CN114299090A - 点云数据高程精化方法、装置、计算机设备和存储介质 - Google Patents
点云数据高程精化方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114299090A CN114299090A CN202111617726.6A CN202111617726A CN114299090A CN 114299090 A CN114299090 A CN 114299090A CN 202111617726 A CN202111617726 A CN 202111617726A CN 114299090 A CN114299090 A CN 114299090A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- road
- elevation
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012937 correction Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008520 organization Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007670 refining Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000004131 Bayer process Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请涉及一种点云数据高程精化方法、装置、计算机设备和存储介质。所述方法包括：获取包含各点云的测量高程的道路点云数据和道路标靶点的实测高程，确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块，获取点云与其所在的点云块对应的两条垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点，基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合通过分析历史点云高程的变化趋势得到的预设高程精化模型，得到精化后的点云高程。采用本方法可提高点云数据高程精化的精度。
Description
技术领域
本申请涉及点云数据处理技术领域，特别是涉及一种点云数据高程精化方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着激光LiDAR技术的快速发展，激光LiDAR内置传感器和定位***的精度越来越高，采用机载或车载激光扫描测量能够获取更高精度、更加密集的点云数据，因此，激光LiDAR技术在电力规划、城市建设、地形测绘领域得到了越来越广泛的应用。
在道路改扩建工程中，为了实现改扩建道路及其附属与现状的精准拼接，需要高精度的测量数据支持。因此，提高LiDAR点云数据的精度不容忽视。目前，对LiDAR点云数据进行高程精化的方式包括三角形内插法、GPS时间内插法、欧式距离内插法以及利用标靶点进行POS纠正等方式，然而，上述方式，对标靶点布设要求较高，标靶点布设太密或太疏，容易出现在一个地方精化后点云高程不一致或部分点云未精化的情形，点云数据的精度依然无法满足要求时，容易出现多次循环改正的情形。
因此，需要提供一种精度更高的点云数据高程精化方案。
发明内容
基于此，有必要针对上述技术问题，提供一种精度更高的点云数据高程精化方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种点云数据高程精化方法。所述方法包括：
获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
在其中一个实施例中，道路标靶点基于以下方式筛选得到：
获取初始道路标靶点的平面坐标；
在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云，得到初始道路标靶点的邻近点云；
根据初始道路标靶点的邻近点云，筛选出道路标靶点。
在其中一个实施例中，根据初始道路标靶点的邻近点云，筛选出道路标靶点包括：
根据预设高度阈值对初始道路标靶点的邻近点云进行粗差过滤，得到有效邻近点云；
统计初始道路标靶点的有效邻近点云的数量；
剔除有效邻近点云的数量少于预设数量阈值的初始道路标靶点，筛选出道路标靶点。
在其中一个实施例中，在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云之前，还包括：
以二叉树的数据组织形式重构道路点云数据，得到重构后的道路点云数据；
在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云包括：
在重构后的道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云。
在其中一个实施例中，获取目标道路标靶点的高程改正数包括：
获取目标道路标靶点的邻近点云的高程均值；
将目标道路标靶点的实测高程与高程均值进行差值运算，得到目标道路标靶点的高程改正数。
在其中一个实施例中，获取道路点云数据包括：
获取原始道路点云数据；
对原始道路点云数据进行数据预处理，得到道路点云数据，数据预处理包括地面点云分离。
第二方面，本申请还提供了一种点云数据高程精化装置。所述装置包括：
第一数据获取模块，用于获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
点云分割模块，用于确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
第二数据获取模块，用于获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
点云数据高程精化模块，用于基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
上述点云数据高程精化方法、装置、计算机设备、存储介质和计算机程序产品，获取道路点云数据和道路标靶点的实测高程，确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块，然后，获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点，最后，基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程。上述方案，采用标靶点与道路中线的垂线来分割点云，由于道路弯曲部分圆曲线半径较大，因此垂线基本互相平行，整块点云被垂线完整分割，使得点云精化的覆盖范围广，路面与路外的点云均得到有效精化，并且上述高程精化模型与标靶点的布设方式无关，不再强制要求标靶点平行、交叉布设，避免了由于标靶点布设不当引起的点云数据高程精化不全面或不精确的问题，保证了点云数据高程精化的范围和精度，故，通过上述高程精化模型能够显著提升点云高程精度。
附图说明
图1为一个实施例中点云数据高程精化方法的流程示意图；
图2为一个实施例中高速路面布设标靶时高程精化实施示意图；
图3为一个实施例中筛选道路标靶点步骤的流程示意图；
图4为另一个实施例中筛选道路标靶点步骤的详细流程示意图；
图5为一个实施例中高速路外布设标靶时高程精化实施示意图；
图6为一个实施例中点云数据高程精化装置的结构框图；
图7为另一个实施例中点云数据高程精化装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种点云数据高程精化方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤202，获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程。
本申请以在高速公路改扩建项目中，对高速公路的点云数据进行高程精华为例进行说明。道路点云数据可以是利用车载或机载激光LiDAR设备进行高速公路全线扫描得到的激光点云数据。本实施例中，可以是设置车载或机载激光LiDAR设备的航高100米，对目标高速公路进行全线扫描得到。具体的，道路点云数据是基于经过七参数转换的原始激光点云数据，利用自动化点云滤波方法和人机交互的方式对点云进行滤波后，得到的地面点云。其中，道路点云数据包括各点云的高程的测量值。点云即指通过车载或机载激光LiDAR设备扫描得到的高速公路上的景物的点数据集合，包括树木点云、路面点云等等。
道路标靶点(以下可简称标靶点)为外观为喷涂标志或路面已有的反射强度大的地面标志，在实际操作过程中，标靶点上方必须保证空旷无遮挡且附近无强磁场、强电场干扰。道路标靶点的实测高程为测量人员采用测量仪器测量得到实际测量值，具体的，道路标靶点的高程的测量过程可以是：在水准线路较好的区域，采用四等水准测量标靶点，在水准线路不好通行的区域，采用三角高程测量代替四等水准测量标靶点。
步骤204，确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块。
预设道路中线是基于获取的道路中线的节点，用线段连接道路中线的节点而得到的多线段。当获取道路标靶点后，可以基于道路标靶点向道路中线投影，得到道路中线的垂线，然后，利用垂线对道路点云数据中的点云进行分割，得到了多个以两条垂线为边界线的点云块。
步骤206，获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点。
本实施例中，改正数为通过水准测量或者三角高程测，获取的标靶点实际高程，与该标靶点的预设范围内进行粗差过滤后的点云的平均高程的差值。利用垂线对道路点云数据中的点云进行分割，得到点云块之后，计算各点云与点云所在的点云块对应的垂线的垂直距离，然后，获取与两条垂线相交的目标道路标靶点的高程改正数。具体的，目标道路标靶点的高程改正数可以是根据道路标靶点的实测高程与该道路标靶点预设范围内的进行粗差过滤后点云的平均高程得到。
步骤208，基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
在实验过程中，测量人员发现道路点云数据中点云的高程大多是连续线性拜变化的，例如，某个点云的高程逐渐递减，后续又递增，测量人员通过分析大量的点云的高程变化趋势，得到高程精化模型。
具体实施时，得到点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数后，可将点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，代入预设的高程精化模型，得到该点云的精化高程即改正后高程。然后，以此方式，依次对各点云块中所有点云进行高程精化处理，获得所有的点云的精化高程。
