CN113743483A - 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 - Google Patents
一种基于空间平面偏移分析模型的道路点云误差场景分析方法 Download PDFInfo
- Publication number
- CN113743483A CN113743483A CN202110959264.XA CN202110959264A CN113743483A CN 113743483 A CN113743483 A CN 113743483A CN 202110959264 A CN202110959264 A CN 202110959264A CN 113743483 A CN113743483 A CN 113743483A
- Authority
- CN
- China
- Prior art keywords
- plane
- reference plane
- point
- point cloud
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提出了一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,包括:S1,外业道路点云数据采集,选定道路上的局部平面特征记为参考平面;S2,根据S1中所选取的参考平面,在选定的参考平面上随机进行控制点坐标采集;S3,对控制点数据进行离散性分析,利用提出的显著离群点快速筛选算法对控制点数据中的显著离群点进行剔除;S4,基于S3的离散性分析结果,构建点云局部计算空间;S5,基于最小二乘空间平面拟合获取参考平面方程;S6,计算道路点云激光脚点到参考平面的距离分布情况;S7,基于空间平面偏移模型的误差场景分析。本发明能够对道路点云数据偏差情况的定性分析和***归纳,提升对局部数据偏差状况的掌握程度。
Description
技术领域
本发明涉及道路点云误差场景分析领域,尤其涉及一种基于空间平面偏移分析模型的道路点云误差场景分析方法。
背景技术
近年来,随着自动驾驶和高精地图产业的不断发展,道路点云数据已经成为自动驾驶高精地图生产的重要来源。道路点云数据的质量对后续矢量要素的提取和高精地图的生产具有十分重要的影响。因此,对道路点云误差场景的研究归纳对于我们进一步***性认识误差、深入了解误差造成的影响、分析误差产生的原因等具有重要意义。
目前针对道路点云数据误差场景的分类及分析归纳相关研究较少,业内普遍是基于点云数据的点特征、线特征或者平面特征等直接进行定量的精度解算与精度评价。例如Minsu Kim等提出了一种利用空间三平面的方法对机载激光点云的精度进行评价。Shi Bo等借助建筑物外立面对MMS测量***的精度进行分析。上述通过精度解算的方式虽然可以得到点云数据的绝对精度,却无法快速直观的掌握真实道路点云数据的误差场景,缺乏对各类误差所造成数据偏移情况的***归纳。因此,研究一种针对道路点云误差场景定性分析、***归纳的方法十分有必要。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于空间平面偏移分析模型的道路点云误差场景分析方法。
为了实现本发明的上述目的,本发明提供了一种基于空间平面偏移分析模型的道路点云误差场景分析方法,包括以下步骤:
S1,外业道路点云数据采集,选定道路上的局部平面特征记为参考平面S0;
S2,根据S1中所选取的参考平面,在选定的参考平面S0上随机进行不少于3个控制点坐标采集;
S3,对S2外业采集的控制点数据进行离散性分析,利用提出的显著离群点快速筛选算法对控制点数据中的显著离群点进行剔除;
S4,基于S3的离散性分析结果,构建点云局部计算空间;
S5,基于最小二乘空间平面拟合获取参考平面方程;
S6,基于S5所求得的参考平面方程,计算道路点云激光脚点到参考平面的距离分布情况;
S7,基于空间平面偏移模型的误差场景分析:在S6的基础上,构建空间平面偏移分析模型,并对道路点云的误差场景进行分析判定,对不合格的点云数据进行初步筛选。
进一步地,所述S1中的平面特征包括:
沿车辆行驶方向选取的平整路面、斑马线、道路标线、路侧标识牌之一或者任意组合。
进一步地,所述S2包括:
使用RTK获取点位坐标的固定解,参考平面S0上每个控制点位Pi应随机均匀分布,无需单独寻找道路标线尖点、斑马线角点等特殊点位。
进一步地,所述S3中的显著离群点快速筛选算法包括:
其中,Dki指的是在一组点集当中,记为点k的某点到集合中除自身外记为点i的其它某点的距离,i≠k;
S-D,以2倍的作为阈值,如果则认为点Pk为显著离群点;重复步骤S-A~S-C直到完成所有控制点数据的离散型分析,对显著离群点予以剔除后的控制点数据记为Mi(xi,yi,zi)(i=1,2,3...n)。
进一步地,所述S4包括:
S4-1,对于由步骤S3所得到的控制点数据Mi(xi,yi,zi)(i=1,2,3...n),分别计算其中X坐标、Y坐标、Z坐标最大值和最小值,分别记为XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN;
S4-2,基于XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN分别构建三维空间中的8个边界点,记为Ji(xi,yi,zi)(i=1,2,3...8),其中Δ为预设常量:
J1=(XMIN-Δ,YMIN-Δ,ZMIN-Δ)
J2=(XMAX+Δ,YMIN-Δ,ZMIN-Δ)
J3=(XMAX+Δ,YMAX+Δ,ZMIN-Δ)
J4=(XMIN-Δ,YMAX+Δ,ZMIN-Δ)
J5=(XMAX+Δ,YMIN-Δ,ZMAX+Δ)
J6=(XMIN-Δ,YMIN-Δ,ZMAX+Δ)
J7=(XMIN-Δ,YMAX+Δ,ZMAX+Δ)
J8=(XMAX+Δ,YMAX+Δ,ZMAX+Δ)
将以上8个边界点所张成的三维空间记作道路点云的局部计算空间V。
进一步地,所述S4还包括:
S4-3,对于整个道路点云数据,通过空间坐标的计算比对,保留落在每个参考平面S0所对应的局部计算空间V内的点云数据作为后续所有计算的基础。
进一步地,所述S6包括:
S6-1,将任意局部计算空间V内原始道路点云的激光脚点记为Ti(xi,yi,zi)(i=1,2,3...l),计算空间V内每个激光脚点到对应参考平面的距离di(i=1,2,3...l):
将激光脚点坐标Ti(xi,yi,zi)(i=1,2,3...l)带入步骤S5求得的参考平面方程。若Ax+By+z+D<0,则说明该点在参考平面的下方,对应的距离di记为负;反之,若Ax+By+z+D>0,则说明该点在参考平面的上方,对应的距离di记为正。
并求得所有距离di(i=1,2,3...l)的平均值μ和标准差σ;
S6-2,将计算空间V内所有激光角点到对应参考平面的距离di(i=1,2,3...l)视为服从高斯分布的随机变量,由高斯分布及其概率密度函数的性质可知,落在区间(μ-2σ,μ+2σ)内的随机变量di(i=1,2,3...n)占全体数据集的95.45%,将其视为原始道路点云数据的集中表达。区间(μ-2σ,μ+2σ)内的最值可视为全体数据集的最值代表,进而可以规避局部奇异值对整体数据状态的干扰。
dmax=μ+2σ
dmin=μ-2σ
其中dmax为最大判别值,dmin为最小判别值。
进一步地,所述S7中的空间平面偏移模型包括:
S-1,对于空间中的参考平面S0和实测平面S,基于步骤S6所述计算实测平面S上的点到参考平面S0的距离,得到实测平面S的最大判别值dmax和最小判别值dmin;
S-2,根据dmax、dmin和|dmax|、|dmin|的数据关系,对误差场景进行初步判定,并对不合格的点云数据进行定位,其中|·|表示绝对值;
对于三维空间中的参考平面S0和实测平面S,其相对位置关系可分为贴合类、偏移类两种情况:
其中ε为容差。
进一步地,还包括:
S-3,基于S-2的初步判定结果对道路点云的误差场景进行详细分析:根据空间中平面的相对位置关系,顾及方向性,将实测平面S与参考平面S0的误差场景共划分为10类:
类型1:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面接近近距离的水平贴合状态;
类型2:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面接近近距离的水平贴合状态;
类型3:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型4:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型5:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S和参考平面S0存在微小夹角,且在局部计算空间内存在交点;
类型6:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面呈现较远距离的水平偏移状态;
类型7:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面呈现较远距离的水平偏移状态;
类型8:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型9:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型10:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S和参考平面S0存在较大夹角,且在局部计算空间内存在交点。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
可以实现对道路点云数据偏差情况的定性分析和***归纳,进一步提升对局部数据偏差状况的掌握程度。通过构建的空间平面偏移分析模型,基于平面距离指标及其分布特征对道路点云的误差场景进行分类,可以有针对性地对局部点云数据的误差场景进行分析归纳。其中,基于平面特征的计算方法打破了传统基于点特征方法对外业控制点位置的高度依赖,且整个计算环节免除人为因素影响;依靠对外业控制点的离散性分析算法,规避局部奇异值的影响,有效的提高了数据解算的精度和平面构建的合理性;通过局部计算空间的构建,缩减海量点云数据的计算范围,提高局部分析的可靠性和整体计算效率。
(1)提出了一种基于空间平面偏移分析的误差场景分析模型,对道路点云数据的误差场景进行模型化表述。将道路点云数据的各种偏差情况进行***性归纳,提供了一套高效可行的分类判定指标和计算规则,进一步提升了对局部数据偏差状况的掌握程度。
(2)提出了一种显著离群点快速筛选算法,实现对外业采集控制点中显著离群点的快速查找。
(3)提出了一种点云数据局部计算空间的构建算法,实现对参考平面对应的局部计算空间的灵活构建,进而缩减海量点云数据的计算范围,提高局部分析的可靠性和整体计算效率。
(4)将道路点云的误差场景直观地划分为两大类(贴合类、偏移类)及10小类,可实现对道路点云不合格区域的初步筛查。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明二维投影视角下的显著离群点示意图;
图2是本发明整体流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明提出一种基于空间平面偏移分析模型的道路点云误差场景分析方法,如图1~图2所示。
步骤1,外业道路点云数据采集,选定道路上的局部平面特征记为参考平面S0。
步骤1.1,参考平面特征选定:对于步骤1中参考平面S0的选取,利用道路及其配套设施的结构特点,沿车辆行驶方向选取平整的路面、斑马线、道路标线、路侧标识牌等具有典型平面特征的区域,无需借助靶球、靶标等辅助测量装置。
步骤2,根据步骤1中所选取的参考平面,在选定的参考平面S0上随机进行不少于3个控制点坐标采集,所采集的控制点数据记为Pi(X,Y,Z)(i=1,2,3...m)。
步骤2.1,使用RTK获取点位坐标的固定解,参考平面S0上每个控制点位Pi应随机均匀分布,无需单独寻找道路标线尖点、斑马线角点等特殊点位。
步骤3,对外业采集的控制点数据Pi(Xi,Yi,Zi)(i=1,2,3...m)进行离散性分析,利用提出的显著离群点快速筛选算法对Pi(Xi,Yi,Zi)(i=1,2,3...m)中的显著离群点进行剔除。
步骤3.1,显著离群点快速筛选算法计算步骤为:
(1)对于所有控制点坐标Pi(Xi,Yi,Zi)(i=1,2,3...m),假设其在空间中的分布情况(二维投影视角)如图1所示;
其中,Dki指的是在一组点集当中,记为点k的某点到集合中除自身外记为点i的其它某点的距离,i≠k。
(5)以2倍的作为阈值,如果则认为点Pk为显著离群点(如图1中所示,右侧的2个点为显著离群点)。重复步骤(2)~(4)直到完成所有控制点数据的离散型分析,对显著离群点予以剔除后的控制点数据记为Mi(xi,yi,zi)(i=1,2,3...n)。
步骤4,基于步骤3的离散性分析结果,构建点云局部计算空间;
步骤4.1,对于由步骤3所得到的控制点数据Mi(xi,yi,zi)(i=1,2,3...n),分别计算其中X坐标、Y坐标、Z坐标最大值和最小值,分别记为XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN。
步骤4.2,基于XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN分别构建三维空间中的8个边界点,记为Ji(xi,yi,zi)(i=1,2,3...8),其中Δ为预设常量:
J1=(XMIN-Δ,YMIN-Δ,ZMIN-Δ)
J2=(XMAX+Δ,YMIN-Δ,ZMIN-Δ)
J3=(XMAX+Δ,YMAX+Δ,ZMIN-Δ)
J4=(XMIN-Δ,YMAX+Δ,ZMIN-Δ)
J5=(XMAX+Δ,YMIN-Δ,ZMAX+Δ)
J6=(XMIN-Δ,YMIN-Δ,ZMAX+Δ)
J7=(XMIN-Δ,YMAX+Δ,ZMAX+Δ)
J8=(XMAX+Δ,YMAX+Δ,ZMAX+Δ)
将以上8个边界点所张成的三维空间记作道路点云的局部计算空间V。
步骤4.3,点云实测范围框定:对于整个道路点云数据,通过空间坐标的计算比对,保留落在每个参考平面S0所对应的局部计算空间V内的点云数据作为后续所有计算的基础。至此,完成点云实测范围框定。
步骤5,参考平面方程求解:基于最小二乘空间(三维空间)平面拟合获取参考平面方程;
步骤5.1,一个空间平面的一般方程为Ax+By+Cz+D=0,当C≠0时,不妨将其化为Ax+By+z+D=0。
步骤5.2,对于剔除显著离散点后的某个控制点坐标Mi(xi,yi,zi)(i=1,2,3...n),将其带入Ax+By+z+D=0,可以得到误差方程:
vi=Axi+Byi+D-(-zi) (1)
有n个控制点组成n个误差方程,矩阵表示为:
V=AX-L (2)
其中A、B、C分别是平面法向量在x,y,z方向上的投影分量。D为常数,在三维空间坐标系中,也可以反应平面的位置(偏移量),平面法向(A,B,C)一定,平面的方向就定了,这时不同的D值可以得到一系列平行的平面,当D=0时,平面经过原点。
V为(1)式的矩阵化表达。其中每一个元素的数学意义为将某一点坐标带入平面方程后的误差。L表示常数项。
其中z1表示第1个控制点在z轴上的坐标,z2表示第2个控制点在z轴上的坐标,zn表示第n个控制点在z轴上的坐标。
将(1)式带入上式并整理后可得:
求解上述线性方程组,其中A、B、D待求参数,即X=[A B D]T,由(2)式可得其解的矩阵表示为:
X=(ATA)-1ATL
至此,可求得基于空间最小二乘拟合的参考平面方程Ax+By+z+D=0。其中·T表示矩阵的转置。
步骤6,基于步骤5所求得的参考平面,计算道路点云激光脚点到参考平面的距离分布情况。
步骤6.1,不妨将任意局部计算空间V内原始道路点云的激光脚点记为Ti(xi,yi,zi)(i=1,2,3...l),计算空间V内每个激光脚点到对应参考平面的距离di(i=1,2,3...l):
将激光脚点坐标Ti(xi,yi,zi)(i=1,2,3...l)带入步骤5求得的参考平面方程。若Ax+By+z+D<0,则说明该点在参考平面的下方,对应的距离di记为负;反之,若Ax+By+z+D>0,则说明该点在参考平面的上方,对应的距离di记为正。
并求得所有距离di(i=1,2,3...l)的平均值μ和标准差σ。
步骤6.2,将计算空间V内所有激光角点到对应参考平面的距离di(i=1,2,3...l)视为服从高斯分布的随机变量,由高斯分布及其概率密度函数的性质可知,落在区间(μ-2σ,μ+2σ)内的随机变量di(i=1,2,3...l)占全体数据集的95.45%,将其视为原始道路点云数据的集中表达。区间(μ-2σ,μ+2σ)内的最值可视为全体数据集的最值代表,进而可以规避局部奇异值对整体数据状态的干扰。因此,将区间的上界μ+2σ作为最大判别值dmax,将区间的下界μ-2σ作为最小判别值dmin,即:
dmax=μ+2σ
dmin=μ-2σ
步骤7,基于空间平面偏移模型的误差场景分析。在步骤6的基础上,构建空间平面偏移分析模型,并对道路点云的误差场景进行分析判定,对不合格的点云数据进行初步筛选。
步骤7.1,空间平面偏移分析模型的核心思想是为了更好地对道路点云的误差场景进行定性分析。将参考平面和对应的道路点云实测平面分别记为S0和S,参考平面S0即为由外业采集的控制点拟合得到,可视为无误差的基准平面。道路点云实测平面S则为道路激光脚点的实测数据所构成的平面,本专利所述方法则是运用构建的空间平面偏移分析模型,对参考平面S0和实测平面S两者在三维空间中的偏移情况进行分析,最终确定道路点云的误差场景,对不合格的点云数据进行初步筛选。
空间平面偏移分析模型主要内容如下:
(1)对于空间中的参考平面S0和实测平面S,基于步骤6所述计算实测平面S上的点到参考平面S0的距离,得到实测平面S的最大判别值dmax和最小判别值dmin。
(2)根据dmax、dmin和|dmax|、|dmin|的数据关系,对误差场景进行初步判定,并对不合格的点云数据进行定位。其中|·|表示绝对值。
对于三维空间中的参考平面S0和实测平面S,其相对位置关系可分为贴合类、偏移类两种情况。
当实测平面S的激光角点数据没有误差时,理论上实测平面S应当与参考平面S0共面,即二者应是紧密贴合的。当实测平面S的激光角点数据误差较大时,则实测平面S便与参考平面S0在空间中产生明显偏移。因此,将二者在垂直于参考平面方向的偏移情况作为误差场景的初步判定依据。即:
其中ε为容差,由经验数据计算给出。ε就是通过设定的一个阈值,来判断参考平面和实测平面的大致偏移情况。
若实测平面S与参考平面S0属于贴合类情况,则证明在垂直于参考平面S0方向上,实测平面S与参考平面S0具有良好的共面性;若属于偏移类情况,则证明实测平面S与参考平面S0已不具备共面性,对应计算空间V内的道路点云数据质量不合要求。
(3)基于(2)的初步判定结果对道路点云的误差场景进行详细分析。根据空间中平面的相对位置关系,顾及方向性,本模型将实测平面S与参考平面S0的误差场景共划分为10类,详细给出了道路点云数据与检核数据存在偏差的各种场景对应的判定指标和计算规则。具体内容如表1所示。
表1:空间平面偏移分析模型分析对照表
其中,粗线段表示参考平面S0在其局部计算空间V内的纵切面,细线段表示实测平面S在其局部计算空间V内的纵切面,δ为给定常量。对于ε和δ二者没有固定的数量关系,ε用来衡量整体上两个平面的偏移情况,可以理解为衡量两个平面之间的距离情况。数值越大,表示两个平面整体上离得越远。δ用来衡量实测平面自身的姿态,可以理解为平面的倾斜程度。数值越大,表示实测平面相对于参考平面倾斜的越厉害,两平面在局部计算空间内的纵断面的夹角越大。
步骤7.2,基于步骤1-6及表1,将对应计算数据带入查表即可完成对道路点云的误差场景进行初步判定和分析归纳。首先根据步骤7.1中(2)所述的初判指标,确定初判类型为贴合类或者偏移类,在此基础上进一步利用细分指标1和细分指标2进行判断,进而确定误差场景的类型。
针对10类误差场景,图中粗线段为参考平面,细线段为实测平面。
具体的文字性描述如下:
类型1:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面接近近距离的水平贴合状态。
类型2:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面接近近距离的水平贴合状态。
类型3:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点。
类型4:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点。
类型5:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S和参考平面S0存在微小夹角,且在局部计算空间内存在交点。
类型6:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面呈现较远距离的水平偏移状态。
类型7:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面呈现较远距离的水平偏移状态。
类型8:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点。
类型9:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点。
类型10:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S和参考平面S0存在较大夹角,且在局部计算空间内存在交点。
其中,偏移类场景对应的局部计算空间V内的道路点云即为初判不合格数据区域。
至此,完成整个空间平面偏移分析模型的构建及其应用。本专利所述方法可以实现对道路点云数据误差场景的归纳分析,进一步提升对局部数据偏差状况的掌握程度,也可完成对道路点云不合格区域的初步筛查,对进一步了解数据误差的空间表达及有针对性地辅助后续数据处理具有积极意义。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,包括以下步骤:
S1,外业道路点云数据采集,选定道路上的局部平面特征记为参考平面S0;
S2,根据S1中所选取的参考平面,在选定的参考平面S0上随机进行控制点坐标采集;
S3,对S2外业采集的控制点数据进行离散性分析,利用提出的显著离群点快速筛选算法对控制点数据中的显著离群点进行剔除;
S4,基于S3的离散性分析结果,构建点云局部计算空间;
S5,基于最小二乘空间平面拟合获取参考平面方程;
S6,基于S5所求得的参考平面方程,计算道路点云激光脚点到参考平面的距离分布情况;
S7,基于空间平面偏移模型的误差场景分析:在S6的基础上,构建空间平面偏移分析模型,并对道路点云的误差场景进行分析判定,对不合格的点云数据进行初步筛选。
2.根据权利要求1所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S1中的平面特征包括:
沿车辆行驶方向选取的平整路面、斑马线、道路标线、路侧标识牌之一或者任意组合。
3.根据权利要求1所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S2包括:
使用RTK获取点位坐标的固定解,参考平面S0上每个控制点位Pi应随机均匀分布。
4.根据权利要求1所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S3中的显著离群点快速筛选算法包括:
其中,Dki指的是在一组点集当中,记为点k的某点到集合中除自身外记为点i的其它某点的距离,i≠k;
S-B,对于除点Pk外的其余m-1个点,选择任意1个控制点Po(xo,yo,zo),计算从点Po到其余m-2个点Pi(Xi,Yi,Zi)(i≠k,o)的平均距离Do;
5.根据权利要求1所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S4包括:
S4-1,对于由步骤S3所得到的控制点数据Mi(xi,yi,zi)(i=1,2,3...n),分别计算其中X坐标、Y坐标、Z坐标最大值和最小值,分别记为XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN;
S4-2,基于XMAX、XMIN、YMAX、YMIN、ZMAX、ZMIN分别构建三维空间中的8个边界点,记为Ji(xi,yi,zi)(i=1,2,3...8),其中Δ为预设常量:
J1=(XMIN-Δ,YMIN-Δ,ZMIN-Δ)
J2=(XMAX+Δ,YMIN-Δ,ZMIN-Δ)
J3=(XMAX+Δ,YMAX+Δ,ZMIN-Δ)
J4=(XMIN-Δ,YMAX+Δ,ZMIN-Δ)
J5=(XMAX+Δ,YMIN-Δ,ZMAX+Δ)
J6=(XMIN-Δ,YMIN-Δ,ZMAX+Δ)
J7=(XMIN-Δ,YMAX+Δ,ZMAX+Δ)
J8=(XMAX+Δ,YMAX+Δ,ZMAX+Δ)
将以上8个边界点所张成的三维空间记作道路点云的局部计算空间V。
6.根据权利要求5所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S4还包括:
S4-3,对于整个道路点云数据,通过空间坐标的计算比对,保留落在每个参考平面S0所对应的局部计算空间V内的点云数据作为后续所有计算的基础。
7.根据权利要求1所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,所述S6包括:
S6-1,将任意局部计算空间V内原始道路点云的激光脚点记为Ti(xi,yi,zi)(i=1,2,3...l),计算空间V内每个激光脚点到对应参考平面的距离di(i=1,2,3...l):
并求得所有距离di(i=1,2,3...l)的平均值μ和标准差σ;
S6-2,将计算空间V内所有激光角点到对应参考平面的距离di(i=1,2,3...l)视为服从高斯分布的随机变量,区间(μ-2σ,μ+2σ)内的最值可视为全体数据集的最值代表;
dmax=μ+2σ
dmin=μ-2σ
其中dmax为最大判别值,dmin为最小判别值。
9.根据权利要求8所述的一种基于空间平面偏移分析模型的道路点云误差场景分析方法,其特征在于,还包括:
S-3,基于S-2的初步判定结果对道路点云的误差场景进行详细分析:根据空间中平面的相对位置关系,顾及方向性,将实测平面S与参考平面S0的误差场景共划分为10类:
类型1:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面接近近距离的水平贴合状态;
类型2:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面接近近距离的水平贴合状态;
类型3:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型4:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型5:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现贴合状态,实测平面S和参考平面S0存在微小夹角,且在局部计算空间内存在交点;
类型6:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面上方,两平面呈现较远距离的水平偏移状态;
类型7:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面S0的纵切面下方,两平面呈现较远距离的水平偏移状态;
类型8:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面上方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型9:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S的纵切面位于参考平面的纵切面下方,两平面存在一定夹角,但在局部计算空间内不存在交点;
类型10:
在局部计算空间V内,实测平面S和参考平面S0整体上呈现偏移状态,实测平面S和参考平面S0存在较大夹角,且在局部计算空间内存在交点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110959264.XA CN113743483B (zh) | 2021-08-20 | 2021-08-20 | 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110959264.XA CN113743483B (zh) | 2021-08-20 | 2021-08-20 | 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743483A true CN113743483A (zh) | 2021-12-03 |
CN113743483B CN113743483B (zh) | 2022-10-21 |
Family
ID=78731917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110959264.XA Active CN113743483B (zh) | 2021-08-20 | 2021-08-20 | 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743483B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155168A (zh) * | 2021-12-08 | 2022-03-08 | 武汉中海庭数据技术有限公司 | 一种全自动点云数据的偏移纠正方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649339A (zh) * | 2015-10-30 | 2017-05-10 | 北大方正集团有限公司 | 离群点的挖掘方法及挖掘装置 |
CN107679215A (zh) * | 2017-10-19 | 2018-02-09 | 西安交通大学 | 一种基于质心的离群点检测方法 |
CN109993994A (zh) * | 2017-12-29 | 2019-07-09 | 浙江省测绘科学技术研究院 | 一种航线分割方法及装置 |
US20190235062A1 (en) * | 2017-08-23 | 2019-08-01 | Tencent Technology (Shenzhen) Company Limited | Method, device, and storage medium for laser scanning device calibration |
-
2021
- 2021-08-20 CN CN202110959264.XA patent/CN113743483B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649339A (zh) * | 2015-10-30 | 2017-05-10 | 北大方正集团有限公司 | 离群点的挖掘方法及挖掘装置 |
US20190235062A1 (en) * | 2017-08-23 | 2019-08-01 | Tencent Technology (Shenzhen) Company Limited | Method, device, and storage medium for laser scanning device calibration |
CN107679215A (zh) * | 2017-10-19 | 2018-02-09 | 西安交通大学 | 一种基于质心的离群点检测方法 |
CN109993994A (zh) * | 2017-12-29 | 2019-07-09 | 浙江省测绘科学技术研究院 | 一种航线分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
曹卫东 等: "《基于非主属性离群点检测的实体匹配》", 《计算机工程与设计》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155168A (zh) * | 2021-12-08 | 2022-03-08 | 武汉中海庭数据技术有限公司 | 一种全自动点云数据的偏移纠正方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113743483B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
CN106091972B (zh) | 一种基于移动窗口投影点密度的建筑物变化检测方法 | |
CN113587835A (zh) | 一种利用三维激光扫描技术进行桥梁工程质量验收的方法 | |
CN106949848A (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
CN105783786A (zh) | 一种基于结构光视觉的零件倒角测量方法与装置 | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
WO2023060683A1 (zh) | 一种基于三维点云模型的预制梁段表面平整度检测方法 | |
CN108830317B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN116993928B (zh) | 一种基于无人机遥感技术的城市工程测绘方法及*** | |
CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
Duan et al. | High precision edge detection algorithm for mechanical parts | |
CN113743483B (zh) | 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 | |
CN112033385A (zh) | 一种基于海量点云数据的桥墩位姿测量方法 | |
CN115597494A (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
CN101629812B (zh) | 一种焊接接头成形组织特征的测量方法 | |
CN111609847A (zh) | 一种面向薄板件的机器人拍照测量***自动规划方法 | |
CN109341704B (zh) | 一种地图精度确定方法及装置 | |
CN109359680B (zh) | ***岩块自动识别和块度特征提取方法及装置 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
CN109670557B (zh) | 一种基于杆状构筑物的公路点云自动配准方法 | |
CN113267122B (zh) | 一种基于3d视觉传感器的工业零件尺寸测量方法 | |
CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和*** | |
Sun et al. | Precision work-piece detection and measurement combining top-down and bottom-up saliency | |
Wang et al. | A binocular vision method for precise hole recognition in satellite assembly systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |