CN104952107A - 基于车载LiDAR点云数据的桥梁三维重建方法 - Google Patents
基于车载LiDAR点云数据的桥梁三维重建方法 Download PDFInfo
- Publication number
- CN104952107A CN104952107A CN201510249817.7A CN201510249817A CN104952107A CN 104952107 A CN104952107 A CN 104952107A CN 201510249817 A CN201510249817 A CN 201510249817A CN 104952107 A CN104952107 A CN 104952107A
- Authority
- CN
- China
- Prior art keywords
- cloud data
- bridge
- point cloud
- vehicle
- dimensional
- 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
Abstract
本发明提供一种基于车载LiDAR点云数据的桥梁三维重建方法。所述基于车载LiDAR点云数据的桥梁三维重建方法,可将获取的桥梁底部的三维点云数据实现三维模型可视化,包括以下步骤:步骤一、获取车载LiDAR点云数据;步骤二、点云数据均匀抽稀,减少数据量;步骤三、计算点云数据的法向量和曲率及密度,滤除噪声;步骤四、点云数据配准,并进行点云数据抽稀;步骤五、提取桥梁面片,加入先验知识,面片约束,构建TIN模型;步骤六、TIN模型与纹理影像映射;步骤七、三维模型可视化。本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法能拟合桥梁面片,补充不完整数据,将粗扫描和细扫描数据有效结合,实现桥梁三维模型快速、实时、高精准度的构建。
Description
技术领域
本发明涉及车载LiDAR点云数据处理技术领域,特别地,涉及一种基于车载LiDAR点云数据的桥梁三维重建方法。
背景技术
目前,桥梁底部裂缝的人工检测方法成本高、精度低、安全性也低,使得智能化检测方法的研究迫在眉睫,其中最为关键的部分是要实现桥梁底部精确的三维可视化,因为传统的三维建模是基于图片的信息建模,速度慢、准确度低、缺少真实感。近年来,基于车载激光扫描技术(Light Detection and Ranging,LiDAR)的三维建模成了研究热点,显示出巨大的前景,该技术不仅具有快速、实时、高密度和高精度等特点,还能够直接获取物体的表面材质及角度信息,利用LiDAR技术进行三维重建能够有效恢复具有准确几何信息和真实感的三维模型。
国内外很多专家对车载LiDAR的三维重建系统作了深入的研究,较为普遍的三维重建方法是将LiDAR数据转化为深度影像,使用原有的图像分割数据进行处理,而非直接对3D点云数据进行处理。如ZhaoHuijing和SHIBASAKIRyosuke提出的基于车载数据的自动化CAD模型构建:该方法首先从激光距离数据中生成几何模型,在此基础上提取诸如建筑物、地面、树木等城市特征地物,而纹理通过正摄投影和重采样后的CCD图像生成。Brad Grinstead等提出对车载激光数据的三角网构建和简化。江水等提出对相邻两条扫描线数据构建三角网进而完成整个带状地物表面快速重建方法:该方法先利用相邻两条扫描线构建三角网,然后把所有这些狭长三角网连接起来,能准确地描述整个带状地物的形态结构。卢秀山、李清泉等人提出基于地面影像的建模系统和基于地面与空中影像相结合的建模系统:该方法包括①在没有其他控制点信息的情况下,仅利用CCD相机获取的影像的立体空间关系运用光束法平差建立空间三维模型;②在融合GPS定位数据、激光点云数据和CCD相机影像数据的基础上,选择基准坐标系,并将这些数据联合解算到该基准,最后建立该基准下的真实三维模型;③结合地面控制点和空间遥感影像,求解目标模型框架的空间三维坐标,并使用地面获取的立面纹理影像进行纹理映射,建立可量测化的真三维模型。以上这些方法均使用原有的图像分割数据进行处理,这样的数据转换通常会带来扫描信息的丢失,所以为了桥梁三维重建的精确性,目前需要一个可靠的从原始LiDAR点云中准确、有效地获取建筑物的点数据的桥梁三维重建方法。
