阅读说明：本技术 一种基于图像识别的地铁隧道移动扫描点云精细划分方法 (Subway tunnel mobile scanning point cloud fine division method based on image recognition ) 是由 黄帆 吴廷 李维涛 鲍金 郭玲 陈素贞 高磊 李航天 张天 于 2019-09-23 设计创作，主要内容包括：本发明涉及图像识别及三维测量方法技术领域,具体来说是一种基于图像识别的地铁隧道移动扫描点云精细划分方法,获得隧道平铺图中的前景像素,并对前景像素进行邻域分析,以生成若干像素联合单元,并将符合设定规则的像素联合单元保存,将不符合设定规则的像素联合单元转化为背景像素的颜色,最后根据像素联合单元确定每条环缝在环平铺图中的位置,并对扫描线进行修正。本发明同现有技术相比,其优点在于：本发明精细化划分移动激光扫描出的点云模型,通过进行平铺图投影并处理,实现点云模型的修复与分割,并快速的赋予点云模型中每一管片所处里程区间,有助于减少移动测量中点云测量的误差,并呈现出更为准确的点云模型。(The invention relates to the technical field of image recognition and three-dimensional measurement methods, in particular to a subway tunnel moving scanning point cloud fine dividing method based on image recognition, which comprises the steps of obtaining foreground pixels in a tunnel tiled image, carrying out neighborhood analysis on the foreground pixels to generate a plurality of pixel combination units, storing the pixel combination units meeting set rules, converting the pixel combination units not meeting the set rules into colors of background pixels, finally determining the position of each circular seam in the ring tiled image according to the pixel combination units, and correcting a scanning line. Compared with the prior art, the invention has the advantages that: the method disclosed by the invention has the advantages that the point cloud model scanned by the mobile laser is finely divided, the repair and the segmentation of the point cloud model are realized by performing the projection and the processing of the tiled image, the mileage interval of each segment in the point cloud model is rapidly given, the error of point cloud measurement in the mobile measurement is favorably reduced, and a more accurate point cloud model is presented.)

一种基于图像识别的地铁隧道移动扫描点云精细划分方法

技术领域

本发明涉及图像识别及三维测量方法技术领域，具体来说是一种基于图像识别的地铁隧道移动扫描点云精细划分方法。

背景技术

由于地铁停运时间较短，一晚上能够对地铁隧道进行检测的时间只有3-4小时左右，传统方式通过在隧道布设监测点，并使用全站仪、断面仪和收敛仪的检测方法在效率与适用性上已经很难满足地铁监测的要求。采用移动测量的方式可大大提高测量的效率并缩小可能存在的人为误差，同时结合三维激光扫描技术，可以直接获取高精度的隧道点云模型。我国专利公开号CN107869958A即公开了一种铁检测及测量的3D扫描方法，根据三维点云数据建立了隧道平铺图。

对移动激光扫描出的点云进行的纠正与识别直接影响其检测的精度与使用的便捷程度。对于隧道的点云模型，在移动测量中存在多重误差，使点云模型产生拉伸压缩、局部倾斜或冗余。主要有以下原因：(1)小车在行进的过程中，里程计依据转轮的滚动记录里程，而转轮会出现脱空的现象；(2)隧道线性是由直线、缓和曲线及圆曲线组成；(3)移动监测起始处，对准环缝位置存在偏差；(4)里程计与扫描仪同步误差等。

若能定出环缝点云里程，便可用缝里程定出环点云里程区，目前通过简单均分的方式或人工标定管片环号，在后期处理时耗费大量的人力且效率低下。

发明内容

本发明的目的在于解决现有技术的不足，提供一种基于图像识别的地铁隧道移动扫描点云精细划分方法，能够确定出每条环缝在环平铺图中位置，进而能够通过环缝在环平铺图中位置实现扫对点云模型的修复。

为了实现上述目的，设计一种基于图像识别的地铁隧道移动扫描点云精细划分方法，获得隧道平铺图中的前景像素，并对前景像素进行邻域分析，以生成若干像素联合单元，并将符合设定规则的像素联合单元保存，将不符合设定规则的像素联合单元转化为背景像素的颜色，最后根据像素联合单元确定每条环缝在环平铺图中的位置，并对扫描线进行修正。

本发明还具有如下优选的技术方案：

通过如下方法获得隧道平铺图中的前景像素：对平铺图进行边缘检测，再通过大津算法生成黑白二色的二值化图，其中黑色为不感兴趣的背景像素，白色为感兴趣的前景像素。

所述的边缘检测包括采用Sobel梯度算子垂向模板卷积计算得出图像梯度。

所述的大津算法包括如下步骤：

遍历梯度区间范围，类间方差对应阈值，假定图像背景与前景分割阈值为T，阈值范围为[T_min,T_max]且均取整数，背景像素点数占整幅图像比为w₀，平均灰度记为μ₀；前景像素点数占整幅图像比为w₁，平均灰度记为μ₁，类间方差计算公式为：

g＝w₀w₁(μ₀-μ₁)²

式中,g为类间方差。

所述的邻域分析包括如下步骤：对像素连通域采用四邻域或八邻域标记算法，连通区域分析采用Two-Pass法计算，第一遍扫描时，赋予每一个前景像素邻域中最小标号，邻域中含有不同标号放入同一集合；第二遍扫描时，对每点的标号更新，更新为所属集合中最小标号。

通过下述公式确定连通域的位置及区域范围：

式中，mid_h、mid_x表示为连通域中点，max_height、max_weight为连通域宽度和高度区间，max(x)、max(h)为连通域单元在x、h方向的最大值，ellip为椭圆度。

所述的隧道平铺图通过如下方法获得：在地铁隧道中进行移动激光扫描，生成三维点云数据并展开为隧道平铺图。

在获得隧道平铺图中的前景像素前，利用相邻点已知灰度对平铺图进行内插平滑，消除平铺图内竖状条纹黑点。

在获得隧道平铺图中的前景像素前，对平铺图进行像素灰度区间拉伸处理，增强清晰度。

本发明同现有技术相比，其优点在于：隧道每环作为独立承力体，每环观测点云的精准性，将直接决定环形变及其他病害筛查结果准确性，对后期处理隧道收敛的数据成果至关重要。本发明精细化划分移动激光扫描出的点云模型，通过进行平铺图投影并处理，实现点云模型的修复与分割，并快速的赋予点云模型中每一管片所处里程区间，有助于减少移动测量中点云测量的误差，并呈现出更为准确的点云模型。

附图说明

图1为一实施例中本发明的总体流程示意图；

图2a为一实施例中进行灰度梯度卷积的Sobel算子的水平向模板示意图；

图2b为一实施例中进行灰度梯度卷积的Sobel算子的垂直向模板示意图；

图2c为一实施例中进行灰度梯度卷积的Sobel算子的一对角线模板示意图；

图2d为一实施例中进行灰度梯度卷积的Sobel算子的另一对角线模板示意图；

图3为一实施例中A像素的四邻域示意图；

图4为一实施例中A像素四邻域算法的连通域标记算法模板；

图5为一实施例中A像素的八邻域示意图；

图6为一实施例中A像素八邻域算法的连通域标记算法模板；

图7为一实施例中Two-pass法四邻域算法流程图；

图8为一实施例中某一连通域处理后的像素实例图；

图9为一实施例中环缝分割拼接的流程图。

具体实施方式

下面结合附图对本发明作进一步说明，这种方法的原理对本专业的人来说是非常清楚的。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本实施方式提供一种基于图像识别的地铁隧道移动扫描点云精细划分方法，获得隧道平铺图中的前景像素，并对前景像素进行邻域分析，以生成若干像素联合单元，并将符合设定规则的像素联合单元保存，将不符合设定规则的像素联合单元转化为背景像素的颜色，最后根据像素联合单元确定每条环缝在环平铺图中的位置，并对扫描线进行修正。结合图1，以下述实施方式为例，其具体包括如下的步骤：

a.在地铁隧道中进行移动激光扫描，生成三维点云数据并展开为隧道平铺图；

b.利用相邻点已知灰度对隧道平铺图进行内插平滑，消除隧道平铺图内竖状条纹黑点；

c.对隧道平铺图进行像素灰度区间拉伸处理，增强清晰度；

d.对平铺图进行边缘检测，采用小区域模版进行卷积计算，再通过大津算法生成二值化图(黑白二色)，黑色为不感兴趣的背景像素，白色为感兴趣前景像素；

e.对二值化图中前景像素进行近邻域分析，产生多个独立像素联合单元，依次对单元分析，符合设定规则单元保存，将不规则单元颜色均转化为黑色；

f.联合单元信息及相邻缝位置关系，定出每条环缝在环平铺图中位置，切割并修正每一条扫描线，最后重新拼接点云。

其中，所述的步骤a还包括：对于以每环中轴线展开获得的隧道平铺图，在每环点云数据中，记录最大、最小行进向坐标分别为：y_max、y_min，最大、最小垂向坐标为：l_max、l_min，生成宽度和高度为wp和hp且后缀为BMP展开图，则观测点(y′,l′)对应像素位置为：