下面，结合图2进行说明，以B1、B2两个标靶点进行点云数据高程精化为例，用标靶点对道路中线作垂线得到垂线L1、L2，利用垂线L1、L2对点云进行分割，以在L1、L2两条垂线构成点云块为例，A是该点云块中的一点，A到L1、L2的垂直距离为S1、S2，A点的测量高程为H′，B1、B2两个标靶点的改正数分别为Δh1、Δh2，然后，将上述数据代入高程精化模型中，得到A的精化后的高程。高程精化模型如下：
上述点云数据高程精化方法中，获取道路点云数据和道路标靶点的实测高程，确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块，然后，获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点，最后，基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程。上述方案，采用标靶点与道路中线的垂线来分割点云，由于道路弯曲部分圆曲线半径较大，因此垂线基本互相平行，整块点云被垂线完整分割，使得点云精化的覆盖范围广，路面与路外的点云均得到有效精化，并且上述高程精化模型与标靶点的布设方式无关，不再强制要求标靶点平行、交叉布设，避免了由于标靶点布设不当引起的点云数据高程精化不全面或不精确的问题，保证了点云数据高程精化的范围和精度，故，通过上述高程精化模型能够显著提升点云高程精度。
如图3所示，在其中一个实施例中，道路标靶点基于以下方式筛选得到：
步骤200，获取初始道路标靶点的平面坐标；
步骤220，在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云，得到初始道路标靶点的邻近点云；
步骤240，根据初始道路标靶点的邻近点云，筛选出道路标靶点。
标靶点的平面坐标是指二维平面坐标，邻近点云是指在标靶点预设范围内即附近的点云。在实际应用中，高速公路上设置有多个标靶点，但是，在点云数据高程精化过程中，并非每个标靶点都是有效的，因此，需要对道路标靶点进行筛选。本实施例中，筛选出有效标靶点的过程可以是：首先，采用GNSS-RTK方法按照等级一级测量标靶点的平面坐标，然后，对标靶点进行高等级控制点检查，即采用更高等级的测量标准对标靶点的平面坐标进行复核，计算前后两次测量的标靶点的平面坐标的差值，若坐标的差值小于或等于3cm，则记录按照一级测量标准测量的标靶点的平面坐标；若坐标的差值大于3cm，则表征按照一级测量标准测量的平面坐标不准确，此时，测量人员再次采用GNSS-RTK方法按照一级测量标准测量标靶点的平面坐标测量，然后再次进行复核，直至坐标的差值小于或等于3cm。可以理解的是，实验过程中，考虑到成本问题，故采用一级测量标准测量标靶点的平面坐标，在其他实施例中，可以是按照更高等级的测量标准测量标靶点的平面坐标。在测量得到标靶点的平面坐标后，可以是在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云，得到初始道路标靶点的邻近点云。本实施例中，预设范围可以是以初始道路标靶点的坐标为圆心，半径为0.3cm的圆。然后，可以是根据邻近点云的数量，进一步筛选出有效道路标靶点。本实施例中，通过初始标靶点的邻近点云筛选出有效道路标靶点，能够在进行点云数据高程精化前剔除无效道路标靶点，提高数据处理速度。
在其中一个实施例中，根据初始道路标靶点的邻近点云，筛选出道路标靶点包括：根据预设高度阈值对初始道路标靶点的邻近点云进行粗差过滤，得到有效邻近点云，统计初始道路标靶点的有效邻近点云的数量，剔除有效邻近点云的数量少于预设数量阈值的初始道路标靶点，筛选出道路标靶点。
承接上述实施例，根据邻近点云筛选出有效道路标靶点可以是：设置高度阈值如5cm，对搜索到的邻近点云进行粗差过滤，即过滤掉点云高度高于5cm的点云，得到有效邻近点云。然后，统计初始道路标靶点的有效邻近点云的数量，剔除有效邻近点云的数量少于预设数量阈值如2个的道路标靶点，以此筛选出道路标靶点。可以理解的是，在其他实施例中，高度阈值和数量阈值还可以是其他数值，具体可根据实际情况而定，在此不做限定。本实施例中，通过对邻近点云进行粗差过滤并基于有效邻近点云的数量，能够保证筛选出的道路标靶点的有效性，便于后续点云的高程精化。
如图4所示，在其中一个实施例中，在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云之前，还包括：步骤230，以二叉树的数据组织形式重构道路点云数据，得到重构后的道路点云数据；在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云包括：步骤242，在重构后的道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云。
具体实施时，由于道路点云数据中包含的点云数据非常多，为了提高邻近点云的搜索效率，可以采用二叉树的数据组织形式，对道路点云数据进行重构。本实施例中，可以是采用KD树的数据组织形式对道路点云数据的维度(如x，y)进行二分，得到重构后的道路点云数据。kd树是二叉树的一种，是对k维空间的一种分割，其具体算法过程是不断地用垂直于坐标轴的超平面将k维空间切分，形成k维超矩形区域，KD树的每一个结点对应于一个k维超矩形区域。在得到以KD树形式存储的重构后的道路点云数据后，则在重构后的道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的半径为0.3cm的圆内的邻近点云。本实施例中，利用KD树重构道路点云数据，能够很快地找到与初始标靶点最邻近的点云数据，不再需要计算标靶点和每一个点云数据的距离。