发明内容
为了解决上述基于车载LiDAR点云数据的桥梁三维重建方法速度慢、准确度低、缺少真实感的技术问题,本发明提供一种快速、实时、具有高精密的基于车载LiDAR点云数据的桥梁三维重建方法。
本发明提供的一种基于车载LiDAR点云数据的桥梁三维重建方法,包括以下步骤:
步骤一、获取车载LiDAR点云数据;
步骤二、点云数据均匀抽稀,减少数据量;
步骤三、计算点云数据的法向量和曲率及密度,滤除噪声;
步骤四、点云数据配准,并进行点云数据抽稀,具体包括以下步骤:
一、点云数据集预配准;
二、点云数据集精配准;
三、矩阵优化;
步骤五、提取桥梁面片,加入先验知识,面片约束,构建TIN模型,具体包括以下步骤:
一、提取桥梁面片;
二、构建TIN模型;
步骤六、TIN模型与纹理影像映射;
步骤七、三维模型可视化。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤二中的抽稀过程的具体步骤如下:
一、将所有区域划分为若干个大小一致的立方体;
二、对某点找到其对应的立方体,若立方体不存在,则建立对应的立方体,计算该点到立方体中心的距离,遍历所有点;
三、对每个立方体找到距离其中心最近的点,并存储,舍弃其他点。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤三中计算点云数据的具体步骤如下:
一、将点云数据所占空间分为若干立方体,并将点云与立方体相对应,建立索引关系;
二、将空间所有点对应的立方体建立Kd-tree,树中的每个结点对应了一个K维区域;
三、计算密度;
四、计算曲率和法向量。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤三中的点云数据噪声滤除过程的具体步骤如下:
一、设定密度阈值,若某点密度大于密度阈值,则将该点存储,遍历所有点云数据,舍弃噪声点云数据;
二、设定最大深度阈值,若某点深度阈值值大于最大深度阈值,则认为该点为噪声点并舍去;
三、对存储的点云进行分析,将点的法向量和曲率对应存储,得到去噪后的点云数据。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤四中的预配准过程采用基于表面几何特征的配准算法,其具体步骤如下:
一、从模型P中随机选择N个点Bp;
二、从模型Q中计算出N个点Bq与Bp相对应;
三、估算旋转矩阵R和平移向量T。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤四中的精配准过程采用ICP配准算法,其具体步骤如下:
一、从模型P中随机选择K个点Bp,
二、在模型Q中选择K个距离最近的点Bq,二者建立同名点集,一一映射;
三、计算模型P和模型Q之间最小二乘法下的相似变换矩阵M,循环迭代得到最终四维齐次矩阵M。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤四中的矩阵优化过程采用了RANSAC算法,且优化后矩阵内的数据要再次抽稀。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤五中的桥梁面片提取过程的具体步骤如下:
一、建立八叉树结构处理数据;
二、拟合所有面片,构建邻接表;
三、合并所有面片。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤五中的TIN模型的构建过程采用了狄洛尼三角剖分法使桥梁点云连续化,其具体计算步骤如下:
一、提取合并面片的顶点;
二、对面片构建三角网直至面片构建完成;
三、邻接面片三角网构建直至完成。
在本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种较佳实施例中,所述步骤六中的纹理影像是由外置相机摄录的数字影像与点云数据配准而成,具体配准过程如下:
一、计算大地坐标系到POS系统的旋转矩阵;
二、计算POS系统到相机的旋转矩阵;
三、计算相机中心到大地坐标系的旋转矩阵,并得出相机拍摄瞬间的三维坐标。
相较于现有技术,本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法具有以下有益效果:
一、所述基于车载LiDAR点云数据的桥梁三维重建方法为智能化的检测方法,不仅具有快速、实时、高密度和高精度的特点,还能够直接获取物体的表面材质及角度信息,使重建的三维模型具有准三维确几何信息和真实感,方便对桥梁进行检测工作。
二、所述基于车载LiDAR点云数据的桥梁三维重建方法中点云数据的自动配准十分精确,能拟合桥梁面片,补充不完整数据,将粗扫描和细扫描数据有效结合,对桥梁三维模型的构建提供了高精准度的数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法一种实施例的整体流程图;
图2是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤二的流程图;
图3是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤三的流程图;
图4是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤四的流程图;
图5是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤五的流程图;
图6是本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤六的流程图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例的整体流程图。所述基于车载LiDAR点云数据的桥梁三维重建方法1主要服务于桥梁检测,可提供实时的真三维可视化模型,包括以下步骤:
S1、获取车载LiDAR点云数据;
S2、点云数据均匀抽稀,减少数据量;
由于点云数据的数量巨大,消耗内存多且计算时间长,因此,要对点云数据进行均匀抽稀,以提高程序效率。本发明使用的是基于坡度的抽稀方法,数据处理效率好,能满足精度要求,其抽稀过程如下:
请参阅图2,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤二的流程图。
S21、将点云数据的所有区域划分为若干个大小一致的立方体;
S22、对某点A(xA,yA,zA)找到对应的立方体,若立方体不存在,则建立对应的立方体,计算该点到立方体中心的距离D,遍历所有点;
S23、对每个立方体都找到距离其中心最近的点B(x0,y0,z0)并储存,舍弃其他点。
S3、计算点云数据的法向量和曲率及密度,滤除噪声;
首先计算点云数据的密度,然后以将法向量和曲率一起计算,最后根据法向量、密度以及深度约束和深度差约束、数据特点等进行去噪,其计算过程如下:
请参阅图3,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤三的流程图。
S31、将点云数据所占空间分为若干立方体,并将点云数据与立方体相对应,建立索引关系;
S32、将空间所有点对应的立方体建立Kd-tree,树结构中的每个结点对应了一个K维区域;
S33、计算密度;计算过程如下:
确立中心点,利用Kd-tree法搜索距离中心点最近的K个点,建立k-邻域,若邻域附近点云分布密集则用中心点的平均密度代替,若密度较小,保留部分点,点的取舍主要根据与中心点的距离,
ρscale=Norg/(Nneig-1)2,
式中,D表示点到中心点的距离,Norg表示初始设定的邻域点个数,Nneig表示邻域中点的个数。
S34、计算法向量和曲率;计算过程如下:
每个中心点与其k-邻域拟合平面,设局部拟合平面F(x,y,z)的方程为:
F(x,y,z)=ax+by+cz+d=0,
