CN114549879B - 一种隧道车载扫描点云的标靶识别及中心点提取方法 - Google Patents
一种隧道车载扫描点云的标靶识别及中心点提取方法 Download PDFInfo
- Publication number
- CN114549879B CN114549879B CN202210443723.3A CN202210443723A CN114549879B CN 114549879 B CN114549879 B CN 114549879B CN 202210443723 A CN202210443723 A CN 202210443723A CN 114549879 B CN114549879 B CN 114549879B
- Authority
- CN
- China
- Prior art keywords
- target
- point
- point cloud
- cloud data
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及车载激光扫描测绘领域,其公开了一种隧道车载扫描点云的标靶识别及中心点提取方法,有利于在车载激光点云中对标靶的有效识别,并实现高精度提取标靶中心坐标,为后续点云数据的几何修正提供重要技术支撑。本发明在标靶点云识别过程中,利用车载移动激光扫描设备获取隧道洞壁三维激光扫描数据,并基于多层级空间位置约束和标靶几何约束,实现标靶区域点云数据快速提取;在标靶中心点提取过程中,考虑到标靶点云不完整特征,利用标准模板边缘拟合匹配方法,有效弥补缺失标靶所造成的几何中心计算误差,精准解算标靶中心点坐标。本发明尤其适用于对山区公路隧道的移动测量作业。
Description
技术领域
本发明涉及车载激光扫描测绘领域,具体涉及一种隧道车载扫描点云的标靶识别及中心点提取方法。
背景技术
随着车载移动三维激光测量***的发展,该技术作为一种地理空间数据获取方式,已成为大场景三维点云数据采集的主要数据来源,具有安全、精确、高效的特点,在道路交通等相关领域的应用中发挥着至关重要的作用,在公路的规划管理、运营维护、数字建模及资产要素提取等方面具有巨大的潜力。
但该技术的点云数据采集精度依赖于良好的连续GNSS信号,所述GNSS即GlobalNavigation Satellite System的简称,中文全称为全球导航卫星***。因此,在长度大于3千米的特长隧道的测绘中,由于GNSS信号的缺失,车载移动测量***的位姿数据仅能通过惯性导航***和里程计提供,从而导致序贯式的误差累积,造成所采集的隧道内部点云数据空间位置失准,无法满足高精度点云数据采集的需求。
为此,申请人申请了发明名称为隧道GNSS拒止环境下车载扫描点云的几何纠正方法、专利号为2021108201564的发明专利,其通过在隧道环境中合理布设测量标靶,并提前对标靶中心点进行控制测量,以隧道标靶作为已知控制点,再对车载激光扫描获取的连续点云数据进行几何纠正,进而高效、高精度解决山区公路隧道整体的测量问题。
然而,在实际移动测量作业过程中,面临以下问题:
大多数车载激光扫描属于线阵扫描方式,为了保证车载移动测量高效作业,车速一般不低于60km/h,这导致移动测量获取的标靶点云数据密度较小,且标靶区域部分缺失,不利于后期标靶中心的高精度提取。
进而造成长距离隧道GNSS信号缺失环境下,车载激光点云偏移后无法有效几何纠正,进而影响隧道整体的高精度测量。
发明内容
本发明所要解决的技术问题是:提出一种隧道车载扫描点云的标靶识别及中心点提取方法,有利于在车载激光点云中对标靶进行有效识别,并实现高精度提取标靶中心坐标,为后续点云数据的几何修正提供重要技术支撑。
本发明解决上述技术问题采用的技术方案是:
一方面,本发明提出一种隧道车载扫描点云的标靶识别方法,该识别方法所采用标靶包括主体及沿主体边缘布设的条带,其中,主体采用激光反射率高于隧道边墙激光反射率的材料,条带采用激光反射率低于隧道边墙激光反射率的材料,且所述主体为具有中心点的规则形状;该识别方法包括以下步骤:
S1、针对当前识别标靶,基于标靶设置高度设定高度条件,对扫描点云数据进行分割,仅保留满足设定高度条件的点的点云数据,构建对应当前识别标靶的初始点云数据集Q;
S2、基于当前识别标靶沿轨迹方向的设置位置,提取该标靶对应的车载扫描***的轨迹时刻,并计算该轨迹时刻的轨迹位置所对应的横断线;
S3、在初始点云数据集Q中,基于当前识别标靶所对应的各横断线,沿轨迹方向筛选符合距离条件的点的点云数据,构建对应该标靶的区域点云数据集R;所述距离条件为沿轨迹方向基于车载扫描***扫描特性、轨迹定位误差以及标靶定位误差所设定的筛选距离,以确保该R中包含对应标靶的点云数据;
S4、针对当前识别标靶所对应的区域点云数据集R,基于反射强度I p 将其所包括点云数据由大到小进行排序,并提取排序靠前的n max 个点的点云数据,构成对应该标靶的种子点云数据集B p ;
S5、针对当前识别标靶所对应的种子点云数据集B p ,遍历其所包括的各点P Bi ,分别在该B p 对应的区域点云数据集R中,提取与点P Bi 的空间距离符合设定约束条件的点的点云数据,构成对应该P Bi 的图斑点云数据集B ti ,所述约束条件为基于标靶的形状尺寸设定的形状约束条件,以确保各图斑点云数据集B ti 中的点所构成的区域形状为与标靶主体形状相适应的形状;
S6、针对各图斑点云数据集B ti ,分别对其所包括点的点云数据进行反射强度判定,提取其中反射强度高于设定阈值的点的点云数据,构成对应该B ti 的主体备选点云数据集B wi ;
S7、基于标靶的形状尺寸设定几何约束条件,针对当前识别标靶,分别将与其对应的各主体备选点云数据集B wi ,按设定几何约束条件进行筛选,合并该标靶对应各B wi 筛选出的满足几何约束条件的点的点云数据,构建当前识别标靶的主体点云数据集B w-final 。
进一步的,步骤S1中,设定的高度条件为:
H min -σ≤Z point ≤H max +σ
其中,Z point 为点云数据的高度坐标,H max 为标靶设置高度公差范围的最高高度,H min 为标靶设置高度公差范围的最低高度,所述σ为基于安装误差设定的宽容距离。
进一步的,步骤S2中,基于当前识别标靶沿轨迹方向的设置位置,提取该标靶对应的车载扫描***的轨迹时刻,具体包括:
若当前识别标靶为首个标靶,则沿车载扫描***的轨迹方向,基于首个标靶的设置位置,确定与其对应的车载扫描***轨迹位置的时刻为t 0;
否则,沿轨迹方向,基于标靶设置距离间隔D,根据前一标靶对应车载扫描***轨迹位置的时刻为t i,确定当前识别标靶对应车载扫描***轨迹位置的时刻t i+1:
t i+1 -t i=D/V
其中,D为前一标靶至当前识别标靶沿轨迹方向的距离,V为t i至t i+1时刻车载扫描***的平均车速。
进一步的,步骤S2中,该轨迹时刻的轨迹位置所对应的横断线L c 上的点,满足以下约束条件:
其中,x、y为横断线L c 上各点在xy平面内的坐标,所述xy平面为点云数据的投影平面;P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前标靶对应轨迹位置的y轴坐标,P z_c 为当前识别标靶对应轨迹位置的空间高程,z为横断线L c 的空间高程;P k 为当前识别标靶对应轨迹位置处在xy平面内的切线斜率。
进一步的,步骤S3中,在初始点云数据集Q中,基于当前识别标靶所对应的横断线,沿轨迹方向筛选符合距离条件的点的点云数据,构建对应该标靶的区域点云数据集R,具体包括:
S31、提取当前识别标靶对应的轨迹位置及该轨迹位置对应的横断线L c ;
S32、基于隧道横向宽度设定筛选条件,遍历初始点云数据集Q,搜索满足筛选条件的点,构建当前识别标靶的备选点云数据集T;
S33、遍历当前识别标靶的备选点云数据集T中所有的点,计算各点至对应横断线L c 的空间垂距;
S34、基于该点云数据集T中的至对应横断线L c 的空间垂距最小的点P T-minVd ,从初始点云数据集Q中提取满足以下约束条件的点,构建当前标靶的局部区域数据集R:
x(P
T-minVd
)-d
L
<x
Q_p
< x(P
T-minVd
) +d
L
y(P
T-minVd
)-d
L
<y
Q_p
< y(P
T-minVd
) +d
L
其中,x Q_p 、y Q_p 为数据集Q中的点P的x轴和y轴坐标,x(P T-minVd )、y(P T-minVd )为点P T-minVd 的x轴和y轴坐标,d L 为基于轨迹定位误差以及标靶定位误差所设定的距离条件。