在其中一个实施例中，获取目标道路标靶点的高程改正数包括：获取目标道路标靶点的邻近点云的高程均值；将目标道路标靶点的实测高程与高程均值进行差值运算，得到目标道路标靶点的高程改正数。
目标道路标靶点的邻近点云的高程均值即指目标道路标靶点的所有邻近点云的高程的平均值。具体实施时，可以是将目标道路标靶点的实测高程与高程均值进行差值运算，得到相应的差值，然后，将该差值作为目标道路标靶点的高程改正数。本实施例中，通过将目标道路标靶点的实测高程与高程均值进行差值运算得到的差值作为高程改正数，即高效又准确。
在其中一个实施例中，获取道路点云数据包括：获取原始道路点云数据；对原始道路点云数据进行数据预处理，得到道路点云数据，数据预处理包括地面点云分离。
在实际应用中，使用车载或机载激光LiDAR设备扫描得到的原始激光点云数据掺杂有许多无价值的点云数据和噪点，例如，本申请针对的是高速公路的扩建项目，关注的重点测量对象应是高速公路对应的点云数据即地面点云数据。而诸如树木和房屋等点云数据即可视为无效点云数据，因此，可以是设置地面高度阈值，剔除高度大于预设地面高度阈值的点云数据，进一步的，对地面点云数据进行噪点滤除，以保证得到的道路点云数据即地面点云数据的有效性和规范性。
为了对本申请提供的点云数据高程精化方法进行说明，下面结合一个具体实施例进行说明：
a.在高速公路路面或路外附近布设标靶点，以B1、B2等表示，标靶点外观为喷涂标志或路面已有的反射强度大的地面标志，标靶点上方空旷无遮挡且附近无强磁场、强电场干扰。
b.标靶点的平面与高程测量。标靶点的平面坐标测量：采用GNSS-RTK方法按照等级一级测量靶标点平面坐标，测量标靶点坐标前进行高等级控制点检查，保证测量数的坐标的差值小于或等于3cm。标靶点的高程测量：在水准线路较好的区域，采用四等水准测量标靶点，在水准线路不好通行的区域，采用三角高程测量代替四等水准测量标靶点。
c.以航高为100米的车载或机载激光LiDAR设备进行高速公路全线扫描，确保布设的标靶点均在激光扫描覆盖范围内，得到经过七参数转换的原始激光点云数据，利用自动化点云滤波方法和人机交互的方式对点云进行滤波，得到地面点云即道路点云数据。
d.使用KD树的数据组织形式重构道路点云数据，标靶点处以一定搜索半径为0.3M的范围搜索附近点云，设置高度阈值5cm，对搜索得到的点云进行粗差过滤，判断每个初始标靶点搜索到的过滤后的点云数量，剔除搜索到的点云数量少于2的标靶点，得到有效的标靶点。
e.对剩下的每个靶标点，计算其搜索到的点云的高程均值，以B1、B2两个标靶点为例，在B1、B2得到标靶点B1、B2处的平均点云高程，用B1、B2的实测高程与均点云高程做差得到标靶点改正数，获取道路中线数据，用标靶点对道路中线作垂线得到垂线L1、L2，利用垂线L1、L2对点云进行分割。
f.参考图2，以B1、B2两个标靶点进行点云数据高程精化为例，在B1、B2以分割后在L1、L2之间的一块点云为例，A是其中一点，A到L1、L2的垂直距离为S1、S2，A点的高程为H，最后通过高程精化模型(1)得到A点的改正后高程。依次对整个点云中所有点进行此步处理，最后得到高程精化后的点云。
高程精化模型为：
上述公式中，Δh1、Δh2分别为标靶点B1与标靶点B2处实测高程与其邻近点云高程均值的差值，S1为A点到过标靶点B1的垂线的垂直距离，S2为A点到过标靶点B2的垂线的垂直距离，H为改正点测量高程，H′为精化后的高程。
在实际实践过程，参考图2，某高速公路改扩建项目中，路线长约40km。上路施工申请批准后做好安全措施在高速路面布设标靶点，再通过车载激光扫描设备对高速公路全线进行激光扫描，并将扫描后的数据进行处理后获得地面点云，利用本发明的LiDAR点云数据高程精化模型对地面点云进行精化，精化后的成果与路面实测的686个水准测量检查点进行对比，结果满足高程中误差2cm的要求，检查结果如表1所示：
表1 LiDAR点云数据高程精化对比表
(2)如图5所示，在另一高速公路改扩建项目中，路线长度约22km。因高速公路施工事故频发，高速公路管理部门路面测量申请非常困难。为保证安全，项目采取布设路外标靶点的方式，使用本发明的方法进行点云的高程精化改正。通过机载激光扫描设备对高速公路全线进行激光扫描，并将扫描后的数据进行处理后获得地面点云，利用本发明的LiDAR点云数据高程精化模型对地面点云进行精化，精化后的成果与实测的452个水准测量检查点进行对比，结果满足高程中误差2cm的要求，检查结果如表2所示：
表2 LiDAR点云数据高程精化对比表
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的点云数据高程精化方法的点云数据高程精化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个点云数据高程精化装置实施例中的具体限定可以参见上文中对于点云数据高程精化方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种点云数据高程精化装置，包括：第一数据获取模块510、点云分割模块520、第二数据获取模块530和点云数据高程精化模块540，其中：
第一数据获取模块510，用于获取道路点云数据和道路标靶点的实测高程，道路点云数据包括各点云的测量高程；
点云分割模块520，用于确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块；
第二数据获取模块530，用于获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点；
点云数据高程精化模块540，用于基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，预设高程精化模型通过分析历史点云高程的变化趋势得到。
上述点云数据高程精化装置，获取道路点云数据和道路标靶点的实测高程，确定道路标靶点投影至预设道路中线的垂线，利用垂线将道路点云数据中的点云分割为多个点云块，然后，获取点云与点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，目标道路标靶点为处于与点云所在的点云块对应的垂线上的道路标靶点，最后，基于点云的测量高程、点云与点云所在的点云块对应的垂线的垂直距离以及目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程。上述方案，采用标靶点与道路中线的垂线来分割点云，由于道路弯曲部分圆曲线半径较大，因此垂线基本互相平行，整块点云被垂线完整分割，使得点云精化的覆盖范围广，路面与路外的点云均得到有效精化，并且上述高程精化模型与标靶点的布设方式无关，不再强制要求标靶点平行、交叉布设，避免了由于标靶点布设不当引起的点云数据高程精化不全面或不精确的问题，保证了点云数据高程精化的范围和精度，故，通过上述高程精化模型能够显著提升点云高程的精度。
在其中一个实施例中，装置还包括标靶点筛选模块550，用于获取初始道路标靶点的平面坐标，在道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云，得到初始道路标靶点的邻近点云，根据初始道路标靶点的邻近点云，筛选出道路标靶点。
在其中一个实施例中，标靶点筛选模块550还用于根据预设高度阈值对初始道路标靶点的邻近点云进行粗差过滤，得到有效邻近点云，统计初始道路标靶点的有效邻近点云的数量，剔除有效邻近点云的数量少于预设数量阈值的初始道路标靶点，筛选出道路标靶点。
如图7所示，在其中一个实施例中，装置还包括点云重构模块560，用于以二叉树的数据组织形式重构道路点云数据，得到重构后的道路点云数据；标靶点筛选模块550还用于在重构后的道路点云数据中，搜索以初始道路标靶点的平面坐标为中心的预设范围的邻近点云。
在其中一个实施例中，第二数据获取模块530还用于获取目标道路标靶点的邻近点云的高程均值，将目标道路标靶点的实测高程与高程均值进行差值运算，得到目标道路标靶点的高程改正数。
在其中一个实施例中，第一数据获取模块510还用于获取原始道路点云数据，对原始道路点云数据进行数据预处理，得到道路点云数据，数据预处理包括地面点云分离。
上述点云数据高程精化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储道路点云数据和道路标靶点的实测高程数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云数据高程精化方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种点云数据高程精化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述点云数据高程精化方法中的步骤。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述点云数据高程精化方法中的步骤。
在其中一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述点云数据高程精化方法中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种点云数据高程精化方法，其特征在于，所述方法包括：
获取道路点云数据和道路标靶点的实测高程，所述道路点云数据包括各点云的测量高程；
确定所述道路标靶点投影至预设道路中线的垂线，利用所述垂线将所述道路点云数据中的点云分割为多个点云块；
获取所述点云与所述点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，所述目标道路标靶点为处于与所述点云所在的点云块对应的垂线上的道路标靶点；
基于所述点云的测量高程、所述点云与点云所在的点云块对应的垂线的垂直距离以及所述目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，所述预设高程精化模型通过分析历史点云高程的变化趋势得到。
2.根据权利要求1所述的点云数据高程精化方法，其特征在于，所述道路标靶点基于以下方式筛选得到：
获取初始道路标靶点的平面坐标；
在所述道路点云数据中，搜索以所述初始道路标靶点的平面坐标为中心的预设范围的邻近点云，得到所述初始道路标靶点的邻近点云；
根据所述初始道路标靶点的邻近点云，筛选出道路标靶点。
3.根据权利要求2所述的点云数据高程精化方法，其特征在于，所述根据所述初始道路标靶点的邻近点云，筛选出道路标靶点包括：
根据预设高度阈值对所述初始道路标靶点的邻近点云进行粗差过滤，得到有效邻近点云；
统计所述初始道路标靶点的有效邻近点云的数量；
剔除有效邻近点云的数量少于预设数量阈值的初始道路标靶点，筛选出所述道路标靶点。
4.根据权利要求2所述的点云数据高程精化方法，其特征在于，所述在所述道路点云数据中，搜索以所述初始道路标靶点的平面坐标为中心的预设范围的邻近点云之前，还包括：
以二叉树的数据组织形式重构所述道路点云数据，得到重构后的道路点云数据；
所述在所述道路点云数据中，搜索以所述初始道路标靶点的平面坐标为中心的预设范围的邻近点云包括：
在重构后的道路点云数据中，搜索以所述初始道路标靶点的平面坐标为中心的预设范围的邻近点云。
5.根据权利要求2至4任意一项所述的点云数据高程精化方法，其特征在于，获取所述目标道路标靶点的高程改正数包括：
获取所述目标道路标靶点的邻近点云的高程均值；
将所述目标道路标靶点的实测高程与所述高程均值进行差值运算，得到所述目标道路标靶点的高程改正数。
6.根据权利要求1至4任意一项所述的点云数据高程精化方法，其特征在于，获取道路点云数据包括：
获取原始道路点云数据；
对所述原始道路点云数据进行数据预处理，得到所述道路点云数据，所述数据预处理包括地面点云分离。
7.一种点云数据高程精化装置，其特征在于，所述装置包括：
第一数据获取模块，用于获取道路点云数据和道路标靶点的实测高程，所述道路点云数据包括各点云的测量高程；
点云分割模块，用于确定所述道路标靶点投影至预设道路中线的垂线，利用所述垂线将所述道路点云数据中的点云分割为多个点云块；
第二数据获取模块，用于获取所述点云与所述点云所在的点云块对应的垂线的垂直距离、以及目标道路标靶点的高程改正数，所述目标道路标靶点为处于与所述点云所在的点云块对应的垂线上的道路标靶点；
点云数据高程精化模块，用于基于所述点云的测量高程、所述点云与点云所在的点云块对应的垂线的垂直距离以及所述目标道路标靶点的高程改正数，结合预设高程精化模型，得到精化后的点云高程，所述预设高程精化模型通过分析历史点云高程的变化趋势得到。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111617726.6A CN114299090A (zh) | 2021-12-27 | 2021-12-27 | 点云数据高程精化方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111617726.6A CN114299090A (zh) | 2021-12-27 | 2021-12-27 | 点云数据高程精化方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114299090A true CN114299090A (zh) | 2022-04-08 |
Family
ID=80969799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111617726.6A Pending CN114299090A (zh) | 2021-12-27 | 2021-12-27 | 点云数据高程精化方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299090A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101914890A (zh) * | 2010-08-31 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种基于机载激光测量的公路改扩建勘测方法 |
| CN103711050A (zh) * | 2013-12-31 | 2014-04-09 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
| CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
| US20170083763A1 (en) * | 2015-06-29 | 2017-03-23 | Nokia Technologies Oy | METHOD AND APPARATUS FOR CONSTRUCTING A DIGITAL ELEVATION MODEL UTILIZING GROUND POINTS CAPTURED BY GROUND-BASED LiDAR |
| CN112884902A (zh) * | 2021-03-17 | 2021-06-01 | 中山大学 | 一种面向点云配准的标靶球位置优化方法 |
| CN113280798A (zh) * | 2021-07-20 | 2021-08-20 | 四川省公路规划勘察设计研究院有限公司 | 隧道gnss拒止环境下车载扫描点云的几何纠正方法 |
-
2021
- 2021-12-27 CN CN202111617726.6A patent/CN114299090A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101914890A (zh) * | 2010-08-31 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种基于机载激光测量的公路改扩建勘测方法 |
| CN103711050A (zh) * | 2013-12-31 | 2014-04-09 | 中交第二公路勘察设计研究院有限公司 | 一种激光雷达道路改扩建勘测设计方法 |
| CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
| US20170083763A1 (en) * | 2015-06-29 | 2017-03-23 | Nokia Technologies Oy | METHOD AND APPARATUS FOR CONSTRUCTING A DIGITAL ELEVATION MODEL UTILIZING GROUND POINTS CAPTURED BY GROUND-BASED LiDAR |
| CN112884902A (zh) * | 2021-03-17 | 2021-06-01 | 中山大学 | 一种面向点云配准的标靶球位置优化方法 |
| CN113280798A (zh) * | 2021-07-20 | 2021-08-20 | 四川省公路规划勘察设计研究院有限公司 | 隧道gnss拒止环境下车载扫描点云的几何纠正方法 |
Non-Patent Citations (1)
| Title |
|---|
| 潘家宝: ""基于标靶的车载移动测量***高程校正方法"", 《城市勘测》, no. 6, 31 December 2020 (2020-12-31), pages 116 - 118 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115424232B (zh) | 一种路面坑槽的识别和评价方法、电子设备及存储介质 | |
| CN101630463B (zh) | 路网栅格数字地图自动矢量化方法 | |
| US20130144565A1 (en) | Accuracy-based significant point derivation from dense 3d point clouds for terrain modeling | |
| CN105630988A (zh) | 一种快速检测空间数据变化并更新的方法及*** | |
| CN114693696A (zh) | 一种点云数据处理方法及装置 | |
| CN103278115B (zh) | 一种基于dem计算淤地坝淤积量的方法及*** | |
| CN108801171A (zh) | 一种隧道断面形变分析方法及装置 | |
| CN106982414B (zh) | 一种定位更新方法、装置和移动终端 | |
| CN112215958B (zh) | 一种基于分布式计算的激光雷达点云数据投影方法 | |
| CN104422451A (zh) | 一种道路识别方法及装置 | |
| Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
| Varela-González et al. | Automatic filtering of vehicles from mobile LiDAR datasets | |
| Miky et al. | A combined contour lines iteration algorithm and Delaunay triangulation for terrain modeling enhancement | |
| Carneiro et al. | Digital urban morphometrics: automatic extraction and assessment of morphological properties of buildings | |
| CN114219917A (zh) | 一种激光雷达点云数据的漏洞修复方法 | |
| CN105513051A (zh) | 一种点云数据处理方法和设备 | |
| Demir | Automated detection of 3D roof planes from Lidar data | |
| Elkhrachy | Feature extraction of laser scan data based on geometric properties | |
| CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
| CN115271564B (zh) | 一种公路边坡灾害空间危险性区划方法及终端机 | |
| CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
| CN114299090A (zh) | 点云数据高程精化方法、装置、计算机设备和存储介质 | |
| CN114705180B (zh) | 高精地图的数据修正方法、装置、设备及存储介质 | |
| CN115628720A (zh) | 一种智能三维地形图测绘方法及*** | |
| CN107832445A (zh) | 数据索引方法、装置及电子设备 |
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 |