CN115980785A - 一种用于直升机辅助导航的点云数据处理方法 - Google Patents
一种用于直升机辅助导航的点云数据处理方法 Download PDFInfo
- Publication number
- CN115980785A CN115980785A CN202211419802.7A CN202211419802A CN115980785A CN 115980785 A CN115980785 A CN 115980785A CN 202211419802 A CN202211419802 A CN 202211419802A CN 115980785 A CN115980785 A CN 115980785A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- terrain
- grid
- cloud data
- point
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种用于直升机辅助导航的点云数据处理方法。通过基于布料模拟滤波的点云地形自适应分割、结合SVM和Hough变换的地物点云识别等步骤,对激光雷达点云数据实时、自适应处理,使最终的点云数据被分类为地形点云、高压线点云、高压线塔点云和其他障碍物点云,为三维增强现实符号生成提供可靠数据源。本发明结合三维符号显示可以帮助飞行员在低空飞行和进近着陆阶段获得三维可视化态势感知能力。
Description
技术领域
本发明属飞行器辅助导航领域,具体涉及一种用于直升机辅助导航的点云数据处理方法。
背景技术
直升机由于其优良的低空飞行特性及起降方便优势,而被广泛应用于侦察测绘、物资运输、抗灾救援等军、民用领域。然而,在山地、高原、沙漠、森林等复杂地形条件下,或遇到黑夜、雨雪、大雾等不良目视环境时,直升机的起飞、飞行、着陆环境充满未知性,驾驶员的视觉能力受到严重限制,极易导致事故发生。
激光雷达(Lidar)作为主动式3D传感器,能将直升机对外部环境的探测感知由二维信息提升至三维信息,能够在部分不良目视环境下保证载机的探测感知能力,同时具有对视场范围内高压线等细小障碍物三维探测的能力,是提高不良目视环境下直升机生存能力的关键传感器之一。
在低空飞行和进近着陆阶段,机载激光雷达探测到的原始点云数据十分复杂,直接显示会造成视觉混乱,难以感知障碍物,必须对点云数据进行处理识别。处理后的点云数据具有三维感知的优势,可以在头盔显示器上生成基于增强现实的三维显示符号,能够在提供的空间感知能力的同时辅助飞行员感知态势信息,从而大幅提升直升机的飞行安全能力。
然而,目前已有的机载点云数据处理方法主要集中在测绘领域,其通常是在机载平台下探测、存储点云数据后,机下针对不同场景特点采用不同方法生成高精度数字地图,但在直升机辅助导航应用中,激光雷达的探测和处理在载机上同时进行,有实时性和地形自适应性要求,传统的点云数据处理方法无法适用。
发明内容
为了克服现有技术的不足,本发明提供一种用于直升机辅助导航的点云数据处理方法。通过基于布料模拟滤波的点云地形自适应分割、结合SVM和Hough变换的地物点云识别等步骤,对激光雷达点云数据实时、自适应处理,使最终的点云数据被分类为地形点云、高压线点云、高压线塔点云和其他障碍物点云,为三维增强现实符号生成提供可靠数据源。本发明结合三维符号显示可以帮助飞行员在低空飞行和进近着陆阶段获得三维可视化态势感知能力。
一种用于直升机辅助导航的点云数据处理方法,其特征在于步骤如下:
步骤1:利用激光雷达获取点云数据信息,包含点云数据的三维坐标及强度信息;
步骤2:采用K最邻近异常点滤除算法,通过计算点到其K近邻点的高程距离平均值,对获取到的点云数据进行异常点滤除;
步骤3:将滤除后的点云投影到平面上并采用指定大小的格网进行覆盖,对每个格网进行编号,取每个格网的最低点和次低点作为地形种子点;
步骤4:利用各格网及其3X3邻域内的地形种子点进行二次曲面拟合,得到各格网的粗略地形曲面方程式;
步骤5:计算每个格网中高程最大值与高程最小值之差A,和该格网点云高程值与其对应的粗略地形拟合高程值的最大差值B,如果A/B的值大于65%,标记该格网地形类型为平坦,如果A/B的值在30%~65%之间,标记该格网地形类型为有起伏,如果A/B的值小于30%,标记该格网地形类型为陡峭;
步骤6:将各个格网计算的地形类型作为布料模拟滤波算法的地形参数,以各格网点云与其对应的粗略地形高程差作为布料初始状态,采用布料模拟滤波算法进行地形和地物点云分割,其中,将最终迭代得到的布料邻近点作为地形点云,布料远离点作为地物点云;
步骤7:使用基于密度的OPTICS聚类方法对分割后的地物点云进行聚类处理,将地物点云进一步划分为障碍物点云和包含高压线的离散噪声点云;
步骤8:将障碍物点云的形态、高度、离散度、面积、高程差特征输入SVM分类器,将障碍物点云进一步划分为高压线、高压线塔和其它障碍物点云;其中,SVM分类器事先由数据集进行训练得到;
步骤9:将步骤7中包含高压线的离散噪声点云和步骤8中识别出的高压线点云混合,采用Hough变换对混合后的点云进行直线检测,得到高压线位置,并按照高压线与高压线塔相邻且相连的原则,结合步骤8得到的高压线塔位置,确定得到最终的高压线点云;
步骤10:对地形点云、高压线点云、高压线塔点云和其它障碍物点云分别进行三维符号化显示。
进一步地,将三维符号化显示结果与采集的可见光或红外图像叠加,得到纹理信息和点云信息互补的态势图像。
本发明的有益效果是:
(1)由于在地形点云分割过程中增加了地形判断处理过程,能够对不同地形实现参数的自适应调整,获得了复杂连续地形下准确的地物点云和地形点云;
(2)由于在地形分割过程中将各格网点云与其拟合地形高程差作为布料初始状态和并行处理的方法,提高了分割过程的运算效率,提高了算法的实时性;
(3)由于在高压线检测的过程中综合考虑了密集高压线点云、离散高压线点云和高压线及高压线塔的相对位置关系,获得了更加准确的高压线识别效果;
(4)由于在点云数据处理方法中增加了障碍物三维符号化处理过程,能够将符号化信息与可见光/红外采集的图像叠加,获得更加直观、高效的感知能力。
(5)本发明采用了基于布料模拟滤波的点云地形自适应分割,并结合SVM和Hough变换等进行地物点云识别,能够获得较高的准确率和实时性,且地形自适应性强;同时依据处理后的三维数据源,可实时生成三维增强现实符号与可见光/红外采集的图像叠加,提供直观高效的感知能力,具有很高的实用价值。
附图说明
图1是本发明的一种用于直升机辅助导航的点云数据处理方法流程图;
图2是本发明部分步骤点云数据处理效果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
如图1和图2所示,本发明提供了一种用于直升机辅助导航的点云数据处理方法,其具体实现过程如下:
步骤1:点云数据获取。利用激光雷达获取点云数据信息,包含点云数据的三维坐标及强度信息。
步骤2:异常点滤除。激光束打到飞鸟、玻璃表面等会产生高异常点和由多路径效应等其它因素产生低异常点,这些异常点会影响后续的点云处理,因此,首先采用K最邻近异常点滤除算法,通过计算点到其K近邻点的高程距离平均值,对获取到的点云数据进行异常点滤除;
步骤3:格网划分。为后续地形自适应识别,将点云投影到平面上按照指定的格网大小覆盖,对每个格网进行编号,并取每个格网的最低点和次低点为地形种子点。其中,为了与机载数字高程地图(DEM)分辨率相适应,格网大小可设定为25-50m之间,本实施例中采用大小为50*50的格网。
步骤4:粗地形拟合。假设地形表面是一个复杂的空间曲面,曲面的局部(即划分的格网)可以用二次曲面来逼近,利用各格网及其3X3邻域的地形种子点进行地形曲面拟合,得到每个格网的粗略地形曲面方程式。
步骤5:地形识别。得到格网的粗地形后,通过格网中高程最大值与高程最小值之差和点云与其拟合地形的高程差的最大值之比来识别地形,具体为如果比值大于65%,标记该格网地形类型为平坦,如果比值在30%~65%之间,标记该格网地形类型为有起伏,如果比值小于30%,标记该格网地形类型为陡峭。
步骤6:地形点云自适应分割。经过前面步骤处理后,每个格网的地形已自适应确定,以各个格网的地形类型作为布料模拟滤波算法的自适应地形参数输入,并采用点云与粗地形高程差构造“布料”的初始状态,以减少迭代次数,进行布料模拟滤波算法处理,将最终处理得到的布料邻近点分割为地形点云,布料远离点分割为地物点云。布料模拟滤波算法的具体过程记载在文献“Zhang W,Qi J,Wan P,et al.An easy-to-use airborne LiDARdata filtering method based on cloth simulation[J].Remote Sensing,2016,8(6):501.”中,该方法思想是模拟一个虚拟布料,使布料受重力作用在反转后的地形表面上下落,来分割地形点云和地物点云,其中仅地形参数需要人工调整。
步骤7:地物点云分割。由于机载激光雷达探测的点云数据中,同一障碍物的点云间距小会聚集在一起,而不同障碍物空间会被隔开,根据这一特性,通过基于密度的OPTICS方法对地物点云聚类分割,将地物点云进一步划分为:障碍物点云和包含高压线的离散噪声点云。
步骤8:地物点云识别。在完成地物点云障碍物分割后,计算障碍物点云的形态、高度、离散度、面积、高程差等特征输入SVM分类器(由数据集训练得到)进行识别,将障碍物点云进一步划分为高压线、高压线塔和其它障碍物点云;
步骤9:高压线点云检测。将步骤7中包含高压线的离散噪声点云和步骤8中识别出的高压线点云混合,对混合后的点云采用Hough变换进行直线检测,得到高压线位置,并与步骤8中的高压线塔位置进行相邻确认,获得高压线的准确位置信息;
步骤10:三维符号化显示。对步骤6得到的地形点云,步骤8得到的高压线塔点云和其它障碍物点云,步骤9得到的高压线点云进行三维符号化显示,其中,地形点云为三维网格化符号、高压线塔点云为线性化符号、其他障碍物点云和高压线塔点云为矩形框符号。
将三维符号化显示结果与采集的可见光/红外图像叠加,则可以得到纹理信息和点云信息互补的态势图像。
Claims (2)
1.一种用于直升机辅助导航的点云数据处理方法,其特征在于步骤如下:
步骤1:利用激光雷达获取点云数据信息,包含点云数据的三维坐标及强度信息;
步骤2:采用K最邻近异常点滤除算法,通过计算点到其K近邻点的高程距离平均值,对获取到的点云数据进行异常点滤除;
步骤3:将滤除后的点云投影到平面上并采用指定大小的格网进行覆盖,对每个格网进行编号,取每个格网的最低点和次低点作为地形种子点;
步骤4:利用各格网及其3X3邻域内的地形种子点进行二次曲面拟合,得到各格网的粗略地形曲面方程式;
步骤5:计算每个格网中高程最大值与高程最小值之差A,和该格网点云高程值与其对应的粗略地形拟合高程值的最大差值B,如果A/B的值大于65%,标记该格网地形类型为平坦,如果A/B的值在30%~65%之间,标记该格网地形类型为有起伏,如果A/B的值小于30%,标记该格网地形类型为陡峭;
步骤6:将各个格网计算的地形类型作为布料模拟滤波算法的地形参数,以各格网点云与其对应的粗略地形高程差作为布料初始状态,采用布料模拟滤波算法进行地形和地物点云分割,其中,将最终迭代得到的布料邻近点作为地形点云,布料远离点作为地物点云;
步骤7:使用基于密度的OPTICS聚类方法对分割后的地物点云进行聚类处理,将地物点云进一步划分为障碍物点云和包含高压线的离散噪声点云;
步骤8:将障碍物点云的形态、高度、离散度、面积、高程差特征输入SVM分类器,将障碍物点云进一步划分为高压线、高压线塔和其它障碍物点云;其中,SVM分类器事先由数据集进行训练得到;
步骤9:将步骤7中包含高压线的离散噪声点云和步骤8中识别出的高压线点云混合,采用Hough变换对混合后的点云进行直线检测,得到高压线位置,并按照高压线与高压线塔相邻且相连的原则,结合步骤8得到的高压线塔位置,确定得到最终的高压线点云;
步骤10:对地形点云、高压线点云、高压线塔点云和其它障碍物点云分别进行三维符号化显示。
2.如权利要求1所述的一种用于直升机辅助导航的点云数据处理方法,其特征在于:将三维符号化显示结果与采集的可见光或红外图像叠加,得到纹理信息和点云信息互补的态势图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419802.7A CN115980785A (zh) | 2022-11-14 | 2022-11-14 | 一种用于直升机辅助导航的点云数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419802.7A CN115980785A (zh) | 2022-11-14 | 2022-11-14 | 一种用于直升机辅助导航的点云数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115980785A true CN115980785A (zh) | 2023-04-18 |
Family
ID=85963633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419802.7A Pending CN115980785A (zh) | 2022-11-14 | 2022-11-14 | 一种用于直升机辅助导航的点云数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980785A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482711A (zh) * | 2023-06-21 | 2023-07-25 | 之江实验室 | 一种用于着陆区自主选择的局部静态环境感知方法及装置 |
CN116664790A (zh) * | 2023-07-26 | 2023-08-29 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析***及方法 |
-
2022
- 2022-11-14 CN CN202211419802.7A patent/CN115980785A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116482711A (zh) * | 2023-06-21 | 2023-07-25 | 之江实验室 | 一种用于着陆区自主选择的局部静态环境感知方法及装置 |
CN116664790A (zh) * | 2023-07-26 | 2023-08-29 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析***及方法 |
