CN112884687B - 基于人工智能的测绘激光雷达扫描策略控制方法与*** - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的测绘激光雷达扫描策略控制方法与***。该方法对建筑物感兴趣区域内的点云数据进行密度聚类得到第一点云簇，获取第一点云簇的点云密度和点云数据的更新次数；利用不同高程值下的多组实验点云数据得到的密度修正系数对点云数据进行密度修正；根据设定的滑动矩形框得到点云数据的标准序列和密度修正后的点云数据的实时序列；将标准序列和实时序列进行匹配得到标准序列的匹配中心点，根据匹配中心点和区域分割线得到激光扫描的行程变化量，以更新点云数据。利用密度修正系数对点云密度进行修正，能够消除建筑物的高程值对点云密度的影响，使得点云数据的质量更好，测绘结果更加准确。

Description

基于人工智能的测绘激光雷达扫描策略控制方法与***

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的测绘激光雷达扫描策略控制方法与***。

背景技术

使用激光雷达进行无人机测绘时，每隔一段时间需要对采集过的固定区域进行再次采集用于更新测绘点云数据。无人机搭载激光雷达进行高精度测绘时，由于无人机出现共振或天气原因的影响使得采集到的点云数据出现拉伸挤压等情况进而使得测绘精度降低。

点云数据的密度越大，表示点云数据的质量和精度越好，对于城市测绘的结果更准确。由于点云数据的密度与机载激光雷达设备的扫描方式有关，目前，为了得到质量更好的点云数据，通过检查窗口对点云数据的质量进行检测，进而根据质量检测结果改变激光雷达的扫描方式重新采集点云数据。

发明人在实践中，发现上述现有技术存在以下缺陷：城市测绘中建筑物的高度会影响点云数据的密度分布情况，会使得点云数据的密度出现误差，进而影响点云数据的质量和精度的判断，使得测绘的结果不准确。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的激光雷达扫描策略控制方法与***，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的激光雷达扫描策略控制方法，该方法包括：

基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域；

对所述感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取所述第一点云簇的点云密度和所述点云数据的更新次数；

当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组所述实验点云数据中对应的所述第一点云簇的所述点云密度和对应的所述高程值得到密度修正系数；进而根据所述点云数据的所述高程值对所述点云数据进行聚类得到多个第二点云簇，利用所述密度修正系数修正所述第二点云簇以得到密度修正后的所述点云数据；

根据设定尺寸的滑动矩形框得到由所述点云密度和中心点构成的标准序列以及所述密度修正后的所述点云数据的由所述点云密度和中心点坐标构成的实时序列；

根据所述实时序列的所述点云密度和所述中心点对所述标准序列进行匹配，得到所述标准序列中的匹配中心点，利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用所述行程变化量对所述点云数据进行更新。

进一步地，所述当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数大于次数阈值时，根据所述点云数据的不合格区域的离散程度和体积占比判断是否需要对所述点云数据进行逐行扫描；所述不合格区域是指所述点云密度小于或等于所述密度阈值的所述第一点云簇。

进一步地，当所述离散程度小于离散阈值且所述体积占比小于占比阈值时，对所述点云数据进行所述逐行扫描；否则，舍弃所述点云数据。

进一步地，所述设定尺寸的滑动矩形框的获取方法，包括：

在所述滑动矩形框的宽度的取值范围内，根据不同的所述取值得到所述滑动矩形框内的点云数目；选择相邻所述滑动矩形框内的所述点云数目的差值最大时所对应的所述取值为所述滑动矩形框的所述宽度，进而得到所述滑动矩形框的所述尺寸。

进一步地，所述利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，包括：

分别获取所述匹配中心点与所述标准序列中的两个所述区域分割线的中心点的向量；

计算两个所述向量的模长，保留所述模长最小的所述向量为所述激光扫描的行程变化量。

第二方面，本发明另一个实施例提供了一种基于人工智能的测绘激光雷达扫描策略控制***，该***包括：

目标区域检测单元，用于基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域；

点云数据处理单元，用于对所述感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取所述第一点云簇的点云密度和所述点云数据的更新次数；

点云密度修正单元，用于当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组所述实验点云数据中对应的所述第一点云簇的所述点云密度和对应的所述高程值得到密度修正系数；进而根据所述点云数据的所述高程值对所述点云数据进行聚类得到多个第二点云簇，利用所述密度修正系数修正所述第二点云簇以得到密度修正后的所述点云数据；

点云序列获取单元，用于根据设定尺寸的滑动矩形框得到由所述点云密度和中心点构成的标准序列以及所述密度修正后的所述点云数据的由所述点云密度和中心点坐标构成的实时序列；

扫描行程变化单元，用于根据所述实时序列的所述点云密度和所述中心点对所述标准序列进行匹配，得到所述标准序列中的匹配中心点，利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用所述行程变化量对所述点云数据进行更新。

进一步地，所述点云数据处理单元中所述当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数大于次数阈值时，根据所述点云数据的不合格区域的离散程度和体积占比判断是否需要对所述点云数据进行逐行扫描；所述不合格区域是指所述点云密度小于或等于所述密度阈值的所述第一点云簇。

进一步地，所述点云数据处理单元中当所述离散程度小于离散阈值且所述体积占比小于占比阈值时，对所述点云数据进行所述逐行扫描；否则，舍弃所述点云数据。

进一步地，所述点云序列获取单元，包括：

点云数目获取单元，用于在所述滑动矩形框的宽度的取值范围内，根据不同的所述取值得到所述滑动矩形框内的点云数目；

尺寸设定单元，用于选择相邻所述滑动矩形框内的所述点云数目的差值最大时所对应的所述取值为所述滑动矩形框的所述宽度，进而得到所述滑动矩形框的所述尺寸。

进一步地，所述扫描行程变化单元，包括：

向量获取单元，用于分别获取所述匹配中心点与所述标准序列中的两个所述区域分割线的中心点的向量；

行程确定单元，用于计算两个所述向量的模长，保留所述模长最小的所述向量为所述激光扫描的行程变化量。

本发明实施例至少存在以下有益效果：利用密度修正系数对点云数据的点云密度进行修正，能够消除建筑物的高程值对点云密度的影响，进而能够保证由密度修改过的点云数据获得激光扫描的行程变化量的准确性，进而使得点云数据的质量更好，测绘结果更加精确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的激光雷达扫描策略控制方法的流程图；

图2为本发明一个实施例所提供的一种基于人工智能的激光雷达扫描策略控制方法的步骤流程图；

图3为本发明实施例所提供的关于李萨茹扫描区域的示例图；

图4为本发明实施例所提供的关于扫描区域中区域分割线的示例图；

图5为本发明另一个实施例所提供的一种基于人工智能的测绘激光雷达扫描策略控制***的结构框图；

图6为本发明实施例所提供的关于点云序列获取单元的结构框图；

图7为本发明实施例所提供的关于扫描行程变化单元的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的激光雷达扫描策略控制方法与***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能的激光雷达扫描策略控制方法与***的具体方案。

本发明所针对的具体场景为：在城市测绘行业中，经常需要对已经采集测绘数据的城市定期进行数据的更新，避免时间过长使得点云数据失效。

参照附图1和附图2，本发明实施例提供了一种基于人工智能的测绘激光雷达扫描策略控制方法，该方法包括：

步骤S001，基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域。

步骤S002，对感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取第一点云簇的点云密度和点云数据的更新次数。

步骤S003，当所有点云簇的点云密度小于或等于密度阈值且更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组实验点云数据中对应的第一点云簇的点云密度和对应的高程值得到密度修正系数；进而根据点云数据的高程值对点云数据进行聚类得到多个第二点云簇，利用密度修正系数修正第二点云簇以得到密度修正后的点云数据。

步骤S004，根据设定尺寸的滑动矩形框得到由点云密度和中心点构成的标准序列以及密度修正后的点云数据的由点云密度和中心点坐标构成的实时序列。

步骤S005，根据实时序列的点云密度和中心点对标准序列进行匹配，得到标准序列中的匹配中心点，利用匹配中心点和标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用行程变化量对点云数据进行更新。

进一步地，在进行城市测绘时，对建筑物点云数据的精度要求较高，对于道路、绿化等区域的精度要求较低，因此，在步骤S001中，本发明实施例在进行二次扫描时，基于先验的CIM模型得到建筑物的感兴趣区域，即ROI区域，具体方法为：获取建筑物范围内所有像素点中x、y、z坐标的最大值和最小值以确定建筑物的ROI区域的两个角点，该角点为ROI区域的前右上角点和后左下角点，根据该角点确定建筑物的ROI区域。

需要说明的是，(1)激光雷达在测绘时由于无人机的运动所采集到的视角是变化的，根据预设的无人机的轨迹，能够在CIM模型中得到无人机对应视角下建筑物的ROI区域的位置信息。

(2)仅针对建筑物的ROI区域以改变激光雷达的扫描策略，一方面能够得到理想的高精度数据，另一方面减少了计算量提升了扫描速度。

进一步地，根据先验，点云数据的密度和范围均与激光扫描的方式息息相关。在不考虑外界因素干扰的情况下，点云密度越大表示对应区域的数据量越大，得到的点云数据越精确，即点云密度从最根本的数据量方面保证了点云数据的精度，因此，在步骤S002中，本发明实施例获取点云数据的更新次数和点云数据的点云密度，进而根据点云数据的更新次数和点云密度对点云数据进行后处理。

具体的，本发明实施例中当点云数据的更新次数小于或等于次数阈值且点云数据的点云密度没有满足密度要求时，需要利用步骤S003、步骤S004和步骤S005对点云数据进行更新；当点云数据的更新次数大于次数阈值且点云数据的点云密度没有满足密度要求时，需要对点云数据进一步分析；当点云数据的更新次数小于或等于次数阈值且点云数据的点云密度满足密度要求时，直接输出点云数据。

具体的，点云数据的密度要求为：对采集到的ROI区域内的点云数据进行DBSCAN密度聚类得到多个第一点云簇，将每一个第一点云簇的点云密度与密度阈值相比较，当所有第一点云簇的点云密度都满足点云密度ρ＞密度阈值ρ₀时，认为点云数据的点云密度满足要求。

优选的，本发明实施例中密度阈值取经验阈值，即ρ₀＝5，在其他实施例中，实施者可根据测绘的精度要求更改此密度阈值。

进一步地，考虑到建筑物的不同高程值对点云数据的点云密度分布影响很大，且无人机以俯视角度采集点云数据时，高程值越小点云数据的点云密度越大。故，在步骤S003中，当点云数据的更新次数小于或等于次数阈值且点云数据的点云密度没有满足密度要求时，本发明实施例根据建筑物的不同高程值对ROI区域内点云数据的点云密度进行修正。

具体的，第一步，根据ROI区域内点云数据的高程值，即点云数据到相机的距离，得到最大值z_max和最小值z_min的差值，当差值在差值阈值2之内时，认为产生的点云数据的点云密度变化可忽略不计。进而将聚类的第二点云簇的数目k设定为

其中，

为向下取整符号，进根据k-means均值聚类对点云数据进行聚类得到k个第二点云簇，即为点云簇集ROI₁。

第二步，利用正常扫描获取正常扫描情况下在不同高程值的平面上扫描区域内的点云数据分布情况，以确定点云数据的密度修正系数。基于先验知道频率比为1:2的李萨茹扫描时点云数据的分布呈现对称性，即以扫描区域中心线为对称轴，该扫描区域为矩形区域，记激光扫描区域的尺寸为W×H。

在实验条件下，获取在不同高程平面下的扫描结果，记高程值为h_i时得到的实验点云数据为p_i，其中h_i为平面到相机的距离，且i的取数应不小于3，优选的，本发明实施例中取i＝3。同样利用DBSCAN密度聚类对每一个实验点云数据p_i进行密度聚类。由于激光雷达扫描模式固定，因此在不同高程值的平面上的分布规则一致，利用对应区域的密度变化能够反映点云数据的密度修正系数τ，则密度修正系数τ的获取方法如下：

1)获取实验点云数据p₁，p₂，p₃经过密度聚类得到的各自对应的点云簇集，分别记为

2)对点云簇集

进行处理：取三个点云簇集的交集，即共有区域

其中，j表示每一个第一点云簇的编号,且获得的点云簇的数目为M，则密度修正系数τ的计算方法为：

其中，ρ_1j为共有区域

中实验点云数据p₁对应的第j个第一点云簇的点云密度；ρ_2j为共有区域

中实验点云数据p₂对应的第j个第一点云簇的点云密度；ρ_3j为共有区域

中实验点云数据p₃对应的第j个第一点云簇的点云密度。

第三步，利用密度修正系数τ对实时采集的ROI区域内的点云数据进行点云密度修正，以得到密度修正后的点云数据。本发明实施例对点云簇集ROI₁中的k个第二点云簇进行点云密度修正，修正公知如下：

其中，

为点云簇集ROI₁中第t个第二点云簇修正后的点云密度；

为点云簇集ROI₁中第t个第二点云簇修正前的点云密度；

为点云簇集R I₁中第t个第二点云簇所对应的高程值；h₀为标准扫描区域的高程值。

具体的，本发明实施例中当

时，修正后的点云密度提高，利用点云数据上采样方法将点云密度上升为

当

时，修正后的点云密度降低，根据点云数据下采样将点云密度下降至

需要说明的是，点云数据上采样和下采样为公知技术，且上采样有PU-Net、插值算法；下采样有点云滤波等等，实施者可根据实际情况选择适合的方法。

进一步地，在步骤S004中，本发明实施例获取采集到的ROI区域内的点云数据在x-y平面的分布图像，即俯视图，且利用改进的DBSCAN密度聚类对分布图像上的点云数据进行处理。该DBSCAN密度聚类不需要设定聚类点云簇的数目，只需要设定一个滑动区域，该滑动区域在分布图像上滑动，能够根据点云数据分布的情况自动将分布特征相似的点云数据归为一类。

进一步地，参照附图3，考虑到李萨茹扫描扫过的区域近似为矩形区域，所以本发明实施例对DBSCAN密度聚类进行改进时，将滑动区域设置为矩形，且滑动矩形框的尺寸由正常扫描情况下扫描区域内的点云数据的分布情况确定，具体确定滑动矩形框尺寸的方法如下：

1)获得正常扫描情况下高程值为h₀时扫描区域内点云数据的分布情况。基于先验知道点云数据分布呈现对称性，即以扫描区域中心线为对称轴，且左右两侧点云数据的点云密度大致相同，所以为了减少计算量，仅对对称轴一侧的点云数据分布情况进行分析。

2)绘制扫描区域内单侧点云数据的密度变化曲线，其中，横坐标为扫描区域内的列编号，纵坐标为当前列上的点云数目，得到扫描区域内点云密度在行方向上的密度变化曲线，由于激光扫描区域的尺寸为W×H，则密度变化曲线的横坐标的取值范围为[0，W/2]。

3)由于DBSCAN密度聚类的目的是将点云数据中密度分布相似的点云数据划分为同一类，因此在聚类时选定的滑动矩形框的最佳尺寸应使得不同点云簇的点云密度相差最大。本发明实施例将滑动矩形框在密度变化曲线上滑动，记滑动矩形框的尺寸信息为w×H，其中，w≤W/4；由于滑动矩形框的步长为w，则一共得到

个滑动矩形区域，其中，

为向下取整符号；进一步统计每一次滑动结束后滑动矩形区域内的点云数目，并计算相邻滑动矩形区域内点云数目的差值Δn。

4)根据点云数目之差Δn，确定滑动矩形框的尺寸的最优选择。保证密度变化曲线上至少存在两个滑动矩形区域，即

在w的取值范围内，利用爬山算法得到取值范围内满足目标函数R所对应的w的值，记为滑动矩形框的最佳尺寸，即为w₀×H。目标函数R是让相邻滑动矩形区域内的点云数目的差值最大，则目标函数R如下：

其中，Δn_i为第i个点云数目的差值。

5)将该滑动矩形框在扫描区域以步长w₀滑动，得到每一个滑动矩形框内的点云数据的点云密度以及对应滑动矩形框中心点的坐标值，记为

其中，

为第一个滑动矩形框内的点云密度，

为第一个滑动矩形框的中心点坐标；以此得到一个扫描区域内点云数据分布的标准序列

其中，k表示标准序列中元素数量，也表示扫描区域所划分的子区域的数目，即一个滑动矩形框对应一个子区域。

6)利用获得的最佳滑动矩形框的尺寸对ROI区域中密度修正后的点云数据进行密度聚类，得到多个第三点云簇，进而得到每一个第三点云簇的中心点坐标和点云数据的点云密度，记为实时序列{ρ₁→P₁，ρ₂→P₂，ρ₃→P₃，....ρ_m→P_m}，其中，m表示第三点云簇的数量。

进一步地，考虑到正常运作时激光雷达的扫描方式为频率比为1:2的李萨茹扫描，李萨茹扫描使得ROI区域的中间区域的点云数据分布稀疏，四周的点云数据分布密集，点云数据稀疏会使得精度下降，因此，在步骤S005中，本发明实施例根据点云数据的实时分布情况制定激光扫描策略。

需要说明的是，更改激光雷达扫描行程是指更改李萨茹扫描时的扫描中心，即移动扫描区域。更改激光雷达的扫描行程利用偏振镜来实现。

具体的，第一步，本发明实施例对步骤S004得到的密度修正后的点云数据的实时序列进行分析，利用各个第三点云簇内点云数据的点云密度对实时序列进行筛选，以减少后续匹配过程中的计算量。将实时序列中各个第三点云簇的点云密度ρ_m与步骤S002中的密度阈值ρ₀进行比较，点云密度ρ_m＞密度阈值ρ₀的第三点云簇所在的区域认为是满足要求的区域，且这些区域的点云数据不需要改变激光雷达的扫描行程就能够满足密度要求，则将这些区域进行删除，保留不满足密度要求的第三点云簇所在的区域，以通过更改激光雷达的扫描行程提高不合格区域的点云密度。

第二步，考虑到激光雷达扫描时能够看做是整体沿着横向在一定矩形区域内扫描的，所以本发明实施例利用各个第三点云簇的中心点坐标对实时序列进行二次筛选。筛选的主要过程是：纵坐标相同的第三点云簇认为是同一次扫描得到的，保留横坐标最大值所对应的第三点云簇，将其余的第三点云簇删除，这样能够进一步减小后续匹配过程中的计算量。

第三步，两次筛选后的实时序列中的点云数据大大减少，按照各个第三点云簇的中心点P的纵坐标从小到大逐行利用各个第三点云簇的点云密度进行匹配，或者按照各个第三点云簇的中心点P的纵坐标从大到小逐行利用各个第三点云簇的点云密度进行匹配，并利用匹配结果确定激光雷达扫描该行时所对应的行程变化，则各行对应的行程变化的确定方法如下：

1)对步骤S004中获得标准序列进行分析，将标准序列内的标准点云密度ρ_B与步骤S002中的密度阈值ρ₀进行比较，当标准点云密度ρ_B＞密度阈值ρ₀时，认为当前子区域为合格子区域。根据先验知识：在扫描区域中，中间的子区域为不合格子区域，两侧的子区域为合格子区域。参照附图4，过与不合格子区域相邻的合格子区域的中心点作直线，得到两个区域分割线，且区域分割线的横坐标为子区域中心点的横坐标，记为x₁，x₂.其中x₁＜x₂。

2)按照各第三点云簇中心点的纵坐标值从筛选后的实时序列中选取一个第三点云簇，获得该点云簇对应的点云密度ρ_j，其中，j为当前第三点云簇的编号；用当前第三点云簇的点云密度ρ_j在标准序列中进行匹配，在标准序列中得到与其相差最小的标准点云密度，并获得标准点云密度所对应的中心点坐标P_B。

3)由于标准序列中标准点云密度呈对称分布，根据点云密度匹配的过程中得到两个最佳匹配中心点。进一步根据匹配中心点进行筛选，计算实时序列中当前第三点云簇中心点坐标P_j的横坐标与两个匹配中心点坐标的横坐标的差值，保留差值较小的匹配中心点，得到实时序列中当前第三点云簇在标准序列中的匹配中心点P_B。

4)分别连接匹配结果P_B和两个区域分割线的中心点，得到两个向量，计算每个向量的模长，保留模长最小的向量为激光扫描的行程变化量，向量的方向即为行程变化量的方向。

5)选择筛选后的实时序列中的下一个第三点云簇，按照2)-4)得到下一个纵坐标下的激光扫描的行程变化量，遍历筛选后的实时序列中所有中心点的纵坐标值，得到每一个纵坐标下的激光扫描的行程变化量。

进一步地，在更改激光扫描行程进行重复扫描的过程中，会在同一位置得到前后两次甚至是多次采集的点云数据。由于前后不同次数采集到的点云数据在同一位置处的点云数据的点云密度是不同的，而点云密度影响点云数据的精度和质量，故，本发明实施例利用各个第三点云簇前后多次采集到的点云密度对点云数据进行更新，以得到高质量、高精度的ROI区域的新点云数据。

需要说明的是，(1)本发明实施例中所述同一位置前后多次采集到的点云数据为改变激光扫描行程前后采集到的点云数据。根据步骤S003将ROI区域划分为多个第三点云簇，一个簇为一个子区域，计算更改激光扫描行程前后各子区域的点云密度，将点云密度大的点云数据作为该子区域的最终点云数据，实现前后对应区域的点云数据的更新。

(2)得到更新激光扫描行程后ROI区域内的新点云数据时，表示完成一次点云数据的更新，将此次更新次数加入步骤S002中的点云数据的更新次数，以进行下一步操作。

进一步地，当点云数据的更新次数大于次数阈值且点云数据的点云密度没有满足密度要求时，本发明实施例需要对点云数据进行进一步分析。

具体的，对步骤S002中ROI区域内的点云数据进行DBSCAN密度聚类的结果进行筛选，保留点云密度ρ＜密度阈值ρ₀的第一点云簇，获得每一个第一点云簇的中心点坐标，同时获得整个ROI区域的中心点坐标，计算每一个第一点云簇的中心点与ROI区域的中心点的距离L，获得距离序列{L₁，L₂，......L_μ}，将距离序列的方差记为点云数据的不合格区域的离散指标θ，且θ越大表示不合格区域分布的离散程度越大。

进一步地，获得不合格区域的体积信息，进而得到与整个ROI区域的体积的比例关系以得到不合格区域的体积占比ε。

虽然逐行扫描点云数据的速度很慢，但是能够采集到高精度的点云数据。因此，本发明实施例通过点云数据的不合格区域的离散程度和体积占比确定后续的扫描模式。具体的，当不合格区域的离散指标θ＜离散阈值θ₀且不合格区域的体积占比ε＜占比阈值ε₀时，认为不合格区域分布集中且扫描区域较小，需要进行逐行扫描得到输出点云数据；否则，认为逐行扫描耗时过长且当前帧的点云数据不满足密度要求，需要将当前帧的点云数据舍去，重新采集。

优选的，本发明实施例中离散阈值θ₀和占比阈值ε₀都为经验阈值，即θ₀＝0.3，ε₀＝0.3，实施者可根据点云精度要求更改此阈值。

综上所述，本发明实施例提供了一种基于人工智能的测绘激光雷达扫描策略控制方法，该方法在点云数据的更新次数小于次数阈值且点云密度没有达到密度要求时，通过实验点云数据的高程值和对应的点云密度得到密度修正系数，利用密度修正系数对建筑物的ROI区域内的点云数据进行点云密度修正；获取最佳的滑动矩形扫描得到的由点云密度和中心点构成的标准序列，以及利用最佳的滑动矩形框扫描密度修正后的ROI区域内的点云数据得到由点云数据和中心点构成的实时序列；利用实时序列的点云密度和中心点匹配到标准序列的匹配中心点，根据匹配中心点和区域分割线的中心点之间的向量，得到激光扫描的行程变化量，进而根据行程变化量进行扫描以更新点云数据。利用修正系数对点云数据的点云密度进行修正，能够消除建筑物的高程值对点云密度的影响，进而能够保证由密度修改过的点云数据获得激光扫描的行程变化量的准确性，进而使得点云数据的质量更好，测绘结果更加精确。

基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能的测绘激光雷达扫描策略控制***。

参照附图5，本发明实施例提供了一种基于人工智能的测绘激光雷达扫描策略控制***，该***包括：目标区域检测单元10、点云数据处理单元20、点云密度修正单元30、点云序列获取单元40以及扫描行程变化单元50。

目标区域检测单元10用于基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域。

点云数据处理单元20用于对感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取第一点云簇的点云密度和点云数据的更新次数。

点云密度修正单元30用于当所有第一点云簇的点云密度小于或等于密度阈值且更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组实验点云数据中对应的第一点云簇的点云密度和对应的高程值得到密度修正系数；进而根据点云数据的高程值对点云数据进行聚类得到多个第二点云簇，利用密度修正系数修正第二点云簇以得到密度修正后的点云数据。

点云序列获取单元40用于根据设定尺寸的滑动矩形框得到由点云密度和中心点构成的标准序列以及密度修正后的点云数据的由点云密度和中心点坐标构成的实时序列。

扫描行程变化单元50用于根据实时序列的点云密度和中心点对标准序列进行匹配，得到标准序列中的匹配中心点，利用匹配中心点和标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用行程变化量对点云数据进行更新。

进一步地，点云数据处理单元20中当所有第一点云簇的点云密度小于或等于密度阈值且更新次数大于次数阈值时，根据点云数据的不合格区域的离散程度和体积占比判断是否需要对点云数据进行逐行扫描；不合格区域是指点云密度小于或等于密度阈值的第一点云簇。

进一步地，点云数据处理单元20中当离散程度小于离散阈值且体积占比小于占比阈值时，对点云数据进行逐行扫描；否则，舍弃点云数据。

进一步地，参照附图6，点云序列获取单元40包括点云数目获取单元41和尺寸设定单元42：

点云数目获取单元41用于在滑动矩形框的宽度的取值范围内，根据不同的取值得到滑动矩形框内的点云数目；

尺寸设定单元42用于选择相邻滑动矩形框内的点云数目的差值最大时所对应的取值为滑动矩形框的宽度，进而得到滑动矩形框的尺寸。

进一步地，参照附图7，扫描行程变化单元50包括向量获取单元51和行程确定单元52：

向量获取单元51用于分别获取匹配中心点与标准序列中的两个区域分割线的中心点的向量；

行程确定单元52用于计算两个向量的模长，保留模长最小的向量为激光扫描的行程变化量。

综上所述，本发明实施例提供了一种基于人工智能的测绘激光雷达扫描策略控制***，该***在目标区域检测单元10中基于CIM模型，得到建筑物感兴趣区域；根据感兴趣区域的点云数据在点云数据处理单元20和点云密度修正单元30中在点云数据的更新次数小于次数阈值且点云密度没有达到密度要求时，通过实验点云数据的高程值和对应的点云密度得到密度修正系数，利用密度修正系数对建筑物的ROI区域内的点云数据进行点云密度修正；在点云序列获取单元40获取最佳的滑动矩形扫描得到的由点云密度和中心点构成的标准序列，以及利用最佳的滑动矩形框扫描密度修正后的ROI区域内的点云数据得到由点云数据和中心点构成的实时序列；在扫描行程变化单元50中利用实时序列的点云密度和中心点匹配到标准序列的匹配中心点，根据匹配中心点和区域分割线的中心点之间的向量，得到激光扫描的行程变化量，进而根据行程变化量进行扫描以更新点云数据。利用修正系数对点云数据的点云密度进行修正，能够消除建筑物的高程值对点云密度的影响，进而能够保证由密度修改过的点云数据获得激光扫描的行程变化量的准确性，进而使得点云数据的质量更好，测绘结果更加精确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的测绘激光雷达扫描策略控制方法，其特征在于，该方法包括：

基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域；

对所述感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取所述第一点云簇的点云密度和所述点云数据的更新次数；

当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组所述实验点云数据中对应的所述第一点云簇的所述点云密度和对应的所述高程值得到密度修正系数；进而根据所述点云数据的所述高程值对所述点云数据进行聚类得到多个第二点云簇，利用所述密度修正系数修正所述第二点云簇以得到密度修正后的所述点云数据；

根据设定尺寸的滑动矩形框得到由所述点云密度和中心点构成的标准序列以及所述密度修正后的所述点云数据的由所述点云密度和中心点坐标构成的实时序列；

根据所述实时序列的所述点云密度和所述中心点对所述标准序列进行匹配，得到所述标准序列中的匹配中心点，利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用所述行程变化量对所述点云数据进行更新；

密度修正系数

的获取方法如下：

1）获取实验点云数据

经过密度聚类得到的各自对应的点云簇集，分别记为

；

2）对点云簇集

进行处理：取三个点云簇集的交集，即共有区域

，其中，

表示每一个第一点云簇的编号,且获得的点云簇的数目为

，则密度修正系数

的计算方法为：

其中，

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

利用密度修正系数

对实时采集的ROI区域内的点云数据进行点云密度修正，以得到密度修正后的点云数据，修正公式如下：

其中，

为点云簇集

中第个第二点云簇修正后的点云密度；

为点云簇集

中第

个第二点云簇修正前的点云密度；

为点云簇集

中第

个第二点云簇所对应的高程值；

为标准扫描区域的高程值。

2.如权利要求1所述的方法，其特征在于，所述当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数大于次数阈值时，根据所述点云数据的不合格区域的离散程度和体积占比判断是否需要对所述点云数据进行逐行扫描；所述不合格区域是指所述点云密度小于或等于所述密度阈值的所述第一点云簇。

3.如权利要求2所述的方法，其特征在于，当所述离散程度小于离散阈值且所述体积占比小于占比阈值时，对所述点云数据进行所述逐行扫描；否则，舍弃所述点云数据。

4.如权利要求1所述的方法，其特征在于，所述设定尺寸的滑动矩形框的获取方法，包括：

在所述滑动矩形框的宽度的取值范围内，根据不同的所述取值得到所述滑动矩形框内的点云数目；

选择相邻所述滑动矩形框内的所述点云数目的差值最大时所对应的所述取值为所述滑动矩形框的所述宽度，进而得到所述滑动矩形框的所述尺寸。

5.如权利要求1所述的方法，其特征在于，所述利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，包括：

分别获取所述匹配中心点与所述标准序列中的两个所述区域分割线的中心点的向量；

计算两个所述向量的模长，保留所述模长最小的所述向量为所述激光扫描的行程变化量。

6.一种基于人工智能的测绘激光雷达扫描策略控制***，其特征在于，该***包括：

目标区域检测单元，用于基于CIM模型，根据建筑物角点得到建筑物的感兴趣区域；

点云数据处理单元，用于对所述感兴趣区域内点云数据进行密度聚类得到多个第一点云簇，获取所述第一点云簇的点云密度和所述点云数据的更新次数；

点云密度修正单元，用于当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数小于次数阈值时，获取不同高程值平面下的多组实验点云数据，根据多组所述实验点云数据中对应的所述第一点云簇的所述点云密度和对应的所述高程值得到密度修正系数；进而根据所述点云数据的所述高程值对所述点云数据进行聚类得到多个第二点云簇，利用所述密度修正系数修正所述第二点云簇以得到密度修正后的所述点云数据；

点云序列获取单元，用于根据设定尺寸的滑动矩形框得到由所述点云密度和中心点构成的标准序列以及所述密度修正后的所述点云数据的由所述点云密度和中心点坐标构成的实时序列；

扫描行程变化单元，用于根据所述实时序列的所述点云密度和所述中心点对所述标准序列进行匹配，得到所述标准序列中的匹配中心点，利用所述匹配中心点和所述标准序列中的区域分割线的中心点得到激光扫描的行程变化量，进而利用所述行程变化量对所述点云数据进行更新；

密度修正系数

的获取方法如下：

1） 获取实验点云数据

经过密度聚类得到的各自对应的点云簇集，分别记为

；

2） 对点云簇集

进行处理：取三个点云簇集的交集，即共有区域

，其中，

表示每一个第一点云簇的编号,且获得的点云簇的数目为

，则密度修正系数

的计算方法为：

其中，

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

为共有区域

中实验点云数据

对应的第

个第一点云簇的点云密度；

利用密度修正系数

对实时采集的ROI区域内的点云数据进行点云密度修正，以得到密度修正后的点云数据，修正公式如下：

其中，

为点云簇集

中第

个第二点云簇修正后的点云密度；

为点云簇集

中第

个第二点云簇修正前的点云密度；

为点云簇集

中第

个第二点云簇所对应的高程值；

为标准扫描区域的高程值。

7.如权利要求6所述的***，其特征在于，所述点云数据处理单元中所述当所有所述第一点云簇的所述点云密度小于或等于密度阈值且所述更新次数大于次数阈值时，根据所述点云数据的不合格区域的离散程度和体积占比判断是否需要对所述点云数据进行逐行扫描；所述不合格区域是指所述点云密度小于或等于所述密度阈值的所述第一点云簇。

8.如权利要求7所述的***，其特征在于，所述点云数据处理单元中当所述离散程度小于离散阈值且所述体积占比小于占比阈值时，对所述点云数据进行所述逐行扫描；否则，舍弃所述点云数据。

9.如权利要求7所述的***，其特征在于，所述点云序列获取单元，包括：

点云数目获取单元，用于在所述滑动矩形框的宽度的取值范围内，根据不同的所述取值得到所述滑动矩形框内的点云数目；

尺寸设定单元，用于选择相邻所述滑动矩形框内的所述点云数目的差值最大时所对应的所述取值为所述滑动矩形框的所述宽度，进而得到所述滑动矩形框的所述尺寸。

10.如权利要求6所述的***，其特征在于，所述扫描行程变化单元，包括：

向量获取单元，用于分别获取所述匹配中心点与所述标准序列中的两个所述区域分割线的中心点的向量；

行程确定单元，用于计算两个所述向量的模长，保留所述模长最小的所述向量为所述激光扫描的行程变化量。

Images