基于激光點云數據的室內路網構建方法

摘" 要：面對價格昂貴的專業級三維激光掃描儀，針對使用現有二維底圖或人工建模可能使得在構建跨樓層路網的過程中出現準確性或效率性低等情況，且考慮如何對室內過道、走廊等區域進行抽象，提出一種基于激光點云數據的室內路網構建方法。該方法以消費級激光雷達掃描設備采集的建筑物內部點云為基礎數據，結合直通濾波和投影濾波對點云進行預處理，得到去噪后的平面二維點云，進行柵格二值化處理，針對性填充點云孔洞，抽取骨架線，剔除毛刺并提取骨架線節點，將節點間的拓撲關系存儲為鄰接表形式的圖模型，得到可利用Dijkstra算法尋徑并將尋得的最短路徑可視化的三維路網模型。

關鍵詞：激光點云;路網模型;骨架線;節點;消費級

中圖分類號：TP391" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）09-0025-04

Abstract： In the face of expensive professional-grade 3D laser scanner， an indoor road network construction method based on laser point cloud data was proposed， aiming at the low accuracy or efficiency in the process of building cross-floor road network by using existing 2D base map or manual modeling， and considering how to abstract indoor corridors， corridors and other areas. The method takes the point cloud inside the building collected by the consumer LiDAR scanning equipment as the basic data， combines the through filter and projection filter to preprocess the point cloud， obtains the de-noised planar two-dimensional point cloud， carries out raster binarization processing， and targeted fills the holes in the point cloud， extracts the skeleton line， removes burrs and extracts the skeleton line nodes. The topology relationship between nodes is stored as a graph model in the form of adjacency table， and a 3D road network model can be obtained by using Dijkstra algorithm to find and visualize the shortest path.

Keywords： laser point cloud; road network model; skeleton line; node; consumption level

人或可移動設備在建筑內部中進行日常活動的空間被稱為室內空間[1]。室內路網可描述空間內部的結構和布局，有助于了解陌生的室內場景，為室內定位與位置服務提供了基礎支撐[2]。當前，室內的智能化作業會用到室內定位技術，室內路網已成為空間位置應用需求的基礎[3]。

隨著全球化數字水平提高，二維圖像漸漸難以滿足日常需求，激光點云具有空間上的三維信息[4]，可以充分描述、記錄場景的信息，具有較大的靈活性和適用性[5]，能夠實現快速原形重構[6]，被應用到文物保護、三維重建、逆向工程等領域[7]，這讓三維激光掃描成為研究熱點。但專業級三維激光掃描儀價格普遍在幾十到幾百萬元之間，成本較高，故可以考慮用消費級激光掃描設備獲取場景點云，其操作簡單、成本有限，所建的三維模型在一定程度上能還原目標物體，而且與人工相比建模效率也高。本文提出了一種基于激光點云數據的室內路網構建方法。以期為室內路網的構建帶來參考。

1" 設備和研究區域

1.1" 設備簡介

本文采用的設備是美國Apple公司于2020年3月面市的iPad Pro，其搭載了一款較先進的消費級激光掃描設備。其原理是通過計算光從激光雷達掃描設備發射到達測量場景并反射回掃描設備所需的時間來估算距離，以納秒級的速度運行，精度更高、能耗更低，整個過程每秒可運行數百萬次。設備主要參數：測程最大為5 m;分辨率最高為20 mm;掃描方式為Flash型激光雷達;采用dTof技術。

1.2" 研究區域概況

本文采集對象是園測信息科技股份有限公司大樓北側一樓和二樓所有允許進入的內部結構。二樓場景主要擺放著密集、整齊的工位。一樓場景主要是一條走廊及2個樓梯。使用配套的3d Scanner軟件解算點云數據，以pcd格式導入到計算機中，采用開源軟件Cloud Compare可視化（圖1）。

2" 數據處理

2.1" 點云預處理

針對室內點云地面高程基本一致的特點，將地板和天花板等視作平行x-o-y的平面。采用直通濾波進行Z軸方向的高程約束，可剔除大部分非地板點云，去除室內障礙物的影響，達到分層的目的;采用投影濾波進行降維處理，便于點云柵格化后轉為圖像，便于后續試驗基于二值圖像抽取骨架線。

