CN103954953B - 一种基于数据驱动的机载激光雷达盲源误差补偿方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的机载激光雷达盲源误差补偿方法，该方法包括以下步骤：机载激光雷达和外置惯性测量单元的准备和安装；根据机载激光雷达数据生成理论模型得到两套机载激光雷达数据；计算翻滚角和俯仰角的改正值，并进行第一次坐标修正；分别提取两套机载激光雷达数据中的点特征；对点特征进行匹配得到点特征匹配对；利用点特征匹配对建立布尔沙模型并进行第二次坐标修正；对修正后两套机载激光雷达数据取平均值得到经过盲源误差补偿的机载激光雷达数据。本发明通过对两套机载激光雷达数据的特征分析与处理，以数据驱动的方式减小盲源误差对机载激光雷达数据定位精度的影响，从而达到提高机载激光雷达数据精度的目的。

Description

一种基于数据驱动的机载激光雷达盲源误差补偿方法

技术领域

本发明涉及一种机载激光雷达数据处理方法，尤其是涉及一种基于数据驱动的机载激光雷达盲源误差补偿方法，属于机载激光雷达数据处理技术领域。

背景技术

机载激光雷达(AirborneLightDetectionAndRanging，LiDAR)是一种主动式航空遥感对地观测系统，是九十年代初首先由西方国家发展起来并投入商业化应用的一门新兴技术，它集成激光测距仪、全球定位系统(GPS)和惯性测量单元(IMU)于一身。该技术在三维空间信息的实时获取方面产生了重大突破，为获取高时空分辨率的地球空间信息提供了一种全新的技术手段。

机载激光雷达在提取空间位置信息上具有自身的优势，能够直接获得目标的三维坐标，提供了传统二维数据所缺乏的高程信息，但是机载激光雷达获取的数据，无论是点云还是波形，均无重复观测，即便是对同一个测区重复飞行，也无法保证所获得的激光脚点是严格重叠的，因而无法利用传统的数据平差技术对所获取的数据做进一步的误差分析和处理。另外，机载激光雷达是一种集成测量系统，其数据获取精度受多种误差源的影响，这些误差源通常都缺乏规律性且误差源间存在耦合，建立误差模型时无法顾及所有因素，因而很难建立误差模型，更不用说建立严格的解析模型进行误差改正。

发明内容

在本发明中，将所有限于现阶段的研究水平、无法溯源与建模的误差称之为盲源误差。本发明针对盲源误差难以改正的问题，在于提出了一种基于数据驱动的机载激光雷达盲源误差补偿方法，达到提高机载激光雷达数据定位精度的目的。

实现本发明所说的基于数据驱动的机载激光雷达盲源误差补偿方法的技术方案是这样的：

一种基于数据驱动的机载激光雷达盲源误差补偿方法，包括以下步骤：

步骤1，在机载激光雷达的钢板底座上架设一台外置惯性测量单元，使用全站仪测量外置惯性测量单元与机载激光雷达的激光测距仪之间的距离和偏心角；

步骤2，利用步骤1中的机载激光雷达进行数据采集，可以得到两套机载激光雷达数据，分别为机载激光雷达自身产生的第一机载激光雷达数据，以及联合机载激光雷达的激光测距数据、外置惯性测量单元的测姿数据和步骤1中外置惯性测量单元与机载激光雷达的激光测距仪的距离、偏心角，根据机载激光雷达数据生成理论模型得到的第二机载激光雷达数据；

步骤3，分别对步骤2中的两套机载激光雷达数据进行迭代计算，得到机载激光雷达的惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值、外置惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值，然后利用对应的翻滚角和俯仰角的改正值根据机载激光雷达数据生成理论模型分别对两套激光雷达数据进行第一次坐标修正；

步骤4，根据步骤3中得到的两套机载激光雷达数据，分别提取两套机载激光雷达数据中的点特征；

步骤5，对步骤4中得到的两套机载激光雷达数据所对应的点特征进行匹配，得到点特征匹配对；

步骤6，根据步骤5中得到的点特征匹配对，建立两套机载激光雷达数据的布尔沙(Bursa)模型，利用该模型对两套机载激光雷达数据进行第二次坐标修正；

步骤7，对步骤6得到的两套机载激光雷达数据求平均值，得到一套机载激光雷达数据，该机载激光雷达数据即为经过盲源误差补偿的机载激光雷达数据。

如上所述的步骤3中用于计算翻滚角和俯仰角改正值的迭代计算的方法包括以下步骤：

步骤3.1，将步骤2中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤3.2-3.5的处理；

步骤3.2，确定机载激光雷达数据中的航带重叠区域；

步骤3.3，计算航带重叠区域中水平地面间的高差Δh，以及该水平地面到机载激光雷达获取数据过程中形成的航迹的最小平面距离r，计算翻滚角的改正值

$\mathrm{\Δ}Roll=arctan\frac{\mathrm{\Δ}h}{2\×r};$

步骤3.4，计算航带重叠区域中建筑物屋顶的平面偏移Δx，以及该屋顶面到机载激光雷达获取数据过程中形成的航迹的高程距离Δz，计算俯仰角的改正值

$\mathrm{\Δ}pitch=arctan\frac{\mathrm{\Δ}x}{\mathrm{\Δ}z};$

步骤3.5，利用得到的翻滚角的改正值和俯仰角的改正值，根据机载激光雷达数据生成理论模型校正当前机载激光雷达数据的坐标，并将校正后的机载激光雷达数据作为步骤3.3和步骤3.4的输入；

重复步骤3.3——3.5，直到步骤3.3中的高差Δh和步骤3.4平面偏移Δx不再减小，此时完成了一套机载激光雷达数据的迭代计算。

如上所述的步骤4中，点特征的提取方法为：

步骤4.1，将步骤3中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤4.2-4.5的处理；

步骤4.2，采用Hough变换提取机载激光雷达数据中的所有平面特征，再根据平面特征间的空间拓扑关系，计算出所有相邻平面特征的交线，针对每一条交线，进行步骤4.3-4.5的处理；

步骤4.3，在交线的周围定义一个窗口，该窗口的中心位于交线上，窗口的长边与交线平行，窗口的长边的长度为交线的长度加上4倍的机载激光雷达数据的平均间距，窗口的短边的长度为4倍的机载激光雷达数据的平均间距；

步骤4.4，对于窗口内的每一个机载激光雷达数据脚点，查找该机载激光雷达数据脚点在半径R内的其他机载激光雷达数据脚点的最低高程值，如果该机载激光雷达数据脚点的高程值与此最低高程值的差值大于4米，则将该机载激光雷达数据脚点作为边界点，否则认定该机载激光雷达数据脚点为非边界点，不参与后续处理；

步骤4.5，针对步骤4.4中的所有边界点，利用K-均值聚类算法对所有边界点进行聚类，并求出聚类的中心点，将此中心点作为机载激光雷达数据的点特征。

如上所述的步骤5中，点特征的匹配方法包括以下步骤：

步骤5.1，将步骤4中得到的点特征作为输入，令从第一机载激光雷达数据提取的所有点特征为P，即P为第一点特征集，从第二机载激光雷达数据提取的所有点特征为Q，即Q为第二点特征集；

步骤5.2，令p_i为第一点特征集P中的一点特征，在第二点特征集Q中寻找与p_i距离最近的点特征q_i和次近的点特征q_j；

步骤5.3，如果点特征p_i、q_i、q_j满足|p_iq_i|＜0.9×|p_iq_j|，则p_i和q_i就构成一个点特征匹配对＜p_i,q_i＞；

步骤5.4，重复步骤5.2和5.3，找出所有的点特征匹配对。

如上所述的步骤6中，利用布尔沙模型进行机载激光雷达数据坐标修正包括以下步骤：

步骤6.1，对步骤5中得到的每个点特征匹配对＜p_i,q_i＞求平均值r_i，一个点特征匹配对的平均值对应为一个连接点特征；

步骤6.2，根据连接点特征、与连接点特征对应的点特征匹配对的点特征、连接点特征的重心化坐标建立两个布尔沙模型；

步骤6.3，根据步骤6.2得到的两个布尔沙模型，分别对两套机载激光雷达数据进行坐标转换，得到两套经过坐标修正的机载激光雷达数据。

本发明与现有技术相比，具有以下优点：

1.由于本发明是数据驱动的方法，不需要利用野外控制点来进行盲源误差补偿，因此减小了外业控制点布设的工作量，特别适用于难于布设外业控制点区域的机载激光雷达数据；

2.经本发明改正盲源误差后，机载激光雷达数据在X方向的中误差为改正前的80.3％，Y方向的中误差为改正前的67.6％，Z方向的中误差为改正前的66.3％，总体中误差为改正前的71.4％，改正后的机载激光雷达数据定位精度显著提高。

附图说明

图1：一种基于数据驱动的机载激光雷达盲源误差补偿方法的流程图

图2：本发明的设备安装示意图

示意图中安装部件的标号说明：

(1)LeicaALS70HP机载激光雷达

(2)外置惯性测量单元

(3)钢板底座

图3：本发明应用于机载激光雷达盲源误差处理的精度示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

如图1所示，一种基于数据驱动的机载激光雷达盲源误差补偿方法，包括以下步骤：

步骤1，在机载激光雷达(LeicaALS70HP)的钢板底座上架设一台外置惯性测量单元(型号可选用LeicaIPAS20，设备安装如图2所示)，使用全站仪测量外置惯性测量单元与机载激光雷达的激光测距仪(LS70-LPScannerAssembly)之间的距离和偏心角；

步骤2，利用步骤1中的机载激光雷达进行数据采集，可以得到两套机载激光雷达数据，分别为机载激光雷达自身产生的第一机载激光雷达数据，以及联合机载激光雷达的激光测距数据、外置惯性测量单元的测姿数据和步骤1中外置惯性测量单元与机载激光雷达的激光测距仪的距离、偏心角，根据机载激光雷达数据生成理论模型得到的第二机载激光雷达数据；

步骤3，分别对步骤2中的两套机载激光雷达数据进行迭代计算，得到机载激光雷达的惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值、外置惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值，然后利用对应的翻滚角和俯仰角的改正值根据机载激光雷达数据生成理论模型分别对两套激光雷达数据进行第一次坐标修正；

步骤4，根据步骤3中得到的两套机载激光雷达数据，分别提取两套机载激光雷达数据中的点特征；

步骤5，对步骤4中得到的两套机载激光雷达数据所对应的点特征进行匹配，得到点特征匹配对；

步骤6，根据步骤5中得到的点特征匹配对，建立两套机载激光雷达数据的布尔沙(Bursa)模型，利用该模型对两套机载激光雷达数据进行第二次坐标修正；

步骤7，对步骤6得到的两套机载激光雷达数据求平均值，得到一套机载激光雷达数据，该机载激光雷达数据即为经过盲源误差补偿的机载激光雷达数据。

如上所述的步骤3中，用于计算翻滚角和俯仰角改正值的迭代计算的方法为：

步骤3.1，将步骤2中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤3.2-3.5的处理；

步骤3.2，确定机载激光雷达数据中的航带重叠区域；

步骤3.3，计算航带重叠区域中水平地面间的高差Δh，以及该水平地面到机载激光雷达获取数据过程中形成的航迹的最小平面距离r，根据公式(1)计算翻滚角的改正值；

$\mathrm{\Δ}Roll=arctan\frac{\mathrm{\Δ}h}{2\×r}---\left(1\right)$

步骤3.4，计算航带重叠区域中建筑物屋顶的平面偏移Δx，以及该屋顶面到机载激光雷达获取数据过程中形成的航迹的高程距离Δz，根据公式(2)计算俯仰角的改正值；

$\mathrm{\Δ}pitch=arctan\frac{\mathrm{\Δ}x}{\mathrm{\Δ}z}---\left(2\right)$

步骤3.5，利用得到的翻滚角的改正值和俯仰角的改正值，根据机载激光雷达数据生成理论模型校正当前机载激光雷达数据的坐标，并将校正后的机载激光雷达数据作为步骤3.3和步骤3.4的输入；

重复步骤3.3——3.5，直到步骤3.3中的高差Δh和步骤3.4平面偏移Δx不再减小，此时完成了一套机载激光雷达数据的迭代计算；

如上所述的步骤4中，点特征的提取方法为：

步骤4.1，将步骤3中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤4.2-4.5的处理；

步骤4.2，采用Hough变换提取机载激光雷达数据中的所有平面特征，再根据平面特征间的空间拓扑关系，计算出所有相邻平面特征的交线，针对每一条交线，进行步骤4.3-4.5的处理；

步骤4.3，在交线的周围定义一个窗口，该窗口的中心位于交线上，窗口的长边与交线平行，窗口的长边的长度为交线的长度加上4倍的机载激光雷达数据的平均间距，窗口的短边的长度为4倍的机载激光雷达数据的平均间距；

步骤4.4，对于窗口内的每一个机载激光雷达数据脚点，查找该机载激光雷达数据脚点在半径R(R为2倍的机载激光雷达数据的平均间距)内的其他机载激光雷达数据脚点的最低高程值，如果该机载激光雷达数据脚点的高程值与此最低高程值的差值大于4米，则将该机载激光雷达数据脚点作为边界点，否则认定该机载激光雷达数据脚点为非边界点，不参与后续处理；

步骤4.5，针对步骤4.4中的所有边界点，利用K-均值聚类算法(优选的，K为2)对所有边界点进行聚类，并求出聚类的中心点，将此中心点作为机载激光雷达数据的点特征。

如上所述的步骤5中，点特征的匹配方法为：

步骤5.1，将步骤4中得到的点特征作为输入，令从第一机载激光雷达数据提取的所有点特征为P(我们称P为第一点特征集)，从第二机载激光雷达数据提取的所有点特征为Q(我们称Q为第二点特征集)；

步骤5.2，令p_i为第一点特征集P中的一点特征，在第二点特征集Q中寻找与p_i距离最近的点特征q_i和次近的点特征q_j；

步骤5.3，如果点特征p_i、q_i、q_j满足公式(3)，则p_i和q_i就构成一个点特征匹配对＜p_i,q_i＞；

|p_iq_i|＜0.9×|p_iq_j|(3)

步骤5.4，重复步骤5.2和5.3，找出所有的点特征匹配对。

如上所述的步骤6中，利用布尔沙模型进行机载激光雷达数据坐标修正的方法为：

步骤6.1，对步骤5中得到的每个点特征匹配对＜p_i,q_i＞求平均值r_i(其中，r_i＝(p_i+q_i)/2)，一个点特征匹配对的平均值对应为一个连接点特征；

步骤6.2，坐标转换中的布尔沙模型如公式(4)所示，利用最小二乘法计算出布尔沙模型的七参数；

$\left[\begin{array}{c}{X}_1\\ Y_1\\ Z_1\end{array}\right]-\left[\begin{array}{c}{X}_g\\ Y_g\\ Z_g\end{array}\right]=\left[\begin{array}{c}\mathrm{\Δ}X\\ \mathrm{\Δ}Y\\ \mathrm{\Δ}Z\end{array}\right]+(1+m)\·R\·(\left[\begin{array}{c}{X}_2\\ Y_2\\ Z_2\end{array}\right]-\left[\begin{array}{c}{X}_g\\ Y_g\\ Z_g\end{array}\right])---\left(4\right)$

其中，(X₁,Y₁,Z₁)^T为连接点特征；(X₂,Y₂,Z₂)^T为与连接点特征对应的点特征匹配对的点特征；(X_g,Y_g,Z_g)^T是所有连接点特征的重心化坐标；待求解的布尔沙模型的参数有七个，它们分别是三个平移参数ΔX,ΔY,ΔZ；三个旋转参数Ω,Φ,Κ，R为旋转矩阵，其中R＝R₁(Ω)R₂(Φ)R₃(Κ)(如公式5)；一个尺度缩放参数m。

$\left\{\begin{array}{c}{R}_1\left(\mathrm{\Ω}\right)=\left[\begin{array}{ccc}1& 0& 0\\ 0& \cos \mathrm{\Ω}& -\sin \mathrm{\Ω}\\ 0& \sin \mathrm{\Ω}& \cos \mathrm{\Ω}\end{array}\right]\\ R_2\left(\mathrm{\Φ}\right)=\left[\begin{array}{ccc}\cos \mathrm{\Φ}& 0& -\sin \mathrm{\Φ}\\ 0& 1& 0\\ \sin \mathrm{\Φ}& 0& \cos \mathrm{\Ω}\end{array}\right]\\ R_3\left(K\right)=\left[\begin{array}{ccc}\cos K& -\sin K& 0\\ \sin K& \cos K& 0\\ 0& 0& 1\end{array}\right]\end{array}\right.---\left(5\right)$

由于每个点特征匹配对是由两个点特征组成，因此可以构建两个布尔沙模型，这两个布尔沙模型分别对应于两套机载激光雷达数据。

步骤6.3，根据步骤6.2得到的两套布尔沙模型，分别对两套机载激光雷达数据进行坐标转换，得到两套经过坐标修正的机载激光雷达数据。

Claims (5)

1.一种基于数据驱动的机载激光雷达盲源误差补偿方法，其特征在于，包括以下步骤：

步骤1，在机载激光雷达的钢板底座上架设一台外置惯性测量单元，使用全站仪测量外置惯性测量单元与机载激光雷达的激光测距仪之间的距离和偏心角；

步骤2，利用步骤1中的机载激光雷达进行数据采集，可以得到两套机载激光雷达数据，分别为机载激光雷达自身产生的第一机载激光雷达数据，以及联合机载激光雷达的激光测距数据、外置惯性测量单元的测姿数据和步骤1中外置惯性测量单元与机载激光雷达的激光测距仪的距离、偏心角，根据机载激光雷达数据生成理论模型得到的第二机载激光雷达数据；

步骤3，分别对步骤2中的两套机载激光雷达数据进行迭代计算，得到机载激光雷达的惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值、外置惯性测量单元与机载激光雷达的激光测距仪之间的翻滚角和俯仰角的改正值，然后利用对应的翻滚角和俯仰角的改正值根据机载激光雷达数据生成理论模型分别对两套激光雷达数据进行第一次坐标修正；

步骤4，根据步骤3中得到的两套机载激光雷达数据，分别提取两套机载激光雷达数据中的点特征；

步骤5，对步骤4中得到的两套机载激光雷达数据所对应的点特征进行匹配，得到点特征匹配对；

步骤6，根据步骤5中得到的点特征匹配对，建立两套机载激光雷达数据的布尔沙(Bursa)模型，利用该模型对两套机载激光雷达数据进行第二次坐标修正；

步骤7，对步骤6得到的两套机载激光雷达数据求平均值，得到一套机载激光雷达数据，该机载激光雷达数据即为经过盲源误差补偿的机载激光雷达数据。

2.根据权利要求1所述的一种基于数据驱动的机载激光雷达盲源误差补偿方法，其特征在于，所述的步骤3中用于计算翻滚角和俯仰角改正值的迭代计算的方法包括以下步骤：

步骤3.1，将步骤2中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤3.2-3.5的处理；

步骤3.2，确定机载激光雷达数据中的航带重叠区域；

步骤3.3，计算航带重叠区域中水平地面间的高差Δh，以及该水平地面到机载激光雷达获取数据过程中形成的航迹的最小平面距离r，计算翻滚角的改正值

$\mathrm{\ΔRoll}=\arctan \frac{\mathrm{\Δh}}{2\×r};$

步骤3.4，计算航带重叠区域中建筑物屋顶的平面偏移Δx，以及该屋顶面到机载激光雷达获取数据过程中形成的航迹的高程距离Δz，计算俯仰角的改正值

$\mathrm{\Δpitch}=\arctan \frac{\mathrm{\Δx}}{\mathrm{\Δz}};$

步骤3.5，利用得到的翻滚角的改正值和俯仰角的改正值，根据机载激光雷达数据生成理论模型校正当前机载激光雷达数据的坐标，并将校正后的机载激光雷达数据作为步骤3.3和步骤3.4的输入；

重复步骤3.3——3.5，直到步骤3.3中的高差Δh和步骤3.4平面偏移Δx不再减小，此时完成了一套机载激光雷达数据的迭代计算。

3.根据权利要求1所述的一种基于数据驱动的机载激光雷达盲源误差补偿方法，其特征在于，所述的步骤4中，点特征的提取方法为：

步骤4.1，将步骤3中得到的两套机载激光雷达数据作为输入，分别对这两套机载激光雷达数据进行步骤4.2-4.5的处理；

步骤4.2，采用Hough变换提取机载激光雷达数据中的所有平面特征，再根据平面特征间的空间拓扑关系，计算出所有相邻平面特征的交线，针对每一条交线，进行步骤4.3-4.5的处理；

步骤4.3，在交线的周围定义一个窗口，该窗口的中心位于交线上，窗口的长边与交线平行，窗口的长边的长度为交线的长度加上4倍的机载激光雷达数据的平均间距，窗口的短边的长度为4倍的机载激光雷达数据的平均间距；

步骤4.4，对于窗口内的每一个机载激光雷达数据脚点，查找该机载激光雷达数据脚点在半径R内的其他机载激光雷达数据脚点的最低高程值，如果该机载激光雷达数据脚点的高程值与此最低高程值的差值大于4米，则将该机载激光雷达数据脚点作为边界点，否则认定该机载激光雷达数据脚点为非边界点，不参与后续处理；

步骤4.5，针对步骤4.4中的所有边界点，利用K-均值聚类算法对所有边界点进行聚类，并求出聚类的中心点，将此中心点作为机载激光雷达数据的点特征。

4.根据权利要求1所述的一种基于数据驱动的机载激光雷达盲源误差补偿方法，其特征在于，所述的步骤5中，点特征的匹配方法包括以下步骤：

步骤5.1，将步骤4中得到的点特征作为输入，令从第一机载激光雷达数据提取的所有点特征为P，即P为第一点特征集，从第二机载激光雷达数据提取的所有点特征为Q，即Q为第二点特征集；

步骤5.2，令p_i为第一点特征集P中的一点特征，在第二点特征集Q中寻找与p_i距离最近的点特征q_i和次近的点特征q_j；

步骤5.3，如果点特征p_i、q_i、q_j满足|p_iq_i|＜0.9×|p_iq_j|，则p_i和q_i就构成一个点特征匹配对＜p_i,q_i＞；

步骤5.4，重复步骤5.2和5.3，找出所有的点特征匹配对。

5.根据权利要求1所述的一种基于数据驱动的机载激光雷达盲源误差补偿方法，其特征在于，所述的步骤6中，利用布尔沙模型进行机载激光雷达数据坐标修正包括以下步骤：

步骤6.1，对步骤5中得到的每个点特征匹配对＜p_i,q_i＞求平均值r_i，一个点特征匹配对的平均值对应为一个连接点特征；

步骤6.2，根据连接点特征、与连接点特征对应的点特征匹配对的点特征、连接点特征的重心化坐标建立两个布尔沙模型；

步骤6.3，根据步骤6.2得到的两个布尔沙模型，分别对两套机载激光雷达数据进行坐标转换，得到两套经过坐标修正的机载激光雷达数据。