式中，wp1、hp1分别为点在图像位置，(int)表示向下取整。

对于多个观测点的像素区域，每观测点灰度值区间为[0,255]。每像素灰度值的计算公式如下：

式中，n为像素包含点个数，g_i为点灰度，pg为像素灰度。

所述步骤b中包括对平铺图的灰度内插平滑处理，是利用四周多像素灰度距离加权平均，采用平滑模板计算合理灰度值。平滑模板的确定是根据未知像素到相邻像素之间距离倒数，模板规格为5行5列。具体平滑模板为：

若某一像素中不存在点，则使用相邻且灰度已知像素进行加权平均。模板的中间对应无灰度值的像素，上下左右侧像素对应灰度值权重为1.00，以5×5模版加权平均得该像素灰度。

环平铺图上两行像素，采用模板权矩阵下三行；环下两行像素，采用模板权矩阵上三行；环最左边两列像素，采用模板为权矩阵右三列矩阵；环最右边两列像素，采用模板为权矩阵左三列矩阵。

所述步骤c中包括平铺图灰度拉伸处理，排除像素灰度分布较少的区间，具体效果为对每环进行图像增强处理，将灰度区间[100,250]区间线性拉伸为[0，255]，若像素灰度低于100，则像素灰度变为0；若像素灰度高于250，则像素灰度变为255。

所述步骤d中包括：通过边缘检测识别灰度差异的区域，采用Sobel梯度算子垂向模板卷积计算近似得出图像梯度，图像每一像素的梯度值，其梯度算子模版见图2a-图2d，采用大津算法计算分割梯度阈值，低于阈值部分用黑色标记，高于阈值部分用白色标记。

大律法处理步骤为：遍历梯度区间范围，类间方差最大梯度对应阈值。假定图像背景与前景分割阈值为T，阈值范围为[T_min,T_max]且均取整数，背景像素点数占整幅图像比为w₀，平均灰度记为μ₀；前景像素点数占整幅图像比为w₁，平均灰度记为μ₁。类间方差计算公式为：

g＝w₀w₁(μ₀-μ₁)²

式中,g为类间方差。若最大类间方差g_max对应阈值为T_thr，小于阈值T_thr定位为背景部分，并赋予对应像素灰度为0；大于或等于阈值T_thr定为前景部分，对应像素灰度为255。对处理后平铺图见图5所示。

所述步骤e中包括：结合图3-图8所示，对像素连通区域采用四邻域或八邻域标记算法，连通区域分析采用Two-Pass法计算，第一遍扫描时，赋予每一个前景像素邻域中最小标号，邻域中含有不同标号放入同一集合；第二遍扫描时，对每点的标号更新，更新为所属集合中最小标号。环二值化图连通域中宽度大于5个像素、高度小于10个像素或者椭圆度小于2，将连通域从前景变为背景。

为了定出连通域在图像位置及区域范围，可通过上面标记的宽度和高度范围，采用如下的计算公式过滤单元：

式中，mid_h、mid_x表示为连通域中点，max_height、max_weight为连通域宽度和高度区间，max(x)、max(h)为连通域单元在x、h方向的最大值，ellip为椭圆度。

结合图9，所述步骤f中包括：统计宽为3像素和高为图像高矩形区域，所包含的前景像素个数。依次处理每连通域滤波后的二值化图，矩形区域所包含前景像素最多，即可认为是该环的相邻缝所在处。例如，在本实施方式中每环平铺图展开后，行进向和垂向大小分别为1.2m和11.519m，由于扫描线宽度远大于垂向点间距，以扫描线宽度0.03m为行进向分辨率，可得每环行进向为40像素，近似可取垂向为400像素。环展开图中，每像素行进向和垂向对应实际距离不同，分别为0.030m和0.029m。通过切割点云，以修正后平铺图里的管片像素宽度对应每一环管片的实际长度，重新分布扫描线的空间位置关系，并拼接为新点云。