Page 94 - 无损检测2024年第六期
P. 94
李沛东 :
基于点云数据实时配准算法的桥梁结构复杂缺陷形态识别
分别充当一次搜索中心，根据半径阈值设置合理的 l 为数据点变换后的距离差；φ 为给定的判断阈值。
ε
搜索半径实现点云数据的近邻搜索，当搜索出的近 通过搜索最小距离误差和，找到最优刚性变换
邻点数量超过最小邻域点个数阈值，则可以将该搜 矩阵后，这两个点就属于粗配准的数据点。随后，进
索点标注为核心点，此时该点属于未聚类状态。然 入精配准阶段，采用改进的ICP（基于最小二乘法的
后，从多个核心点中任选其一，与其他核心点相连接 最优配准方法）方法不断进行迭代分析，找到最匹
得到连接路径，将该路径上核心点半径阈值范围内 配的原点云和目标点云数据 [10] 。实际操作过程中，
的所有数据点看作一个聚类，该核心点属于已聚类 将源点云和目标点云分别设置为
状态。最后，按照上述操作重复对所有处于未聚类 P = P p ∈ λ 3 , = 1,2,3, ,m }
i
i
{ i
{
状态的核心点进行聚类操作，直到所有核心点都完 Q = Qq ∈ λ 3 , = 1,2,3, ,n } （6）
j
成聚类，删除其中聚类数量较小的集合，即完成桥梁 j j
式中：P为标准点云集合；Q为桥梁结构三维点云集
结构三维点云数据去噪处理。
j
i
1.3 基于点云数据实时配准算法检测结构复杂缺陷 合；，为数据点编号；p，q分别为标准点云和桥梁结
构三维点云集合中的特征点； λ 为特征点集合；m为
对去噪处理后的桥梁结构三维点云数据进行实
标准点云中的数据点数量；n为桥梁结构三维点云中
时配准，需要经历粗配准和精配准两个环节 。在
[9]
的数据点数量。
配准处理之前，获取点云中所有数据点的法向量、邻
提前设置一个最大迭代次数，用来控制点云精配
域表面曲率特征统计量，形成PFH （点云特征点特
准是否终止。从点云的特征描述子入手，找到两个最
征直方图）特征描述子（见图2）。
相近的标准点云和桥梁结构三维点云数据点，并计算
二者的旋转平移矩阵，实现标准点云的更新，即
= P′ R + P T （7）
式中：P'为更新后的标准点云；R为旋转矩阵；T为
平移矩阵。
将错误的点云匹配点去除后，保留剩余的标准
点云，并计算出此次精准匹配迭代分析结果的均方
误差，即
= E 1 m 1 ∑ P + R -T P′ （8）
2
m+ 1 m i= 1 m+ i m+ 1 i
式中：E 表示均方误差；R m+1 为在m+1次迭代后
m+1
的旋转矩阵 ；T m+1 为在m+1次迭代后的平移矩阵 ；
图 2 点云特征点特征直方图示意
P′ 为标准点云集合中的特征点 。
图2中黑色的点表示特征点，以此为中心构造 i
出一个圆球网络，即虚线包含区域，该区域内存在的 当均方误差计算结果小于预先设置的判断阈
所有点构成了邻域点集。针对点云的邻域建立一个 值，或者达到最大迭代次数时，即代表此次三维点云
数据精准配准完成。
局部坐标系，基于此得到特征元素三元组。
按照上述操作提取桥梁结构点云数据和标准无 以点云数据实时配准结果为基础，进行桥梁结
缺陷点云数据特征描述子后，依托于SAC（柔性动 构复杂缺陷区域检测，具体的操作流程如图3所示。
作-评价）粗配准算法找到两部分点云之中的对应 即，在点云配准完成后，分别计算不同数据点之间的
点。其中，点云数据集中目标点云的搜索主要是计 间距，以此来确定桥梁结构表面是否存在缺陷。若
间距计算结果大于阈值，可以判断该点属于缺陷点，
算不同点之间的刚性变换矩阵，通过Huber函数描
述距离误差和，以此描述配准误差，即 需要记录到缺陷点云集合中。根据缺陷点云集合，
即可检测出桥梁结构复杂缺陷区域。
1 l 2 , l ≤ φ 1.4 获取桥梁结构缺陷形态识别结果
Hl ε 2 ε ε （5）
( ) =
1 φ (2 l - ), l ＞φ 为了进一步确定桥梁结构复杂缺陷类别和状
φ
2 ε ε 态，在缺陷检测完成后进一步分析点云数据，提取桥
式中：H（l ）为Huber 函数；ε 为对应点对组编号； 梁结构缺陷区域的形变特征，识别出具体的缺陷形
ε
56
2024 年 第 46 卷 第 6 期
无损检测
