本發(fā)明涉及三維數(shù)據(jù)識別技術(shù)領(lǐng)域，特別是涉及一種基于點云的三維數(shù)據(jù)智能識別方法。

背景技術(shù)：

目前，三維激光掃描可以實時、快速、準(zhǔn)確的獲取事物表面的點云，能夠通過三維激光掃描儀獲取物體的外形點云數(shù)據(jù),隨著三維掃描測量技術(shù)的發(fā)展，三維點云數(shù)據(jù)在三維重構(gòu)、工業(yè)檢測等領(lǐng)域的應(yīng)用越來越廣泛。在三維點云數(shù)據(jù)處理技術(shù)中，三維點云數(shù)據(jù)的分類識別是一個非常重要的技術(shù)，尤其是針對室外場景的三維點云數(shù)據(jù)的分類識別。目前，較為常見的室外場景三維點云數(shù)據(jù)分類方法主要是通過對離散點的分割以及特征的提取來實現(xiàn)的，特別是基于條件隨機(jī)場模型的分類方法，然而基于條件隨機(jī)場模型的分類方法存在以下幾個方面的不足：(1)條件隨機(jī)場實現(xiàn)點云分類的基礎(chǔ)是點云的分割，目前沒有較為理想的室外場景三維點云的分割方法；(2)點云特征向量的構(gòu)造和計算是條件隨機(jī)場分類的另外一個重要組成部分，目前所提特征都相對簡單，不能準(zhǔn)確的描述待分類物體的幾何形狀以及拓?fù)浣Y(jié)構(gòu)，數(shù)據(jù)處理的精確度較低。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于點云的三維數(shù)據(jù)智能識別方法，以實現(xiàn)提高數(shù)據(jù)處理的精確度。

為解決上述技術(shù)問題，本發(fā)明提供一種基于點云的三維數(shù)據(jù)智能識別方法，該方法包括：

獲取變電站設(shè)備的三維點云數(shù)據(jù)；

對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行去噪處理，得到處理后的三維點云數(shù)據(jù)；

從所述處理后的三維點云數(shù)據(jù)中提取變電站設(shè)備的特征，統(tǒng)計提取的變電站設(shè)備的特征；

利用粒子群算法對特征權(quán)重進(jìn)行優(yōu)化，利用距離分類算法對所述處理后的三維點云數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果；

根據(jù)分類結(jié)果，利用體積匹配法對所述處理后的三維點云數(shù)據(jù)進(jìn)行姿態(tài)估計。

優(yōu)選的，利用激光掃描儀獲取變電站設(shè)備的三維點云數(shù)據(jù)。

優(yōu)選的，所述對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行去噪處理，得到處理后的三維點云數(shù)據(jù)，包括：

在變電站設(shè)備的三維點云數(shù)據(jù)中，去除變電站設(shè)備底座以及頂部天線對應(yīng)的三維點云數(shù)據(jù)，得到剩余的三維點云數(shù)據(jù)。

優(yōu)選的，所述從所述處理后的三維點云數(shù)據(jù)中提取變電站設(shè)備的特征，統(tǒng)計提取的變電站設(shè)備的特征，包括：

對于處理后的三維點云數(shù)據(jù)，提取三維點云數(shù)據(jù)的投影邊界，計算邊界曲率；

提取三維點云數(shù)據(jù)的包絡(luò)體積以及長度、寬度和高度；

提取三維點云數(shù)據(jù)的分層投影面積，進(jìn)行直方圖統(tǒng)計；

依據(jù)三維點云數(shù)據(jù)的平面距離、點云密集度以及高程差異對灰度特征進(jìn)行提取。

優(yōu)選的，利用分層面積變化情況去除變電站設(shè)備底座以及頂部天線對應(yīng)的三維點云數(shù)據(jù)。

優(yōu)選的，所述得到剩余的三維點云數(shù)據(jù)之后，還包括：

對剩余的三維點云數(shù)據(jù)進(jìn)行精簡，得到精簡后的數(shù)據(jù)。

優(yōu)選的，所述根據(jù)分類結(jié)果，利用體積匹配法對所述處理后的三維點云數(shù)據(jù)進(jìn)行姿態(tài)估計，包括：

計算所述處理后的三維點云數(shù)據(jù)的質(zhì)心；

將所述處理后的三維點云數(shù)據(jù)的質(zhì)心與模板質(zhì)點相重合，計算體積匹配度；

將所述處理后的三維點云數(shù)據(jù)在水平方向進(jìn)行旋轉(zhuǎn)，計算體積匹配程度，記錄質(zhì)心、體積匹配程度和旋轉(zhuǎn)角。

