[发明专利]量化三维点云数据的表面平整度的设备及方法

说明书

一种量化激光雷达(LIDAR)三维点云数据的表面平整度的方法，其提供了基于允许的凸起水平、检验统计量的置信水平以及数据密度来指示所述表面平整度的检验统计量。所述方法包括以下步骤:利用主成分分析(PCA)技术将激光雷达测量点沿轴线转换为坐标；根据坐标和预定凸起公差计算Z_α值；将Z_α值与一个检验统计量的Z分数进行比较，以执行一个原假设；当Z_α值大于所述Z分数时，否定所述原假设。

技术领域

本发明涉及三维(3D)点云处理，特别是涉及使用三维点云数据以量化扫描对象的表面平整度的方法和设备。

背景技术

光探测和测距(Light detection and ranging，LIDAR)(也称，激光雷达)是一种光学遥感技术，其对遥感目标的表面进行密集采样。激光雷达通常采用主动光学传感器，通过特定的探测路径向目标发射激光束。激光雷达传感器中的接收器对目标激光的反射进行检测和分析。

激光雷达设备通常包括一个激光源和一个将激光源定向到待成像目标的不同方向的扫描仪。激光光束的转向可以经由旋转材料，微机电系统(MEMS)，使用硅光子的固体扫描，或其他设备，如里斯利棱镜(Risley prism)。入射光会从被扫描的目标反射回来。

接收到的反射形成三维(3D)点云数据。该数据可用于许多应用，如建筑物重建和道路标记提取。正态估计(Normal estimation)是三维点云处理中的一项基本工作。已知的正态估计方法可以区分为基于回归(regression-based)的方法、基于Voronoi(Voronoi-based)的方法和深度学习的方法。

基于回归的方法假设物体的表面皆是光滑的，因此表面上任何一点的局部邻域都可以用一个平面去逼近。通常，主成分分析(Principal component analysis，PCA)包括邻域点的协方差矩阵计算，然后将信息组织在主成分中。该方法因易于实现且执行速度快而被广泛应用。然而，激光雷达的扫描仪所采集的畸变点云数据，会被在距离测量中的6-8mm的标准差涂抹。此外，由于主成分分析是一个正交的线性变换，它不能平滑数据中的尖锐特征。

基于上述，为了不同的应用和目的，许多技术被提供来提高方法的稳健性。然而，为了获得满意的结果，这些技术经常涉及到复杂的试误过程。此外，手动选择所涉及的参数的过程也非常耗时。

发明内容

本发明的目标是提供一种无偏移估计量，其量化表面的凸起，如，三维(3D)点云的墙壁、天花板和地板。

根据本发明的第一方面，提出了一种基于凸起水平阈值、检验统计量的置信水平和数据密度的表面平整度的估计方法。

根据本发明的一实施例，所述方法包括：利用主成分分析(PCA)技术将激光雷达测量点转换为坐标；基于所述坐标和预定凸起公差来计算Zα值；将所述Zα值与检验统计量的Z分数进行比较，以执行一个原假设；当所述Zα值大于所述Z得分时，否定所述原假设，其中所述Za值的计算可被下列关系所定义：

其中是所述坐标的局部均值，是所述坐标的全局均值，σ_r，global是所述坐标的全局标准差，N_local是多个局部样本事件，并且d是所述预定凸起公差。

因此，本发明可以利用转换的坐标和给定的凸起公差，方便地量化表面的平整度。所述检验统计量的结果可以作为三维云点数据局部凸起的指标。

附图说明

图1示出了根据本发明实施例的一种量化表面平整度的激光雷达系统。

图2示出了根据本发明实施例量化三维点云数据的表面平整度的方法的流程图。

图3示出了墙壁与天花板相接处的天花板线的平整度的示例图。