2.2" 二值圖處理

2.2.1" 點云柵格化

基于柵格圖像處理數據需要先將點云轉化為柵格圖像，具體步驟可描述如下。

1）讀入二維點云數據的x、y坐標，存儲為N行2列的矩陣A，N代表點云數量，第一、二列存儲各點的x、y坐標值，表示各點在平面的位置。

2）設置x和y方向上的步長，計算每個網格內是否有矩陣A中存儲的各點的x、y坐標落入，將該網格位置存儲到二維矩陣I。

式中：Xk、Yk是某點x和y的坐標;Xmin、Ymin是x方向和y方向的最小值;cellsize是劃分格網的邊長;Xid、Yid表示該點在網格中的位置。

3）若網格內有點云則賦成白色，反之賦成黑色，輸出二值圖（圖2）。

2.2.2" 連通區域分析

上述處理過的圖像分為黑、白連通區域。需要填充的是非地板點云被分割后留下的小且不等的孔洞，否則會影響骨架線的抽取和拓撲關系的構建。填充孔洞具體步驟如下。

1）二值圖反色后得到白色連通域孔洞（圖3）。

2）找出所有連通域并統計其像素數量、位置等信息，并將其像素數量從大到小排序。

3）前5個連通域為過道之間的間隙，屬于非填充孔洞，故以第5個對應的連通域像素作為填充孔洞的最優閾值，保留小于該閾值的連通域（圖4）。

4）將保留下的連通域二值圖與原二值圖相加，即可將孔洞填充掉（圖5）。

算法泛化到其他孔洞填充場景時，將圖像的所有連通域按像素值數量大小排序，根據孔洞實際情況找到閾值，可以適應大部分孔洞填充場景。

2.2.3" 骨架線抽取和優化

本文基于Python的OpenCV調用Skeletonize函數提取二值圖骨架線并顯示。骨架是支撐物體結構和輪廓的支架，具有原始二值圖最基本的幾何形狀和拓撲結構的特征信息，為后續提取節點提供基礎數據。由原始二值圖提取的骨架線會出現“環狀”的情況，孔洞的存在會嚴重影響骨架線的精度（圖6）;對原始點二值圖像進行開運算處理后抽取的骨架線相對簡約，但仍會出現環狀的情況（圖7）;對原始二值圖像進行孔洞填充和開運算處理后抽取的骨架線沒有環狀情況，沒有斷點，滿足連通性和單像素寬的要求（圖8）。單純的形態學運算不會消除所有的噪聲，本文在提取骨架線時，結合開運算和孔洞填充對圖像進行處理，消除較多噪聲，避免在圖像的小縫隙處出現黏連或裂隙的情況。

3" 節點提取

3.1" 提取骨架線節點

通過判斷一個像素點與其八鄰域的關系，把全部像素點分3類，即：lc（p）=1為端點;lc（p）=2為普通點;lc（p）=3為交叉點。lc表示骨架線上任一像素點，p表示該點的八鄰域像素點個數。

觀察圖9，短劃線-點線框和短劃線框中交叉點所在的八鄰域內有3個像素點，但其中有2個是相鄰狀態，這種情況的交叉點為不合格交叉點。點線框中的3個像素點各不相鄰，這種情況的交叉點為合格交叉點，保證了該點八鄰域內只存在3個不相鄰的像素點。

（a）" 3個交叉點 （b）" 合格交叉點

3.2" 骨架線剔除毛刺

在提取骨架時，很大程度會由于圖像處理方法不當引出骨架線毛刺，進而影響提取的骨架，而且會對骨架線的節點提取產生不可忽視的影響，只有盡可能地去除毛刺才能提高識別率。去除毛刺的關鍵是找到毛刺線段。剔除毛刺具體步驟如下。

節點搜索。遍歷圖像中的每一個像素點，得到每一個端點和交叉點的八鄰域像素值。

設置閾值。定義毛刺長度閾值，在該數值范圍內判斷是否能追蹤到交叉點。

確定方向。以每個端點作為起始點，記錄當前像素值八鄰域的位置索引，為下一個像素點的位置提供參考，直到尋得交叉點。

剔除毛刺。從端點追蹤到結束的路徑即為骨架線毛刺，把獲取到的毛刺像素值賦予0，即和背景色一致，達到刪除毛刺的目的（圖10）。提取骨架線的合格交叉點和端點（圖11）。