本發(fā)明所提供的一種基于點云的三維數(shù)據(jù)智能識別方法，獲取變電站設(shè)備的三維點云數(shù)據(jù)；對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行去噪處理，得到處理后的三維點云數(shù)據(jù)；從所述處理后的三維點云數(shù)據(jù)中提取變電站設(shè)備的特征，統(tǒng)計提取的變電站設(shè)備的特征；利用粒子群算法對特征權(quán)重進(jìn)行優(yōu)化，利用距離分類算法對所述處理后的三維點云數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果；根據(jù)分類結(jié)果，利用體積匹配法對所述處理后的三維點云數(shù)據(jù)進(jìn)行姿態(tài)估計?？梢?，本方法能對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行自動分類，將變電站設(shè)備底座點云以及頂部天線自動去除，并能夠根據(jù)分類結(jié)果對點云數(shù)據(jù)進(jìn)行姿態(tài)估計，具有更好的魯棒性和較高的精確度，能提高數(shù)據(jù)處理的效率和分類精度，能夠更好的實現(xiàn)變電站點云數(shù)據(jù)的分類識別。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明所提供的一種基于點云的三維數(shù)據(jù)智能識別方法的流程圖；

圖2為基于點云的三維數(shù)據(jù)智能識別方法的具體實施流程圖；

圖3為數(shù)據(jù)精簡以及噪聲去除的具體流程圖；

圖4為變電站設(shè)備特征提取的具體流程圖；

圖5為征權(quán)重優(yōu)化及分類器設(shè)計的具體流程圖；

圖6為姿態(tài)估計的具體流程圖。

具體實施方式

本發(fā)明的核心是提供一種基于點云的三維數(shù)據(jù)智能識別方法，以實現(xiàn)提高數(shù)據(jù)處理的精確度。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參考圖1，圖1為本發(fā)明所提供的一種基于點云的三維數(shù)據(jù)智能識別方法的流程圖，該方法包括：

s11：獲取變電站設(shè)備的三維點云數(shù)據(jù)；

s12：對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行去噪處理，得到處理后的三維點云數(shù)據(jù)；

s13：從處理后的三維點云數(shù)據(jù)中提取變電站設(shè)備的特征，統(tǒng)計提取的變電站設(shè)備的特征；

s14：利用粒子群算法對特征權(quán)重進(jìn)行優(yōu)化，利用距離分類算法對處理后的三維點云數(shù)據(jù)進(jìn)行分類，得到分類結(jié)果；

s15：根據(jù)分類結(jié)果，利用體積匹配法對處理后的三維點云數(shù)據(jù)進(jìn)行姿態(tài)估計。

可見，本方法能對變電站設(shè)備的三維點云數(shù)據(jù)進(jìn)行自動分類，將變電站設(shè)備底座點云以及頂部天線自動去除，并能夠根據(jù)分類結(jié)果對點云數(shù)據(jù)進(jìn)行姿態(tài)估計，具有更好的魯棒性和較高的精確度，能提高數(shù)據(jù)處理的效率和分類精度，能夠更好的實現(xiàn)變電站點云數(shù)據(jù)的分類識別。

基于上述方法，具體的，步驟s11中，利用激光掃描儀獲取變電站設(shè)備的三維點云數(shù)據(jù)。

進(jìn)一步的，步驟s12的過程具體為：在變電站設(shè)備的三維點云數(shù)據(jù)中，去除變電站設(shè)備底座以及頂部天線對應(yīng)的三維點云數(shù)據(jù)，得到剩余的三維點云數(shù)據(jù)。由于去除變電站設(shè)備底座以及頂部天線對應(yīng)的三維點云數(shù)據(jù)，從而去除對分類影響較大的噪聲點。

其中，步驟s12中，利用分層面積變化情況去除變電站設(shè)備底座以及頂部天線對應(yīng)的三維點云數(shù)據(jù)。

其中，得到剩余的三維點云數(shù)據(jù)之后，還包括：對剩余的三維點云數(shù)據(jù)進(jìn)行精簡，得到精簡后的數(shù)據(jù)。

進(jìn)一步的，步驟s13的過程具體包括：

s1：對于處理后的三維點云數(shù)據(jù)，提取三維點云數(shù)據(jù)的投影邊界，計算邊界曲率；

s2：提取三維點云數(shù)據(jù)的包絡(luò)體積以及長度、寬度和高度；

s3：提取三維點云數(shù)據(jù)的分層投影面積，進(jìn)行直方圖統(tǒng)計；

s4：依據(jù)三維點云數(shù)據(jù)的平面距離、點云密集度以及高程差異對灰度特征進(jìn)行提取。

具體的，步驟s4之后，還包括：利用主成分分析法求取三維點云數(shù)據(jù)法向量，進(jìn)行直方圖統(tǒng)計。

其中，步驟s2中，提取點云數(shù)據(jù)的包絡(luò)體積以及長寬高等幾何描述特征。

其中，步驟s14包括：原始距離分類器設(shè)計；利用粒子群算法優(yōu)化特征權(quán)重，確定優(yōu)化后分類器。

進(jìn)一步的，步驟s15的過程具體為：計算處理后的三維點云數(shù)據(jù)的質(zhì)心；將處理后的三維點云數(shù)據(jù)的質(zhì)心與模板質(zhì)點相重合，計算體積匹配度；將處理后的三維點云數(shù)據(jù)在水平方向進(jìn)行旋轉(zhuǎn)，計算體積匹配程度，記錄質(zhì)心、體積匹配程度和旋轉(zhuǎn)角。

其中，質(zhì)心計算中，計算三維點云數(shù)據(jù)質(zhì)心，只考慮水平方向，豎直方向可暫不考慮。體積匹配中，將點云數(shù)據(jù)的質(zhì)點和模板質(zhì)點相重合，計算體積匹配度，這里的體積指的是點云的包絡(luò)體積，體積匹配度用的是待處理點云與模板點云的交集體積和并集體積的比值來表示的，記錄比值以及質(zhì)心。三維點云數(shù)據(jù)旋轉(zhuǎn)中，將點云數(shù)據(jù)在水平方向進(jìn)行旋轉(zhuǎn)，旋轉(zhuǎn)范圍為0-360度，考慮到時間因素，角度旋轉(zhuǎn)步長設(shè)置為5度，旋轉(zhuǎn)后，質(zhì)心重合，計算體積匹配程度，記錄。將處理后的三維點云數(shù)據(jù)在水平方向進(jìn)行旋轉(zhuǎn)，計算體積匹配程度之后，還要進(jìn)行質(zhì)心變化，本文采用的質(zhì)心變化方式是以最初的質(zhì)心為圓心，以一定的步長為半徑，設(shè)置總步長，在這些同心圓上逆時針每45度取一個點，作為待處理數(shù)據(jù)的質(zhì)心，然后求體積比，記錄質(zhì)心、體積匹配程度及旋轉(zhuǎn)角。

詳細(xì)的，基于本方法，參考圖2，具體實施流程如下：

步驟a：利用車載三維激光掃描儀獲得點云數(shù)據(jù)；

步驟b：數(shù)據(jù)精簡以及噪聲去除；

其中，如圖3，步驟b具體包括：

步驟b1：變電站設(shè)備底座以及頂部電線的去除；

其中，在掃描的點云數(shù)據(jù)中，已經(jīng)分割完成的點云數(shù)據(jù)底座和部分電線依然存在，影響到對點云數(shù)據(jù)的特征提取。因此，數(shù)據(jù)處理的第一步，就應(yīng)利用相關(guān)軟件去除影響較大的噪聲點。本發(fā)明根據(jù)變電站設(shè)備固有的形狀特點，一般情況下，底座和設(shè)備連接的部分以及設(shè)備和電線的連接部分會有面積突變的情況，本發(fā)明就是利用面積以及面積變化率這個特征去除底座以及頂部電線的；

步驟b2：數(shù)據(jù)精簡。

其中，車載激光掃描的突出特點是點云非常密集，數(shù)據(jù)量大，若將此數(shù)據(jù)直接應(yīng)用后續(xù)的分類識別需要巨大的計算機(jī)資源和很長的計算時間。因此，有必要在保持一定的精度的前提下，對測試數(shù)據(jù)進(jìn)行精簡。不同類型的點云可以采用不同的點云精簡方式。