进一步的,步骤S32中,基于隧道横向宽度设定的筛选条件为:
P
x_c
-n
c
×W
c
<x
p
< P
x_c
+n
c
×W
c
P
y_c
-n
c
×W
c
<y
p
< P
y_c
+n
c
×W
c
其中,x p 、y p 为初始点云数据集Q中P点的x轴和y轴坐标,P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,n c 为车道数量,W c 为单条车道宽度。
进一步的,步骤S33中,按如下公式计算各点至对应横断线L c 的空间垂距:
其中,V di 为备选点云数据集T中第i个点到横断线L c 的空间垂距,x pi 和y pi 分别为备选点云数据集T中第i个点的x轴坐标和y轴坐标;P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,P k 为当前识别标靶对应轨迹位置处在xy平面内的切线斜率,所述xy平面为点云数据的投影平面。
进一步的,步骤S6中,反射强度设定阈值的设置方式为:
其中,I threshold-i 为第i个图斑点云数据集B ti 的反射强度判定阈值,max I{B ti }为第i个图斑点云数据集B ti 中所有点的最大反射强度值,I p-min 为第i个图斑点云数据集B ti 对应局部区域数据集R中的最低反射强度值。
作为一种优选方式,所述标靶主体为正方形。
进一步的,步骤S5中,基于标靶的形状尺寸设定的形状约束条件为:
其中,D b 为P Bi 与R中的点空间距离,L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度;
所述D b 计算公式为:
其中,x(P Bi )、y(P Bi )和z(P Bi )分别为点P Bi 的x轴、y轴和z轴坐标;x(P Rj )、y(P Rj )和z (P Rj )分别为R中除P Bi 外的第j个点的x轴、y轴和z轴坐标。
进一步的,步骤S7中,基于标靶的形状尺寸设定几何约束条件为:
其中,max DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大高度差值;max D{p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大空间距离;L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度,L wd 为标靶的主体的对角线长度;
主体备选点云数据集B wi 中点对间的空间距离计算公式如下:
主体备选点云数据集B wi 中点对间的高度差值计算公式如下:
其中,x(p wk )、y(p wk )和z(p wk )分别为B wi 中第k个点p wk 的x轴、y轴和z轴坐标;x(p wj )、y(p wj )和z(p wj )分别为B wi 中第j个点p wj 的x轴、y轴和z轴坐标;D{p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的空间距离;DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的高度差值。
另一方面,本发明还提出了一种隧道车载扫描点云的标靶中心点提取方法,用于对部署正方形标靶的隧道进行如上标靶识别方法所识别出来的标靶进行中心点提取,该提取方法包括点云数据处理、矢量数据准备及数据匹配;
其中,矢量数据准备包括以下步骤:
A1、基于标靶的设计尺寸,在计算机中加载与标靶测量区域尺寸相一致的矢量线框数据L b ;所述标靶测量区域为标靶的条带所围合成的线框以内的标靶主体区域;
A2、将矢量线框数据L b 将转换成单条边U等分的点数据,四边合计生成4U+1个点数据,点间的间距为(L wl -W bw )/U,构建矢量线框数据点集B lb ,其中,L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度;
点云数据处理包括以下步骤:
B1、提取当前识别标靶的主体点云数据集B w-final ,基于车载扫描***的每条扫描线阵在B w-final 中的第一个记录点p ti-f 和最后一个记录点p ti-e ,构建该标靶的初始主体轮廓点云数据集B wl ;
B2、在该标靶的初始主体轮廓点云数据集B wl 中,进行数据插值,构建该标靶的主体轮廓点云数据集B wl-b ;所述主体轮廓点云数据集B wl-b 的数据点个数与矢量线框数据点集B lb 中的数据点个数相一致;
数据匹配包括以下步骤:
C1、利用SVD最小二乘法对当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 进行匹配;
C2、基于步骤C1中的匹配结果,对矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,计算B lb-final 的几何中心B P-center 作为标靶的中心点。
进一步的,步骤A2中,所述U等分的计算如下:
其中,H L 为车载扫描***激光设备的线阵扫描频率。
进一步的,步骤B2,在该标靶的初始主体轮廓点云数据集B wl 中,进行数据插值,构建该标靶的主体轮廓点云数据集B wl-b ,具体包括:
B21、计算初始主体轮廓点云数据集B wl 与矢量线框数据点集B lb 中的数据点的个数差delta_n:
delta_n=4U+1-n(B wl)
其中,n(B wl)为初始主体轮廓点云数据集B wl 中的数据点的个数;
B22、将初始主体轮廓点云数据集B wl 中的点,基于扫描时间进行排序,分别得到各扫描线阵进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E;
B23、将进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E,分别引入插值模块,由对应数据点集的相邻扫描线阵的点构成点对,并在点对之间***插值点,获得分别对应数据点集F和数据点集E的插值点集;
B24、将步骤B23中获得的插值点集和初始主体轮廓点云数据集B wl 进行合并,得到主体轮廓点云数据集B wl-b 。
进一步的,步骤B23中,所述插值模块,包括如下步骤:
B231、依次计算对应数据点集中,相邻扫描线阵的点所构成的点对之间的空间距离:
其中,d delta_i 为第i条扫描线阵与相邻的第i+1条扫描线阵的点所构成点对之间的的空间距离;x(p ScanL-t1 )、y(p ScanL-t1 )和z(p ScanL-t1 )为点对中扫描时间靠前的点的x轴、y轴和z轴坐标;x(p ScanL-t2 )、y(p ScanL-t2 )和z(p ScanL-t2 )为点对中扫描时间靠后的点的x轴、y轴和z轴坐标;
B232、对步骤B231中获得的相邻扫描线阵的点所构成的点对之间的空间距离,按从大到小进行排序;
若引入的为进入标靶主体区域的数据点集F,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n+ 1)/2个点对,构成待插值点对数据集C;
若引入的为离开标靶主体区域的数据点集E,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n- 1)/2个点对,构成待插值点对数据集C;
B233、基于步骤B232获得的点对,依次按下式生成插值点:
x i =x(p Cj1 )+( x(p Cj2 )- x(p Cj1 ))/2
y i =y(p Cj1 )+( y(p Cj2 )- y(p Cj1 ))/2
z i =z(p Cj1 )+( z(p Cj2 )- z(p Cj1 ))/2
其中,x i 、y i 和z i 分别为第i个插值点的x轴、y轴和z轴坐标;x(p Cj1 )、y(p Cj1 )和z(p Cj1 )分别为待插值点对数据集C中第j个点对的扫描时间靠前的点的x轴、y轴和z轴坐标;x(p Cj2 )、y(p Cj2 )和z(p Cj2 )分别为待插值点对数据集C中第j个点对的扫描时间靠后的点的x轴、y轴和z轴坐标。
进一步的,步骤C1中,利用SVD最小二乘法对当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 进行匹配,具体包括:
基于SVD最小二乘法,计算矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 的最优估计变换矩阵:
其中,P lb_i 为矢量线框数据点集B lb 中第i个点;P wl_i 为主体轮廓点云数据集B wl-b 的第i个点,i为遍历计算顺序号;R为两组数据集间匹配的旋转矩阵,T为两组数据集间匹配的平移矩阵,N为矢量线框数据点集B lb 和主体轮廓点云数据集B wl-b 中的点数据个数。
进一步的,步骤C2中,基于步骤C1中的匹配结果,对矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,计算B lb-final 的几何中心B P-center 作为标靶的中心点,具体包括:
基于步骤C1中获得的旋转矩阵R和平移矩阵T,将矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,并计算B lb-final 的几何中心B P-center :
其中,x(P wl-final_i )、y(P wl-final_i )和z(P wl-final_i )分别为目标矢量线框数据点集B lb-final 中第i个点数据的x轴、y轴和z轴坐标,i为遍历计算顺序号,N为目标矢量线框数据点集B lb-final 中的数据点个数。
本发明的有益效果是:
通过配套设计的标靶,获得标靶主体与隧道边墙之间显著的强度反差,并通过条带构成不同反射强度的边框,将主体与隧道边墙相区隔,保证了后期在点云数据中对标靶进行有效识别。
其次,利用多层级空间位置约束和标靶几何约束,能够准确的识别、提取标靶核心区域点云数据;然后,进一步通过标准标靶模板结合几何质心计算方法,有效弥补稀疏点云密度所造成标靶部分残缺无法进行标靶真实中心点坐标反算的弊端,实现高速移动测量过程中隧道路侧两旁标靶中心点的高精度计算。
本发明的方法,提取效率高,且适用方式灵活,可以是在完成点云扫描后,对点云数据处理,也可以是在车载激光扫描运动过程中,实时进行识别和提取。
附图说明
图1是本发明实施例的技术思路图;
图2是本发明实施例设计的标靶示意图;
图3是本发明实施例中标靶主体区域轮廓点云提取示意图。
具体实施方式
本发明旨在提出一种隧道车载扫描点云的标靶识别及中心点提取方法,有利于在车载激光点云中对标靶进行有效识别,并实现高精度提取标靶中心坐标,为后续点云数据的几何修正提供重要技术支撑。
本发明的技术思路如图1所示,首先配套设计了一款标靶,该标靶包括主体及沿主体边缘布设的条带,其中,主体采用激光反射率高于隧道边墙激光反射率的材料,条带采用激光反射率低于隧道边墙激光反射率的材料,且所述主体为具有中心点的规则形状。主体高激光反射率是为了更好的实现激光扫描,避免数据缺失;条带,是为了在主题边缘构成区别于主体以及隧道边墙的边框,实现区隔,方便后期的数据识别和提取;规则形状则是为了方便标靶模板的绘制和匹配;具有中心点,则是为了最终提取标靶中心用以几何纠正。
在标靶点云识别过程中,利用车载移动激光扫描设备,通过设备车辆持续行进,获取隧道洞壁三维激光扫描数据,并通过对扫描获取的点云数据进行多层级空间位置约束、反射强度约束和标靶形状约束等,实现标靶区域点云数据的快速、准确识别;最后,在标靶中心点提取过程中,考虑到标靶点云不完整特征,在进行标靶主体轮廓点云数据粗提取后,利用离散化的标准模板进行主体轮廓点云数据对齐,并通过SVD最小二乘法对经过对齐后主体轮廓点云数据和模板数据进行匹配,根据匹配结果,对模板点云进行平移转换进而计算模板的几何中心坐标作为标靶中心坐标,从而有效弥补缺失标靶所造成的几何中心计算误差,精准解算出标靶中心点坐标。
实施例:
下面从标靶的设计与安装、标靶点云识别、标靶中心点提取三个方面分别进行具体阐述:
一、标靶设计与安装:
在本实施例中,采用标靶主体与条带具有显著强度光反差的正方形标靶,该标靶采用白底黑边设计,也即白色的主体,黑色条带,在对中心点进行标记后,在公路隧道洞壁两侧完成标靶固定工作。具体的讲:
步骤1、设计标靶为正方形,标靶主要由黑色条带和白色主体构成,标靶主体设计边长Lwl,其中,黑色条带设计宽度Wbw,标靶主体区域的材质为糙面纸质材料,黑色条带无特殊材质要求,将黑色条带齐缝粘贴至标靶主体边缘。标靶主体设计边长越大,则扫描获得的点越多,但也不宜过大,因此,一般为50~60cm;黑色条带设计宽度越宽,则区隔效果越好,但越宽对主题的限制越大,因此,一般为5~10cm。
步骤2、采用红色中性笔在条带以内的白色主体测量区域完成对角线标记,或利用如1mm等极细的红色打印宽度进行白色糙面纸红色对角线印制出图,红色对角线交点即为标靶中心点,该中心点的标记是为了方便标靶的控制测量。
至此完成标靶的制作工作,成品标靶如图2所示。
步骤3、将制作好的标靶在隧道洞壁两侧进行固定,须尽量保证固定标靶的平整度。当然也可以仅在在隧道洞壁单侧布设标靶,比如在隧道宽度较小时。
根据标靶自身尺寸和人身高的一般高度,考虑到人在标靶安装时的便捷性,标靶安装不宜高于2m;其次,考虑车载装备移动测量时的有效视角方位,标靶安装过低时,易造成激光扫描标靶信息残缺,固定后标靶距地高度不低于1.2m。
二、标靶点云识别:
步骤1、组合滤波粗提取:
针对当前识别标靶,基于标靶设置高度设定下述的高度条件,利用高度条件,对车载移动激光扫描数据洞壁两侧标靶临近高度区域的点云数据进行分割,完成地面、洞顶等其它非标靶区域的点云数据滤除处理,仅保留满足设定高度条件的点的点云数据,并构建对应当前识别标靶的初始点云数据集Q。
设定的高度条件为:
H min -σ≤Z point ≤H max +σ
其中,Z point 为点云数据的高度坐标,H max 为标靶设置高度公差范围的最高高度,H min 为标靶设置高度公差范围的最低高度,所述σ为基于安装误差设定的宽容距离。在本实施例中,所述H max 和H min 的单位为米,σ取值0.3m。
由于各标靶设置高度统一,因此,针对该步骤,可以按点过滤,也可以整体过滤。比如,已经完成扫描,则可以整体过滤。在本实施例中,为实时的识别,也即边扫描边识别,因此,为单点过滤,其可以是针对已获得的所有点云数据进行高度过滤,也可以是按设定长度进行高度过滤,该设定长度应满足后续步骤的要求,比如,在已获得数据中还未被识别过的最新扫描获得的点云数据。
步骤2、基于当前识别标靶沿轨迹方向的设置位置,提取该标靶对应的车载扫描***的轨迹时刻,并计算该轨迹时刻的轨迹位置所对应的横断线。轨迹时刻的提取可以采用人工确认方式,比如:在点云扫描过程中,每经过一个标靶,人工确认一次。
但为了更方便的进行测量,在本实施例中,具体包括:
若当前识别标靶为首个标靶,则沿车载扫描***的轨迹方向,基于首个标靶的设置位置,确定与其对应的车载扫描***轨迹位置的时刻为t 0。t 0的确认,可以是人工确认,也可以是将点云扫描起点设置于首个标靶位置。在本实施例中,采用人工确认首个标靶位置对应t 0时刻的方式实施。
若当前识别标靶并非首个标靶,则沿轨迹方向,基于标靶设置距离间隔D,根据前一标靶对应车载扫描***轨迹位置的时刻为t i,确定当前识别标靶对应车载扫描***轨迹位置的时刻t i+1:
t i+1 -t i=D/V
其中,D为前一标靶至当前识别标靶沿轨迹方向的距离,V为t i至t i+1时刻车载扫描***的平均车速。
本实施例为实时的识别,也即边扫描边识别,若为首先完成点云扫描再进行识别,则可以采用与实时相同的按点进行循环的方式,也可以是在步骤内进行循环,比如:循环执行上述步骤,直至完成所有标靶对应车载扫描***轨迹时刻的计算。
横断线是交通设计领域的术语,其表示该轨迹位置处,垂直于轨迹线的平面在xy平面内的投影线。因此,当前识别标靶对应的轨迹时刻的轨迹位置所对应的横断线L c 上的点,满足以下约束条件:
其中,x、y为横断线L c 上各点在xy平面内的坐标,所述xy平面为点云数据的投影平面;P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,P z_c 为当前识别标靶对应轨迹位置的空间高程,z为横断线L c 的空间高程;P k 为当前识别标靶对应轨迹位置处在xy平面内的切线斜率。
通常情况下,在投影平面坐标系中,x轴指向正北方向,y轴指向正东方向,投影平面坐标系的原点为高斯分带投影坐标系原点。
步骤3、区域空间约束:在初始点云数据集Q中,基于当前识别标靶所对应的横断线,沿轨迹方向筛选符合距离条件的点的点云数据,构建对应该标靶的区域点云数据集R。所述距离条件为沿轨迹方向基于车载扫描***扫描特性、轨迹定位误差以及标靶定位误差所设定的筛选距离,以确保该R中包含对应标靶的点云数据。
所述轨迹定位误差,是由于点云扫描,在隧道内GNSS拒止环境下,主要基于惯性导航定位,定位精度较低,所累加的位置误差,误差等级达到米级;所述标靶定位误差,是由于标靶安装误差以及标靶对应轨迹时刻提取误差,所导致的对标靶定位的误差;所述车载扫描***扫描特性,是表明在轨迹时刻,基于扫描***当前的激光发射角度具有不确定性,对应该时刻的扫描点,可能位于横断线上、横断线后方或前方。因此,要确保R中包含对应标靶的点云数据,必须的首先考虑标靶定位误差所导致的错位,然后考虑轨迹定位误差所产生的漂移,最后考虑扫描特性所引入的间隔。
该步骤是在完成步骤1沿高度方向筛选数据的基础上,完成沿轨迹方向的数据筛选,其可以按照设定的距离条件,直接的进行截取。但如上所述,采用直接截取的方式,为确保R中包含对应标靶的点云数据,筛选距离需要考虑沿轨迹方向车载扫描***扫描特性、轨迹定位误差以及标靶定位误差等诸多因素,其数值较大,将引入更多的噪声点,加重计算负担。因此,在本实施例中,采用分步筛选的方式,具体包括:
步骤31、提取当前识别标靶对应的轨迹位置及该轨迹位置对应的横断线L c 。
步骤32、基于隧道横向宽度设定筛选条件,遍历初始点云数据集Q,搜索满足筛选条件的点,构建当前识别标靶的备选点云数据集T;其中,所述隧道横向宽度设定的筛选条件为:
P
x_c
-n
c
×W
c
<x
p
< P
x_c
+n
c
×W
c
P
y_c
-n
c
×W
c
<y
p
< P
y_c
+n
c
×W
c
其中,x p 、y p 为初始点云数据集Q中P点的x轴和y轴坐标,P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,n c 为车道数量,W c 为单条车道宽度。
步骤33、遍历当前识别标靶的备选点云数据集T中所有的点,计算各点至对应横断线L c 的空间垂距:
其中,V di 为备选点云数据集T中第i个点到横断线L c 的空间垂距,x pi 和y pi 分别为备选点云数据集T中第i个点的x轴坐标和y轴坐标;P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,P k 为当前识别标靶对应轨迹位置处在xy平面内的切线斜率,所述xy平面为点云数据的投影平面。
步骤34、基于该点云数据集T中的至对应横断线L c 的空间垂距最小的点P T-minVd ,从初始点云数据集Q中提取满足以下约束条件的点,构建当前识别标靶的局部区域数据集R:
x(P
T-minVd
)-d
L
<x
Q_p
< x(P
T-minVd
) +d
L
y(P
T-minVd
)-d
L
<y
Q_p
< y(P
T-minVd
) +d
L
其中,x Q_p 、y Q_p 为数据集Q中的点P的x轴和y轴坐标,x(P T-minVd )、y(P T-minVd )为点P T-minVd 的x轴和y轴坐标,d L 为基于轨迹位置的定位误差及标靶的安装误差所设定的距离条件。在本实施例中,d L 设置为5m。本实施例为实时的识别,也即边扫描边识别,若为首先完成点云扫描再进行识别,则可以采用与实时相同的按点进行循环的方式,也可以是在步骤内进行循环,比如:循环执行步骤31至步骤34,直至完成所有标靶的局部区域数据集R的构建。其他步骤类似,不再赘述。
该方式的优势在于:首先考虑扫描特性,划定一个较大的范围,构建备选点云数据集T;然后,在T中确定至对应横断线L c 的空间垂距最小的点P T-minVd ,作为对应该轨迹时刻的扫描基准点;最后,根据P T-minVd 基于轨迹定位误差及标靶定位误差进行数据截取,其截取的数据量更小,能有效降低计算负担。
步骤4、针对当前识别标靶所对应的区域点云数据集R,基于反射强度I p 将其所包括点云数据由大到小进行排序,并提取排序靠前的n max 个点的点云数据,构成对应该标靶的种子点云数据集B p 。
n max 越大则后述可供识别的点位越多,中心点提取过程中的匹配越精准,但由于隧道内测量的复杂性,越大n max 则越可能引入噪声点,加大后期的处理难度。在本实施例中,基于本实施例标靶的尺寸以及扫描参数,所估计的标靶对应扫描点数量的下限值,n max 取值为30。
步骤5、局部范围进一步约束:针对当前识别标靶所对应的种子点云数据集B p ,遍历其所包括的各点P Bi ,分别在该B p 对应的区域点云数据集R中,提取与点P Bi 的空间距离符合设定约束条件的点的点云数据,构成对应该P Bi 的图斑点云数据集B ti ;所述约束条件为基于标靶的形状尺寸设定的形状约束条件,以确保各图斑点云数据集B ti 中的点所构成的区域形状为与标靶主体形状相适应的形状。
其中,标靶的形状尺寸设定的形状约束条件为:
其中,D b 为P Bi 与R中的点空间距离,L wl 为标靶的主体的边长,也即图2中白色糙面纸的边长,W bw 为标靶的条带的宽度,也即图2中黑色条带的宽度。
所述D b 计算公式为:
其中,x(P Bi )、y(P Bi )和z(P Bi )分别为点P Bi 的x轴、y轴和z轴坐标;x(P Rj )、y(P Rj )和z (P Rj )分别为R中除P Bi 外的第j个点的x轴、y轴和z轴坐标。
步骤6、反射强度约束:针对各图斑点云数据集B ti ,分别对其所包括点的点云数据进行反射强度判定,提取其中反射强度高于设定阈值的点的点云数据,构成对应该B ti 的主体备选点云数据集B wi 。
其中,反射强度设定阈值的设置方式为:
其中,I threshold-i 为第i个图斑点云数据集B ti 的反射强度判定阈值,max I{B ti }为第i个图斑点云数据集B ti 中所有点的最大反射强度值,I p-min 为第i个图斑点云数据集B ti 对应局部区域数据集R中的最低反射强度值。
步骤7、形状约束:基于标靶的形状尺寸设定几何约束条件,针对当前识别标靶,分别将与其对应的各主体备选点云数据集B wi ,按设定几何约束条件进行筛选,合并该标靶对应各B wi 筛选出的满足几何约束条件的点的点云数据,构建当前识别标靶的主体点云数据集B w-final 。
基于标靶的形状尺寸设定几何约束条件为:
其中,max DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大高度差值;max D{p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大空间距离;L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度,L wd 为标靶的主体的对角线长度。
主体备选点云数据集B wi 中点对间的空间距离计算公式如下:
主体备选点云数据集B wi 中点对间的高度差值计算公式如下:
其中,x(p wk )、y(p wk )和z(p wk )分别为B wi 中第k个点p wk 的x轴、y轴和z轴坐标;x(p wj )、y(p wj )和z(p wj )分别为B wi 中第j个点p wj 的x轴、y轴和z轴坐标;D{p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的空间距离;DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的高度差值。
三、标靶中心点提取:
该提取方法包括点云数据处理、矢量数据准备及数据匹配三个过程;具体说明如下:
矢量数据准备包括以下步骤:
A1、基于标靶的设计尺寸,在计算机中加载与标靶测量区域尺寸相一致的矢量线框数据L b ;所述标靶测量区域为标靶的条带所围合成的线框以内的标靶主体区域,区域边长Lwl-Wbw。矢量线框数据可通过Arcgis/CAD/Microstation等软件制作。
A2、将矢量线框数据L b 将转换成单条边U等分的点数据,四边合计生成4U+1个点数据,点间的间距为(L wl -W bw )/U,构建矢量线框数据点集B lb ,其中,L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度。
其中,U根据激光设备线阵扫描频率HL计算得到:
点云数据处理包括以下步骤:
B1、提取当前识别标靶的主体点云数据集B w-final ,基于车载扫描***的每条扫描线阵在B w-final 中的第一个记录点p ti-f 和最后一个记录点p ti-e ,构建该标靶的初始主体轮廓点云数据集B wl ;