3.3" 拐點提取

由于拐點也是僅有2個像素點，故拐點也被視為普通點。導致路網節點銜接處的結構由“交叉點-拐點-交叉點”變為“交叉點-交叉點”，這與實際不符。本文基于Python的OpenCV調用強節點檢測goodFeaturesToTrack函數尋找節點，再篩選出所需拐點。

4" 三維路網模型構建和路徑規劃

4.1" 路網模型構建

拓撲模型是對地理實體拓撲關系的抽象描述，是進行空間分析的基礎和依據。將節點按照一定的拓撲關系依次連接，可視化結果。

為達到跨樓層的室內路徑規劃目的，把一層和二層空間路網疊加。由于實際有步梯相連，所以還需根據實際情況人為添加樓梯點部分，讓樓體的立體拓撲結構接近真實的空間結構，最終得到完整的2層區域三維拓撲路網模型。

4.2" 最短路徑規劃

Dijkstra算法是目前解決基于圖的路徑搜索問題中經典的算法之一。在本文試驗中，基于該算法對路網進行最短路徑規劃，可進一步驗證三維路網模型的可行性和有效性。圖論是以圖為研究對象，由節點與連接節點的邊所構成，描述事物間特定關系的一種理論。根據抽象出的三維室內路網模型的節點和邊之間的對應關系，其使用被限定到單一的空間實體中，也提供了從一層到另一層空間的通道，在這樣環境下生成的是點分散且邊稀疏的無向圖，故選擇以鄰接表的形式去存儲有權無向圖，既減少了儲存空間的浪費，又達到跨樓層最短尋徑的目的。搜索兩點間最短路徑的步驟如下。

計算角點間拓撲關系獲得邊的權值。三維空間中兩點間的歐氏距離公式如下

式中：S代表兩點間距離，（X1，Y1，Z1）、（X2，Y2，Z2）分別代表兩點的空間坐標。

將圖儲存為鄰接表形式，儲存和表達具有拓撲關系的角點，即獲得包含室內空間幾何和拓撲信息的三維導航網絡。每個角點的屬性信息包括ID號、相連的邊、相連的邊的數量、坐標等。

利用Dijkstra算法計算了從指定起始點6到指定終點29間的最短路徑。灰色部分為尋得的跨樓層最短路徑（圖12）。

5" 結束語

室內空間是人類主要的活動場所，室內路網模型可為室內導航與定位提供基礎服務。在缺少室內先驗數據的情況下，無需依賴精度較低的CAD底圖和耗時耗力的手動建模，利用消費級激光雷達掃描設備可快速完成獲取點云數據的工作，得到的點云數據包含清晰的地物目標幾何結構和豐富的空間細節信息，給剖分室內空間和重建其拓撲關系提供了可靠數據基礎。對比測繪領域專業級掃描設備，有效降低三維數據采集的硬件設備成本。本文提出的方法可滿足實踐應用需要，且算法相對容易實現，面對原始二維地圖建模精度差以及手動人工建模效率低下的問題，為室內拓撲關系和室內路網的構建提供了靈活的方法參考。下一步將針對自動化構建室內路網模型方面開展研究。

參考文獻：

[1] 張寅寶，張威巍，張欣.建筑物室內空間建模研究綜述[J].地理信息世界，2014，21（5）：7-12.

[2] 湛逸飛，楊必勝.基于LiDAR點云法向量穩健估計的室內平面圖自動生成方法[J].地理信息世界，2017，24（1）：92-96.

[3] DEBADITYA A， MILAD R， KOUROSH K， et al. BIM-Tracker： A model-based visual tracking approach for indoor localisation using a 3D building model[J].ISPRS Journal of Photogrammetry and Remote Sensing，2019，150（7）：157-171.

[4] 呂雯雪.三維激光掃描點云孔洞修補算法研究[D].蘭州：蘭州交通大學，2021.

[5] 曹靜鈺.三維點云數據的特征提取[D].大連：大連理工大學，2019.

[6] 王春香，郝林文，王耀，等.點云模型孔洞修補研究綜述[J].現代制造工程，2020（9）：156-162.

[7] 安毅.三維點云數據的幾何特性估算與特征識別[D].大連：大連理工大學，2011.

基金項目：蘇州市產業前瞻與關鍵核心技術項目（SYC2022028）

第一作者簡介：馮敏（1997-），女，碩士。研究方向為數字城市空間信息采集與處理。

通信作者：錢程揚（1983-），男，博士，高級工程師。研究方向為地理空間智能與時空大數據。