步驟c：變電站設(shè)備特征提?。?/p>

其中，根據(jù)變電站設(shè)別點云數(shù)據(jù)對其進(jìn)行分類識別，需要從變電站設(shè)備點云中進(jìn)行特征提取，選擇合適的并且能夠表針變電站設(shè)備本質(zhì)的特征；

其中，參考圖4，步驟c具體包括：

步驟c1：提取點云數(shù)據(jù)投影邊界，計算邊界曲率；

步驟c2：提取點云數(shù)據(jù)的包絡(luò)體積以及長寬高等幾何描述特征；

步驟c3：提取點云數(shù)據(jù)的分層投影面積，進(jìn)行直方圖統(tǒng)計；

步驟c4：基于點云數(shù)據(jù)的平面距離、點云密集度以及高程差異對灰度特征進(jìn)行提??；

步驟c5：利用主成分分析法求取點云數(shù)據(jù)法向量，進(jìn)行直方圖統(tǒng)計。

步驟d：特征權(quán)重優(yōu)化及分類器設(shè)計；

其中，基于已經(jīng)提取的特征，本發(fā)明對粒子群算法進(jìn)行改進(jìn)，提高了精度和速度，并將改進(jìn)粒子群算法應(yīng)用與特征權(quán)重優(yōu)化；

其中，參考圖5，步驟d具體包括：

步驟d1：原始距離分類器設(shè)計；

步驟d2：利用粒子群算法優(yōu)化特征權(quán)重，確定優(yōu)化后分類器。

其中，利用粒子群算法優(yōu)化特征權(quán)重的過程中，具體優(yōu)化步驟包括：1、初始化設(shè)置：種群數(shù)目20，迭代次數(shù)100，搜索維度122；2、種群評價：計算粒子的適應(yīng)度值；3、確定個體和全局最優(yōu)：計算粒子適應(yīng)度值，并和該粒子最優(yōu)適應(yīng)度值相比較，以確定是否對最優(yōu)適應(yīng)度進(jìn)行更新；4、粒子位置的更新；5、檢查結(jié)束條件，若滿足結(jié)束尋優(yōu)，反之，并轉(zhuǎn)至步驟2。

步驟e：姿態(tài)估計。

本發(fā)明根據(jù)分類識別的結(jié)果對點云數(shù)據(jù)進(jìn)行姿態(tài)估計。

其中，參考圖6，步驟e具體包括：

步驟e1：質(zhì)心計算：計算待處理點云設(shè)備的質(zhì)心，其中，只考慮水平方向，豎直方向可暫不考慮；

步驟e2：體積匹配：將待處理的點云數(shù)據(jù)的質(zhì)點和模板質(zhì)點相重合，計算體積匹配度，這里的體積指的是點云的包絡(luò)體積，體積匹配度用的是點處理點云與模板的交集體積和并集體積的比值來表示的，記錄比值以及質(zhì)心；

步驟e3：點云數(shù)據(jù)旋轉(zhuǎn)：將待處理點云在水平方向進(jìn)行旋轉(zhuǎn)，旋轉(zhuǎn)范圍為0-360度，考慮到時間因素，角度旋轉(zhuǎn)步長設(shè)置為5度，旋轉(zhuǎn)后，質(zhì)心重合，計算體積匹配程度，記錄質(zhì)心變化；

步驟e4：變化待處理點云數(shù)據(jù)的質(zhì)心，本文采用的方法是以最初的質(zhì)心為圓心，以一定的步長為半徑，設(shè)置總步長，在這些同心圓上逆時針每45度取一個點，作為待處理數(shù)據(jù)的質(zhì)心，然后按照上述步驟求體積比，記錄質(zhì)心、體積匹配程度及旋轉(zhuǎn)角。

本方法針對變電站場景，首先利用激光掃描儀獲取變電站場景的三維點云數(shù)據(jù)，然后提取能夠描述變電站設(shè)備的長寬高、點云灰度、分層投影面積、點云法向量等特征，進(jìn)行點云特征向量的構(gòu)造，同時利用粒子群算法對特征向量的權(quán)重就進(jìn)行選擇優(yōu)化，并利用距離分類器對變電站設(shè)備點云數(shù)據(jù)進(jìn)行分類識別。該方法能提高數(shù)據(jù)處理的效率和分類精度，能夠較好的實現(xiàn)變電站點云數(shù)據(jù)的分類識別。

以上對本發(fā)明所提供的一種基于點云的三維數(shù)據(jù)智能識別方法進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進(jìn)行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。