具体而言,提取点云数据集Bw-final中每条扫描线阵在B w-final 中的第1个记录点p ti-f 和最后1个记录点p ti-e ,作为标靶主体区域的轮廓点云数据集B wl ,如图3示意,p t1-f 、p t1-e 分别示意为标靶主体区域激光点云中第1条扫描线对应的进入点和离开点,依次类推。
B2、在该标靶的初始主体轮廓点云数据集B wl 中,进行数据插值,构建该标靶的主体轮廓点云数据集B wl-b ;所述主体轮廓点云数据集B wl-b 的数据点个数与矢量线框数据点集B lb 中的数据点个数相一致;具体包括:
B21、计算初始主体轮廓点云数据集B wl 与矢量线框数据点集B lb 中的数据点的个数差delta_n:
delta_n=4U+1-n(B wl)
其中,n(B wl)为初始主体轮廓点云数据集B wl 中的数据点的个数;
B22、将初始主体轮廓点云数据集B wl 中的点,基于扫描时间进行排序,分别得到各扫描线阵进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E;
具体而言,将轮廓点云数据集B wl 中不同扫描线阵进行时间排序,得到扫描线数据集{ScanLt1 , ScanLt2 , ScanLt3 ,... ScanLtn},其中ScanLt1为第一条进入标靶主体区域的扫描线阵点数据集,ScanLt2表示为ScanLt1的下一条进入标靶主体区域的扫描线阵点数据集,依次类推,ScanLtn为进入标靶主体区域的最后一条扫描线阵点数据集,n为标靶主体区域共覆盖的扫描线阵数量。
依次对扫描线数据集{ScanLt1 , ScanLt2 , ScanLt3 ,... ScanLtn}中各个扫描线阵内的点数据进行时间排序,得到
集合ScanLt1 , ScanLt2 , ScanLt3 ,... ScanLtn中所有进入标靶主体区域的点数据,并按时间先后排序,构成进入标靶主体区域的点数据集F,
B23、将进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E,分别引入插值模块,由对应数据点集的相邻扫描线阵的点构成点对,并在点对之间***插值点,获得分别对应数据点集F和数据点集E的插值点集。
所述引入插值模块,由对应数据点集的相邻扫描线阵的点构成点对,具体包括:
B231、依次计算对应数据点集中,相邻扫描线阵的点所构成的点对之间的空间距离:
其中,d delta_i 为第i条扫描线阵与相邻的第i+1条扫描线阵的点所构成点对之间的的空间距离;x(p ScanL-t1 )、y(p ScanL-t1 )和z(p ScanL-t1 )为点对中扫描时间靠前的点的x轴、y轴和z轴坐标;x(p ScanL-t2 )、y(p ScanL-t2 )和z(p ScanL-t2 )为点对中扫描时间靠后的点的x轴、y轴和z轴坐标。
B232、对步骤B231中获得的相邻扫描线阵的点所构成的点对之间的空间距离,按从大到小进行排序;
若引入的为进入标靶主体区域的数据点集F,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n+ 1)/2个点对,构成待插值点对数据集C;
若引入的为离开标靶主体区域的数据点集E,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n- 1)/2个点对,构成待插值点对数据集C。
B233、基于步骤B232获得的点对,依次按下式生成插值点:
x i =x(p Cj1 )+( x(p Cj2 )- x(p Cj1 ))/2
y i =y(p Cj1 )+( y(p Cj2 )- y(p Cj1 ))/2
z i =z(p Cj1 )+( z(p Cj2 )- z(p Cj1 ))/2
其中,x i 、y i 和z i 分别为第i个插值点的x轴、y轴和z轴坐标;x(p Cj1 )、y(p Cj1 )和z(p Cj1 )分别为待插值点对数据集C中第j个点对的扫描时间靠前的点的x轴、y轴和z轴坐标;x(p Cj2 )、y(p Cj2 )和z(p Cj2 )分别为待插值点对数据集C中第j个点对的扫描时间靠后的点的x轴、y轴和z轴坐标。
B24、将步骤B23中获得的插值点集和初始主体轮廓点云数据集B wl 进行合并,得到主体轮廓点云数据集B wl-b 。
数据匹配包括以下步骤:
C1、利用SVD最小二乘法对当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 进行匹配;
具体的,基于SVD最小二乘法,计算当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 的最优估计变换矩阵:
其中,P lb_i 为矢量线框数据点集B lb 中第i个点;P wl_i 为主体轮廓点云数据集B wl-b 的第i个点,i为遍历计算顺序号;R为两组数据集间匹配的旋转矩阵,T为两组数据集间匹配的平移矩阵,N为矢量线框数据点集B lb 和主体轮廓点云数据集B wl-b 中的点数据个数。
C2、基于步骤C1中的匹配结果,对矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,计算B lb-final 的几何中心B P-center 作为标靶的中心点。
具体的,基于步骤C1中获得的旋转矩阵R和平移矩阵T,将矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,并计算B lb-final 的几何中心B P-center :
其中,x(P wl-final_i )、y(P wl-final_i )和z(P wl-final_i )分别为目标矢量线框数据点集B lb-final 中第i个点数据的x轴、y轴和z轴坐标,i为遍历计算顺序号,N为目标矢量线框数据点集B lb-final 中的数据点个数。
表1标靶中心提取精度测试
表1是在点云数据不同完整度情况下,分别采用目视法、质心法以及本发明标靶中心点提取方法三者提取标靶中心的精度测试。从表1中的数据来看:
采用标靶轮廓点质心法自动提取和人工目视法手动提取,由于点云数据的稀疏性,即使在点云数据完整的情况下,扫描获得的标靶边界点也较为稀疏,从而直接影响通过轮廓点计算质心的精度。而当标靶点云数据不完整时,也即点云数据明显缺失时,由于几何特征不足,对标靶中心的提取误差较大,严重影响测量精度。虽然目视法,能靠经验估计和判断选择最合适的点作为中心点,相较质心法的自动提取,精度有所提升,但提取效率低。因此,无论是质心法自动提取,还是目视法手动提取,均对标靶点云的完整性和点云扫描密度有明显依赖性。
相较于质心法自动提取和目视法手动提取,本专利的方法能较好规避标靶点云缺失和因为点云密度稀疏而造成实际中心点无扫描点时造成的明显误差,在精度方面均有明显提升,特别针对标靶点云缺失的情况,精度提升较为明显,具有测量级精度。作为隧道移动测量激光扫描数据整体几何纠正中的关键一步,单个标靶中心点cm级精度的提升将会明显改善长距离隧道内多个标靶布设环境下累积误差严重的问题,通过测试表明,平均每个单点标靶中心提取精度提升1cm,10个标靶构建的控制网误差总体降低>10cm,对长距离隧道,特别是山区超过3km的特长隧道高精度激光测绘数据的精度改善实现m级的精度跨越成为可能。
应当说明的是,上述实施例仅是优选实施方式,并不用以限制本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出若干修改,等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (17)
1.一种隧道车载扫描点云的标靶识别方法,其特征在于,
该识别方法所采用标靶包括主体及沿主体边缘布设的条带,其中,主体采用激光反射率高于隧道边墙激光反射率的材料,条带采用激光反射率低于隧道边墙激光反射率的材料,且所述主体为具有中心点的规则形状;
该识别方法包括以下步骤:
S1、针对当前识别标靶,基于标靶设置高度设定高度条件,对扫描点云数据进行分割,仅保留满足设定高度条件的点的点云数据,构建对应当前识别标靶的初始点云数据集Q;
S2、基于当前识别标靶沿轨迹方向的设置位置,提取该标靶对应的车载扫描***的轨迹时刻,并计算该轨迹时刻的轨迹位置所对应的横断线;
S3、在初始点云数据集Q中,基于当前识别标靶所对应的横断线,沿轨迹方向筛选符合距离条件的点的点云数据,构建对应该标靶的区域点云数据集R;所述距离条件为沿轨迹方向基于车载扫描***扫描特性、轨迹定位误差以及标靶定位误差所设定的筛选距离,以确保该R中包含对应标靶的点云数据;
S4、针对当前识别标靶所对应的区域点云数据集R,基于反射强度I p 将其所包括点云数据由大到小进行排序,并提取排序靠前的n max 个点的点云数据,构成对应该标靶的种子点云数据集B p ;
S5、针对当前识别标靶所对应的种子点云数据集B p ,遍历其所包括的各点P Bi ,分别在该B p 对应的区域点云数据集R中,提取与点P Bi 的空间距离符合设定约束条件的点的点云数据,构成对应该P Bi 的图斑点云数据集B ti ,所述约束条件为基于标靶的形状尺寸设定的形状约束条件,以确保各图斑点云数据集B ti 中的点所构成的区域形状为与标靶主体形状相适应的形状;
S6、针对各图斑点云数据集B ti ,分别对其所包括点的点云数据进行反射强度判定,提取其中反射强度高于设定阈值的点的点云数据,构成对应该B ti 的主体备选点云数据集B wi ;
S7、基于标靶的形状尺寸设定几何约束条件,针对当前识别标靶,分别将与其对应的各主体备选点云数据集B wi ,按设定几何约束条件进行筛选,合并该标靶对应各B wi 筛选出的满足几何约束条件的点的点云数据,构建当前识别标靶的主体点云数据集B w-final 。
2.如权利要求1所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,
步骤S1中,设定的高度条件为:
H min -σ≤Z point ≤H max +σ
其中,Z point 为点云数据的高度坐标,H max 为标靶设置高度公差范围的最高高度,H min 为标靶设置高度公差范围的最低高度,所述σ为基于安装误差设定的宽容距离。
3.如权利要求1所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,
步骤S2中,基于当前识别标靶沿轨迹方向的设置位置,提取该标靶对应的车载扫描***的轨迹时刻,具体包括:
若当前识别标靶为首个标靶,则沿车载扫描***的轨迹方向,基于首个标靶的设置位置,确定与其对应的车载扫描***轨迹位置的时刻为t 0;
否则,沿轨迹方向,基于标靶设置距离间隔D,根据前一标靶对应车载扫描***轨迹位置的时刻为t i,确定当前识别标靶对应车载扫描***轨迹位置的时刻t i+1:
t i+1 -t i =D/V
其中,D为前一标靶至当前识别标靶沿轨迹方向的距离,V为t i至t i+1时刻车载扫描***的平均车速。
5.如权利要求1所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,
步骤S3中,在初始点云数据集Q中,基于当前识别标靶所对应的横断线,沿轨迹方向筛选符合距离条件的点的点云数据,构建对应该标靶的区域点云数据集R,具体包括:
S31、提取当前识别标靶对应的轨迹位置及该轨迹位置对应的横断线L c ;
S32、基于隧道横向宽度设定筛选条件,遍历初始点云数据集Q,搜索满足筛选条件的点,构建当前识别标靶的备选点云数据集T;
S33、遍历当前识别标靶的备选点云数据集T中所有的点,计算各点至对应横断线L c 的空间垂距;
S34、基于该点云数据集T中的至对应横断线L c 的空间垂距最小的点P T-minVd ,从初始点云数据集Q中提取满足以下约束条件的点,构建当前识别标靶的局部区域数据集R:
x(P
T-minVd
)-d
L
<x
Q_p
< x(P
T-minVd
) +d
L
y(P
T-minVd
)-d
L
<y
Q_p
< y(P
T-minVd
) +d
L
其中,x Q_p 、y Q_p 为数据集Q中的点P的x轴和y轴坐标,x(P T-minVd )、y(P T-minVd )为点P T-minVd 的x轴和y轴坐标,d L 为基于轨迹定位误差以及标靶定位误差所设定的距离条件。
6.如权利要求5所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,
步骤S32中,基于隧道横向宽度设定的筛选条件为:
P
x_c
-n
c
×W
c
<x
p
< P
x_c
+n
c
×W
c
P
y_c
-n
c
×W
c
<y
p
< P
y_c
+n
c
×W
c
其中,x p 、y p 为初始点云数据集Q中P点的x轴和y轴坐标,P x_c 为当前识别标靶对应轨迹位置的x轴坐标,P y_c 为当前识别标靶对应轨迹位置的y轴坐标,n c 为车道数量,W c 为单条车道宽度。
9.如权利要求1所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,所述标靶主体为正方形。
11.如权利要求9所述的一种隧道车载扫描点云的标靶识别方法,其特征在于,
步骤S7中,基于标靶的形状尺寸设定几何约束条件为:
其中,max DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大高度差值;max D{p wk ,p wj }为主体备选点云数据集B wi 中所有点对间的最大空间距离;L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度,L wd 为标靶的主体的对角线长度;
主体备选点云数据集B wi 中点对间的空间距离计算公式如下:
主体备选点云数据集B wi 中点对间的高度差值计算公式如下:
其中,x(p wk )、y(p wk )和z(p wk )分别为B wi 中第k个点p wk 的x轴、y轴和z轴坐标;x(p wj )、y (p wj )和z(p wj )分别为B wi 中第j个点p wj 的x轴、y轴和z轴坐标;D{p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的空间距离;DeltaZ {p wk ,p wj }为主体备选点云数据集B wi 中第k个点p wk 和第j个点p wj 的高度差值。
12.一种隧道车载扫描点云的标靶中心点提取方法,用于对如权利要求9-11任意一项隧道车载扫描点云的标靶识别方法所识别标靶进行中心点提取,其特征在于,该提取方法包括点云数据处理、矢量数据准备及数据匹配;
其中,矢量数据准备包括以下步骤:
A1、基于标靶的设计尺寸,在计算机中加载与标靶测量区域尺寸相一致的矢量线框数据L b ;所述标靶测量区域为标靶的条带所围合成的线框以内的标靶主体区域;
A2、将矢量线框数据L b 将转换成单条边U等分的点数据,四边合计生成4U+1个点数据,点间的间距为(L wl -W bw )/U,构建矢量线框数据点集B lb ,其中,L wl 为标靶的主体的边长,W bw 为标靶的条带的宽度;
点云数据处理包括以下步骤:
B1、提取当前识别标靶的主体点云数据集B w-final ,基于车载扫描***的每条扫描线阵在B w-final 中的第一个记录点p ti-f 和最后一个记录点p ti-e ,构建该标靶的初始主体轮廓点云数据集B wl ;
B2、在该标靶的初始主体轮廓点云数据集B wl 中,进行数据插值,构建该标靶的主体轮廓点云数据集B wl-b ;所述主体轮廓点云数据集B wl-b 的数据点个数与矢量线框数据点集B lb 中的数据点个数相一致;
数据匹配包括以下步骤:
C1、利用SVD最小二乘法对当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 进行匹配;
C2、基于步骤C1中的匹配结果,对矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,计算B lb-final 的几何中心B P-center 作为标靶的中心点。
14.如权利要求12所述的一种隧道车载扫描点云的标靶中心点提取方法,其特征在于,
步骤B2,在该标靶的初始主体轮廓点云数据集B wl 中,进行数据插值,构建该标靶的主体轮廓点云数据集B wl-b ,具体包括:
B21、计算初始主体轮廓点云数据集B wl 与矢量线框数据点集B lb 中的数据点的个数差delta_n:
delta_n=4U+1-n(B wl)
其中,n(B wl)为初始主体轮廓点云数据集B wl 中的数据点的个数;
B22、将初始主体轮廓点云数据集B wl 中的点,基于扫描时间进行排序,分别得到各扫描线阵进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E;
B23、将进入标靶主体区域的数据点集F和离开标靶主体区域的数据点集E,分别引入插值模块,由对应数据点集的相邻扫描线阵的点构成点对,并在点对之间***插值点,获得分别对应数据点集F和数据点集E的插值点集;
B24、将步骤B23中获得的插值点集和初始主体轮廓点云数据集B wl 进行合并,得到主体轮廓点云数据集B wl-b 。
15.如权利要求14所述的一种隧道车载扫描点云的标靶中心点提取方法,其特征在于,
步骤B23,所述插值模块,包括如下步骤:
B231、依次计算对应数据点集中,相邻扫描线阵的点所构成的点对之间的空间距离:
其中,d delta_i 为第i条扫描线阵与相邻的第i+1条扫描线阵的点所构成点对之间的的空间距离;x(p ScanL-t1 )、y(p ScanL-t1 )和z(p ScanL-t1 )为点对中扫描时间靠前的点的x轴、y轴和z轴坐标;x(p ScanL-t2 )、y(p ScanL-t2 )和z(p ScanL-t2 )为点对中扫描时间靠后的点的x轴、y轴和z轴坐标;
B232、对步骤B231中获得的相邻扫描线阵的点所构成的点对之间的空间距离,按从大到小进行排序;
若引入的为进入标靶主体区域的数据点集F,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n+1)/2个点对,构成待插值点对数据集C;
若引入的为离开标靶主体区域的数据点集E,则,判断delta_n的奇偶,若为偶数,取其中空间距离最大的前delta_n/2个点对;若为奇数,则取空间距离最大的前(delta_n-1)/2个点对,构成待插值点对数据集C;
B233、基于步骤B232获得的点对,依次按下式生成插值点:
x i =x(p Cj1 )+( x(p Cj2 )- x(p Cj1 ))/2
y i =y(p Cj1 )+( y(p Cj2 )- y(p Cj1 ))/2
z i =z(p Cj1 )+( z(p Cj2 )- z(p Cj1 ))/2
其中,x i 、y i 和z i 分别为第i个插值点的x轴、y轴和z轴坐标;x(p Cj1 )、y(p Cj1 )和z(p Cj1 )分别为待插值点对数据集C中第j个点对的扫描时间靠前的点的x轴、y轴和z轴坐标;x(p Cj2 )、y(p Cj2 )和z(p Cj2 )分别为待插值点对数据集C中第j个点对的扫描时间靠后的点的x轴、y轴和z轴坐标。
16.如权利要求12所述的一种隧道车载扫描点云的标靶中心点提取方法,其特征在于,
步骤C1,利用SVD最小二乘法对当前识别标靶的矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 进行匹配,具体包括:
基于SVD最小二乘法,计算矢量线框数据点集B lb 与主体轮廓点云数据集B wl-b 的最优估计变换矩阵:
其中,P lb_i 为矢量线框数据点集B lb 中第i个点;P wl_i 为主体轮廓点云数据集B wl-b 的第i个点,i为遍历计算顺序号;R为两组数据集间匹配的旋转矩阵,T为两组数据集间匹配的平移矩阵,N为矢量线框数据点集B lb 和主体轮廓点云数据集B wl-b 中的点数据个数。
17.如权利要求16所述的一种隧道车载扫描点云的标靶中心点提取方法,其特征在于,
步骤C2中,基于步骤C1中的匹配结果,对矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,计算B lb-final 的几何中心B P-center 作为标靶的中心点,具体包括:
基于步骤C1中获得的旋转矩阵R和平移矩阵T,将矢量线框数据点集B lb 进行旋转和平移处理,得到旋转平移后的目标矢量线框数据点集B lb-final ,并计算B lb-final 的几何中心B P-center :
其中,x(P wl-final_i )、y(P wl-final_i )和z(P wl-final_i )分别为目标矢量线框数据点集B lb-final 中第i个点数据的x轴、y轴和z轴坐标,i为遍历计算顺序号,N为目标矢量线框数据点集B lb-final 中的数据点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443723.3A CN114549879B (zh) | 2022-04-25 | 2022-04-25 | 一种隧道车载扫描点云的标靶识别及中心点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210443723.3A CN114549879B (zh) | 2022-04-25 | 2022-04-25 | 一种隧道车载扫描点云的标靶识别及中心点提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549879A CN114549879A (zh) | 2022-05-27 |
CN114549879B true CN114549879B (zh) | 2022-07-08 |
Family
ID=81667635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210443723.3A Active CN114549879B (zh) | 2022-04-25 | 2022-04-25 | 一种隧道车载扫描点云的标靶识别及中心点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549879B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115068109B (zh) * | 2022-06-13 | 2023-07-28 | 元化智能科技(深圳)有限公司 | 面向医疗手术导航的红外标靶识别方法和装置 |
CN114782925B (zh) * | 2022-06-17 | 2022-09-02 | 四川省公路规划勘察设计研究院有限公司 | 一种基于车载lidar数据的高速公路护栏矢量化方法及设备 |
CN115343299B (zh) * | 2022-10-18 | 2023-03-21 | 山东大学 | 一种轻量化公路隧道集成检测***及方法 |
CN116415507B (zh) * | 2023-05-31 | 2023-08-08 | 四川省公路规划勘察设计研究院有限公司 | 一种基于大数据和云计算的大件运输桥梁智能评估*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387494A (zh) * | 2008-10-06 | 2009-03-18 | 天津大学 | 大型隧道管片构件几何量测量装置和方法 |
WO2012034236A1 (en) * | 2010-09-16 | 2012-03-22 | Ambercore Software Inc. | System and method for detailed automated feature extraction from data having spatial coordinates |
JP2014190962A (ja) * | 2013-03-28 | 2014-10-06 | Pasco Corp | データ解析装置、データ解析方法、及びプログラム |
CN106066154A (zh) * | 2016-05-25 | 2016-11-02 | 厦门大学 | 一种适用于快速扫描场景的靶标及其控制点的提取方法 |
KR101798041B1 (ko) * | 2016-06-29 | 2017-11-17 | 성균관대학교산학협력단 | 3차원 물체 인식 및 자세 추정 장치 및 그 방법 |
CN108362308A (zh) * | 2018-01-19 | 2018-08-03 | 同济大学 | 一种利用隧道环缝的移动激光测量***里程校正方法 |
CN111024037A (zh) * | 2019-09-25 | 2020-04-17 | 北京工业大学 | 基于三维激光扫描技术的圆形盾构隧道断面拟合方法 |
CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
CN112633092A (zh) * | 2020-12-09 | 2021-04-09 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
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 |
CN113345005A (zh) * | 2021-06-17 | 2021-09-03 | 南京工业大学 | 一种适用于靶球中心解算的有限随机搜索方法 |
CN114092545A (zh) * | 2021-11-08 | 2022-02-25 | 南京工业大学 | 一种适用于球形靶标拟合的自适应栅格搜索方法 |
CN114119998A (zh) * | 2021-12-01 | 2022-03-01 | 成都理工大学 | 一种车载点云地面点提取方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10816347B2 (en) * | 2017-12-12 | 2020-10-27 | Maser Consulting, Inc. | Tunnel mapping system and methods |
US20210311504A1 (en) * | 2020-04-01 | 2021-10-07 | Nec Laboratories America, Inc. | Near real-time reconstruction using drones |
-
2022
- 2022-04-25 CN CN202210443723.3A patent/CN114549879B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101387494A (zh) * | 2008-10-06 | 2009-03-18 | 天津大学 | 大型隧道管片构件几何量测量装置和方法 |
WO2012034236A1 (en) * | 2010-09-16 | 2012-03-22 | Ambercore Software Inc. | System and method for detailed automated feature extraction from data having spatial coordinates |
JP2014190962A (ja) * | 2013-03-28 | 2014-10-06 | Pasco Corp | データ解析装置、データ解析方法、及びプログラム |
CN106066154A (zh) * | 2016-05-25 | 2016-11-02 | 厦门大学 | 一种适用于快速扫描场景的靶标及其控制点的提取方法 |
KR101798041B1 (ko) * | 2016-06-29 | 2017-11-17 | 성균관대학교산학협력단 | 3차원 물체 인식 및 자세 추정 장치 및 그 방법 |
CN108362308A (zh) * | 2018-01-19 | 2018-08-03 | 同济大学 | 一种利用隧道环缝的移动激光测量***里程校正方法 |
CN111024037A (zh) * | 2019-09-25 | 2020-04-17 | 北京工业大学 | 基于三维激光扫描技术的圆形盾构隧道断面拟合方法 |
CN112102458A (zh) * | 2020-08-31 | 2020-12-18 | 湖南盛鼎科技发展有限责任公司 | 基于激光雷达点云数据辅助的单镜头三维图像重构方法 |
CN112633092A (zh) * | 2020-12-09 | 2021-04-09 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
CN113345005A (zh) * | 2021-06-17 | 2021-09-03 | 南京工业大学 | 一种适用于靶球中心解算的有限随机搜索方法 |
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 |
CN114092545A (zh) * | 2021-11-08 | 2022-02-25 | 南京工业大学 | 一种适用于球形靶标拟合的自适应栅格搜索方法 |
CN114119998A (zh) * | 2021-12-01 | 2022-03-01 | 成都理工大学 | 一种车载点云地面点提取方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
Target Recognition of Live Working Robots for Distribution Networks using LIDAR Point Cloud;Shunan Ren等;《2021 China Automation Congress (CAC)》;20220314;第6595-6600页 * |
地面激光扫描仪球形标靶识别精度研究;赵春晨等;《工程勘察》;20211231(第9期);第55-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114549879A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549879B (zh) | 一种隧道车载扫描点云的标靶识别及中心点提取方法 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** | |
CN102521884B (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN106401643A (zh) | 基于激光点云的隧道超欠挖检测方法 | |
CN111444872B (zh) | 一种丹霞地貌参数测量方法 | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
JP5430627B2 (ja) | 道路付属物検出装置、道路付属物検出方法、及びプログラム | |
CN102074047A (zh) | 一种高精细城市三维建模方法 | |
CN105069843A (zh) | 一种面向城市三维建模的密集点云的快速提取方法 | |
CN107657636B (zh) | 一种基于车载激光雷达数据自动提取道路地形图高程点的方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN110047036B (zh) | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 | |
JP2013053915A (ja) | データ解析装置、データ解析方法、及びプログラム | |
CN111426303A (zh) | 一种岩溶坡立谷参数测量方法 | |
CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
Pfeifer et al. | Automatic tie elements detection for laser scanner strip adjustment | |
CN110986877B (zh) | 基于高精度车载激光移动测量***铁路工程限界检测方法 | |
JP4619504B2 (ja) | 3次元デジタル地図作成装置 | |
Rau et al. | Automatic roof model reconstruction from ALS data and 2D ground plans based on side projection and the TMR algorithm | |
CN114897777A (zh) | 顾及空间关系的接触网支撑设施激光点云全自动提取方法 | |
CN112002012B (zh) | 城市区域的可视性分析方法 | |
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 | |
CN104614729A (zh) | 一种激光雷达航带高程匹配质量分析方法 | |
CN114998397B (zh) | 一种多视角卫星影像立体像对优化选择方法 | |
CN116299313A (zh) | 一种基于激光雷达的智能车辆可通行区域检测方法 |
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 |