[发明专利]一种基于FARO扫描仪和点云的地形扫描分析方法和装置

权利要求书

1.一种基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，包括以下步骤：

步骤1、远程控制FARO扫描仪进行复杂场景的扫描获取散乱点云数据；

步骤2、利用PCA算法计算点云数据的法向量，并利用改进的区域增长法来对三维点云数据进行分割，通过采样一致性对分割后的点云簇集进行球面拟合计算出球面参数；

步骤3、根据位于复杂场景中探测车上的三个球形靶标的坐标和以这三个球建立的新坐标系的坐标，求出新坐标系和FARO扫描仪自身的坐标系的转换关系来获取场景中探测车的位姿；

其中，步骤2中利用PCA主成分分析法计算点云数据法向量，通过点云所在的区域的局部拟合的表面进行计算，具体过程包括：

步骤201、初始化输入点云对象cloud_find；

步骤202、初始化KdTree对象search_tree；

步骤203、将cloud_find载入Kdtree，用于遍历查询；

步骤204、初始化法线估计对象NormalEstimation；

步骤205、设置NormalEstimation以search_tree方式搜索；

步骤206、设置搜索半径Radius；

步骤207、初始化输出法线数据集对象cloud_with_normals；

步骤208、对点云cloud中的每个点p：

(1)搜索p点的最近邻元素得到searchForNeighbors；

(2)使用computePointNormal方法计算p点的表面法向n；

(3)通过PCA来计算法向方向，检查n的方向是否一致指向视点，如果不是则使用setViewPoint()方法来翻转；

步骤2中点云分割具体过程为：

步骤209、设置k近邻搜索的k＝20；

步骤210、初始化k近邻域搜索的索引k_nebor_index；

步骤211、初始化k近邻域搜索的索引点之间的距离k_nebor_index_dis；

步骤212、初始化保存每个点区域位置的曲率及索引的集合对象vec_curvature；

步骤213、遍历输入的点云对象cloud_find，以k、k_nebor_index、k_nebor_index_dis为参数计算每个点p的曲率及对应的索引位置，保存到vec_curvature集合中；

步骤214、使用sort函数，对vec_curvature集合中的曲率按照由小到大进行排序；

步骤215、设置曲率阈值和法向量阈值；

步骤216、将曲率最小的点设置为初始种子点seed_orginal；

步骤217、遍历种子队列seed，测试每个邻近点与种子点法向量的夹角，如果角度小于临界值，则添加进当前的种子区域；测试每个临近点的曲率，如果曲率小于临界值，则将该点添加进当前区域的种子列表；直到一个种子队列全部判断完毕；

步骤218、将满足上述条件的分割后的结果保存再列表clusters中；

步骤219、遍历聚类点集列表clusters，利用采样一致性分割算法对每一个cluster进行球面拟合，利用RANSAC算法计算出球面的球心和半径参数。

2.如权利要求1所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤206中，搜索半径Radius＝0.06。

3.如权利要求1所述的基于FARO扫描仪和点云的地形扫描分析方法，其特征在于，步骤215中，设置曲率阈值curvature_threshold＝0.07，法向量阈值normal_threshold＝cosf(5.0/180.0*M_PI)。