CN116538996B - 基于激光雷达的地形测绘***及方法 - Google Patents
基于激光雷达的地形测绘***及方法 Download PDFInfo
- Publication number
- CN116538996B CN116538996B CN202310811599.6A CN202310811599A CN116538996B CN 116538996 B CN116538996 B CN 116538996B CN 202310811599 A CN202310811599 A CN 202310811599A CN 116538996 B CN116538996 B CN 116538996B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- terrain
- point
- topographic
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012876 topography Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及激光雷达技术领域,尤其为基于激光雷达的地形测绘***及方法,包括:数据采集模块:用于通过激光雷达采集地形三维数据;数据处理模块:用于对采集的地形点云数据进行降噪处理;数据匹配模块:用于对降噪处理后的地形点云数据进行特征提取和地形相似度计算;地形测绘模块:用于根据地形相似度计算结果选取相似度最高的结果进行地形测绘。本发明基于激光雷达采集获取地形点云数据,通过引导滤波对地形点云数据进行降噪处理,不仅能去除小尺度噪声,而且能保持地形点云边缘;并利用激光雷达结合采集的地形点云数据进行数据实时更新匹配,其计算更新的速度快、精度高,能够获得最佳的地形测绘图像。
Description
技术领域
本发明涉及激光雷达技术领域,尤其是基于激光雷达的地形测绘***及方法。
背景技术
地形测绘图内包含地面水平情况、地质构成、水文信息等。现今在测量地形时,通常会用到大型水平设备、勘探设备等多个设备,测量装备组成相对复杂,且不同设备间信息格式不同造成信息格式转换过程中数据丢失,导致地形测绘图不够详尽。故现有技术采用激光雷达技术进行地形的测绘。但现有技术基于获取地区的点云数据进行地形测绘,但由于一些人为或环境因素,以及激光雷达扫描装置本身的缺陷,通常会导致获取的点云数据带有一定的噪声,而这些噪声数据会给后续建模和测量中的相关处理带来严重的问题。
故本发明提出基于激光雷达的地形测绘***及方法,基于激光雷达采集获取地形点云数据,通过引导滤波对地形点云数据进行降噪处理,不仅能去除小尺度噪声,而且能保持地形点云边缘。并利用激光雷达结合采集的地形点云数据进行数据实时更新匹配,获得最佳的地形测绘图像。
发明内容
本发明的目的是通过提出基于激光雷达的地形测绘***及方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供基于激光雷达的地形测绘***,包括:
数据采集模块:用于通过激光雷达采集地形三维数据;
数据处理模块:用于对采集的地形点云数据进行降噪处理;
数据匹配模块:用于对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
地形测绘模块:用于根据地形相似度计算结果选取相似度最高的结果进行地形测绘。
作为本发明的一种优选技术方案:所述数据采集模块基于三维激光扫描获取地形点云数据与地物信息数据。
作为本发明的一种优选技术方案:所述数据处理模块基于数据滤波算法对采集的地形点云数据进行降噪处理。
作为本发明的一种优选技术方案:所述数据滤波算法中,建立获取的地形点云数据的K-D树的数据结构。
作为本发明的一种优选技术方案:所述数据滤波算法具体如下:
基于建立的K-D树结构选取测试点,基于测试点/>在半径r内的临近点进行搜索:
计算的质心/>:
其中,表示在半径r内点/>的临近点;
假设地形点云数据的局部线性模型为:
其中,、/>分别为线性模型的系数,/>为点/>的第/>个临近点,/>为过滤点;
对点在KNN邻域的极小值进行求解:
其中,为平滑参数;
对取极小值时,对/>和/>的偏导为零;得到:
得到点的临近点的滤波点云/>:
遍历所有地形点云数据,得到滤波后的地形点云数据并保存。
作为本发明的一种优选技术方案:所述数据匹配模块中,选取三维坐标点及半径r,遍历滤波点云数据,对于每个滤波点云/>,判断其与点/>的距离是否在半径r内,如果点/>与点/>的距离在半径r内,将点/>加入邻域点集,计算邻域点集中点的坐标的平均值,得到邻域内点的均值/>,基于过滤后生成的地形点云数据,获取三维坐标点/>选择与其距离在半径r内的点构成其邻域点集,计算三维坐标点/>与其邻域点集的构成的协方差张量/>:
其中,表示邻域内三维点的数量,/>表示邻域内的点坐标,/>表示邻域内所有坐标的均值,/>表示数据的转置。
