对体素模型进行表面拟合后得到的体素模型的表面的结构;
在本实施例中,子体素为非空子终节点;
在本实施例中,切面估计为对子体素的切面进行估计;
在本实施例中,子切线平面为对子体素进行估计,获得子体素的切面;
在本实施例中,种子体素为标准差最小的子体素;
在本实施例中,同类体素为与种子体素法向量之间的夹角小于预设值的体素;
在本实施例中,邻域体素为当前种子体素周围的子体素;
在本实施例中,相似特征为法向量的方向相似;
在本实施例中,子边界体素为处于边界处的子体素;
在本实施例中,墙体信息、门信息以及窗户信息为墙体的方向、长度,门信息以及窗户信息为门的位置、窗户的位置;
在本实施例中,预设的拟合算法为平面拟合算法;
在本实施例中,法向量为垂直于切线平面的向量;
在本实施例中,体素聚类为不同体素所构成的若干类别集合;
在本实施例中,预设的分类器包含墙面分类器、拐角类型分类器以及门分类器、窗户分类器;
上述方案的工作原理及其有益效果为:通过过滤单元、处理单元、计算单元、分类单元、识别单元,识别出室内空间的墙体方向、墙体拐角类型以及门、窗户,为后续构建室内空间的三维模型提供了基础条件。
实施例6
本发明实施例提供一种室内空间测绘***,如图3所示,包括:
所述识别模块还用于根据如下公式计算实际墙体长度与图像数据中墙体长度的比例:
其中,D为实际墙体长度与图像数据中墙体长度的比例,d为数据获取模块到墙体的顶端距离,dp为数据获取模块到墙体的水平距离,ζ为基于数据获取模块获取的墙体所占的像素长度;θ为所述数据获取模块基于墙体的水平偏移角度,取值为[0°,5°],j为所述数据获取模块的测量精度,取值为j=0.98;
所述识别模块还用于根据实际墙体长度与图像数据中墙体长度的比例以及图像数据中各墙体的像素距离,计算获得各墙体的实际长度。
上述方案的工作原理及其有益效果为:通过计算实际墙体长度与图像数据中墙体长度的比例,从而根据图像数据中各墙体的像素距离,计算获得各墙体的实际长度,简化了计算过程。减轻了计算量。
实施例7
本发明实施例提供一种室内空间测绘***,如图5所示,包括:
建立模块,用于基于预设构建算法和所述各个墙体的实际长度自动绘制出室内空间的三维空间模型。
上述方案的有益效果为:所述模型建立模块根据得到的数据自动绘制出室内空间的三维空间模型,方便智能快捷,节省时间,节省人力物力,一切都由仪器自动完成,实用性较强。
实施例8
本发明实施例提供一种室内空间测绘***,如图5所示,包括:
所述模型建立模块,还包括:
第一计算单元,用于根据如下公式计算室内空间中激光点云数据的冗余度:
其中,β表示激光点云数据的冗余度;i表示预设时间节点中激光点云数据中直线段的编号;n表示预设时间节点中激光点云数据中直线段的总个数;fi表示预设时间节点中第i个直线段长度与激光点云数据中直线段平均长度的比例,且取值范围为(0.8,1);表示预设时间节点中第i个直线段重心与激光点云数据中直线段平均重心的匹配度;θi表示预设时间节点中第i个直线段角度与激光点云数据中直线段平均角度的匹配度;表示预设时间节点中第i个直线段置信度与激光点云数据中直线段平均置信度的比例;μ表示基于激光点云数据确定的所述室内空间所对应的拐角的数量,且取值范围为(0,20);
第二计算单元,用于根据如下公式,计算室内空间中激光点云数据的完整度;
其中,γ表示室内空间中激光点云数据的完整度,且取值范围为(0%,100%);L表示基于所述数据采集模块采集的室内空间的数据容量;
当所述激光点云数据的完整度大于预设值时,表明室内空间中激光点云数据采集完毕;
当所述激光点云数据的完整度不大于预设值时,表明室内空间中激光点云数据未采集完毕,所述数据获取模块继续进行采集。
在本实施例中,直线段为激光点云数据中墙面的边界线;
上述方案的工作原理及其有益效果为:通过计算室内空间中激光点云数据的冗余度和完整度,判断是否需要继续进行采集,保证了室内空间数据采集的完整性,保证了所建立的三维模型的质量。
实施例9
本发明实施例提供一种室内空间测绘方法,如图6所示,包括:
步骤1,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
步骤2,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
步骤3,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
上述技术方案的工作原理及有益效果在***权利要求中已经说明,此处不再赘述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种室内空间测绘***,其特征在于,包括:
数据获取模块,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
识别模块,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
建立模块,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
2.根据权利要求1所述的一种室内空间测绘***,其特征在于,所述数据获取模块,包括:
激光采样单元,用于对室内空间进行顺时针激光扫描,获得标准激光坐标系下的室内空间的激光点云数据;
图像采样单元,用于对室内空间进行顺时针图像扫描,获取标准图像坐标系下的室内空间的图像数据;
轨迹捕捉单元,用于捕捉所述数据获取模块的运动轨迹。
3.根据权利要求1所述的一种室内空间测绘***,其特征在于,所述激光采样单元包括:
激光测距传感器,用于测量激光点云数据距离标准激光坐标系原点的距离;
拐角距离感应器,用于测量室内空间拐角处距离标准图像坐标系原点的距离;
所述图像采样单元包括:
摄像头,用于对室内空间进行图像拍摄;
轨迹捕捉单元,包括:
电子罗盘,用于采集数据获取模块的转动角度;
重力感应器,用于采集数据获取模块的加速度方向;
处理器,用于根据转动角度和加速度方向获得数据获取模块运动轨迹。
4.根据权利要求1所述的一种室内空间测绘***,其特征在于,所述识别模块,包括:
预处理单元:用于基于预设的激光采样单元和图像采样单元的相对位置关系,建立标准激光坐标系与标准图像坐标系的关系模型,从而得到标准激光坐标系中点位与标准图像坐标系中点位的转换关系,并将所述转换关系改写为矩阵形式,获得激光点和图像像素点之间的映射矩阵;
直线检测单元:基于预设的高斯滤波器对预设时间节点的图像数据进行平滑滤波,并对滤波后的图像数据进行计算,获得图像数据在x轴方向和y轴方向的偏导,从而获得图像数据的梯度图像,并对梯度图像进行抑制处理,获得细化梯度幅值阵列,并对细化梯度幅值阵列进行双阈值化处理:
对于梯度幅值低于低阈值的点和高于高阈值的点,将其设为边缘点;对于梯度幅度处于双阈值之间的点,查看其周围预设数目个邻接点,若所述邻接点中存在边缘点,则将幅度处于双阈值之间的点设定为边缘点,否则该点设定为非边缘点,并剔除,从而获得预设时间节点图像数据的边缘点集合;
校准单元:基于映射矩阵将预设时间节点的激光点云数据映射至图像数据中,获得若干子时间节点的二值图像,并对预设时间节点的激光点云数据进行读取,获得激光点云的深度信息,并基于预设的添加算法和激光点云的深度信息对二值图像进行颜色添加,获得初始深度图像,并基于初始深度图像中的已添加像素点对初始深度图像进行像素扩展,获得扩展图像,并在扩展图像找出与边缘点集合所对应的映射点集合,并分别映射点集合和边缘点集合进行计算,获得坐标偏移量,并基于坐标偏移量对映射矩阵进行校准,获得校准映射矩阵;
融合单元:基于校准映射矩阵对每一子时间节点的激光点云数据和图像数据进行融合,获得若干子彩色点云,并分别对子彩色点云进行坐标分解,并基于预设转换算法和数据获取模块的运动轨迹获得不同子彩色点云坐标的变换关系,并基于变换关系对若干子彩色点云进行融合,获得彩色点云数据。
5.根据权利要求1所述的一种室内空间测绘***,其特征在于,所述识别模块,还包括:
过滤单元:用于获得彩色点云数据中每一彩色子点云到该彩色子点云邻域的欧式距离,并基于欧式距离与预设范围的关系对判断是否对该彩色点云数据进行滤除:
若欧式距离不在预设范围内,则删除该彩色子点云;
否则,保留该彩色子点云,从而获得过滤后的彩色点云数据;
处理单元:基于过滤后的彩色点云数据构建根节点,并基于预设的分割算法和预设的分割精度对根节点进行分割,从而获得若干子终节点,并对子终节点进行判别:
若子终节点中不包含彩色子点云,则表明该子终节点为空节点,并删除该子终节点;
若子终节点中包含彩色子点云,则表明该子终节点为非空节点,并保留该子终节点,从而获得室内空间的体素模型;
计算单元:基于预设的拟合算法对体素模型进行表面拟合,获得体素模型的表面结构,并对所述体素模型中每一子体素进行切面估计,从而获得子体素的子切线平面,并基于预设法向量算法对子切线平面进行计算,从而获得子体素的法向量,并基于子体素的法向量通过计算获得每一子体素法向量的标准差,并选取标准差最小的子体素作为种子体素;
分类单元:若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角小于预设值,则将该邻域体素与种子体素归为同类体素;
若种子体素的邻域体素的法向量与种子体素法向量的之间的夹角不小于预设值,则将该邻域体素作为当前种子体素,并判断当前种子体素与其邻域体素的法向量与种子体素法向量的之间的夹角是否小于预设值:
若是则将该邻域体素与种子体素归为同类体素,否则将当前种子体素的邻域体素作为当前种子体素继续进行分类,直至体素模型中的每一子体素都完成分类,从而获得若干组具有相似特征的体素聚类;
识别单元:在体素聚类中选取相邻体素小于预设值的体素为子边界体素,从而获得边界体素集合,并以子边界体素为中心,对子边界体素的周围子体素进行判别:
若周围子体素与表面结构的距离不小于预设值,则剔除该周围子体素;
若周围子体素与表面结构的距离小于预设值,则将该周围子体素与子边界体素归为同一平面,从而获得室内空间的结构模型;
基于预设的分类器对结构模型进行识别,获得室内空间的墙体信息、门信息以及窗户信息。
7.根据权利要求1所述的一种室内空间测绘***,其特征在于,建立模块,用于基于预设构建算法和各个所述墙体的实际长度自动绘制出室内空间的三维空间模型。
8.根据权利要求1所述的一种室内空间测绘***,其特征在于,所述建立模块,还包括:
第一计算单元,用于根据如下公式计算室内空间中激光点云数据的冗余度:
其中,β表示激光点云数据的冗余度;i表示预设时间节点中激光点云数据中直线段的编号;n表示预设时间节点中激光点云数据中直线段的总个数;fi表示预设时间节点中第i个直线段长度与激光点云数据中直线段平均长度的比例,且取值范围为(0.8,1);表示预设时间节点中第i个直线段重心与激光点云数据中直线段平均重心的匹配度;θi表示预设时间节点中第i个直线段角度与激光点云数据中直线段平均角度的匹配度;表示预设时间节点中第i个直线段置信度与激光点云数据中直线段平均置信度的比例;μ表示基于激光点云数据确定的所述室内空间所对应的拐角的数量,且取值范围为(0,20);
第二计算单元,用于根据如下公式,计算室内空间中激光点云数据的完整度;
其中,γ表示室内空间中激光点云数据的完整度,且取值范围为(0%,100%);L表示基于所述数据采集模块采集的室内空间的数据容量;
当所述激光点云数据的完整度大于预设值时,表明室内空间中激光点云数据采集完毕;
当所述激光点云数据的完整度不大于预设值时,表明室内空间中激光点云数据未采集完毕,所述数据获取模块继续进行采集。
9.一种室内空间测绘方法,其特征在于,包括:
步骤1,用于对室内空间进行扫描,获得室内空间的激光点云数据和图像数据,同时,捕捉所述数据获取模块本身的运动轨迹;
步骤2,用于基于运动轨迹对相同时间下的激光点云数据和图像数据进行融合,并对室内空间中必须测量区域与非必须测量区域的结构进行识别,获得室内空间各部分结构的尺度数据;
步骤3,用于基于所述尺度数据自动绘制出室内空间的三维空间模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613003.2A CN113340266A (zh) | 2021-06-02 | 2021-06-02 | 一种室内空间测绘***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613003.2A CN113340266A (zh) | 2021-06-02 | 2021-06-02 | 一种室内空间测绘***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113340266A true CN113340266A (zh) | 2021-09-03 |
Family
ID=77472985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613003.2A Pending CN113340266A (zh) | 2021-06-02 | 2021-06-02 | 一种室内空间测绘***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113340266A (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799252A (zh) * | 2003-06-02 | 2006-07-05 | 卡西欧计算机株式会社 | 采集图像投影装置以及采集图像校正方法 |
CN1909590A (zh) * | 2005-08-04 | 2007-02-07 | 卡西欧计算机株式会社 | 摄像装置、图像校正方法以及程序 |
CN105890580A (zh) * | 2016-04-06 | 2016-08-24 | 马嘉伦 | 一种室内空间测绘***及测绘方法 |
CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
JP2017198517A (ja) * | 2016-04-27 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 3次元地図生成システム |
CN108230432A (zh) * | 2017-12-12 | 2018-06-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于cs-rbf的绝缘子激光点云三维重建方法 |
CN108510530A (zh) * | 2017-02-28 | 2018-09-07 | 深圳市朗驰欣创科技股份有限公司 | 一种三维点云匹配方法及其*** |
CN108564653A (zh) * | 2018-03-16 | 2018-09-21 | 中国传媒大学 | 基于多Kinect的人体骨架追踪***及方法 |
CN108961271A (zh) * | 2018-06-27 | 2018-12-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
CN110443810A (zh) * | 2019-07-17 | 2019-11-12 | 北京建筑大学 | 基于快速邻接体素查询的点云平面分割方法 |
CN111275810A (zh) * | 2020-01-17 | 2020-06-12 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN111679288A (zh) * | 2020-06-19 | 2020-09-18 | 中国林业科学研究院资源信息研究所 | 一种点云数据的空间分布度量方法 |
CN112017251A (zh) * | 2020-10-19 | 2020-12-01 | 杭州飞步科技有限公司 | 标定方法、装置、路侧设备和计算机可读存储介质 |
CN112084875A (zh) * | 2020-08-11 | 2020-12-15 | 南京航空航天大学 | 一种多激光雷达坐标***一方法 |
CN112258406A (zh) * | 2020-10-16 | 2021-01-22 | 中国人民解放军空军航空大学 | 线阵推扫ccd图像快速自动几何校正方法 |
CN112308974A (zh) * | 2020-10-30 | 2021-02-02 | 南京航空航天大学 | 一种改进八叉树和自适应读取的大规模点云可视化方法 |
CN112487919A (zh) * | 2020-11-25 | 2021-03-12 | 吉林大学 | 一种基于相机与激光雷达的3d目标检测与跟踪方法 |
CN112561985A (zh) * | 2020-10-27 | 2021-03-26 | 广西大学 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
CN112653889A (zh) * | 2020-12-23 | 2021-04-13 | 北汽福田汽车股份有限公司 | 摄像头自标定的方法、装置、摄像设备及车辆 |
-
2021
- 2021-06-02 CN CN202110613003.2A patent/CN113340266A/zh active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1799252A (zh) * | 2003-06-02 | 2006-07-05 | 卡西欧计算机株式会社 | 采集图像投影装置以及采集图像校正方法 |
CN1909590A (zh) * | 2005-08-04 | 2007-02-07 | 卡西欧计算机株式会社 | 摄像装置、图像校正方法以及程序 |
CN105890580A (zh) * | 2016-04-06 | 2016-08-24 | 马嘉伦 | 一种室内空间测绘***及测绘方法 |
JP2017198517A (ja) * | 2016-04-27 | 2017-11-02 | 株式会社国際電気通信基礎技術研究所 | 3次元地図生成システム |
CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
CN108510530A (zh) * | 2017-02-28 | 2018-09-07 | 深圳市朗驰欣创科技股份有限公司 | 一种三维点云匹配方法及其*** |
CN108230432A (zh) * | 2017-12-12 | 2018-06-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于cs-rbf的绝缘子激光点云三维重建方法 |
CN108564653A (zh) * | 2018-03-16 | 2018-09-21 | 中国传媒大学 | 基于多Kinect的人体骨架追踪***及方法 |
CN108961271A (zh) * | 2018-06-27 | 2018-12-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN110443810A (zh) * | 2019-07-17 | 2019-11-12 | 北京建筑大学 | 基于快速邻接体素查询的点云平面分割方法 |
CN111275810A (zh) * | 2020-01-17 | 2020-06-12 | 五邑大学 | 基于图像处理的k近邻点云滤波方法、装置和存储介质 |
CN111679288A (zh) * | 2020-06-19 | 2020-09-18 | 中国林业科学研究院资源信息研究所 | 一种点云数据的空间分布度量方法 |
CN112084875A (zh) * | 2020-08-11 | 2020-12-15 | 南京航空航天大学 | 一种多激光雷达坐标***一方法 |
CN112258406A (zh) * | 2020-10-16 | 2021-01-22 | 中国人民解放军空军航空大学 | 线阵推扫ccd图像快速自动几何校正方法 |
CN112017251A (zh) * | 2020-10-19 | 2020-12-01 | 杭州飞步科技有限公司 | 标定方法、装置、路侧设备和计算机可读存储介质 |
CN112561985A (zh) * | 2020-10-27 | 2021-03-26 | 广西大学 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
CN112308974A (zh) * | 2020-10-30 | 2021-02-02 | 南京航空航天大学 | 一种改进八叉树和自适应读取的大规模点云可视化方法 |
CN112487919A (zh) * | 2020-11-25 | 2021-03-12 | 吉林大学 | 一种基于相机与激光雷达的3d目标检测与跟踪方法 |
CN112653889A (zh) * | 2020-12-23 | 2021-04-13 | 北汽福田汽车股份有限公司 | 摄像头自标定的方法、装置、摄像设备及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882612B (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
CN110221603B (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
US9846946B2 (en) | Objection recognition in a 3D scene | |
CN113359097B (zh) | 一种毫米波雷达和相机联合标定的方法 | |
CN108171131B (zh) | 基于改进MeanShift的Lidar点云数据道路标识线提取方法 | |
CN112233177B (zh) | 一种无人机位姿估计方法及*** | |
CN110097093A (zh) | 一种异源图像精确匹配方法 | |
CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
CN113205604A (zh) | 一种基于摄像机和激光雷达的可行区域检测方法 | |
CN113487631B (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN115376109B (zh) | 障碍物检测方法、障碍物检测装置以及存储介质 | |
CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
CN112379393A (zh) | 一种列车碰撞预警方法及其装置 | |
CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
CN117218350A (zh) | 一种基于固态雷达的slam实现方法及*** | |
CN107657621B (zh) | 基于线性区域生长的二维激光点云序列实时分割方法 | |
CN113219472A (zh) | 一种测距***和方法 | |
CN116045965A (zh) | 一种融合多传感器的环境地图构建方法 | |
CN113340266A (zh) | 一种室内空间测绘***及方法 | |
CN116381713A (zh) | 一种多传感器点云融合的动态场景自主定位与建图方法 | |
CN115930946A (zh) | 室内外交变环境下动态障碍物多特征描述的方法 | |
CN115965712A (zh) | 一种建筑物二维矢量图构建方法、***、设备及存储介质 | |
CN113095324A (zh) | 一种针对锥桶的分类与测距方法及*** | |
CN114089376A (zh) | 一种基于单激光雷达的负障碍物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |