基于三維點云的室內(nèi)結(jié)構(gòu)化三維重建

基于三維點云的室內(nèi)結(jié)構(gòu)化三維重建研究背景Research

Background研究目的Research

Purpose研究方法Methods實驗結(jié)果Research

Result目錄結(jié)論與展望Conclusions01020304051城市空間的擴張交通壓力土地資源環(huán)境保護人類生活（衣食住行）室內(nèi)空間人類經(jīng)濟和社會生活的主要場所人類生活相關(guān)的室內(nèi)服務(wù)的需求——室內(nèi)三維模型研究背景31研究背景三維點云數(shù)據(jù)獲取基于多視圖像獲取三維點云激光點云獲取技術(shù)深度相機4移動測量技術(shù)的發(fā)展室外車載、機載LIDAR（GNSS）室內(nèi)移動測量平臺手持SLAM（GeoSLAM,

Tango）背包SLAM視覺（單目相機，雙目相機，RGB-D深度相機）激光（機械旋轉(zhuǎn)激光，固態(tài)激光）GeoSLAMTango1三維重建多視圖三維重建激光SLAM技術(shù)Visual

SLAM研究背景無人機攝影測量SFM+MVS多視圖三維重建51三維重建多視圖三維重建激光SLAM技術(shù)Visual

SLAM研究背景Cartographer采集的場景點云61三維重建多視圖三維重建激光SLAM技術(shù)Visual

SLAM研究背景OrbSLAM2采集的場景帶顏色點云BundleFusion重建結(jié)果示例通常所說的三維重建結(jié)果：稀疏點云稠密點云Mesh網(wǎng)格72研究目的為什么要結(jié)構(gòu)化？點云數(shù)據(jù)數(shù)據(jù)量大，信息冗余獲取的點云數(shù)據(jù)存在遮擋和不完整網(wǎng)格模型顯示效果不美觀缺乏語義信息，無法滿足某些應(yīng)用現(xiàn)有方法及存在的問題機器人領(lǐng)域基于柵格圖像的房間分割

形態(tài)學方法，Voronoi圖方法，距離變換方法，基于學習的方法……ACE領(lǐng)域As-built

BIM，空間劃分，圖割方法生成房間平面圖點云處理方面，單純的平面分割，或者點云語義分類的研究存在問題：沒有充分利用建筑物室內(nèi)結(jié)構(gòu)約束，導(dǎo)致房間分割失敗沒有對室內(nèi)連通空間進行建模不適用大規(guī)模室內(nèi)場景83研究方法Room

spaceIndoor

spaceFree

spaceOccupied

spaceCorridorWallopeningspace(e.g.,doorsand

windows)(Walls)Connectionspace室內(nèi)空間和結(jié)構(gòu)約束室內(nèi)結(jié)構(gòu)約束的兩個層次：幾何層次和語義層次室內(nèi)空間曼哈頓空間假設(shè)弱曼哈頓空間假設(shè)93研究方法

（技術(shù)路線）103研究方法點云平面分割采用一種基于正態(tài)分布變換（Normal

Distribution

Transformation，NDT）的隨機一致性平面提取方法。該方法采用首先用NDT分布作為點云的空間表達，將點云離散化為體素單元，并計算每個體素單元的NDT特征；接著根據(jù)設(shè)定的閾值提取主要的表現(xiàn)為平面的體素單元。然后結(jié)合RANSAC方法實現(xiàn)點云平面分割。本方法可以最大限度的消除RANSAC方法可能存在的虛假平面問題，采樣重權(quán)重方法擬合平面，提高平面擬合的精度和穩(wěn)健性。原始點云

正態(tài)分布變換單元 平面NDT和非平面NDT

點云平面分割結(jié)果Li,L.;Yang,F.;Zhu,H.;Li,D.;Li,Y.;Tang,L.AnImprovedRANSACfor3DPointCloudPlaneSegmentationBasedonNormalDistributionTransformationCells.RemoteSens.2017,9,

433.113研究方法房間分割通過自由空間證據(jù)地圖進行房間分割，得到標記了房間屬性的柵格圖層。將點云進行平面分割并選擇墻面投影到二維平面，利用二維墻面線將平面空間進行分割得到矢量多邊形單元。通過疊加分析最終得到房間平面圖。Cell

complexlayerRandomsamplingPoint

layerExtractionvaluePoint

withevidenceJoins

andstatisticsRoom

PolygonlayerRoomlabelling

layer123研究方法房間平面圖與屬性信息提取對生成的面圖層進行簡化，提取每個房間的高度、面積等信息。房間平面圖13高程直方圖3研究方法墻面標記利用激光和物體之間的位置關(guān)系，對掃描墻面進行標記，生成證據(jù)柵格圖。占用遮擋Free

space空白143研究方法門窗檢測提出一種水平和垂直雙向生長的門窗提取算法。154實驗結(jié)果數(shù)據(jù)集兩個合成數(shù)據(jù)集，兩個真實數(shù)據(jù)集。Test

SitesTotal

FramesTable1.Descriptionofthe

datasets.Length

(m) Width(m) Height

(m)Points(perFrame)Synthetic-14310.35.62.56274,000Synthetic-211054.323.65.6380,000Dataset-1468.610.22.8367,602Dataset-21022.832.32.82,765,000評價指標??U=

??ea?f???e??e?????

??ea ?f

U????RDM=???

(????a

)? aAAD

=

|??ea

?

??ea

|?????

e?e?e?=????

+

?N???e???e?=??

+

????164實驗結(jié)果(a)(b)(c) (d)Figure12.Synthetic-1dataset.(a)Originalpointclouds,thetrajectoryisshowninred.(b)Planesegmentationandfusionresult;(c)Semanticdecompositionofroomspaceandfloorplan;(d)3Dindoor

model.(a)(b)(e) (f)Figure14.Realworlddataset-1.(a)Originalpointclouds;(b)Planesegmentationandfusionresult;(c)Semanticdecompositionofroomspaceandfloorplan;(d)3Dindoor

model.174實驗結(jié)果TableT2a.bDlees4c.riDpteisocnriopftitohnetrhoeomexpreecroimnsetnrutacltiroensuelvtsalfuoartitohnesrbeayl-uwsionrgldthdeatsaysnetthse.tic

datasets.of

RoomsRoomsIoURDM

(m)AAD

(m2)8180.012±0.0090.011±0.0140.12±0.180.21±0.52Test

SitesTest

SitesTEolteamlNenutmberBDacektegcrtoeudnd DetectionBackground

DetectionTPFP FNDoors7763.6%100%Windows77440063.6%100%Synthetic-2Doors17169164.0%94.1%Windows45428384.0%93.3%Dataset-1Rooms5 5-Synthetic-1DaStyansetht-e2tic-2Wall8PlanesRo1o8msWall

Planes6-98.4%±1.3%

3599.4%±0.6%

637Test

SitesElementTable3.DescriptBioanckogfrthoeunstdructuredwalloDpeetneicntgioenlementdetection

results.PrecisionRecallNum.

TP

FP

FNTest

SitesDataset-1441 0DEoleomrsentWindowsNum.109618P0r.0ec%ision60.0%1R00e%call90%Synthetic-1Dataset-2Doors9969.2%100%Windows87470150.0%88%185結(jié)論與展望結(jié)論本方法可以滿足大場景多房間的室內(nèi)結(jié)構(gòu)化三維重建。構(gòu)建的房間平面圖具有很高精度。門窗檢測的查全率較高，查準率相對較低，和點云數(shù)據(jù)的噪聲，稀疏性有關(guān)系。展望多樓層環(huán)境下的室內(nèi)空間劃分與重建？更加復(fù)雜的室內(nèi)環(huán)境下的建模問題？商場？本方法只采用了點云坐標，更多的線索，包括顏色，強度等信息。Li,L.;