作为本发明的一种优选技术方案:块中,基于协方差张量进行几何特征值提取,并进行特征值提取获得表达因子和/>,具体如下:计算协方差张量/>:对于每个点/>,计算其邻域内点的协方差张量/>;选择阈值/>调整特征值/>,并将特征值从小到大排序;对于每个特征值/>,计算对应的权重/>:
其中,为数学常量;
使用特征值和权重来计算表达因子和/>,具体如下:
其中,和/>分别是第2个和第3个特征值的权重,/>和/>分别是对应的特征向量,,/>和/>分别表示第1、2和3个特征值。
作为本发明的一种优选技术方案:所述数据匹配模块的地形相似度计算中,基于局部几何特征提取获取的地形点云数据的表达因子和/>,令/>和/>分别表示地形三维点云图像,其中,/>为采集的地形三维点云图像,/>为数据库中存储的地形三维点云图像;则/>和两个图像分别对于/>和/>的表达因子/>、/>、/>、/>表达如下:
其中,表示采集的地形三维点云图像对于/>的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子,/>表示采集的地形三维点云图像对于的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子;
表达因子与图像/>不相似程度/>如下:
其中,和/>表示欧式距离,/>和/>分别表示/>和/>两个图像的空间相似度,且/>,/>表示图像/>的表达因子归一化参数,对表达的因子进行归一化处理后,地形相似度/>表达如下:
计算地形面积相似度时,以面积重叠率作为衡量其相似度指标,令表示面积相似度;
其中,表示面积重叠率,/>、/>分别表示图像重叠位置面积和图像的总面积,设定约束条件如下:
其中,表示图像重叠位置面积和图像的总面积计算过程中的预设误差;
图像面积相似度如下:
令图像和/>的方向角分别为/>、/>,/>表示/>和/>两个图像的方向相似度:
其中,为数学常量。
作为本发明的一种优选技术方案:所述地形测绘模块基于所述数据匹配模块计算的地形相似度、面积相似度和方向相似度分别进行排序,选取相似度最大的结果作为地形测绘匹配结果。
提供基于激光雷达的地形测绘方法,包括如下步骤:
S1:通过激光雷达采集地形三维数据;
S2:对采集的地形点云数据进行降噪处理;
S3:对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
S4:根据地形相似度计算结果选取相似度最高的结果进行地形测绘。
本发明提供的基于激光雷达的地形测绘***及方法,与现有技术相比,其有益效果有:
本发明基于激光雷达采集获取地形点云数据,通过引导滤波对地形点云数据进行滤波处理,不仅能去除小尺度噪声,而且能保持地形点云边缘。并利用激光雷达结合采集的地形点云数据进行数据实时更新匹配,其计算更新的速度快、精度高,能够获得最佳的地形测绘图像。
附图说明
图1为本发明优选实施例的***框图;
图2为本发明优选实施例中方法流程图。
图中各个标记的意义为:100、数据采集模块;200、数据处理模块;300、数据匹配模块;400、地形测绘模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了基于激光雷达的地形测绘***,包括:
数据采集模块100:用于通过激光雷达采集地形三维数据;
数据处理模块200:用于对采集的地形点云数据进行降噪处理;
数据匹配模块300:用于对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
地形测绘模块400:用于根据地形相似度计算结果选取相似度最高的结果进行地形测绘。
数据采集模块100基于三维激光扫描获取地形点云数据与地物信息数据。
数据处理模块200基于数据滤波算法对采集的地形点云数据进行降噪处理。
数据滤波算法中,建立获取的地形点云数据的K-D树的数据结构。
数据滤波算法具体如下:
基于建立的K-D树结构选取测试点,基于测试点/>在半径r内的临近点进行搜索:
计算的质心/>:
其中,表示在半径r内点/>的临近点;
假设地形点云数据的局部线性模型为:
其中,、/>分别为线性模型的系数,/>为点/>的第/>个临近点,/>为过滤点;
对点在KNN邻域的极小值进行求解:
其中,为平滑参数,平滑参数的值通常小于1;
对取极小值时,对/>和/>的偏导为零;得到:
得到点的临近点的滤波点云/>:
遍历所有地形点云数据,得到滤波后的地形点云数据并保存。
数据匹配模块300中,选取三维坐标点和半径r,遍历滤波点云数据,对于每个滤波点云/>,判断其与点/>的距离是否在半径r内。如果点/>与点/>的距离在半径r内,将点/>加入邻域点集。计算邻域点集中点的坐标的平均值,得到邻域内点的均值/>,基于过滤后生成的地形点云数据,获取三维坐标点/>选择与其距离在半径r内的点构成其邻域点集,计算三维坐标点/>与其邻域点集构成的协方差张量/>:
其中,表示邻域内三维点的数量,/>表示邻域内的点坐标,/>表示邻域内所有坐标的均值,/>表示数据的转置。
数据匹配模块300中,基于协方差张量进行几何特征值提取,并进行特征值提取获得表达因子和/>。具体地,本实施例中采用如下步骤:
1.计算协方差张量:对于每个点/>,使用之前描述的方法计算其邻域内点的协方差张量/>。
2.设置阈值:选择适当的阈值来调整特征值的影响,将特征值从小到大排序,记作/>。
3.计算权重:对于每个特征值,计算对应的权重/>:/>。
4.计算表达因子:使用特征值和权重来计算表达因子和/>。使用以下公式:
其中,和/>分别是第2个和第3个特征值的权重,/>和/>分别是对应的特征向量,,/>和/>分别表示第1、2和3个特征值。采用阈值和Sigmoid函数来计算权重,实现了自适应调整的能力。通过调整阈值,可以灵活控制特征值对表达因子的影响。这使得表达因子的计算可以根据具体数据的特点进行调整,适应不同地形的几何特征。采用Sigmoid函数作为映射函数,引入了非线性映射的特性。Sigmoid函数的非线性特点使得权重与特征值之间的关系更加灵活,可以处理不同特征值区间的变化。这样可以更好地适应地形数据的局部几何特征,提高表达因子的表征能力。通过权重的计算,可以控制特征值对表达因子的贡献程度。较大的权重意味着对应的特征值在表达因子中的影响更大,而较小的权重则降低了特征值的贡献。这种方式可以灵活地调整不同特征值对表达因子的重要性,使得表达因子更加准确地反映地形的局部几何特征。
数据匹配模块300的地形相似度计算中,基于局部几何特征提取获取的地形点云数据的表达因子和/>,令/>和/>分别表示地形三维点云图像,其中,/>为采集的地形三维点云图像,/>为数据库中存储的地形三维点云图像;则/>和/>两个图像分别对于/>和/>的表达因子/>、/>、/>、/>表达如下:
其中,表示采集的地形三维点云图像对于/>的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子,/>表示采集的地形三维点云图像对于的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子;
表达因子与图像/>不相似程度/>如下:
其中,和/>表示欧式距离,/>和/>分别表示/>和/>两个图像的空间相似度,且/>,/>表示图像/>的表达因子归一化参数,对表达的因子进行归一化处理后,地形相似度/>表达如下:
计算地形面积相似度时,以面积重叠率作为衡量其相似度指标,令表示面积相似度;
其中,表示面积重叠率,/>、/>分别表示图像重叠位置面积和图像的总面积,设定约束条件如下:
其中,表示图像重叠位置面积和图像的总面积计算过程中的预设误差;
图像面积相似度如下:
令图像和/>的方向角分别为/>、/>,/>表示/>和/>两个图像的方向相似度:
其中,为数学常量。
其中,本实施例为了保证相似度计算更符合地形相似度的需求,采用迭代的方法来搜索最佳的归一化参数:
1、首先使用当前的参数值计算相似度,得到相似度值/>,并设置一个目标相似度值,接下来判断相似度:比较当前的相似度值和目标相似度值:
如果当前相似度值接近目标相似度值,满足设定条件,停止迭代并接受当前的参数值。
如果当前相似度值小于目标相似度值,表明参数需要增加,进入下一步。
如果当前相似度值大于目标相似度值,表明参数需要减小,进入下一步。
2、根据相似度的比较结果来调整参数值。
如果当前相似度值小于目标相似度值,增加的值,/>,其中/>是增加的步长。
如果当前相似度值大于目标相似度值,减小的值,/>,其中/>是减小的步长。
3、使用更新后的参数值计算新的相似度,并继续迭代,直到满足设定的相似度条件。
其中,目标相似度值通过绘制相似度核密度估计图来分析数据的相似度分布情况,确定合理的相似度阈值作为目标相似度值。
地形测绘模块400基于数据匹配模块300计算的地形相似度、面积相似度和方向相似度分别进行排序,选取相似度最大的结果作为地形测绘匹配结果。
参照图2,提供基于激光雷达的地形测绘方法,包括如下步骤:
S1:通过激光雷达采集地形三维数据;
S2:对采集的地形点云数据进行降噪处理;
S3:对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
S4:根据地形相似度计算结果选取相似度最高的结果进行地形测绘。
本实施例中,数据采集模块100基于安装在无人机上的激光雷达采集某地区地形三维数据,包括该地区的三维点云数据和多种地物信息。数据处理模块200基于获取的地区的三维点云数据搭建K-D树的数据结构,设共有1000个测试点,选取测试点,即第536个测试点,基于测试点/>在半径r内的临近点进行搜索。
计算的质心/>:
其中,表示在半径r内点/>的临近点;
假设地形点云数据的局部线性模型为:
其中,、/>分别为线性模型的系数,/>为点/>的第/>个临近点,/>为过滤点;
对点在KNN邻域的极小值进行求解:
其中,为平滑参数,平滑参数的值通常小于1;
对取极小值时,对/>和/>的偏导为零;得到:
得到点的临近点的滤波点云/>:
遍历所有地形点云数据,得到滤波后的地形点云数据并保存。
本滤波算法通过利用导引点云的邻域,将滤波后的输出点推导为导引点云对应点的线性模型,通过此类滤波方法不仅能去除小尺度噪声,而且能保持地形点云边缘。
基于滤波后的地形点云数据,计算测试点点与其临近点集的构成的协方差张量,并以此提取局部几何特征;
对于给定的三维坐标点选择与其距离在半径r内的点构成其邻域点集,该邻域点集用于计算协方差张量/>:
其中,表示邻域内三维点的数量,/>表示邻域内的点坐标,/>表示邻域内所有坐标的均值,/>表示数据的转置。此时/>,设/>。
基于协方差张量进行几何特征值提取,并进行几何特征值的提取获得表达因子和/>。
基于几何特征值的提取获取的地形点云数据的表达因子和/>,引入地形相似度计算过程中,通过表达因子/>和/>衡量地形相似程度,令/>和/>分别表示地形三维点云图像,其中,/>为采集的地形三维点云图像,/>为数据库中存储的地形三维点云图像;则/>和/>两个图像分别对于/>和/>的表达因子/>、/>、/>、/>表达如下:
其中,表示采集的地形三维点云图像对于/>的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子,/>表示采集的地形三维点云图像对于/>的第/>个表达因子,/>表示数据库中存储的地形三维点云图像对于/>的第/>个表达因子;
表达因子与图像/>不相似程度/>如下:
其中,和/>表示欧式距离,/>和/>分别表示/>和/>两个图像的空间相似度,表达因子/>与图像/>不相似程度取值区间为0-1之间,且/>,对表达的因子进行归一化处理后,地形相似度/>表达如下:
计算地形面积相似度时,以面积重叠率作为衡量其相似度指标,令表示面积相似度,面积重叠率由/>表示:
其中,、/>分别表示图像重叠位置面积和图像的总面积,当面积重叠率数值接近0时,表示两个图像的相似度较大,令/>表示图像重叠位置面积和图像的总面积计算过程中的预设误差,设定约束条件如下:
图像面积相似度如下:
令图像和/>的方向角分别为30°、40°,/>表示两个图像的方向相似度:
其中,为数学常量。
根据地形、面积和方向上的相似度比较和匹配,能够根据点云数据进行实时更新匹配,并且其计算更新的速度快、精度高,能够最大限度地还原地形图像。
地形测绘模块400根据数据匹配模块300计算的地形相似度、面积相似度和方向相似度分别进行排序,选取相似度最大的结果作为地形测绘匹配结果进行地形测绘。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.基于激光雷达的地形测绘***,其特征在于,包括:
数据采集模块(100):用于通过激光雷达采集地形三维数据;
数据处理模块(200):用于对采集的地形点云数据进行降噪处理;
数据匹配模块(300):用于对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
地形测绘模块(400):用于根据地形相似度计算结果选取相似度最高的结果进行地形测绘;
所述数据处理模块(200)基于数据滤波算法对采集的地形点云数据进行降噪处理;
所述数据滤波算法中,建立获取的地形点云数据的K-D树的数据结构;
所述数据滤波算法具体如下:
基于建立的K-D树结构选取测试点ai,基于测试点ai在半径r内的临近点进行搜索:
计算ai的质心
其中,r(ai)表示在半径r内点ai的临近点;
假设地形点云数据的局部线性模型为:
a′ij=αiaij+βi
其中,αi、βi分别为线性模型的系数,aij为点ai的第j个临近点,a′ij为过滤点;
对点在KNN邻域的极小值K(αi,βi)进行求解:
其中,γ为平滑参数;
对K(αi,βi)取极小值时,对αi和βi的偏导为零;得到:
得到点ai的临近点的滤波点云a′i:
a′i=αiai+βi
遍历所有地形点云数据,得到滤波后的地形点云数据并保存;
所述数据匹配模块(300)中,选取三维坐标点p及半径r,遍历滤波点云数据,对于每个滤波点云a′i,判断其与点p的距离是否在半径r内,如果点a′i与点p的距离在半径r内,将点a′i加入邻域点集,计算邻域点集中点的坐标的平均值,得到邻域内点的均值基于过滤后生成的地形点云数据,获取三维坐标点p选择与其距离在半径r内的点构成其邻域点集,计算三维坐标点p与其邻域点集构成的协方差张量Q:
其中,B表示邻域内三维点的数量,pb表示邻域内的点坐标,表示邻域内所有坐标的均值,T表示数据的转置;
所述数据匹配模块(300)中,基于协方差张量进行几何特征值提取,并进行特征值提取获得表达因子x和y,具体如下:计算协方差张量Q:对于每个点pi,计算其邻域内点的协方差张量Q;选择阈值t调整特征值λ,并将特征值从小到大排序;对于每个特征值λi(i=1,2,3),计算对应的权重wi:
其中,e为数学常量;
使用特征值和权重来计算表达因子x和y,具体如下:
其中,w2和w3分别是第2个和第3个特征值的权重,v2和v3分别是对应的特征向量,λ1,λ2和λ3分别表示第1、2和3个特征值。
2.根据权利要求1所述的基于激光雷达的地形测绘***,其特征在于:所述数据采集模块(100)基于三维激光扫描获取地形点云数据与地物信息数据。
3.根据权利要求1所述的基于激光雷达的地形测绘***,其特征在于:所述数据匹配模块(300)的地形相似度计算中,基于局部几何特征提取获取的地形点云数据的表达因子x和y,令u和v分别表示地形三维点云图像,其中,u为采集的地形三维点云图像,v为数据库中存储的地形三维点云图像;则u和v两个图像分别对于x和y的表达因子xu、xv、yu、yv表达如下:
其中,表示采集的地形三维点云图像对于x的第K个表达因子,/>表示数据库中存储的地形三维点云图像对于x的第K个表达因子,/>表示采集的地形三维点云图像对于y的第K个表达因子,/>表示数据库中存储的地形三维点云图像对于y的第K个表达因子;
表达因子yv与图像u不相似程度d(u,v)如下:
其中,|yu-yv|和表示欧式距离,s1和s2分别表示u和v两个图像的空间相似度,且s1=1-s2,dv表示图像v的表达因子归一化参数,对表达的因子进行归一化处理后,地形相似度sim(u,v)表达如下:
sim(u,v)=1-d(u,v)
计算地形面积相似度时,以面积重叠率作为衡量其相似度指标,令S(u,v)表示面积相似度;
其中,CR表示面积重叠率,ΔR、R分别表示图像重叠位置面积和图像的总面积,设定约束条件如下:
|R-ΔR|≤σ
其中,σ表示图像重叠位置面积和图像的总面积计算过程中的预设误差;
图像面积相似度S(u,v)如下:
令图像u和v的方向角分别为δu、δv,δ(u,v)表示u和v两个图像的方向相似度:
其中,π为数学常量。
4.根据权利要求3所述的基于激光雷达的地形测绘***,其特征在于:所述地形测绘模块(400)基于所述数据匹配模块(300)计算的地形相似度、面积相似度和方向相似度分别进行排序,选取相似度最大的结果作为地形测绘匹配结果。
5.基于激光雷达的地形测绘方法,根据权利要求1-4任意一项所述的基于激光雷达的地形测绘***,其特征在于,包括如下步骤:
S1:通过激光雷达采集地形三维数据;
S2:对采集的地形点云数据进行降噪处理;
S3:对降噪处理后的地形点云数据进行特征提取和地形相似度计算;
S4:根据地形相似度计算结果选取相似度最高的结果进行地形测绘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811599.6A CN116538996B (zh) | 2023-07-04 | 2023-07-04 | 基于激光雷达的地形测绘***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811599.6A CN116538996B (zh) | 2023-07-04 | 2023-07-04 | 基于激光雷达的地形测绘***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116538996A CN116538996A (zh) | 2023-08-04 |
CN116538996B true CN116538996B (zh) | 2023-09-29 |
Family
ID=87452806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310811599.6A Active CN116538996B (zh) | 2023-07-04 | 2023-07-04 | 基于激光雷达的地形测绘***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116538996B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173353A (zh) * | 2023-09-04 | 2023-12-05 | 广东省核工业地质局测绘院 | 一种基于遥感图像的地质测绘*** |
CN117268350B (zh) * | 2023-09-18 | 2024-07-05 | 广东省核工业地质局测绘院 | 一种基于点云数据融合的移动式智能测绘*** |
CN117351166B (zh) * | 2023-12-04 | 2024-03-26 | 山东新科凯邦通信器材有限公司 | 一种基于大数据的土地管理绘测*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004288170A (ja) * | 2003-03-05 | 2004-10-14 | Olympus Corp | 三次元モデル検索方法及びシステム |
CN103177114A (zh) * | 2013-04-02 | 2013-06-26 | 浙江大学 | 基于鉴别流形的跨数据域的转移学习分类方法 |
JP2015001901A (ja) * | 2013-06-17 | 2015-01-05 | 日本電信電話株式会社 | 点群解析処理装置、点群解析処理方法、及びプログラム |
CN106874607A (zh) * | 2017-02-23 | 2017-06-20 | 华北电力大学 | 基于多层级变权理论的电网自组织临界态定量评估方法 |
CN110414577A (zh) * | 2019-07-16 | 2019-11-05 | 电子科技大学 | 一种基于深度学习的激光雷达点云多目标地物识别方法 |
CN112508803A (zh) * | 2020-11-03 | 2021-03-16 | 中山大学 | 一种三维点云数据的去噪方法、装置及存储介质 |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
CN113920255A (zh) * | 2021-12-15 | 2022-01-11 | 湖北晓雲科技有限公司 | 基于点云数据的高效测绘*** |
CN114200477A (zh) * | 2021-12-13 | 2022-03-18 | 上海无线电设备研究所 | 一种激光三维成像雷达地面目标点云数据处理方法 |
WO2022142759A1 (zh) * | 2020-12-31 | 2022-07-07 | 中国矿业大学 | 一种激光雷达与相机联合标定方法 |
CN115561768A (zh) * | 2022-09-19 | 2023-01-03 | 浙江省测绘科学技术研究院 | 基于单点激光点云的车载激光雷达数据精度检测方法 |
CN115830476A (zh) * | 2022-11-03 | 2023-03-21 | 中国电建集团成都勘测设计研究院有限公司 | 地形因子空间降尺度方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101925862B1 (ko) * | 2018-09-13 | 2018-12-06 | 주식회사 에이엠오토노미 | 3차원 라이다를 이용한 실시간 3차원 지도 생성 방법 및 장치 |
US11461963B2 (en) * | 2018-11-16 | 2022-10-04 | Uatc, Llc | Systems and methods for generating synthetic light detection and ranging data via machine learning |
US11150348B2 (en) * | 2019-10-02 | 2021-10-19 | Cepton Technologies, Inc. | Techniques for detecting cross-talk interferences in lidar imaging sensors |
US12013457B2 (en) * | 2020-03-05 | 2024-06-18 | Uatc, Llc | Systems and methods for integrating radar data for improved object detection in autonomous vehicles |
-
2023
- 2023-07-04 CN CN202310811599.6A patent/CN116538996B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004288170A (ja) * | 2003-03-05 | 2004-10-14 | Olympus Corp | 三次元モデル検索方法及びシステム |
CN103177114A (zh) * | 2013-04-02 | 2013-06-26 | 浙江大学 | 基于鉴别流形的跨数据域的转移学习分类方法 |
JP2015001901A (ja) * | 2013-06-17 | 2015-01-05 | 日本電信電話株式会社 | 点群解析処理装置、点群解析処理方法、及びプログラム |
CN106874607A (zh) * | 2017-02-23 | 2017-06-20 | 华北电力大学 | 基于多层级变权理论的电网自组织临界态定量评估方法 |
CN110414577A (zh) * | 2019-07-16 | 2019-11-05 | 电子科技大学 | 一种基于深度学习的激光雷达点云多目标地物识别方法 |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