式中的a,b,c,d由邻域数据点{(xi,yi,zi),i=1,2,...,k}通过线性方程组来确定,由k-邻域所有点组成线性方程;
且根据最小二乘法,误差方程如下:
AX=L,
式中,A代表系数阵,X代表改正数,L为常数项,由协方差矩阵cov(A)求解曲率和法向量,解求协方差矩阵的特征值矩阵为λ,
n(xi)=(λ7,λ8,λ9)T,
R(xi)=3×λ3/(λ1+λ2+λ3),
式中n(xi)表示法向量,R(xi)表示曲率。
S35、点云数据噪声滤除。
激光扫描获取数据过程中存在一定的噪声,对后续的面片提取会造成干扰,其计算过程如下:
设定密度阈值ρmax,若某点密度ρi>ρmax,则将该点存储,遍历所有点云数据,舍弃噪声点云数据;
设定最大深度阈值Zdmax,若某点Z值Zdi>Zdmax,则认为该点为噪声点,舍去;
对存储的点云进行分析,将点的法向量和曲率对应存储,得到去噪后的点云数据。
S4、点云数据配准,主要包括预配准和精配准两个过程;
对经过预处理的两个点云数据集P和Q(二者有一定的重叠区域)进行配准,其计算过程如下:
请参阅图4,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤四的流程图。
S41、预配准;
该配准过程为了得到可靠的初始估计值,使用了基于点云模型表面几何特征的配准算法,通常选取的几何特征对象包括点、线、面,本发明中选取点特征进行配准以估算初始旋转矩阵R和平移向量T,其计算过程如下:
S411、在点云数据集P中随机选择N个点,记为Bp;
S412、在点云数据集Q中计算出与P对应的N个点,一一映射,记为Bq;
S413、根据映射点估算旋转矩阵R和平移向量T,计算过程如下:
定义相似性差函数d(vp,vq),表示Bp中某点与Q中所有点的距离,找到最小距离点,
式中,t为设定的阈值,s(vp,vq)表示相似度的测度,整个Bp与Bq的相似度可以表示为:
其中,fi(pi)描述Bp某点的特征,mk(pi,pj)描述点对(pi,pj)的特征,表示权重, 和sc(Bp,Bq)的值越高表明Bp,Bq的相似度越大。
不断的迭代计算,使得sc(Bp,Bq)值越大,迭代次数达到给定的最大值Itmax或者前后两次sc(Bp,Bq)值相差小于给定的差值限,停止迭代,将Bp,Bq中的点一一映射排序储存,估算出Bp,Bq点集的旋转矩阵R和平移向量T。
S42、精配准;
因为之前有了较好的配准初始估计值,能保证精配准结果准确性,该配准过程使用基于最邻近点迭代法(Interative Closest Point,ICP)配准算法,将获得的旋转矩阵R,T转换为四维齐次矩阵M,其计算过程如下:
S421、在点云数据集P中随机选择K个点,记为Bp;
S422、在点云数据集Q中计算出与P对应的距离最近的K个点,记为Bq,并一一映射,;
S423、用ICP算法计算得到变换矩阵M,具体计算过程如下:
根据最近点计算出第n次迭代后两者的均方距离D,进而计算得到P和Q之间最小二乘下的相似变换矩阵M,再根据转换矩阵M,变换当前扫描坐标系下的数据点至模板点云模型坐标系下,即
最后计算和间的均方距离如果(ε为设定的迭代差),或迭代次数达到设定的最大值,则停止迭代,否则循环最小二乘直到迭代结束,得到最终的变换矩阵M。
S43、矩阵优化;
利用随机抽样一致性算法(RANdom SAmple Consensus,RANSAC)优化最终得到的变换矩阵M,迭代次数达到给定的最大值Imax或者变化矩阵不会被改变,则停止迭代,具体步骤如下:
先在P中随机选择k(k≥3)个点,利用RANSAC算法获得在Q中的对应相似点集,计算得到变化矩阵R,T,并检验变化矩阵,为得到最佳的变化矩阵,最合适的标准是最大的公共点集,公式如下:
其中,λ表示一个参数,δ表示距离阈值,T为旋转矩阵,Hn(T,δ)为直方图,ms(T,δ)表示在δ下,T对应的稳定度,即,若T是最佳的,对δ的敏感度比较低。
S44、配准后点云数据抽稀并格网化;
由于配准后,重叠区域点云数据密度增加,且整体密度不均,故需进行抽稀,过程同步骤S2。
S5、提取桥梁面片,利用先验知识拟合辅助以构建不规则三角网数字模型(Triangulated Irregular Network,TIN);