CN116664790B (zh) * | 2023-07-26 | 2023-11-17 | 昆明人为峰科技有限公司 | 基于无人机测绘的三维地形分析***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484668B (zh) | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 | |
CN115980785A (zh) | 一种用于直升机辅助导航的点云数据处理方法 | |
Zhou et al. | Seamless fusion of LiDAR and aerial imagery for building extraction | |
CA2573320C (en) | Geospatial image change detecting system and associated methods | |
EP2096602B1 (en) | Methods and apparatus for runway segmentation using sensor analysis | |
JP2020057407A (ja) | 移動体用の改良型環境表示を生成するためのシステムおよび方法 | |
CN109341700B (zh) | 一种低能见度下固定翼飞机视觉辅助着陆导航方法 | |
CA2573291C (en) | Environmental condition detecting system using geospatial images and associated methods | |
US9165383B1 (en) | Point cloud visualization using bi-modal color schemes based on 4D lidar datasets | |
CN104091369A (zh) | 一种无人机遥感影像建筑物三维损毁检测方法 | |
Nagarani et al. | Unmanned Aerial vehicle’s runway landing system with efficient target detection by using morphological fusion for military surveillance system | |
KR100948099B1 (ko) | 항공 레이저 측량을 이용한 식생의 면적 산출 시스템 및 방법 | |
CN111638185A (zh) | 基于无人机平台的遥感探测方法 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN109961043B (zh) | 一种基于无人机高分辨率影像的单木高度测量方法及*** | |
Sereewattana et al. | Depth estimation of markers for UAV automatic landing control using stereo vision with a single camera | |
Kai et al. | Research on augmented reality technology of helicopter aided navigation based on lidar | |
Vygolov | Enhanced and synthetic vision systems development based on integrated modular avionics for civil aviation | |
CN112560922A (zh) | 一种基于视觉的雾天飞机自主着陆方法及*** | |
CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
Dudek et al. | Cloud Detection System for UAV Sense and Avoid: Cloud Distance Estimation using Triangulation | |
Pfeiffer et al. | Ground truth evaluation of the Stixel representation using laser scanners | |
Eaton et al. | Image segmentation for automated taxiing of unmanned aircraft | |
KR102441103B1 (ko) | 객체 식별 무인 항공기 및 무인 항공기의 객체 식별 방법 | |
Funk et al. | A passive cloud detection system for UAV: Weather situation mapping with imaging sensors |
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 |