(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210934143.4 (22)申请日 2022.08.04 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 徐志华　郭戈　孙钱程　何钰铭　 张国栋　石长柏　谢迪　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 李登桥 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 基于点云数据的多类型结构面分层识别方 法 (57)摘要 本发明提供了基于点云数据的多类型结构 面分层识别方法， 步骤1： 对岸坡岩体进行三维激 光扫描， 获取观测处待处理的岸坡岩体点云空间 坐标信息； 步骤2： 基于 KDtree邻近搜索完成原始 数据体素下采样， 得到初步处理点云； 步骤3： 使 用随机霍夫变换空间计算初级处理点云数据法 向量， 采用PCA主成分分析计算对应的曲率特征 得到次级处理点云； 步骤4： 以法向量差值和曲率 阈值作为限制条件， 用区域生长算法对次级处理 点云进行聚类分组， 获得聚类平面， 并采用RGB随 机着色， 得到层理断层类结构面识别结果； 步骤 5： 对初级处理点云采用马尔科夫随机场点领域 特征预测法来计算表面特征， 采用HSV着色区分， 获得节理裂隙类结构面识别结果。 权利要求书2页 说明书7页 附图4页 CN 115439839 A 2022.12.06 CN 115439839 A 1.基于点云数据的多类型 结构面分层识别方法， 包括以下步骤： 步骤1： 对岸坡岩体进行三维激光扫描， 获取观测处待处理的岸坡岩体点云空间坐标信 息； 步骤2： 基于KDt ree邻近搜索完成原 始数据体素 下采样， 得到初步处 理点云； 步骤3： 使用随机霍夫变换空间计算初级处理点云数据法向量， 采用PCA主成分分析计 算对应的曲率特 征得到次级处 理点云； 步骤4： 以法向量差值和曲率阈值作为限制条件， 用区域生长算法对次级处理点云进行 聚类分组， 获得聚类平面， 并采用RGB随机着色， 得到层理断层类结构面识别结果； 步骤5： 对初级处理点云采用马尔科夫随机场 点领域特征预测法来计算表面特征， 采用 HSV着色区分， 获得节理裂隙类结构面识别结果。 2.根据权利要求1所述基于点云数据的多类型结构面分层识别方法， 其特征在于， 所述 步骤2的具体处 理过程为： 步骤2.1： 对原始点云数据建立KDtree树形数据结构， 统计原始点云总数N， 并设置该空 间在x， y， z上的长度分别为 Lx， Ly， Lz； 步骤2.2： 找出点云最小间距imin， 以最小距离为单位长度， 将点云空间分为n＝l ×w×h 个小立方体， 设置初始单位 立方体大小l ＝Lx×imin， w＝Ly×imin， h＝Lz×imin； 步骤2.3： 计算每个非空体素质心点为Pcentroid(xcentroid， ycentroid， zcentroid)， 用所有质心 点构建下采样数据点 集Pc； 步骤2.4： 采用KDtree遍历质心点Pcentroid， 并设置K＝1进行以Pcentroid为中心的最邻近搜 索， 用离Pcentroid最近的邻近点 替换， 构成新的数据集Pi， 形成采样后点云， 点云总数为 N1； 步骤2.5： 判断 经测试10万点在数据下采样超过 后会出现 局部特征丢失的情况， 须根据实际数据量大小， 细节详细情况进行调整判断。 3.根据权利要求1所述基于点云数据的多类型结构面分层识别方法， 其特征在于， 所述 步骤3的具体处 理过程为： 步骤3.1： 进行随机霍夫变换空间计算 点云数据法向量， 构成法向量数集； 步骤3.2： 使用PCA主成分分析计算曲率特征， 该曲率并非数学意义上曲率， 而是基于曲 面变分的思想来近似曲率信息， 是求 解数据构成的协方差矩阵的特 征值， 具体过程 为： 步骤3.2.1： 根据KDt ree数据结构， 设置 搜索领域 点数K的值， 设置初始计算 点Pi； 步骤3.2.2： 围绕Pi邻域K构建空间点 坐标数集Pk； 步骤3.2.3： 计算该 数据集Pk的协方差矩阵， 构建协方差张量； 步骤3.2.4： 依据协方差张量计算特 征值并排序 λ1i≥λ2i≥λ3i≥0； 步骤3.2.5： 计算Pi表面曲率： 步骤3.2.6： 循环步骤3.2.2 ～步骤3.2.4， 计算所有点曲率特 征， 构成曲率数集。 4.根据权利要求1所述基于点云数据的多类型结构面分层识别方法， 其特征在于， 所述 步骤4的具体处 理过程为： 步骤4.1： 导入次级点云数据Pi＝{Xi,Yi,Zi}， 用法向量以及表面曲率构成数据集Nnor＝权　利　要　求　书 1/2 页 2 CN 115439839 A 2{Nxi,Nyi,Nzi, σi}， 根据σi大小对点云进行排序， 找到σimin并加入种子点 集； 步骤4.2： 设置邻域K， 邻域点则加入生长点集， 对于每个种子点计算其邻域点的法线角 度差值， 如果差值小于设置的阈值θth， 则该点重点 考虑， 进入步骤4.3中进行 下一步判断； 步骤4.3： 如果通过了法线角度差值θth检验， 则进行曲率阈值cth检验， 如果小于曲率阈 值cth， 则该点属于该种子点当前平面； 步骤4.4： 设置最小平面点数Cmin， 最大平面点数Cmax， 从生长点集中去除通过两次检验 的点； 步骤4.5： 重复步骤4.1～步骤4.4， 采用RGB随机着色对所有聚类的平面标记不同颜色； 步骤4.6： 持续计算 直到剩余 点中能生成平面的数量小于 Cmin则停止计算； 步骤4.7： 通过RGB色彩区别识别不同结构面。 5.根据权利要求1所述基于点云数据的多类型结构面分层识别方法， 其特征在于， 所述 步骤5的具体处 理过程为： 步骤5.1： 根据KDtree数据结构， 采用预处理时点云间距设置邻域范围， 设置初始计算 点Pi； 步骤5.2： 围绕Pi邻域K构建空间点坐标数集Pk， 计算该数据集协方差矩阵， 构建协方差 张量： 步骤5.3： 依据协方差张量计算特征值并排序 L1≥L2≥L3≥0， 并定义特征值对应的特征 向量e1， e2， e3； 步骤5.4： 计算中心点Pi表面特征参数， 构建每个点几何特征集， 采用二元分类器预测表 每个点Pi的轮廓分数P(ci|Xi)， 其中最能反应表面特 征的参数有以下几种： Verticality＝1‑|＜[0,0,1],e3＞|(7) 步骤5.5： 设置体素网格， 采用自适应阈值对每个体素点的几何特征集打分， 找到具有 高轮廓分数的种子点P(ci＝0|Xi)， 进行二次判断f； 步骤5.6： 利用多生成树构建种子点邻域， 通过与邻域点的距离等判断其作为高轮廓分 数点的正确性， 通过 e， f检测后将得分最高点保留到特 征集候选集； 步骤5.7： 根据 特征集分数和空间位置分布统计， 采用马尔科夫随机场从特征集候选集 中选择连续的最优特 征点获得 特征轮廓模型； 步骤5.8： 循环步骤5.1 ‑步骤5.7， 直到点Pi(i＝N)计算完成； 步骤5.9： 采用HSV着色 分割表面特 征进行识别。权　利　要　求　书 2/2 页 3 CN 115439839 A 3