目录
前言
国内外研究现状
国内研究现状
国外研究现状
点云数据处理
2.1 三维激光扫描技术
2.2 点云数据特点及建立索引结构
2.3 点云数据处理
2.3.1 点云拼接
2.3.2 点云去噪
2.3.3 点云分割
2.3.4 点云投影
2.3.5 点云转化灰度图
基于激光点云的隧道裂缝提取
3.1 隧道裂缝识别
3.1.1 点云坐标检测裂缝
3.1.2 改进各向异性测度检测裂缝
本文篇幅较长，分为上下两篇，下篇详见基于激光点云的隧道病害检测（续）
前言
隧道是指营建在地面或者水面下或者在山体之中，指架设轨道和修筑道路以
供车辆通行的构筑物。隧道由于其地面建筑资金占有比例相对低的优点 , 在当今
社会中承担了越来越关键的功能 ,2020 年我国的隧道建筑领域的市场容量将达到
4008.3 亿元，比去年总共上升了 25% ， 2021 年我国的隧道建筑领域市场容量预
计为 3750 亿元， 2022 年隧道市场建筑行业容量预计为 3744.5 亿元。截止 2020
年底，中国已建有的公路隧道共 21216 条、长 2199.93 万米 , 为目前世界上高速公
路隧道条数最多、规模运营最大、隧道结构形式和所处地质条件最复杂、同时也
是发展最快的国家。但是随着隧道运营年限的增加，隧道自身结构和病害的问题
日益突出 [1] 。在我国的交通体系中，隧道已经成为了占比较大的一环，如果隧道
受损，就很容易发生事故，带来巨大的人员伤亡和财产损失。因此对隧道进行定
期的安全检测就显得尤为重要。隧道病害种类众多，包括裂缝、渗漏水、管片破
损等，其中大多数病害都伴有裂缝产生。通过调研我们可以发现，隧道问题引发
原因中占比最大的危害就是隧道裂缝，隧道裂缝特别容易造成隧道的坍塌与事故，
应该引起足够的重视与处理。目前，我国对隧道的裂缝检测主要还是依赖于人工
检测，这种方法对交通会产生一定的不便，同时对检测人员来说，其人身安全也
受到一定威胁，检测病害的效率也较低，通过人眼检测还容易产生漏检 [2] 。三维
激光扫描技术有着扫描速度快、非接触式测量以及自动化程度高等优点，能很好
的解决上述问题，因此利用三维激光扫描技术得到的点云来进行隧道病害的检测
和病害信息的提取是非常适合的 [3] 。隧道的表面病害包括掉块、剥离、渗水和裂
缝等。当今国内外的隧道病害检修方式较为单一，并且存在效率较低、检出率较
低、误报率较高、人力成本大等问题。
隧道里程不断增加的同时，各种先进的仪器和技术也开始运用于隧道的运营
和维护中，其中三维激光扫描技术由于对光照条件要求不高，能在黑暗的隧道中
采集到大量的数据，在隧道的数据采集上起到了巨大的作用 [4] 。三维扫描技术出
现于上世纪九十年代中期，这项技术通过利用激光高速扫描的方法，能够对扫描
对象表面进行高分辨率快速扫描获取其三维坐标数据。具有快速性且不接触物体
的特性，同时由于其高密度、高精度、数字化、自动化等优点，应用极其广泛。
目前，三维激光扫描技术也被应用于隧道的数据采集中，但是由于其获取的数据
量较大，如何精确、自动化提取出病害信息也成了需要进步的方向 [5] 。现阶段，
如何能够通过设计算法来实现对点云数据进行处理，能够自动提取出点云数据中
的病害点云，在国内外也是重点研究方向之一，主要包含图像处理、三维重建以
及深度学习等方法。
为了能更好的将三维激光扫描技术应用于隧道的病害检测中，本文以三维激
光扫描数据为基础，主要围绕隧道的裂缝及渗漏病害，研究一种自动化的提取方
法，来对相关病害进行自动提取，同时对病害的相关信息进行统计。希冀于提高
隧道病害检测的效率和准确性，为隧道的运营维护提供方法。
国内外研究现状
三维激光扫描技术由于其全自动高精度以及能够立体扫描而在国内得到了
广泛的利用，它与传统测绘技术不同，主要应用于高精度工程的三维重建。三维
激光扫描技术的发展方向主要关于如何解决测量误差，如何根据点云数据的特点
实现对数据处理的算法等方面。关于对隧道病害的检测，从人工检测到通过三维
重建、图像处理等方法，也经历了不同的发展过程，提升效率、加强准确度等目
标敦促着这项技术的发展 [6] 。
国内研究现状
在国内，对于隧道裂缝和渗水的识别方法主要包括图像检测和点云检测两大
类。图像检测的方法主要利用了病害区域像素与正常区域像素的差值来提取。点
云检测的方法主要利用了病害点云的位置关系和隧道的物理特性来提取。
基于图像的病害检测。冯英会，龚伦等 [7] 人通过采集隧道点云数据之后，将
三维点云图生成正射影像图的方法，将隧道数据展开生成了平面展示图，这种方
法能够快速采集隧道数据，同时避免了隧道内昏暗高倍相机无法获得有效结果的
弊端。但是只能通过局部放大来识别隧道的裂缝、渗漏等病害，效率较低，同时
也是用人眼去检测病害容易产生漏检。吴昌睿，黄宏伟等 [8] 采取了图像处理的方
法来检测隧道的渗漏水情况，该方法通过将隧道点云展开并投影到平面上生成灰
度图像，通过二值分割的方法对渗漏水区域进行一个识别，最后通过连通域分析
来统计隧道的渗漏水面积信息。这种方法能够自动提取隧道的病害信息，效率较
高，且能统计出隧道病害的位置信息，以及面积信息。但是，这种方法对于渗漏
水的识别标准较为简单，对于结构材料较为复杂的隧道表面，会形成较大误差，
只能对简单隧道的渗漏水区域进行识别，有一定的局限性。王耀东等 [9] 提出了一
种算法，利用图像处理的方法进行隧道裂缝的识别。提出了一种将全局和局部互
相结合的预处理方法，和一种基于连通区域的多重滤波算法。这种方法能够解决
光照不均匀和低对比度带来的不良影响。朱力强，白彪等 [10] 提出来了一种通过特
征分析对隧道裂缝进行检测的方法，通过使用 Mask 算法能够平衡图像光强，在
图像光强平衡后采用灰度级腐蚀来加强图像的对比度，设计了多种算法对隧道图
像进行裂缝提取，该方法准确率高，但仍需要改进效率。王华夏 [11] 提出了一种基
于图像的裂缝检测算法，在滤波的过程中利用维纳滤波来消除噪声，利用 Otsu
算法二值化后通过开闭运算来使裂缝图像更加清晰，再利用裂缝处的几何特征，
筛选出裂缝。宋平丽 [12] 通过将中值滤波改进，再通过 Sobel 边缘提取算法来提取
边缘提取裂缝。孙亮等 [13] 提出一种自适应的 Canny 边缘提取的方法。提高了裂
缝提取的精度。刘洪公等 [14] 利用机器学习的方法，通过对裂缝处图像特点的分析，
与机器视觉技术相结合，利用卷积神经网络来对裂缝进行检测和识别。
基于点云的病害检测。肖文韬 [15] 将 RANSAC 算法和 Alpha Shape 算法结合
对点云数据进行处理，来提取隧道中的裂缝，并且能够得到隧道裂缝的宽度信息
以及长度信息。程姝菲等通过渗漏水前后隧道的材料发生变化的物理特性，利用
对温度和电导率的检测来自动提取隧道渗漏水。孙朝元、赵海伟等 [16] 以单相扫描
为基础，通过基于平均值法曲线拟合，利用双向扫描方法，能够很好的识别裂缝。
房铭坤、付国等 [17] 通过将最短距离法改进，利用拟合裂缝走向的思路来对裂缝的
宽度进行测量，所测出的宽度较真实，但是计算过于复杂，处理含较多裂缝的情
况时时间较长。
国外研究现状
在国外，隧道的裂缝和渗水的识别也可以分为图像识别和点云识别。图像识
别是通过对图像的反复处理使病害区域的图像凸显出来。点云识别是通过大量数
据训练神经网络进行识别。
基于图像的病害检测。 Priya Ranjan Muduli 等 [18] 人设计了一种基于数字图像
融合的裂缝检测改进算法。首先通过 Canny 边缘检测算法对原始图像提取裂缝，
同时利用 HBT 滤波边缘检测提取原始图像的裂缝，最后通过小波变换图像融合
的方法将两次提取结果图像进行融合，最终能够得到裂缝图像。这种方法能够准
确定位裂缝的位置和边缘，但是由于经历了两次图像的边缘检测，会导致噪声叠
加，对于较为复杂包含噪声较多的图像，检测效果较差。 Lu Sun [19] 等提出了一种
加权邻域像素法用于特征分割，和迭代阈值法和加权均值自适应阈值法相对比，
这种方法的处理效率和精度都相对较高。但是该方法缝隙连接部分不够顺畅。
Nishikawa [20] 通过不断迭代使用滤波器的方法消除噪声，通过分割再连接的方法
提取裂缝。但是这种方法实现操作较难且过程较为复杂。 Ahmed Maghoub Ahmed
Tala 等 [21] 将图像转换成灰度图，利用二值分割将图像分为两部分，利用 Sobel 边
缘滤波筛选， Otsu 算法分割，提取出裂缝效果较好，也能抵抗一定噪声。
J.Valenca
等 [22] 提出了一种基于图像的自动检测算法来提取裂缝。通过高斯滤波、二值化等
方法处理图像得到裂缝图像，对于噪声较多的情况效果较差。 Amhaz 等 [23]提出
一种基于图像的自动裂缝检测方法。这种方法依赖图像中的最小路径，将一条路
径的所有像素当做一个指标判断，将所有像素的强度相加。该方法选择暗度最小
的点为裂缝的起始点，连接路径，能自动选择端点。 Leanne Attard 等 [24] 提出一种
将邻域图像查分和二值像素比较相结合的检测方法，能在检测病害的同时，对病
害的发展变化趋势进行模拟。 Ayenu-Prah 等 [25] 将去噪后的图像，利用二阶导数
的 Sobel 算法来对裂缝的边缘进行定位。 Ma 等 [26] 利用 Canny 估算梯度，然后对
其进行改进，实现了裂缝的边缘检测。
基于点云的病害检测。 Claude Delpha 、 Demba Diallo 等 [27] 人采用独立分量分
析、 Jensen-Shannon 发散度和小波去噪来检测裂缝。这种方法检测速度较快，但
是漏检率较高。
Lindenbergh R [28] 等通过利用将数据点云分块处理的方法来对隧道
进行变形监测，分析了在对隧道的变形监测过程中利用三维激光扫描技术的精度。
Hyunjun Kin [29] 等利用二值化的方法，通过反复实验对比确定使用二值化的最佳
参数来提取裂缝的宽度。 Yichang Tsai 等 [30] 提出一种半自动检测算法。该方法标
注裂缝起点开始自动找到连续的裂缝，该方法能够不受数据采集时环境的影响，
但是需要自己手动挑选一个裂缝的起点。 Henrique Oliveira 等 [31] 通过构造两层神
经网络的方法，分别用于分类海选大量数据，来对神经网络进行训练，判别是否
含有裂缝和对裂缝特征进行纹理区分，并通过一种不同的标记方法，来对裂缝宽
度进行测量。 Tomoyuki Yamaguchi 等 [32] 以渗流模型为基础提出了一种对裂缝进
行检测的方法，该方法抗干扰性强，但是过程较为复杂。 C.Harriet Lindaa 等 [33]
提出一种模糊化测度最小化的方法来检测裂缝，这种方法能检测出那些较为细小
处的裂缝，但是准确率较低。
综上所述，目前国内外对于隧道裂缝和渗漏水的提取方法都有不同的缺陷，
具体包括识别过程中受到隧道表面螺孔和管线的影响会导致误识别准确率较低，
自动化程度差，无法标记出病害空间位置和病害面积，多数集中于图像处理方面，
对点云的处理方法较少。本文以点云数据为原始数据，将点云的坐标信息和颜色
信息相结合分别对裂缝和渗漏区域进行提取，提高了准确率；提出了病害位置和
面积计算的方法，能够准确标记出病害的具体位置，并且将裂缝的长度和渗漏区
域的面积计算出来。
点云数据处理
2.1 三维激光扫描技术
三维激光扫描技术通过对物体立体进行扫描，它具有全自动且精度较高的特
点。三维激光扫描仪能够通过对物体表面的激光扫描获取目标实体表面的所有点
的空间坐标，由物体表面的坐标数据可以重现出目标的三维点云模型的一种测量
技术 [34] 。三维激光扫描仪在扫描物体表面来形成点云信息的这个过程中，主要是
是利用了激光测距的原理，传感器在产生脉冲信号后收集回来的信息将记录为物
体的数据 , 当三维激光扫描仪确认了所架设的地点后 , 该测量点的坐标轴也就随之
被确认了 , 而扫描机所架设的地点也正是物体三维坐标系的原点 , 而横向扫描获得
的信息正是所确定的物体坐标 X 轴与坐标系 Y 轴的交点 , 而竖向扫描则获得的信
息正是物体的 Z 轴信息 ,Z 轴的向上角度也为正。由 X 轴、 Y 轴、 Z 轴所组成的
坐标体系 , 如图 2-1 所显示。 
三维激光扫描有特点：
(1) 非接触性。激光扫描的过程中不需要直接对目标物体进行接触，就能够
快速地确定目标点的坐标信息，能够解决对一些较为危险的目标和无法直接接触
的目标测量的问题。
(2) 快速性。激光扫描能够同时扫描物体表面的多个点，能够极短时间内获
得物体表面的全部点云信息，能够迅速完成测量工作。
(3) 数据的高密度性。在激光扫描采集的过程中，测量人员能够对点云密度
进行设置，能够满足点云使用过程中的密度要求，与传统的测量方式比较，就能
对一些比较精细的物体进行高密度的扫描。
(4) 穿透性。由于激光的特性，能够通过将激光改变波长来达到穿透部分表
面的目的，就可以透过水面或者玻璃表面来对物体进行数据采集。
(5) 主动性。扫描仪器发射激光后，不需要借助其他条件，只需要接收自身
散发的光束的反射光束就能采集到物体表面的信息，这种扫描方式不会被环境所
限制。
(6) 全数字化。三维激光扫描得到的数据，包含点云的坐标信息和点云强度
信息，这种数字化信息能够直接利用在其他的软件或系统中 ，方便数据的传递
以及保存 [35] 。
目前三维激光扫描仪应用到地铁隧道测量时大多数采用静态扫描，利用固定
式激光扫描仪。地铁隧道由于空间较为狭窄，我们可以选用 FARO Laser Scanner
Focus 3D 扫描仪，这种扫描仪精度可以达到毫米级，其测量精度可以满足在隧
道中测量使用。这种扫描仪精度较高能采集到海量点云数据，能够满足后续处理
的需要，但是也有一定的缺陷，比如需要多次搬站，就需要后续点云数据的拼接，
同时也会因为多次搬站造成数据的冗余，后续也需要进行处理。
2.2 点云数据特点及建立索引结构
三维激光扫描得到的数据被称为点云数据，点云数据信息主要包括目标点的
坐标信息（ X,Y,Z ）、点云的颜色信息（ R,G,B ）、反射强度等信息。包含这些信
息的点云组合在一起，将目标物体的特征进行了复现。点云数据具有特点：
(1) 测量速度快。三维激光扫描过程中，同时发散激光就能同时扫描多个点
云，能同时测量上万甚至百万个点，扫描效率极高。
(2) 点位分布密度高。点云之间的距离可以小到毫米级，因此，每一个平方
米的范围内点云数量可以达到百万以上。
(3) 点云分布散乱。点云扫描时是水平角和垂直角等间隔步进方式进行的 , 受
扫描对象及其他条件的影响 ,点云数据量较大且分布没有特别的规则，点云相互
之间也没有任何的拓扑关系 [36] 。
由于点云数据量较大且分布没有特别的规则，点云相互之间也没有任何的拓
扑关系，这一属性对我们后续处理点云是不利的。因此，为了方便后续对点云领
域内点的查询，我们需要建立离散点云之间的空间索引结构。建立空间索引这一
建立点云联系的方式在点云数据处理的过程中是较为常见的，在所有常见的索引
结构中 KD-Tree 和八叉树是在处理三维点云过程中最为常用且效果最好的，结构
如图 2-2 和图 2-3 所示。
八叉树（四叉树）作为空间对象的一种组织方式，能够根据单位的密集度，
对空间进行划分，从而避免查找对象时，循环所有对象。八叉树的基本思想比较
为简单 : 在满足切分要求之后 , 先把整个三维空间等分成八份 , 再分配空间对象 [37] 。
因此八叉树一般用来在三 D 空间上 , 构造类似树型的结构。八叉树的每个结点都
表示了一个立方体上的体积元素 , 而其中每个结点同时也表示了八位个不同的子
结点。因此我们可以通过依次增加由这八位子结点所表示的体积元素 , 来达到父
结点的整体容量。八叉树的具体实现步骤为：
(1) 设定最大递归深度。
(2) 将这个场景所拥有的最大尺寸当做标准，来创建以这个尺寸为准的一个
立方体。
(3) 按照需要建立一定的顺序，将单位元素的元素分别放入可以包含并且不
会形成子节点的立方体中。
(4) 若递归深度没有达到最大值，就将它细分成八等份，之后把这个立方体
所有的单位元的元素分别分担给八个细分后的子立方体。
(5) 如果发现分配给子立方体的单位元素的数量不是零，并且与母立方体相
同，那么子立方体会停止细分，因为按照空间分割所需的理论，分配空间必须较
少。如果数字相同，那么无论数字如何削减，都会导致无限切割。
(6) 重复 3，直到达到最大递归深度。 
KD-Tree 主要目的是要将数据空间的全部数据结构分成 k 维。它主要应用于
最近的邻域搜索和在多维度的空间中需要的数据数据的最近邻域搜索 [38] 。
KD-Tree 的构建：
（ 1 ）在 k 维数据集中，选择具有最大方差的维数 K ，然后选择中位数 m 作为枢
轴以划分数据集，并获得了两个子集。创建一个以存储的树节点。
（2 ）重复两个子集的步骤（ 1 ）的过程，直到无法分区子集；
2.3 点云数据处理
2.3.1 点云拼接
由于隧道长度一般较长，因此采集数据时需要分段多次采集，需要将多段采
集的隧道数据进行拼接，这种情况下，可以通过点云配准将多段隧道点云数据分
别放入同一坐标系下，实现点云的拼接。
点云配准的目的在于将多个不同点云都匹配到同一个坐标系中，形成一个完
整连续的点云。其实质为求一个函数使得一个坐标系中的坐标点能通过这个函数
转入另一个坐标系中。
迭代最近点算法 [39] 是目前最常用的算法之一。它从两个点云开始，并估计对
齐的刚体变换。然后，通过交替选择点云上的相应点并找到最佳的旋转并将误差
度量 D 最小化在相应点之间的距离上，可以迭代地改进转换。本文选用 NICP 基
于稠密法线算法来进行点云配准， NICP 算法的点云配准 [40] 提出了一个完整的系
统来递归配准点云，这个系统结合并且扩展了两个配准算法，包括 ICP 和 NDT
算法。由于 ICP 算法在匹配点云时，计算的是在同一坐标下两点云之间的最小距
离作为匹配点，这种情况下得到的匹配关系，有可能是错误的，会将不同位置上
的点匹配到一起的情况，即会造成局部最优的现象。而 NICP 算法在匹配点云时，
除了根据点云之间的距离外，还将点云的法向量和其所属曲面的曲率当做条件，
能够更准确的匹配。由于隧道多呈现为曲面，因此采用这种点云配准方法能够更
准确的将点云进行匹配。
（ 1 ）该方法对于点云自身的法向量和所在面的曲率有一定的约束条件，因
此，需对点云所在面的曲率以及法向量进行计算，如公式（2-2）所示： 
通过点云配准将不同测站的隧道数据转换到同一个坐标系内，利用 NICP 算
法通过对曲面法向量和曲率的约束能够将隧道的曲面更好地连接在一起，将多段
隧道点云数据实现拼接，对后续隧道病害的提取有所帮助。
2.3.2 点云去噪
在对隧道点云数据采集的过程中，我们往往会不可避免的采集引入噪声点，
产生噪声点的原因主要包括隧道表面螺孔和管线、人以及仪器设备。点云数据预
处理的一个步骤就是除去这些会对结果产生影响的错误的噪声点。根据噪点的分
布及产生因素可以将噪声分为四类 [41] ：
（ 1 ）飘移噪点。这种噪声点云是指那些偏离于扫描主要对象的散乱点云，
在隧道中，隧道的管线、突出的螺丝等被采集到的点云都属于这类噪声点。
（2 ）离群噪点，一般是指离采集对象较远的噪点，在采集到的数据中表现
为离目标对象有一定距离的噪点，在隧道中包括隧道表面的仪器设备等被采集形
成的点云。
（3 ）冗余噪点。一般是指那些采集目标以外的点，通常不在原定的扫描的
计划中，会增加数据的冗余量，在隧道中主要表现为对人和车的扫描得到的点云。
（4）混杂噪点。指的是在目标表面的缺陷造成的噪点。 
如图 2-4 所示，本文主要目的是去除扫描过程中采集到的离群噪点和冗余噪
点，主要包括图中框选出的离隧道表面距离较远的点，通过对这些噪声点的去除，
排除了隧道点云采集过程中扫描到的人和车的影响以及隧道表面的仪器设备的
影响。为了避免对提取裂缝时造成影响，混杂噪点中包含我们后续需要的信息，
因此不能去除，在后续的方法中，通过对点云数据的坐标信息和颜色信息两次识
别，能够将这些混杂噪点的影响去除。因此，我们采用中轴线拟合的方法 [42] 来去
除噪点。具体步骤：
（ 1 ）拟合中轴线。假设扫描仪为 o 点，隧道的走向为 x 轴，与 x 轴垂直的
横向线设为 y 轴，与 x 轴垂直的竖向线为 z 轴，构成直角坐标系。首先将点云投
影到 xoy 平面上并将其拟合成平面。然后将隧道点云投影到 xoz 平面上再将其投
影到拟合出的平面上，将投影得到的所有点拟合为一条曲线，就能得出隧道的中
轴线。
（2 ）判断噪声点。计算所有点云距离拟合得到的中轴线的距离，根据计算
距离设定阈值，判断是否为离群噪点和冗余噪点，将其舍去。
通过利用中轴线拟合的算法，我们可以去掉采集过程中采集到的多余点，在
对隧道的病害检测中，这种去噪方法主要目的是去掉隧道表面以外的多余点，隧
道表面的噪点在后续识别的过程中，通过两次算法的识别，不会被识别为病害区
域点云。
2.3.3 点云分割
点云进行分割通常是指使用所有特征点（例如空间，几何和纹理），而划分
为同一区块内的所有点云，都拥有相似的或者同一特征。点云分割的目的是将点
云按照自己的需要进行分割，以促进单独的处理。主要的点云分割方法包括：聚
类分割、区域生长分割、基于边界的分割、基于深度学习的分割、基于模型拟合
的分割等方法。本文根据需要采用区域生长分割 [43] 的算法，以点云颜色为主要特
征，来对点云进行分割提取。区域生长方法的基本思想是组装具有相似特征以形
成区域的像素。该地区生长算法的基本思想是将像素具有相似品质相结合。对于
不同的区域来说，首先选定种子点作为区域生长的起点，随后以种子点为起点向
周围扩散，比较种子点和与种子点相邻的所有点，如果周围判定的点与种子点有
相似的特征可以判断为相似点纳入理想区域，之后继续向周围扩散判断，直到遍
历所有的点之后结束。因此，一个区域的增长已经完成。具体做法就是，首先选
择一个种子点，通过比较种子点邻域的相似性，在邻域中周围判定的一个点 , 和
种子点具有相同的条件将可以确定的相似点纳入理想范围 , 接着选择这一新的像
素点作为种子点 [44] , 然后重复以上步骤 ,直至没有符合相似性标准的新的邻域像素
点出现为止。通过区域生长 , 一个区域便形成了。本文先以相邻点云间的颜色差
别为条件 , 再把每个点云都划分出来作为结束条件，将点云经行区域生长分割。
具体步骤分为四步：
（ 1 ）通过统计点云的颜色确定大概范围，选定初始种子点；
（2 ）将种子点相邻的点云与种子点点云的颜色做差，通过判断色差与阈值
的大小判定是否为目标点；
（3 ）将符合要求的目标点纳入目标区域并重复上述步骤；
（4 ）所有点被分割完后，停止分割。
通过以点云颜色为标准的聚类分割，可以按照要求提取出符合的全部点云。
2.3.4 点云投影
点云投影主要涉及点云坐标的转换，目的是为了能够将点云数据展开成方便
于后续处理的平面点云或影像图。常用的点云投影方法主要包括：平面投影、圆
柱投影、椭球投影、球面投影等方式。本文对隧道进行研究，为了保证隧道形状
的保持，采用了圆柱投影这一方法，以隧道的中轴线为圆柱体中间的中心线，以
中心线为基准将隧道表面点云投影到一个贴合隧道形状的标准圆柱上，因此此处
仅对圆柱投影进行介绍。
由于点云数据的复杂性和大数据量，提取有意义的几何形状的需求日益增长。
在工业场所、城市地区、街道走廊以及森林中采集点云时，圆柱形要素是最常见
的几何图元之一。圆柱体拟合是计算机图形学、计算机视觉、图像分析、逆向工
程、模式识别、摄影测量和遥感等各种应用中的基本任务，如特征提取、表面重
建、考古文献、街道设施管理、建筑信息建模、竣工建模、机床质量控制、工厂
设置、隧道监控 [45] 。
本文主要是采用了 RANSAC 模型拟合 [46] 的方法拟合圆柱 , 由于 RANSAC 模
型拟合所得的模型鲁棒力比较强 , 可拟合出精度较大的模型。 RANSAC 滤波处理
方法的基本原理 , 和一般平滑方法的设计所依靠的基本原理 , 是根本不同的。一般
的平滑方法一般都是依靠利用尽量多的数据进行运算得到初始解 , 并且利用运算
得到有效的平面来去掉无效的所有数据点 , 而 RANSAC 模型拟合方法则相反的尽
可能充分的使用了原始数据集 , 并且在可能的前提下使计算出的平面相一致的数
据集。例如，如果要将圆拟合到一组二维点中， RANSAC 方法是选择其中的三
个点为一组来确定一个圆，计算出圆的中心和圆的半径如图 2-5 所示，同时计算
满足要求的点的数量来评估这个圆和所有数据点的符合性，如果符合圆的点足够
多，可以表示该圆符合要求。 RANSAC 将圆的参数和一组相互一致的点传递给
平滑技术，以计算参数的改进估计。如果没有足够的兼容点，则选择并测试另一
个三元组的点。重复此过程，直到找到足够大的相容点集合或进行某些预定数量
的试验。 
KD-Tree 构建了点云之间的索引关系，能够通过一定的规则对点进行查找，
通过 KD-Tree 进行邻域搜索，在领域搜索的过程中有两种主要的方式，包括：①
利用半径，设置一定的阈值，来搜索一定阈值内的邻域点。设置阈值后，通过给
定的点进行查询。②限定个数，设定一定的个数，搜索领域内固定个数的点。利
用协方差分析法对点云的法向量进行估计，将给定点以及 K 邻域搜索后得出的
邻域点，构造协方差矩阵，如公式（2-18）所示： 
最终的拟合出的圆柱。
2.3.5 点云转化灰度图
点云通过投影并展开后，由于点云之间会有间隙的存在，需要通过一定的处
理方法才能生成符合要求的图像，才能完后后续信息的提取。点云转化图像的方
法主要包括空间插值法 [47] 和三维点云栅格化法 [48] 。
（ 1 ）空间插值法。空间插值法能够利用已知的点去估计未知点，能够将离
散点云转换成连续的曲面，可以利用空间插值法来讲点云数据转换成连续的面数
据。空间插值法可以根据用法分为两种，其中整体拟合被主要利用在特征拟合方
面，局部拟合则主要被用在估算位置点方面，能使离散的数据更加连续完整，所
以将点云转换成图像的过程中应该利用局部拟合的算法。
选用局部拟合的方法，需要对数据之间的联系进行分析，包括数据之间间隔
的方差和均值等的计算，同时对拟合方法进行精度评估，选取合适的拟合方法，
这一过程中会造成较大误差，影响数据转化质量。因此，局部拟合主要用于三维
点云建模过程中的曲面细化，在点云转化图像这个过程中，利用这种方法会造成
较大误差，会有很多不确定的点，不利于后续对图像信息的提取，因此，这种方
法不适用于本文。
（2 ）三维点云栅格化法。利用点云栅格化方法时需要计算点云投影后，最
大的坐标值和最小的坐标值，计算出点云在平面展开后的具体长度，将该平面进
行格网划分。格网划分的首要步骤是确定单元栅格的大小，一般通过点云的距离
和分辨率来计算，如公式（2-20）所示： 
基于激光点云的隧道裂缝提取
隧道裂缝作为隧道常见的病害之一，是隧道发生事故的主要原因。如果隧道
表面出现裂缝，未被及时发现进行整修，就会带来严重的安全隐患，长时间会造
成隧道坍塌等事故，危害人民的生命财产安全。及时发现隧道中的裂缝并及时修
整，能大大加强隧道的安全性和延长隧道的使用寿命。目前，我国对隧道的裂缝
检测主要还是依赖于人工检测，这种方法对交通会产生一定的不便，同时对检测
人员的人身安全也有一定威胁，检测效率也较低，通过人眼检测还容易产生漏检。
三维激光扫描技术用于隧道的裂缝检测，能快速获取大量的隧道数据，提高检测
效率并且方便对隧道进行实时监测，同时精度也能有一定保障。本章研究如何通
过对隧道点云数据进行处理，利用点云的坐标信息和点云的颜色信息快速提取出
隧道的裂缝处点云，并且尽量提高精度。最后通过将点云可视化，来提取裂缝处
的位置、长度、宽度等信息。
3.1 隧道裂缝识别
为了提取裂缝处点云，我们需要对裂缝处点云的特点进行分析。首先通过对
裂缝处点云的位置分析，我们可以得出在三维扫描点云数据的过程中，由于裂缝
的存在，在裂缝处点云位置会更加靠近内部，在裂缝与正常平面的交界处会形成
一段弧度，如图 3-1 所示：
通过图 3-2 和图 3-3 我们可以看出裂缝处点云位置相对靠内，裂缝处点云细 长连续的特点，且裂缝处点云相对较暗的特点。本章分别通过裂缝处点云的坐标
信息和裂缝处点云的颜色信息来对裂缝点云进行区别提取。
3.1.1 点云坐标检测裂缝
基于点云坐标位置监测裂缝的方法，主要利用了裂缝处点云位置相对靠内的
特点。此处我们利用向量来判断点云与周围的点是否在同一平面内，我们通过连
接目标点云与周围一定距离内的点云，构成向量，通过向量运算来判断点云周围
向量是否在一个平面上。
在隧道正常无裂缝病害处，由于点云密度较大，点云之间距离较小，在很小
的范围内所有的点云都在一个平面上。取一个点与周围一定距离邻域内所有的点
相连，构成以该点为起点的向量，利用最小二乘拟合法，将目标点云邻域内的所
有点云拟合出一个平面，并且可以得到该平面的法向量，将法向量与另外的每一
个以该点为起点的向量进行求取数量积的运算，最后将该目标点周围所有向量和
法向量的数量积相加，由于在同一个平面上，每一个数量积都趋近于 0 ，我们可
以通过一定的阈值判断此点是正常点云。对于裂缝处点云，由于裂缝底部及裂缝
与正常平面的交界处后有不同平面的点，裂缝处的目标点点云与裂缝内部和正常
面上构成的向量不在一个平面内，会导致以该点为起点的向量与法向量得到的数
量积远远大于 0 ，最后相加的数量积结果也会远远大于 0 ，就可以通过数量积大
于一定的阈值判断出裂缝处点云和交界处点云。具体步骤分为三步：
（ 1 ）选定目标点云，通过 KD-Tree 搜索相邻处点云，并设定一定的距离阈
值。连接目标点云与其领域内所有点云，构成若干条以目标点云为起点的发散向
量。
（2 ）利用最小二乘拟合法，将目标点云邻域内的所有点云拟合出一个平面，
并且可以得到该平面的法向量。
（ 3 ）将其它所有向量和法向量做数量积运算，并将结果相加作为目标点云
的一个属性值 w ，如图 3-4 所示，无病害处点云构成的向量与平面法向量垂直向
量积接近于 0 ，所有向量积相加的值会相对较低。
（4）遍历所有点云重复以上过程，通过设定阈值来判定每个点的 w 值，如 果低于这个阈值，判断为正常出点云，高于这个阈值判断为裂缝处及裂缝和正常
区域交界处点云。
算法流程如图 3-6 所示 , 根据以上方法，能够利用裂缝处点云的坐标信息，设
定一定的阈值，通过位置关系对点云数据进行一个筛选，初步检测出裂缝处点云。
但是，由于隧道表面螺孔和管线的影响会导致部分误识别，后续继续通过点云的
颜色信息来对筛选结果进行进一步精确，来排除管线和螺孔的影响。
3.1.2 改进各向异性测度检测裂缝
通过对点云位置的筛选，可以将裂缝初步筛选出来，但是由于隧道表面螺孔、
管线等的存在，会导致该点也符合该点云与周围点云不在一个平面上，就会引起
误识别，这些位置的点云明显不是我们所需要的，因此我们再利用点云的颜色这
一信息，来对点云进行一个筛选。
根据点云颜色提取裂缝时，我们主要依据裂缝处点云跟正常位置点云的不同
特征来对裂缝进行一个提取。主要包括裂缝处点云颜色与正常区域相比要暗；裂
缝因为常常是连续且细长的，裂缝处点云也有相似的特点；所有裂缝一般都是朝
着某一方向开裂的，如图 3-7 。各向异性测度算法是经常用于路面图像根据这些
特点检测裂缝，我们参考各向异性测度算法来建立一个关于点云颜色的函数，来
对点云进行筛选来满足我们的条件。
各向异性测度算法是由 F.Roli [49] 首先提出的。主要思想就是在图像上，找出 一点在某一方向取小值而在其他方向取大值的测量方法。在裂缝处，由于裂缝图
像往往沿着一个主方向且在这个方向上灰度值较低，所以可以利用各向异性测度
[50] 算法来对裂缝图像进行一个初步检测。
当点云周围某一方向上的点云特征与其它方向上的点云特征都有明显差别 时，这种算法就可以将它识别出来。裂缝处点云由于有一个主方向，会导致裂缝
方向上的点云颜色的均值和方差相对其它方向较低，如图 3-8 所示，因此可以利
用这种测度对点云进行筛选。我们将它应用于点云中，将点云与邻域点云之间建
立一个联系，通过比较相邻点云之间的差值来提取裂缝处点云。取一个点云，限 制一定距离内邻域内所有点云，计算目标点云和邻域点云之间的均值和方差来作
为属性信息进行筛选，我们建立公式如（3-1 ）所示，其中每个点的参数计算如
公式（3-2 ）所示：
同时，从该公式，我们分析可得，当所取点云处于非病害区域时，由于各个 方向的点云颜色趋近于整体点云数据的点云颜色，就会使得 CTA 值接近于 0 ，
当所取点云属于裂缝处的一个点时，由于裂缝方向的颜色较暗， CTA 值就会接
近于 1 。通过遍历点云，就能筛选出裂缝处点云。
通过对点云的位置和点云的颜色分别进行筛选之后，所筛选出的点云就会同
时满足该点点云位置与周围点云不在同一平面上，且该点颜色相对周围点云较暗，
同时是细长连续点云。通过两次不同条件的筛选，能够有效避免误识别，并且提
高筛选的精度，能够通过位置信息提取出长度较小的裂缝，以及通过颜色信息提 取出开裂程度较轻的裂缝同时避免对螺孔和管线的误识别。
