CN102096072B - 一种城市部件自动化测量方法 - Google Patents

Abstract

本发明公开了一种城市部件自动化测量方法，属于激光雷达测量领域，包括：采用车载激光雷达测量设备，对城市街道及城市街道两侧进行高密度的外业扫描和相机拍照，获取原始激光扫描点云数据和数码照片数据；对原始激光扫描点云数据进行滤波分类处理，获取城市部件点云数据；采用自适应空间聚类分析手段，对城市部件点云数据进行类别细分处理，获取同一物体点云集数据；根据同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将城市部件平面几何中心位置作为城市部件平面测量坐标值；将数码照片数据和同一物体点云集数据进行叠加，根据城市部件平面测量坐标值在属性库中对相应的点位值进行信息标注。

Description

一种城市部件自动化测量方法

技术领域

本发明涉及激光雷达测量领域，特别涉及一种城市部件自动化测量方法。

背景技术

数字化城市管理实现了城市管理从粗放、随意向规范、精确和科学管理的转变。城市部件如供水、供电、供热、交通路灯、路牌以及消防设施等，作为数字化城市管理必备的基础数据，需要进行精细调查与量测，并进行编码管理。作为传统的城市部件调查与测量方法，主要是采用人工外业、地形图数字化以及激光雷达点云人工拾取等方式建立城市部件数据库。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

1、采用人工测量的方式需要投入大量的人力资源、工作效率低下、工作量大、测量与调查的周期长和成本投入高；

2、城市现有大比例尺地形图要素更新周期长，数据更新存在滞后于现状建设，采用地形图数字化时，数据仍然需要现场进行补查与修测，需要投入较大的人力；

3、人工拾取激光点云数据采集城市部件时，生产效率与周期长，人工判读特别是测量城市部件时，对于位置测量主观随意性较大，精度无法保证；

4、后期城市部件数据的更新与维护需要按照格网划分投入专业人员进行维护与跟踪，但是每个作业人员的所管理维护的片区小，整个城市需要安排的运营人员过于庞大。

发明内容

为了提高城市部件测量与数据维护的效率、减少工作量、减少人力和提高精度，本发明提供了一种城市部件自动化测量方法，所述方法包括以下步骤：

(1)采用车载激光雷达测量设备，对城市街道及城市街道两侧进行高密度的外业扫描和相机拍照，获取原始激光扫描点云数据和数码照片数据；

(2)对所述原始激光扫描点云数据进行滤波分类处理，获取城市部件点云数据；

(3)采用自适应空间聚类分析手段，对所述城市部件点云数据进行类别细分处理，获取同一物体点云集数据；

(4)根据所述同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将所述城市部件平面几何中心位置作为城市部件平面测量坐标值；

(5)将所述数码照片数据和所述同一物体点云集数据进行叠加，根据所述城市部件平面测量坐标值在属性库中对相应的点位值进行信息标注。

步骤(3)中所述采用自适应空间聚类分析手段，对所述城市部件点云数据进行类别细分处理，获取同一物体点云集数据，具体为：

1)根据分块标准，对所述城市部件点云数据进行分块，获取分块城市部件点云数据、点云样本划分矩阵和聚类中心点集；

2)设置自适应空间聚类解算的相关参数；

3)根据城市部件空间分布特征，选择一个最小阈值Min和一个最大阈值Max；

4)对所述分块城市部件点云数据进行初始化，根据所述最小阈值Min和所述最大阈值Max，选择K个中心点作为聚类点，计算每个样本点与所述聚类点的三维空间距离，基于所述三维空间距离对所述分块城市部件点云数据进行划分，采用三维空间距离值之和对样本分类的情况进行评价，获取评价值；

5)根据所述评价值，将样本分类中的权重中心点作为新的聚类划分的中心点；

6)判断迭代次数是否小于最大迭代次数，如果是，执行步骤4)；如果否，停止迭代，输出所述点云样本划分矩阵、所述聚类中心点集和所述评价值，将K+1值作为中心聚类点，执行步骤4)；

7)判断K值是否达到Max值，如果是，停止自适应空间聚类解算，以目标函数的评价参数作为参考，选择最小值的聚类集合，作为点云分类的结果，获取所述同一物体点云集数据，如果否，继续进行所述自适应空间聚类解算。

所述K的取值，具体为：Min≤K≤Max。

步骤(4)中所述根据所述同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将所述城市部件平面几何中心位置作为城市部件平面测量坐标值，具体为：

8)将所述同一物体点云集数据作为独立物体，根据截取标准获取点云数据，将所述点云数据作为基底三维模型重构的点集数据；

9)构建二维特征模型函数库；

10)根据所述二维特征模型函数库，对所述点云数据进行最小二乘计算和模拟，确定所述二维特征模型函数库中的各项参数；

11)根据所述点云数据，在所述二维特征模型函数库中获取多个误差值数学模型，并根据所述多个误差值数学模型获取对应的多个平面误差值；

12)判断所述二维特征模型函数库是否存在未进行计算的模型，如果是，重新执行步骤10)；如果否，对所述多个平面误差值进行比较，选择最小的平面误差值对应的最小误差值数学模型；

13)根据所述最小误差值数学模型，计算出城市部件平面的几何中心位置，作为所述城市部件平面测量坐标值。

所述截取标准，具体为：

截取地面点以上第二阈值以内的所述点云数据，所述点云数据的个数在第三阈值内。

所述误差值数学模型，具体为：

δ＝∑δ_i＝∑f(x_i，y_i)，其中，(x_i，y_i)为每一个激光点在平面上投影坐标的点位值，i的取值为0到n，n为分类后点的个数。

本发明提供的技术方案的有益效果是：

本发明提供了一种城市部件自动化测量方法，该方法通过车载激光扫描方式可以快速地获取外业数据，将外业测图环境转变为内业生产环境，大大减少了人员投入，降低了劳动强度；同时车载激光雷达测量也可以晚间作业，扩大了作业时间，提高了生产效率；采用了城市部件自动化提取与位置测量，减少了人为操作误差，提高了点位值测量的精度，保障了数据质量；降低了数字化城市管理后期运营维护的人员投入和成本。

附图说明

图1为本发明提供的城市部件自动化测量方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了提高城市部件测量与数据维护的效率、减少工作量、减少人力和提高精度，本发明实施例提供了一种城市部件自动化测量方法，参见图1，详见下文描述：

101：采用车载激光雷达测量设备，对城市街道及城市街道两侧进行高密度的外业扫描和相机拍照，获取原始激光扫描点云数据和数码照片数据；

其中，车载激光雷达测量设备的主要部件为激光传感器、数码相机、差分GPS和陀螺仪系统等，该些部件安装在车载平台上，通过车辆在城市街道以40～60公里/小时的速度行进，对城市街道及城市街道两侧进行高密度的外业扫描和相机拍照，获取外业数据；内业解算时，以同步进行观测的GPS参考站数据为基础，使用车载GPS获取的观测数据和陀螺仪数据进行综合处理，使用GPS差分技术进行车辆行驶轨迹解算，获取到精确的原始激光扫描点云数据和数码照片数据，完成数据的外业采集和内业数据的初步处理。

具体实现时，可以根据实际的应用情况对车辆在城市街道的行驶速度进行设定，本发明实施例对此不做限制。

102：对原始激光扫描点云数据进行滤波分类处理，获取城市部件点云数据；

其中，对原始激光扫描点云数据进行滤波分类处理，通过具有点云滤波处理功能的现有工具平台，设定滤波参数，如高程、灰度等信息，对原始激光扫描点云数据进行滤波分类处理，获取到地面点、城市建筑物等城市部件点云数据。

103：采用自适应空间聚类分析手段，对城市部件点云数据进行类别细分处理，获取同一物体点云集数据；

其中，自适应空间聚类分析手段，具体为：

1)根据分块标准，对城市部件点云数据进行分块，获取分块城市部件点云数据、点云样本划分矩阵和聚类中心点集；

其中，分块标准具体为：分块的城市部件点云数据的大小不超过第一阈值，第一阈值的取值根据实际应用中的具体应用情况进行设定，具体实现时，本发明实施例对此不做限制。

在待聚类的点云样本集合中，随机选择与聚类数目相同个数的样本点作为聚类中心点，其余待聚类样本点根据距各个聚类中心点的直线空间距离，划分给最近的中心点，样本划分方法可按公式(1)进行：

其中，n为点云数据的个数，c为聚类中心点数据，

为样本x_k与聚类中心点p_i之间的直线空间距离。

按目标函数(2)计算所有点云数据到聚类中心点p_i的距离总和：

$f(U,P)=\min \{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{w}_k{\mathrm{\μ}}_{\mathrm{ik}}{\left({\stackrel{)}{d}}_{p_{i}k}\right)}^2---\left(2\right)$

式中，w_k为第k个空间数据点的权重值，实际应用时可以默认设置为1；μ_ik为第k个点与第i个聚类中心点的权重值，可以根据空间距离的长度进行设置。

由公式(2)得到的目标函数与聚类中心点集P和样本划分矩阵U有关，而样本划分矩阵U又与聚类中心点集P相关。因而，使用自适应方法来求解这一聚类问题，在这里可以直接对聚类中心点p_i进行编码。若采用自然编码方案，则染色体编码为公式(3)：

$b=\{{\mathrm{Num}}_{p_1},{\mathrm{Num}}_{p_2},\mathrm{\Λ},{\mathrm{Num}}_{p_i},\mathrm{\Λ},{\mathrm{Num}}_{p_c}\}---\left(3\right)$

其中，表示聚类中心点p_i(i＝1，2，Λ，c)取自样本集中第

个样本。

2)设置自适应空间聚类解算的相关参数；

其中，相关参数包括最大迭代次数、群体大小、交叉概率和变异概率等。

3)根据城市部件空间分布特征，选择一个最小阈值Min和一个最大阈值Max；

其中，最小阈值Min和一个最大阈值Max作为空间聚类划分进行综合评价的区间值。

4)对分块城市部件点云数据进行初始化，根据最小阈值Min和最大阈值Max，选择K个中心点作为聚类点，计算每个样本点与聚类点的三维空间距离，基于三维空间距离对分块城市部件点云数据进行划分，采用三维空间距离值之和对样本分类的情况进行评价，获取评价值；

其中，Min≤K≤Max。

5)根据评价值，将样本分类中的权重中心点作为新的聚类划分的中心点；

6)判断迭代次数是否小于最大迭代次数，如果是，执行步骤4)；如果否，停止迭代，输出点云样本划分矩阵、聚类中心点集和评价值，将K+1值作为中心聚类点，执行步骤4)；

7)判断K值是否达到Max值，如果是，停止自适应空间聚类解算，以目标函数的评价参数作为参考，选择最小值的聚类集合，作为点云分类的结果，获取同一物体点云集数据，如果否，继续进行自适应空间聚类解算。

104：根据同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将城市部件平面几何中心位置作为城市部件平面测量坐标值；

其中，该步骤具体为：

8)将同一物体点云集数据作为独立物体，根据截取标准获取点云数据，将点云数据作为基底三维模型重构的点集数据；

其中，截取标准具体为：截取地面点以上第二阈值以内的点云数据，截取的点云数据的个数在第三阈值内。

其中，第二阈值和第三阈值的取值，根据实际应用情况进行设定，具体实现时，本发明实施例对此不做限制。

9)构建二维特征模型函数库；

其中，二维特征模型函数库为f(x，y)＝0，式中，x，y分别指二维平面空间坐标值。该二维特征模型函数库中包括圆形、三角形、矩形和椭圆形等规则几何形状函数集。

10)根据二维特征模型函数库，对点云数据进行最小二乘计算和模拟，确定二维特征模型函数库中的各项参数；

11)根据点云数据，在二维特征模型函数库中获取多个误差值数学模型，并根据多个误差值数学模型获取对应的多个平面误差值；

其中，误差值数学模型具体为：δ＝∑δ_i＝∑f(x_i，y_i)，其中，(x_i，y_i)为每一个激光点在平面上投影坐标的点位值，i的取值为0到n，n为分类后点的个数即，根据不同点位值可以获取到多个误差值数学模型和相应的多个平面误差值。

12)判断二维特征模型函数库是否存在未进行计算的模型，如果是，重新执行步骤10)；如果否，对多个平面误差值进行比较，选择最小的平面误差值对应的最小误差值数学模型；

13)根据最小误差值数学模型，计算出城市部件平面的几何中心位置，作为城市部件平面测量坐标值。

105：将数码照片数据和同一物体点云集数据进行叠加，根据城市部件平面测量坐标值在属性库中对相应的点位值进行信息标注。

其中，该步骤具体为：将数码照片数据和同一物体的点云集数据进行叠加，采用人工判读的方式确定部件的类别、属性信息等，并在属性库中，根据城市部件的平面测量坐标值在属性库中对相应的点位值进行信息标注。

综上所述，本发明实施例提供了一种城市部件自动化测量方法，该方法通过车载激光扫描方式可以快速地获取外业数据，将外业测图环境转变为内业生产环境，大大减少了人员投入，降低了劳动强度；同时车载激光雷达测量也可以晚间作业，扩大了作业时间，提高了生产效率；采用了城市部件自动化提取与位置测量，减少了人为操作误差，提高了点位值测量的精度，保障了数据质量；降低了数字化城市管理后期运营维护的人员投入和成本。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种城市部件自动化测量方法，其特征在于，所述方法包括以下步骤：

(1)采用车载激光雷达测量设备，对城市街道及城市街道两侧进行高密度的外业扫描和相机拍照，获取原始激光扫描点云数据和数码照片数据；

(2)对所述原始激光扫描点云数据进行滤波分类处理，获取城市部件点云数据；

(3)采用自适应空间聚类分析手段，对所述城市部件点云数据进行类别细分处理，获取同一物体点云集数据；

(4)根据所述同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将所述城市部件平面几何中心位置作为城市部件平面测量坐标值；

(5)将所述数码照片数据和所述同一物体点云集数据进行叠加，根据所述城市部件平面测量坐标值在属性库中对相应的点位值进行信息标注；

其中，步骤(3)中所述采用自适应空间聚类分析手段，对所述城市部件点云数据进行类别细分处理，获取同一物体点云集数据，具体为：

1)根据分块标准，对所述城市部件点云数据进行分块，获取分块城市部件点云数据、点云样本划分矩阵和聚类中心点集；

2)设置自适应空间聚类解算的相关参数；

3)根据城市部件空间分布特征，选择一个最小阈值Min和一个最大阈值Max；

4)对所述分块城市部件点云数据进行初始化，根据所述最小阈值Min和所述最大阈值Max，选择K个中心点作为聚类点，其中，Min≤K≤Max；最小阈值Min和一个最大阈值Max作为空间聚类划分进行综合评价的区间值；

计算每个样本点与所述聚类点的三维空间距离，基于所述三维空间距离对所述分块城市部件点云数据进行划分，采用三维空间距离值之和对样本分类的情况进行评价，获取评价值；

5)根据所述评价值，将样本分类中的权重中心点作为新的聚类划分的中心点；

6)判断迭代次数是否小于最大迭代次数，如果是，执行步骤4)；如果否，停止迭代，输出所述点云样本划分矩阵、所述聚类中心点集和所述评价值，将K+1值作为中心聚类点，执行步骤4)；

7)判断K值是否达到Max值，如果是，停止自适应空间聚类解算，以目标函数的评价参数作为参考，选择最小值的聚类集合，作为点云分类的结果，获取所述同一物体点云集数据，如果否，继续进行所述自适应空间聚类解算。

2.根据权利要求1所述的城市部件自动化测量方法，其特征在于，步骤(4)中所述根据所述同一物体点云集数据进行规则几何形状的三维数字化模拟与重构，计算出城市部件平面几何中心位置，将所述城市部件平面几何中心位置作为城市部件平面测量坐标值，具体为：

8)将所述同一物体点云集数据作为独立物体，根据截取标准获取点云数据，将所述点云数据作为基底三维模型重构的点集数据；

9)构建二维特征模型函数库；

10)根据所述二维特征模型函数库，对所述点云数据进行最小二乘计算和模拟，确定所述二维特征模型函数库中的各项参数；

11)根据所述点云数据，在所述二维特征模型函数库中获取多个误差值数学模型，并根据所述多个误差值数学模型获取对应的多个平面误差值；

12)判断所述二维特征模型函数库是否存在未进行计算的模型，如果是，重新执行步骤10)；如果否，对所述多个平面误差值进行比较，选择最小的平面误差值对应的最小误差值数学模型；

13)根据所述最小误差值数学模型，计算出城市部件平面的几何中心位置，作为所述城市部件平面测量坐标值。

3.根据权利要求2所述的城市部件自动化测量方法，其特征在于，所述截取标准，具体为：

截取地面点以上第二阈值以内的所述点云数据，所述点云数据的个数在第三阈值内。

Images