本技術(shù)涉及巖土工程/數(shù)據(jù)處理，特別涉及一種基于點(diǎn)云的巖體跡線自動提取方法和系統(tǒng)。

背景技術(shù)：

1、近年來，國家在工程建設(shè)方面穩(wěn)步推進(jìn)，在水利水電、煤炭開采和交通等領(lǐng)域不斷加大投入，各類巖體工程項(xiàng)目數(shù)量持續(xù)增加。工程安全問題是工程項(xiàng)目的核心問題，巖體工程的安全系數(shù)在很大程度上受到巖體力學(xué)性質(zhì)的影響。巖體跡線是影響巖體力學(xué)性質(zhì)的重要因素之一，國際巖石力學(xué)學(xué)會建議使用跡線長度作為巖體結(jié)構(gòu)面描述的參數(shù)之一(isrm，1978)。因此，快速準(zhǔn)確識別跡線信息對巖體穩(wěn)定性分析具有重要意義。傳統(tǒng)方法通常采用接觸式的人工現(xiàn)場測量法來采集巖體數(shù)據(jù)，例如使用皮尺和地質(zhì)羅盤的測量方法、掃描線法或窗口采樣法等。這些方法存在多個問題。首先，效率低下，需要耗費(fèi)大量時間和人力資源來完成測量任務(wù)。其次，測量結(jié)果容易出現(xiàn)較大偏差，無法保證數(shù)據(jù)的準(zhǔn)確性。此外，現(xiàn)場測量時，測量人員需要在復(fù)雜且危險的環(huán)境中工作，這大大增加了操作的風(fēng)險。最后，這些方法的測量范圍有限，無法覆蓋大面積的巖體區(qū)域，無法滿足現(xiàn)代巖體工程對大范圍數(shù)據(jù)采集的需求。因此，傳統(tǒng)方法在現(xiàn)代巖體工程中的應(yīng)用受到了很大的制約，迫切需要尋找更高效、安全和準(zhǔn)確的替代方案。

2、隨著lidar(light?detection?and?ranging)技術(shù)和攝影測量技術(shù)的發(fā)展，高精度巖體三維點(diǎn)云成為巖體幾何參數(shù)信息提取的主要數(shù)據(jù)來源。目前，巖體點(diǎn)云提取跡線技術(shù)中，通常采用在點(diǎn)云的顏色空間和/幾何空間設(shè)置閾值來初步提取特征點(diǎn)(粗提取)，再將特征點(diǎn)進(jìn)行精提取和連接來獲得跡線。然而，不同巖體的點(diǎn)云數(shù)據(jù)密度通常差異較大，若采用統(tǒng)一閾值來提取特征點(diǎn)往往精度不足，難以滿足實(shí)際應(yīng)用需求，對此一些技術(shù)采用對不同巖體點(diǎn)云分別設(shè)置閾值的方法，一定程度上解決了閾值選擇不當(dāng)導(dǎo)致的精度不足問題，但是，一方面由于閾值的選擇沒有統(tǒng)一的方法，即便是同一點(diǎn)云數(shù)據(jù)，采用不同方法獲得的閾值選擇結(jié)果仍具有較大的不確定性，難以保證特征點(diǎn)提取的效果，另一方面，對不同的點(diǎn)云數(shù)據(jù)分別查找合適的閾值，無疑大大增加了工作量。

3、因此，需要提供一種針對上述現(xiàn)有技術(shù)不足的改進(jìn)技術(shù)方案。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的在于提供一種基于點(diǎn)云的巖體跡線自動提取方法和系統(tǒng)，以解決或緩解上述現(xiàn)有技術(shù)中存在的問題。

2、為了實(shí)現(xiàn)上述目的，本技術(shù)提供如下技術(shù)方案：

3、第一方面，本技術(shù)提供了一種基于點(diǎn)云的巖體跡線自動提取方法，包括：

4、獲取規(guī)則體點(diǎn)云數(shù)據(jù)以及巖體點(diǎn)云數(shù)據(jù)，并從所述規(guī)則體點(diǎn)云數(shù)據(jù)中提取出樣本點(diǎn)集合，所述樣本點(diǎn)集合中的各個樣本點(diǎn)包含標(biāo)簽信息；

5、計算所述樣本點(diǎn)集合中的各個樣本點(diǎn)的多尺度表面變化指標(biāo)，得到所述樣本點(diǎn)集合的第一特征集合；計算所述巖體點(diǎn)云數(shù)據(jù)中所有點(diǎn)的多尺度表面變化指標(biāo)，得到所述巖體點(diǎn)云數(shù)據(jù)的第二特征集合；其中，所述第一特征集合的特征總數(shù)量、所述第二特征集合的特征總數(shù)量都等于尺度規(guī)模n，所述第一特征集合中的第i個特征代表所述樣本點(diǎn)集合中的各個樣本點(diǎn)在第i個尺度下的表面變化指標(biāo)取值；所述第二特征集合中的第i個特征代表所述巖體點(diǎn)云數(shù)據(jù)中所有點(diǎn)在第i個尺度下的表面變化指標(biāo)取值；

6、以所述第一特征集合作為輸入特征，結(jié)合所述樣本點(diǎn)集合中的各個樣本點(diǎn)包含的標(biāo)簽信息，構(gòu)建訓(xùn)練數(shù)據(jù)集；并利用所述訓(xùn)練數(shù)據(jù)集，基于誘導(dǎo)遷移學(xué)習(xí)思想，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)ann訓(xùn)練通用的跡線特征點(diǎn)提取模型，然后將所述第二特征集合輸入到訓(xùn)練好的所述跡線特征點(diǎn)提取模型，對巖體點(diǎn)云跡線特征點(diǎn)進(jìn)行粗提取，得到粗提取特征點(diǎn)集合；

7、基于所述粗提取特征點(diǎn)集合，依次進(jìn)行巖體跡線特征點(diǎn)精提取、特征點(diǎn)連線、跡線合并處理，得到最終的巖體跡線。

8、結(jié)合第一方面，在一些可能的實(shí)現(xiàn)方式中，以所述規(guī)則體點(diǎn)云數(shù)據(jù)或者所述巖體點(diǎn)云數(shù)據(jù)作為輸入點(diǎn)云p，以所述樣本點(diǎn)集合中的任一樣本點(diǎn)或者所述巖體點(diǎn)云數(shù)據(jù)中的任一點(diǎn)作為當(dāng)前點(diǎn)p；則當(dāng)前點(diǎn)p的多尺度表面變化指標(biāo)的計算步驟如下：

9、在輸入點(diǎn)云p的所有點(diǎn)中，搜索距離當(dāng)前點(diǎn)p最近的k個點(diǎn)，組成近鄰點(diǎn)集合nk(p)；

10、計算近鄰點(diǎn)集合nk(p)任意一點(diǎn)pi到當(dāng)前點(diǎn)p的歐氏距離，并確定近鄰點(diǎn)集合nk(p)中所有點(diǎn)到當(dāng)前點(diǎn)p的距離最大值dk(p)；

11、以dk(p)為搜索半徑下限、以輸入點(diǎn)云p的最大采集范圍為搜索半徑上限，在搜索半徑上下限范圍內(nèi)確定多個斷點(diǎn)，組成多尺度搜索半徑集合，其中，所述多尺度搜索半徑集合中包含的半徑個數(shù)等于尺度規(guī)模n；

12、以當(dāng)前點(diǎn)p為中心、多尺度搜索半徑集合中各個半徑取值為搜索半徑進(jìn)行搜索，獲得當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)集；

13、基于所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)集，計算出當(dāng)前點(diǎn)p在各個尺度下的表面變化指標(biāo)取值。

14、結(jié)合第一方面，在一些可能的實(shí)現(xiàn)方式中，基于所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)集，計算出當(dāng)前點(diǎn)p在各個尺度下的表面變化指標(biāo)取值，具體為：

15、對于所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)集，構(gòu)建所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)矩陣，所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)矩陣的行的數(shù)量等于所述當(dāng)前點(diǎn)p在該尺度下的近鄰點(diǎn)集中包含點(diǎn)的個數(shù)，所述近鄰點(diǎn)矩陣的列包括三列，分別是x坐標(biāo)、y坐標(biāo)和z坐標(biāo)；

16、基于所述當(dāng)前點(diǎn)p在各個尺度下的近鄰點(diǎn)矩陣，計算出所述當(dāng)前點(diǎn)p在各個尺度下的協(xié)方差矩陣c；

17、通過主成分分析對所述當(dāng)前點(diǎn)p在各個尺度下的協(xié)方差矩陣c進(jìn)行特征值分解，并將產(chǎn)生的特征值按從大到小的順序進(jìn)行排列，以確定所述當(dāng)前點(diǎn)p在各個尺度下的最大特征值和排列在前3位的特征值；

18、計算所述當(dāng)前點(diǎn)p在各個尺度下的最大特征值與排列在前3位的特征值之和的比值，得到所述當(dāng)前點(diǎn)p在各個尺度下的表面變化指標(biāo)。

19、在一些可能的實(shí)現(xiàn)方式中，所述最大采集范圍通過如下公式確定：

20、

21、式中，rmax表示最大采集范圍，dbb表示輸入點(diǎn)云p的包圍盒的對角線長度，|n|表示輸入點(diǎn)云p中點(diǎn)的個數(shù)。

22、在一些可能的實(shí)現(xiàn)方式中，以dk(p)為搜索半徑下限、以輸入點(diǎn)云p的最大采集范圍為搜索半徑上限，在搜索半徑上下限范圍內(nèi)確定多個斷點(diǎn)，組成多尺度搜索半徑集合，包括：

23、以dk(p)為搜索半徑下限、以輸入點(diǎn)云p的最大采集范圍為搜索半徑上限，采用固定步長的方式在搜索半徑上下限范圍內(nèi)設(shè)置n個等距離的斷點(diǎn)，并組成所述多尺度搜索半徑集合；

24、或者，

25、以dk(p)為搜索半徑下限，采用自適應(yīng)迭代的方式獲得搜索半徑上下限范圍內(nèi)的n個斷點(diǎn)，并組成所述多尺度搜索半徑集合；

26、其中，自適應(yīng)迭代包括：

27、設(shè)dk(p)為迭代的起始半徑r0，所述當(dāng)前點(diǎn)p到近鄰點(diǎn)集合nk(p)中所有點(diǎn)的歐氏距離的均值作為初次迭代的步長δr0，則初次迭代生成的半徑值r1：

28、r1＝r0+δr0，

29、計算出第k1次迭代的自適應(yīng)步長和每次迭代的斷點(diǎn)值：

30、rk1+1＝rk1+δrk1，

31、δrk1＝δr0·tanh(i(r*rk1)))，

32、

33、i(r(rk1))＝-log?p(r(rk1))，

34、式中，k1是當(dāng)前迭代次數(shù)，rk1+1、rk1分別是第k1+1、第k1次迭代時斷點(diǎn)值，δrk1是第k1次迭代的步長，r(rk1)是歸一化函數(shù)，i(r(rk1))表示歸一化后的rk1的信息量，p(r(rk1))是r(rk1)的概率分布。

35、在一些可能的實(shí)現(xiàn)方式中，巖體跡線特征點(diǎn)精提取，包括：

36、將所述粗提取特征點(diǎn)集合中的特征點(diǎn)從所述巖體點(diǎn)云數(shù)據(jù)中剝離，得到跡線特征點(diǎn)云集合。

37、采用隨機(jī)采樣技術(shù)對所述跡線特征點(diǎn)云集合進(jìn)行隨機(jī)采樣，得到采樣點(diǎn)集合；

38、基于所述跡線特征點(diǎn)云集合和所述采樣點(diǎn)集合，采用l1中值骨架提取算法構(gòu)建優(yōu)化目標(biāo)方程，所述優(yōu)化目標(biāo)方程的表達(dá)式如下：

39、

40、式中，xi為采樣點(diǎn)集合中的第i個點(diǎn)，pj為跡線特征點(diǎn)云集合中的第j個點(diǎn)，i、j分別是采樣點(diǎn)集合和跡線特征點(diǎn)云集合中點(diǎn)的個數(shù)，θ是權(quán)重函數(shù)，γi是平衡系數(shù)，xi′是采樣點(diǎn)集合中的第i′個點(diǎn)，且i′≠i，σi是點(diǎn)xi所在位置的線性程度；

41、對所述優(yōu)化目標(biāo)方程進(jìn)行迭代求解，得到精提取的巖體跡線特征點(diǎn)。

42、在一些可能的實(shí)現(xiàn)方式中，巖體跡線特征點(diǎn)連線，包括如下步驟：

43、對所述精提取的巖體跡線特征點(diǎn)進(jìn)行外點(diǎn)剔除；

44、在所述精提取的巖體跡線特征點(diǎn)中隨機(jī)取一種子點(diǎn)p0作為中心點(diǎn)，計算點(diǎn)p0的近鄰點(diǎn)集；

45、對所述點(diǎn)p0的近鄰點(diǎn)集中的每一個近鄰點(diǎn)，計算其權(quán)重；

46、根據(jù)計算的權(quán)重結(jié)果，選擇權(quán)重最大的點(diǎn)作為新的種子點(diǎn)，并連接所述新的種子點(diǎn)和所述中心點(diǎn)；

47、以新的種子點(diǎn)為新的中心點(diǎn)，查找該中心點(diǎn)的近鄰點(diǎn)集并計算各個近鄰點(diǎn)的權(quán)重，重復(fù)上述步驟，直到跡線連接完畢，得到連接好的跡線。

48、在一些可能的實(shí)現(xiàn)方式中，巖體跡線合并處理，具體是采用基于距離和共線性驅(qū)動的跡線合并方法進(jìn)行合并處理，包括如下步驟：

49、對所述連接好的跡線，使用b樣條插值法進(jìn)行平滑處理，得到平滑后的跡線；

50、采集所述平滑后的跡線的所有端點(diǎn)，構(gòu)建端點(diǎn)集合；

51、在所述端點(diǎn)集合中任取一點(diǎn)作為當(dāng)前中心點(diǎn)pi，執(zhí)行如下步驟：

52、搜索該中心點(diǎn)的近鄰點(diǎn)，得到該中心點(diǎn)的近鄰點(diǎn)集

53、定義中心點(diǎn)pi到其近鄰點(diǎn)集中第j個近鄰點(diǎn)的向量為中心點(diǎn)pi指向其所在跡線上的相鄰點(diǎn)的向量為定義向量與之間的夾角為θj，根據(jù)中心點(diǎn)pi到其第j個近鄰點(diǎn)之間的歐氏距離和夾角為θj計算出相鄰跡線端點(diǎn)到當(dāng)前中心點(diǎn)pi所屬跡線的歐氏距離dtt；

54、若夾角為θj小于預(yù)設(shè)的夾角閾值，且距離dtt小于預(yù)設(shè)的距離閾值，則將第j個近鄰點(diǎn)劃歸備選點(diǎn)集合，并計算該第j個近鄰點(diǎn)的權(quán)重；

55、將備選點(diǎn)集合中權(quán)重最大的點(diǎn)作為連接點(diǎn)，將其與中心點(diǎn)pi連接；

56、重復(fù)執(zhí)行上述步驟，直到所述端點(diǎn)集合中所有端點(diǎn)被計算完畢。

57、在一些可能的實(shí)現(xiàn)方式中，第j個近鄰點(diǎn)的權(quán)重，表達(dá)式如下：

58、

59、式中，ωj是第j個近鄰點(diǎn)的權(quán)重，λ0、λ1、λ2是中心點(diǎn)pi的特征值，dpp是中心點(diǎn)pi到其第j個近鄰點(diǎn)之間的歐氏距離，dtt是相鄰跡線端點(diǎn)到當(dāng)前中心點(diǎn)pi所屬跡線的歐氏距離。

60、第二方面，本實(shí)施例提供一種基于點(diǎn)云的巖體跡線自動提取系統(tǒng)，包括：

61、數(shù)據(jù)獲取模塊，配置為獲取規(guī)則體點(diǎn)云數(shù)據(jù)以及巖體點(diǎn)云數(shù)據(jù)，并從所述規(guī)則體點(diǎn)云數(shù)據(jù)中提取出樣本點(diǎn)集合，所述樣本點(diǎn)集合中的各個樣本點(diǎn)包含標(biāo)簽信息；

62、計算模塊，配置為計算所述樣本點(diǎn)集合中的各個樣本點(diǎn)的多尺度表面變化指標(biāo)，得到所述樣本點(diǎn)集合的第一特征集合；計算所述巖體點(diǎn)云數(shù)據(jù)中所有點(diǎn)的多尺度表面變化指標(biāo)，得到所述巖體點(diǎn)云數(shù)據(jù)的第二特征集合；其中，所述第一特征集合的特征總數(shù)量、所述第二特征集合的特征總數(shù)量都等于尺度規(guī)模n，所述第一特征集合中的第i個特征代表所述樣本點(diǎn)集合中的各個樣本點(diǎn)在第i個尺度下的表面變化指標(biāo)取值；所述第二特征集合中的第i個特征代表所述巖體點(diǎn)云數(shù)據(jù)中所有點(diǎn)在第i個尺度下的表面變化指標(biāo)取值；

63、粗提取模塊，配置為以所述第一特征集合作為輸入特征，結(jié)合所述樣本點(diǎn)集合中的各個樣本點(diǎn)包含的標(biāo)簽信息，構(gòu)建訓(xùn)練數(shù)據(jù)集；并利用所述訓(xùn)練數(shù)據(jù)集，結(jié)合誘導(dǎo)遷移學(xué)習(xí)思想，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)ann訓(xùn)練通用的跡線特征點(diǎn)提取模型，然后將所述第二特征集合輸入到訓(xùn)練好的所述跡線特征點(diǎn)提取模型，對巖體點(diǎn)云跡線特征點(diǎn)進(jìn)行粗提取，得到粗提取特征點(diǎn)集合；

64、后處理模塊，配置為基于所述粗提取特征點(diǎn)集合，依次進(jìn)行巖體跡線特征點(diǎn)精提取、特征點(diǎn)連線、跡線合并處理，得到最終的巖體跡線。

65、本技術(shù)實(shí)施例的技術(shù)方案具有如下有益效果：

66、本實(shí)施例中，通過獲取規(guī)則體點(diǎn)云數(shù)據(jù)以及巖體點(diǎn)云數(shù)據(jù)，并從規(guī)則體點(diǎn)云數(shù)據(jù)中提取出樣本點(diǎn)集合；分別計算樣本點(diǎn)集合中的各個樣本點(diǎn)和巖體點(diǎn)云數(shù)據(jù)中所有點(diǎn)的多尺度表面變化指標(biāo)，得到樣本點(diǎn)集合的第一特征集合和第二特征集合；然后以第一特征集合作為輸入特征，結(jié)合樣本點(diǎn)集合中的各個樣本點(diǎn)包含的標(biāo)簽信息，構(gòu)建訓(xùn)練數(shù)據(jù)集；并利用訓(xùn)練數(shù)據(jù)集，基于誘導(dǎo)遷移學(xué)習(xí)思想，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)ann訓(xùn)練通用的跡線特征點(diǎn)提取模型，然后將第二特征集合輸入到訓(xùn)練好的跡線特征點(diǎn)提取模型，對巖體點(diǎn)云跡線特征點(diǎn)進(jìn)行粗提取，得到粗提取特征點(diǎn)集合；基于粗提取特征點(diǎn)集合，依次進(jìn)行巖體跡線特征點(diǎn)精提取、特征點(diǎn)連線、跡線合并處理，得到最終的巖體跡線。該方法針對不同巖體數(shù)據(jù)密度不同導(dǎo)致的閾值選擇難的問題，充分考慮不同巖體點(diǎn)云的密度差異，提出多尺度表面變化指標(biāo)(簡稱mssvi)與機(jī)器學(xué)習(xí)結(jié)合的跡線特征點(diǎn)提取(粗提取)方法，無需在點(diǎn)云中設(shè)定閾值來提取特征點(diǎn)，提高了跡線提取的精度和效率。