一种动态测量的三维数据采集和处理方法及装置与流程

摘要: 本发明涉及数据处理,尤其涉及一种动态测量的三维数据采集和处理方法及装置。背景技术:1、三维测量技术是获取物体三维形状与尺寸信息的核心手段,广泛应用于航空航天、汽...
一种动态测量的三维数据采集和处理方法及装置与流程

本发明涉及数据处理,尤其涉及一种动态测量的三维数据采集和处理方法及装置。

背景技术:

1、三维测量技术是获取物体三维形状与尺寸信息的核心手段,广泛应用于航空航天、汽车制造、能源工程、基础设施建设等领域。随着智能建造的推进,市场对三维测量提出了更高要求,亟需在大场景下实现高速动态响应与毫米级精度的数据采集和处理。

2、现有技术仍面临以下瓶颈:

3、(一)运动畸变校正精度不足。 激光雷达在动态采集时,平台自身的旋转导致同一帧内不同时刻的点位于不同坐标系下,产生点云重影和位置偏离。现有imu辅助校正方法中,imu原始数据包含零点偏置和噪声,直接积分导致误差快速累积,且imu与激光雷达的坐标系映射处理粗糙,校正精度有限。

4、(二)去噪方法鲁棒性不足。 传统滤波方法(统计滤波、双边滤波等)依赖局部表面拟合或噪声模型假设,参数需人工调整,难以适应不同噪声水平;深度学习方法虽无需预设模型,但单一网络对大幅值噪声和小幅值高频噪声难以同时兼顾,且现有方法多针对静态点云设计,动态场景适应性差。

5、(三)缺乏系统化处理流程。 现有技术多针对单一环节优化,缺少从同步采集、畸变校正到精确去噪的全流程闭环方案,无法满足大型工程机械生产、深基坑监测、异形建筑测量等复杂场景的应用需求。

技术实现思路

1、发明目的:本发明的目的在于解决现有技术中的技术问题,提供一种动态测量的三维数据采集和处理方法及装置。

2、技术方案:第一方面,本技术提出一种动态测量的三维数据采集和处理方法,包括以下步骤:

3、步骤1、获取来自imu传感器的位姿数据以及来自激光雷达的点云数据,其中,imu传感器搭载于三维激光扫描仪上,并实现激光雷达与imu传感器的时间硬同步;

4、步骤2、基于所述位姿数据中的角速度数据进行预处理,并计算激光雷达在采集过程中的姿态角变化,并将所述姿态角变化映射至激光雷达坐标系,利用映射结果对原始点云数据的点云坐标进行实时修正,消除动态移动产生的点云畸变;

5、步骤3、对修正后的点云数据,依次采用kd-tree算法剔除孤立离群噪声点,以及采用k-means算法聚类剔除边缘噪声点,完成第一次去噪;

6、步骤4、对第一次去噪后的点云数据,先采用pointcleannet深度学习网络进行离群点剔除和位移投影去噪,再采用改进双边滤波进行平滑处理,完成第二次去噪。

7、优选的,所述预处理包括零点偏置校正和滑动窗口滤波;

8、所述零点偏置校正为:在系统启动后的静态时段内,采集imu传感器静止状态下的角速度输出并计算其均值作为零点偏置,在后续动态采集中实时从原始测量值中扣除该偏置,公式如下:

9、;

10、所述滑动窗口滤波为:采用窗口长度为5的滑动平均滤波对校正后的角速度数据进行平滑处理,公式如下:

11、;

12、其中,为imu传感器在t时刻输出的原始角速度数据,为校正后的角速度数据,为滤波之后的角速度角速度数据。

13、优选的,姿态角变化的计算方法为:

14、获取预处理后角速度数据得到imu坐标系下xyz轴的角速度分量分别为、、;

15、以激光雷达每帧点云的起始时刻为积分起点,在该帧点云采集时间段内对预处理后的角速度进行积分,得到该帧结束时刻相对于起始时刻的姿态角变化,公式如下:

16、;

17、积分采用欧拉数值积分方法,利用imu离散采样值进行累加,即

18、;

19、其中,为起始时刻的姿态角,通常设定为零向量,或由初始对准过程确定;为预处理后的三轴角速度;为单帧点云的采集时间跨度;

20、为离散采样点的序号,,n为单帧点云采集时间窗口内的imu采样点总数;为第k个采样时刻的姿态角;为第k-1个采样时刻的姿态角,初始值;为第k个采样时刻的预处理后角速度;为imu的采样时间间隔,由imu采样频率决定。

21、优选的,并将所述姿态角变化映射至激光雷达坐标系,包括:

22、通过离线标定获得imu坐标系到激光雷达坐标系的固定外参旋转矩阵;

23、采用z-y-x欧拉角顺序即航向-俯仰-横滚顺序,构建imu坐标系在t时刻相对于初始时刻的姿态变化旋转矩阵;

24、;

25、按下式将imu坐标系下的姿态变化映射至激光雷达坐标系:

26、;

27、其中,、、分别为绕 x 轴、y 轴、z 轴旋转的基本旋转矩阵:

28、;

29、为t时刻imu坐标系相对于初始时刻的旋转矩阵,由姿态角计算得到;

30、为imu坐标系到激光雷达坐标系的固定外参旋转矩阵,通过标定获得,满足;

31、为的逆矩阵,由于旋转矩阵为正交矩阵,其逆等于转置,即;

32、为t时刻激光雷达坐标系相对于初始时刻的旋转变换矩阵。

33、优选的,利用映射结果对原始点云数据的点云坐标进行实时修正,包括:

34、设激光雷达在t时刻采集的原始点云坐标为,则修正后的点云坐标为:

35、;其中,为t时刻激光雷达坐标系相对于初始时刻的旋转变换矩阵。

36、优选的,kd-tree算法剔除孤立离群点包括:

37、构建点云数据的三维kd-tree索引结构,表示点云中第i个点的三维坐标,n为点云总数;

38、对于每个点,通过kd-tree搜索其邻域内的k个最近邻点,对于点云中的任意一点,计算到其k个邻域点的欧氏距离:

39、;

40、计算该点到其k个邻域点的欧氏距离并求平均距离,公式如下:

41、;

42、计算所有点平均距离的均值μ和标准差σ,设定判定阈值,其中λ为比例系数,

43、;

44、;

45、若,则判定该点为孤立离群噪声点并予以剔除。

46、优选的,在采用k-means算法聚类之前,先利用kd-tree剔除后的点云数据,采用肘部法则确定最优聚类数k;

47、设剔除孤立离群点后的点云数据为,点云总数为;

48、所述肘部法则为:计算不同k值下的聚类误差平方和sse,选取sse下降幅度趋缓的拐点作为最优k值;

49、sse的计算公式为:

50、;

51、其中,为第m个聚类簇;为第m个聚类簇的中心点,计算公式为;为点到其所属聚类中心的欧氏距离平方。

52、优选的,采用k-means算法聚类剔除边缘噪声点,包括:

53、对去孤立点后的点云数据进行k-means聚类,迭代分配点和更新聚类中心直至收敛;

54、步骤301、从点云数据中随机选取k个点作为初始聚类中心;

55、步骤302、对于点云中的每个点,计算其到各聚类中心的欧氏距离,将其分配至距离最近的聚类簇,公式如下:

56、;

57、其中,为第t次迭代中点所属的聚类簇编号;

58、步骤303、重新计算每个聚类簇的中心点:

59、;

60、表示这个簇在当前轮次中拥有的点的总数,代表第t次迭代第m个聚类簇的中心点,代表第t+1次迭代第m个聚类簇的中心点;

61、步骤304、重复步骤302和步骤303,直至聚类中心不再发生变化或达到预设的最大迭代次数;

62、步骤305、聚类完成后,对于每个聚类簇,计算簇内各点到其聚类中心的欧氏距离,得到距离集合,公式如下:

63、;

64、为第m簇的具体点pi所对应的距离值;

65、计算簇内距离的均值和标准差,公式如下:

66、;

67、;

68、步骤306、设定聚类簇内的判定阈值:

69、;

70、步骤307、若某点到聚类中心的距离大于,则判定该点为聚类噪声点并予以剔除,公式如下:

71、。

72、优选的,先采用pointcleannet深度学习网络进行离群点剔除和位移投影去噪,包括:

73、pointcleannet深度学习网络包括四元空间转移网络、共享权重的多层感知机、特征融合模块和回归模块;

74、(1)所述四元空间转移网络将输入点云变换至规范姿态,包括:

75、设输入点云为,其中,qstn输出四元数变换参数,对应的旋转矩阵为:

76、;

77、变换后的点云为:

78、;

79、其中,为平移参数

80、(2)所述多层感知机对变换后的点云提取逐点特征,再经逆变换恢复至原始位姿空间,包括:

81、提取的特征向量为:

82、;

83、其中d为特征维度;

84、再经逆变换恢复至原始位姿空间为:

85、;

86、其中为高维扩展矩阵的逆矩阵,用于将特征向量场旋转回原始朝向;

87、(3)所述特征融合模块通过对邻域点的特征向量求和,得到置换不变的融合特征,包括:

88、设点的局部邻域点集为,对应的特征向量集合为,特征融合运算为:

89、

90、(4)所述回归模块首先基于融合特征输出二分类概率,判定并剔除离群点;然后对保留的有效点输出校正位移向量,将噪声点投影至干净表面,包括:

91、第一阶段:离群点分类与剔除:

92、对于每个点,回归模块输出网络预测概率:

93、;

94、其中为sigmoid激活函数,为输出维度为2的全连接层,,则判定该点为离群点并剔除;

95、若,则判定为有效点,保留用于后续去噪;

96、第二阶段:位移向量估计与投影:

97、对于保留的有效点,回归模块估计校正位移向量:

98、;

99、其中为输出维度为3的全连接层,去噪后的点云坐标为:

100、

101、该位移向量将噪声点精准投射到原始的干净点云表面,实现去噪功能。

102、优选的,再采用改进双边滤波进行平滑处理,包括:

103、改进双边滤波的核心公式为:

104、

105、其中为点的法向量,为双边滤波权重因子,计算公式为:

106、

107、其中,为点的邻域点集,通过kd-tree搜索确定;

108、为点与邻域点之间的欧氏距离;

109、、为i点以及邻域点的强度值或曲率特征;

110、为法向量与邻域点方向向量的点积,表示邻域点在法线方向上的投影;

111、:空间域权重函数,采用高斯核形式:

112、

113、其中,d的计算公式如下:

114、;

115、其中为空间带宽参数,控制空间邻域的平滑范围;

116、:特征域权重函数,同样采用高斯核形式:

117、

118、其中为特征带宽参数,控制特征相似度的敏感程度;

119、空间带宽和特征带宽基于点云邻域密度自适应确定:

120、;

121、;

122、其中,、为经验系数,且,,分别用于调节空间带宽和特征带宽的缩放比例;

123、为邻域点数,具体为:

124、其中为基础邻域点数,为局部点云密度,为全局点云密度,、为邻域点数上下限。

125、优选的,所述pointcleannet网络的训练损失函数包括离群点检测损失和去噪损失;

126、所述离群点检测损失为交叉熵损失:

127、

128、其中为真实标签(1表示离群点,0表示有效点),为网络预测概率。

129、去噪损失(chamfer 距离变体):

130、;

131、其中为真实干净点云,为去噪后点云,该损失函数同时度量去噪点到真实表面的接近度和真实表面被覆盖的均匀程度;

132、n代表去噪后点云的点数,m代表真实干净点云中的点数;

133、总损失函数为:

134、;

135、其中为平衡系数,取1.0。

136、第二方面,本技术提出一种动态测量的三维数据采集和处理装置,包括:

137、获取单元,用于获取来自imu传感器的位姿数据以及来自激光雷达的点云数据,其中,imu传感器搭载于三维激光扫描仪上,并实现激光雷达与imu传感器的时间硬同步;

138、预处理单元,用于基于所述位姿数据中的角速度数据进行预处理,并计算激光雷达在采集过程中的姿态角变化,并将所述姿态角变化映射至激光雷达坐标系,利用映射结果对原始点云数据的点云坐标进行实时修正,消除动态移动产生的点云畸变;

139、第一降噪单元,用于对修正后的点云数据,依次采用kd-tree算法剔除孤立离群噪声点,以及采用k-means算法聚类剔除边缘噪声点,完成第一次去噪;

140、第二降噪单元,用于对第一次去噪后的点云数据,先采用pointcleannet深度学习网络进行离群点剔除和位移投影去噪,再采用改进双边滤波进行平滑处理,完成第二次去噪。

141、第三方面,本技术提出一种电子设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器实现如上述实施例所述的方法。

142、第四方面,本技术提出一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上述实施例所述的方法。

143、有益效果:

144、1.全流程协同处理,系统性解决动态测量难题。本发明构建了“同步采集—坐标修正—混合滤波去噪—深度学习联合去噪”的闭环处理体系,各环节层层递进、协同作用。步骤1解决数据时间同步问题,步骤2解决运动畸变问题,步骤3和步骤4分级解决不同性质和幅度的噪声问题,形成了从数据采集到高质量点云输出的完整技术链条。相较于现有静态或准静态测量的处理方法,本发明的场景适应性更强,测量精度与处理效率显著提升。

145、2. 高精度运动畸变校正,有效消除点云重影和位置偏离。本发明通过ieee1588时钟同步协议(ptp时间硬同步)保证点云数据与位姿数据在时间维度上的精准匹配。步骤2中对imu原始角速度数据进行零点偏置校正和滑动窗口滤波预处理,有效抑制了imu原始数据中的零点偏置和测量噪声;然后采用欧拉数值积分方法计算姿态角变化,并通过外参旋转矩阵将姿态变化精确映射至激光雷达坐标系,最后对原始点云坐标进行实时修正,将动态移动过程中采集的所有点云数据统一转换至初始时刻的参考坐标系下。

146、3. 高效混合滤波去噪,全面清除离群噪声。采用先kd-tree后k-means的串行互补策略。kd-tree算法利用高效邻域搜索能力,基于统计特征判定并剔除孤立离群点,减少离群点对后续聚类分析的干扰;在此基础上,利用kd-tree剔除后的点云数据特征,采用肘部法则优化k-means算法的k值选取,避免了传统k-means算法中k值选取的主观性和盲目性;最后通过k-means聚类分析剔除聚类边缘的噪声点。两种算法形成互补——kd-tree擅长处理远离主体的孤立噪声,k-means擅长处理聚类簇边缘的噪声,实现了离群噪声点的全面、高效剔除。

147、4.深度学习与改进双边滤波联合去噪,实现强噪声环境下的精准去噪与表面重建。pointcleannet深度学习网络采用两阶段级联架构:第一阶段进行离群点分类与剔除,第二阶段对剩余点云进行位移向量估计与投影。该网络无需预设噪声模型,测试时无需用户提供任何参数,能够自动发现并保持高曲率特征,对不同程度和类型的噪声均具有鲁棒性。网络内部包含四元空间转移网络(将点云变换至规范姿态)、共享权重的多层感知机(逐点特征提取)、特征融合模块(保证置换不变性)和回归模块(分类与位移估计),各模块协同工作实现精准去噪。

148、改进双边滤波在经典双边滤波基础上进行了多项改进:基于点云邻域密度和曲率特征自动计算空间带宽和特征带宽参数,避免人工调参;引入法向离群因子(nof),在法向量计算过程中剔除邻域内的离群点,提高法向量估计精度;采用kd-tree建立点云拓扑关系,根据邻域密度自适应确定邻域点数,避免固定半径导致的邻域选择偏差。

149、pointcleannet负责处理大幅值噪声和离群点,改进双边滤波负责处理小幅值高频噪声,两者先后执行、分工互补,实现了强噪声环境下的精准去噪与表面重建。

150、5. 试验验证充分,效果显著。本发明通过仿真试验与实际数据集测试相结合的方式,采用euroc数据集和tum-vi数据集作为测试基础,同时搭建激光雷达+imu的实际动态测量硬件平台进行现场采集试验。试验选取绝对方位误差(aoe)、相对方位误差(roe)作为点云坐标修正效果的核心评价指标,选取点云降噪精度、特征保留率、处理效率作为去噪效果的评价指标,选取中位误差作为整体方法的动态测量精度指标。试验结果充分验证了本发明方法在动态测量条件下的有效性、精度与鲁棒性。