CN112508803A (zh) * | 2020-11-03 | 2021-03-16 | 中山大学 | 一种三维点云数据的去噪方法、装置及存储介质 |
WO2022142759A1 (zh) * | 2020-12-31 | 2022-07-07 | 中国矿业大学 | 一种激光雷达与相机联合标定方法 |
CN114200477A (zh) * | 2021-12-13 | 2022-03-18 | 上海无线电设备研究所 | 一种激光三维成像雷达地面目标点云数据处理方法 |
CN113920255A (zh) * | 2021-12-15 | 2022-01-11 | 湖北晓雲科技有限公司 | 基于点云数据的高效测绘*** |
CN115561768A (zh) * | 2022-09-19 | 2023-01-03 | 浙江省测绘科学技术研究院 | 基于单点激光点云的车载激光雷达数据精度检测方法 |
CN115830476A (zh) * | 2022-11-03 | 2023-03-21 | 中国电建集团成都勘测设计研究院有限公司 | 地形因子空间降尺度方法 |
Non-Patent Citations (5)
Title |
---|
Yueqiao Wu.A novel ground filtering method for point clouds in a forestry are based on local minimum value and machine learing.《Applied sciences》.2022,第12卷(第18期),1-15. * |
基于CAFF-PointNet的机载LiDAR点云语义分割;赖鸣;《激光与光电子学进展》;第58卷(第20期);第2028004-1-10页 * |
基于激光雷达的大比例地形测绘与数据联动更新技术;杜洪涛;《科技通报》;第39卷(第1期);第44-48页 * |
统计学滤波和引导滤波相结合的点云数据降噪";霍佳欣;《计算机应用与软件》;第40卷(第5期);第249-252页 * |
谢菲.基于DEM的综合地形复杂度与格网分辨率关系研究.《中国优秀硕士学位论文全文数据库基础科学辑》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116538996A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116538996B (zh) | 基于激光雷达的地形测绘***及方法 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
Olson et al. | Automatic target recognition by matching oriented edge pixels | |
CN106339674B (zh) | 基于边缘保持与图割模型的高光谱影像分类方法 | |
CN112348849B (zh) | 一种孪生网络视频目标跟踪方法及装置 | |
CN103810704B (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN110120065B (zh) | 一种基于分层卷积特征和尺度自适应核相关滤波的目标跟踪方法及*** | |
CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
CN102262724A (zh) | 目标图像特征点定位方法和目标图像特征点定位*** | |
CN103886606B (zh) | 基于联合广义伽玛分布参数的sar图像分割方法 | |
CN109166167B (zh) | 一种基于点集体素的多质分界面提取方法 | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN115239760A (zh) | 一种目标跟踪方法、***、设备及存储介质 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别*** | |
CN102081740B (zh) | 一种基于尺度不变特征的三维图像分类方法 | |
CN116763295B (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN111723688A (zh) | 人体动作识别结果的评价方法、装置和电子设备 | |
CN114022526B (zh) | 一种基于三维形状上下文的sac-ia点云配准方法 | |
CN113591704B (zh) | 体重指数估计模型训练方法、装置和终端设备 | |
CN108898052A (zh) | 遥感图像中人工地物的检测方法及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |