第71卷第5期!#属(矿山部分)2019年9月Doi：10.3969/j.issn.1671-4172.2019.05.002 陈凯张达张元生13
(1北京矿冶科技集团有限公司，北京100160；
2.北京科技大学机械工程学院，北京100083；
3.金属矿山智能开采技术北京市重点实验室，北京102628)
摘要：三维激光扫描仪是一款获取空间点云数据的测量设备，能够有效地获取被测物体三维空间形态，但是，由于被测对象空间形态复杂、人员难于进入等原因，导致扫描点云数据存在盲区且识别困难$针对该问题，采用了一种三维激光扫描点云数据盲区识别方法，可获取点云数据盲区边界，该方法主要通过对点云数据进行KD-Tree改造，然后估计点云数据法矢，最后提取点云数据边界$为验证本文提出的盲区识别算法，选取矿山采空区点云数据进行实际验证，可准确识别点云数据边界信息，为后续数据进一步利用提供了基础$ 关键词：三维激光扫描仪；点云数据；盲区识别
中图分类号:TD853.391；TD76文献标志码：A文章编号：1671-4172(2019)05-0006-04
Blind area recognition and application for point cloud data
of3D laser scanner
CHEN Kai1##,ZHANG DC#,ZHANG Yuansheng1#
(1.BGRIMM Technology Group,Beijing100160,China；
2.College of Mechanics Engineering t Beijing University of Science and Technology,Beijing100083,China；
3.Beijing Key Laboratory of Nonferrous Intelligent Mining Technology t Beijing102628,China)
Abstract:3D laser scanner is a measurement equipment which can show3D sharp and obtain poi cloud of object.
However#point cloud will form blind area and be difficult to recognize because survived object's sharp is complex and people can't enter to these dangerous area.To solve this problem#a blind area
recognition method for point cloud data of3D laser scanner was used in the present work#which method can accurately recognize blind area of pointcloudwhich mainlycQeateKD-TQeeofpointcloud#calculatenoQmalvectoQofpointcloudandextQactboundaQy of point cloud.Moreover#point cloud data of cavity was chosen to verify blind area recognition method,results indicated this method can recognize blind area of point cloud data accurately.
Key words：3D laser scanner；point cloud；blind area recognition
在地下开采矿山，通过三维激光扫描测量获取高精度的井下三维空间信息，对于采矿作业的超爆欠爆评价、井巷工程及采场验收、矿石资源的损失贫化分析、保有资源计算、矿山采空区调查与安全分析、采矿溜井及井巷工程治理及矿山工程数字化建设等具有十分重要的意义$北京矿冶科技集团有限
基金项目："十三五"国家重点研发计划项目(2017YFC0804600, 2017YFC0804606)；国家高技术研究发展计划项目(2011AA060405)
作者筒介：陈凯(1985—)，男，高级工程师，硕士，机械设计及理论专业，主要从事矿山安全监控技术及数字矿山技术研究工作$公司研制了国内首套矿用三维激光扫描测量系统，并实现了产业化推广应用，打破了国外技术垄断，填补了国内空白，可为后续矿山安全生产提供数据基础*14$
但是，矿用三维激光扫描测量系统测量的采场、溜井等区域形态复杂，内部存在矿石点柱、垮塌、超爆、欠爆等情况，使矿用三维激光扫描测量系统工作时由于遮挡导致点云数据存在很多盲区，同时由于人员难于进入这些区域，肉眼通常无法直接获知哪些区域存在遮挡，这将使准确识别盲区边界存在很大困难，为后续数据分析带来一系列麻烦$为解决
第5期陈凯等：三维激光扫描点云数据盲区边界识别与应用7
盲区定位困难的问题，需提供一种高效的点云数据预法，须在杂乱无章的点云数据基础上，对点云数据特征进行分析研究，准确判断盲区边界，为后续盲区数据处理提供判断依据$
1构建W云空间拓扑关系
KD-Tree广泛应用于数据库索引中，从概念的角度讲，它纬数据的快速查询结构$ KD-Tree是一种二叉树，它继承二叉查树的优点，平均查长度只为"+41og”，表示对-维空间的一个划分，构造KD-Tree相当于不断地用垂直于坐标的超对-维进行切分，构列的-维超区域,KD-Tree的每个结点对应于一个-维超区域。由于点云数据分布不规则，所以不能采用规则划分的分点云空间，但是KD-Tree是一种非常适合点云的索引方法，建立空间点云的，快速查点云的邻域
KD-Tree构建过程如图1所示$
图1构建KD-Tree数据结构流程图
Fig.1The flow chart of building KD-Tree data structure
2W云数据领域法向矢量计算
点云数据法向矢量的计算是判断点云数据的K-近邻点分布均匀的前提。通过KD-Tree构建的点云，构造点云中各点的最才'
面，计算该平面的法向矢量，并将该法向矢量作为数据点的法向矢量计算结果。其中K值的选取很重要，在曲率变化大的地方需要慎重考虑K值的选取，以保证单单凹，这样得到的最小
能更好地逼近原始点云，也使得投影点在局部型面的参数化更好地反映点云的参数化$
点云拟合的方法有多种，包括最小二乘法和特征值法$对于点云中的任意一点P，= =（1,2,,3）I0=1,2,…是点P的K-近确定一个平面Tp=（V，"），使点到对应平面的为$法是在假设仅存在于z方向的前提下，而点云数据在1，2和3三个方向均存在误差，因此所求法矢不太精确。特征值法是在满足条件丁7#78="的情况下，据程
：
8!金$（矿山部分）第7"卷
17#27cz=9
得到参数6##和9平面单位法向矢量为参数9为坐标原点到平面的垂直距离，9%0$通过特征值法求点云拟合的法向矢量的具体算法流程如下：
入：点云数据集S
出：特征值及特征向量，即平面法向矢量n（,##）
如果点云数据集S为空，则算法将结束；否则从点云数据集S中顺序提取数据点P作为当前处数据；
查P的K-近邻点N p
计算点集N p的最小二乘系数矩阵A；
）的特征值；
特征值对应的特征向量。
3W云数据盲区边界提取
K-近邻的创建可为特征边界的提取提供好的基础「9+。设点云数据中点P是特征边界点，K-近邻点的分布将某；如内部点，则其K 域点将地分布在该点的周围（如图2所示）。基于该思路，本文利用了数据点及其K-近邻点的均匀分布特断特征边界点。
(a)P点为特征边界点
(a)Point P is the point in character boundary
图2边界特征点识别原理
Fig.2Therecognitionprincipleofcharacterboundarypoint
假设输入的点云数据集为S，输出的边界特征集合为;:），基于上述思想，边界检测的算法流程如:
1）如果点云数据集S为空，则算法将直接结束；否则从点云数据集S中按照序提取数据点P为当前 数据；
）将数据点P的K-近邻点投影到对应的法向矢量内，连接数据点P域的投影点形成一个向量集；
3）量集对应的所有向量与基准向量间的
按照升序进行排序，得到
S.计算S，的夹角差然后得到向量集中相邻向量的夹角集A；
4）A的最大角度差A max〉讥一般情况，阈值<；取值大小为#/2），则将数据点P放入集合F（S）中；如点云数据集S中的所有数据则算法，否则"）。4现场扫描W云数据验证
为验证本文提出的盲区边界识别算法效果，选择矿山的采空区扫描点云数据进行验证，第一采空区点云数据数量为208786个，使用该算法5s准确识别出盲区边界（如图3所示），盲区界点云数量为305个；第采空区点云数据数量为"58756个，使用该算法 3.5s准确识别出盲区界（如4所）#盲区界点云数量为158
个。通过现场两组采空区点云数据验证表明该法可有效获取点云数据盲区边界。
图3第一组点云数据盲区边界识别结果
Fig.3Theblindarearecognitionresultof
thefirst-grouppointclouddata
第5期陈凯等：三维激光扫描点云数据盲区边界识别与应用9
图4第二组点云数据盲区边界识别结果
Fig.4Theblindarearecognitionre+ultof
the+econd-grouppointclouddata
5结论
本文应用的盲区识别算法利用KD-Tree构建点云的，快速、准确地获取局部参考点集，然后利用KD-Tree出点云中各数据点的K-近邻点，通过判断K-近邻域点分布的提取出边界特征点，最后利用估界的提取特征边界点并界线，最后达到识别出内界的目的，为点云数据补洞提供了数据基础。
(上接第5页)
4结论
1)基于微震监测分析了断层活化规律，发现大部分微震事件发生在各断层附近，各断层附近的分析岩体破裂较为严重，岩体定。指出大量出矿S4-2!回岩体的进破裂，而S4-2!回风井正位于F5断层揭露处，3720m 大量出矿后，地质构F5断层对底部结构中及地表的影响比较明显。
2)分析微震监测数据，得出岩体破坏预警前兆现象，即微震事件突然增多然少，表明：一内可能会发生大范围顶板崩落。现在具体显现与该前兆现象基本吻合。
3)提出能量指数体积之比EV值，并用该值分析岩体内部损伤程度，其值越小岩体越不定，得出EV值大程度断层活化可能宇发大范围顶板崩落现象。基于化量化EV 程度，成功对现场顶板大范围崩落进行预警$
参考文献
*+过江，古德生，罗周全•金属矿山采空区3D激光探测新技术[J+.
矿冶工程，2006,26(5)：16-19.
*+张达，陈凯，马志.地下空间三维激光扫描智能化成像系统*+•中国矿业，2014,23(增刊1)：207-224.
*+吕远.三维激光扫描仪在矿山井下测量技术中的应用研究[J+.
煤炭与化工，2015,38(7):2426.
*+王晶，蔡永顺，彭张，等.基于三维激光扫描技术的地表沉
降实时监测与预警:J+.有金属(矿山部分)，2018,70(6)：12-15
*+温银放.数据点云预处理及特征角点检测算法研究:D+.哈尔：程大#2007：46-64
*+魏征，杨必胜，李清泉.车载激光扫描点云中建筑物边界的
快速提取:J+.遥感学报，2012,16(2):286296.
*+陈凯，张达，张元生.采空区三维激光扫描点云数据处理
方法:J+.光学学报，2013,33(8):117122.
[8]杨斌杰，鲁铁定•点云数据特征点提取方法的比较[J+.江西科
学，2015,33(1):10-14.
*+顾园园.散乱点云孔洞修补技术的研究与实现:D].苏州：苏大#2008
参考文献
*+唐礼忠.深井矿山地震活动与岩爆监测及预测研究:D].长：中大2008
*+马天辉，唐春安，唐烈先，等.基于微震监测技术的岩爆预测机
制研究:J+.岩石力学与工程学报,2016,35(3):470483.
*+吕进国，潘立.微震预警冲击地压的时间序列方法*+•煤炭
学报，2010,35(12):2002-2005.
[4]张海明，董山.基于微震监测技术的深部岩爆预警和断层突
水监测*+•金属矿山，2011(6):1619.
谢和平，高峰，周宏伟，等.岩石断裂和破碎的分形研究:J+.
防灾减灾工程学报，2003(4):19.
王平，冯兴隆，蔡永顺，等.微震监测自然崩落法开采过程中
顶板冒落规律应用研究*+•有金属(矿山部分)，2018,70(4)：12-15
李庶林，毛建华，唐绍辉，等.基于岩体声发射参数的竖井围岩
稳定性分析:J+.中国有金属学报,1998(增刊2):753757.
[8]FENG G L，FENG X T，CHEN B R，et al.A microseismic
method for dynamic warning of rockburst development processes in tunnels[J].Rock Mechanics&Rock Engineering，
2015,48(5):2061-2076.
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议