对配准后的点云数据构建TIN模型,考虑到大部分桥梁立面都是水平或垂直的,使用桥梁面片划分来辅助TIN模型的构建,不仅使格网构建简单化,还可以填补缺漏,补充不完整的数据,具体过程如下:
请参阅图5,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤五的流程图。
S51、提取桥梁面片;其计算过程如下:
S511、基于八叉树的结构来点云处理数据,假设三维点云数据最大的包围立方盒为B,根据该立方盒的大小将其切分成若干个大小为M×M(M=2N)的小立方体,记为Bi,此处即首先分成8个立方体,考虑到立方体太大无法拟合成面片,并且拟合的面片也不准确,故根据先验知识将立方体继续划分n层,得到合适大小的立方体Bi;
S512、针对每个小立方体Bi,采用最小二乘的方法拟合得到面Pi,并计算得到每个点到面Pi的距离dij,同时求得最大距离dmax;
若dmax<dth,dth为给定的阈值,则面Pi符合要求;
若dmax>dth,且dmax<λdth,λ为预先设置的参数,则采用RANSAC算法对该立方体进行重新拟合,得到新的面Pi;
若dmax>dth,则对该立方体按照八叉树结构进行均匀分割,得到8块新的立方体,重复迭代此步骤。
S513、对于步骤S512中前两种情况:dmax<dth或dmax<λdth,计算该立方体中包含的点云的曲率平均值Rmean;计算过程如下:
若Rmean<Rth,Rth给定的阈值,则保留该立方体;
若Rmean>Rth,则对该立方体进行均匀分割,得到8块新的立方体,重复迭代步骤S512和步骤S513,直至每个立方体都被拟合成面或者已经为最小单元(大小为w),则停止迭代;
S514、构建邻接表、合并面片;
根据邻接表,计算所有相邻面片法向量之间的夹角,并将所有夹角从小到大进行排序,同时,将组成夹角的两个面片依次排序,其具体过程如下:
设置阈值θth,若相邻的面片P1和P2的夹角θ<θth,则将两相邻面片进行合并,采用RASNAC算法重新估计得新的面P′,并计算面P′的方差,记为σ′。分别记面片P1和P2的方差为σ1和σ2,并记做σmax=max(σ1,σ2)。通过方差,计算合并后的面的精度下降值σd=σ′-σmax。若σd<max(3·σmax,σth),其中σth为事先给定阈值,合并面P1和P2,得新面P′,更新邻接表;若σd>max(3·σmax,σth),则不进行合并操作,重复本步骤,直至没有可以再进行合并的面片;
S515、面片循环迭代增长;具体过程如下:
对步骤S514中得到的所有初始面片按照大小(包含最小单元的个数)从大到小进行排序。针对每个初始面片,将其视为种子面片,以最小单元为增长单元,26邻域进行增长。计算邻接最小单元中所有点(个数为M)到种子面片的距离d,统计距离d小于给定阈值dth的点的个数,记为N。若N大于给定的阈值Nth并大于r×M(0<r<1),r为给定的参数,则进行增长,同时重新估计面片参数,并更新邻接,否则不增长。对本步骤进行循环迭代,逐步增大dth的值,增大幅度为d′,直至dth小于给定的最大阈值d′th,则停止迭代。
S516、对增长后的面片继续执行步骤S514,即进行合并,得到合并后的面片;最终得到面片以及面片对应的点。
S52、加入先验知识,面片约束,构建TIN模型;
本发明采用狄洛尼三角剖分法来完成对配准后桥梁点云的连续化。针对T形桥梁的具体过程如下:
S521、获取面片Pi的四个顶点,作为初始三角网构建起点;
S522、在面片Pi对应的点中找出与起始点最近的一个点,连接构成最短边,按照狄洛尼三角网法则,找出第三个点构成一个三角形,如此迭代直至面片Pi对应的所有的点均被处理;
S523、重复步骤S521和步骤S522直至所有面片构建全部完成;
S524、对邻接面片Pi和Pi+1进行处理,首先确定面片的位置关系,假设以Pi一条线段(两面片的交线)的顶点为起始点,构建一组三角形,连接面片Pi和Pi+1;
S525、循环步骤S524直至对所有的邻接面片都被处理。
S6、TIN模型与纹理影像映射;
数字影像中的每一像素均与所述车载LiDAR点云数据中的某一点一一对应,形成的纹理影像与TIN模型映射,具体过程如下:
请参阅图6,为本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法的一种实施例步骤六的流程图。
S61、外置的相机摄录下桥梁的数字影像;
S62、点云数据与数字影像配准;
点云数据与数字影像数据可利用共线方程原理进行配准,得到相机在大地坐标系中的外方位元素,根据每张照片拍摄瞬间的定位定向导航系统(Position and Orientation Navigation System,POS)的位置和姿态,结合全景影像与POS系统的相对位置关系和姿态数据,恢复每张影像的外方位元素,具体过程如下:
S621、计算大地坐标系到POS系统的旋转矩阵RM2P;计算过程如下:
式中,dRi c=cos(dRi),dRi s=sin(dRi),i=x,y,z,dRx,dRy和dRz分别为POS系统记载的测量车在大地坐标系下的方位角、滚动角和俯仰角。
S622、计算POS系统到相机的旋转矩阵RP2Cam;计算过程如下:
式中,Ri c=cos(Ri),Ri s=sin(Ri),i=x,y,z,Rx、Ry和Rz分别为相机在车体坐标系下的三个旋转角度值。
S623、计算大地坐标系到相机中心的旋转矩阵RM2Cam;
恢复相机拍摄瞬间三个姿态角,根据RM2Cam旋转矩阵计算出相机拍摄瞬间三个姿态角Rx、Ry和Rz,由此便得到了相机在大地坐标系中的角元素。
S624、计算相机中心在大地坐标系中的坐标;
[Xs,Ys,Zs]=RM2Cam×[dx,dy,dz]+[X,Y,Z],
式中:dx,dy和dz分别为全景相机在车体坐标系下的偏移,X,Y,Z分别为POS系统记载的测量车在大地坐标系下的三维坐标,便得到了相机在大地坐标系中的线元素,便将点云数据和影像数据配准了。
S63、将每个面片对应的点云分别生成栅格图像,以扫描线数为宽度(面片宽度),Z坐标最大最小差值为图像高度,为三角网中的所有顶点在图像中找到对应的像素点,一一匹配。
S7、三维模型可视化;
映射好的TIN模型是通过三维图形标准(Open GraphicsLibrary,OpenGL)实现模型的可视化。
本发明提供的基于车载LiDAR点云数据的桥梁三维重建方法1具有以下有益效果:
一、所述基于车载LiDAR点云数据的桥梁三维重建方法1为智能化的检测方法,不仅具有快速、实时、高密度和高精度的特点,还能够直接获取物体的表面材质及角度信息,使重建的三维模型具有准三维确几何信息和真实感,方便对桥梁进行检测工作。
二、所述基于车载LiDAR点云数据的桥梁三维重建方法1中点云数据的自动配准十分精确,能拟合桥梁面片,补充不完整数据,将粗扫描和细扫描数据有效结合,对桥梁三维模型的构建提供了高精准度的数据。
以上所述仅为本发明的一种实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,包括以下步骤:
步骤一、获取车载LiDAR点云数据;
步骤二、点云数据均匀抽稀,减少数据量;
步骤三、计算点云数据的法向量和曲率及密度,滤除噪声;
步骤四、点云数据配准,并进行点云数据抽稀,具体包括以下步骤:
一、点云数据集预配准;
二、点云数据集精配准;
三、矩阵优化;
步骤五、提取桥梁面片,加入先验知识,面片约束,构建TIN模型,具体包括以下步骤:
一、提取桥梁面片;
二、构建TIN模型;
步骤六、TIN模型与纹理影像映射;
步骤七、三维模型可视化。
2.根据权利要求1所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤二中的抽稀过程的具体步骤如下:
一、将所有区域划分为若干个大小一致的立方体;
二、对某点找到其对应的立方体,若立方体不存在,则建立对应的立方体,计算该点到立方体中心的距离,遍历所有点;
三、对每个立方体找到距离其中心最近的点,并存储,舍弃其他点。
3.根据权利要求2所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤三中计算点云数据的具体步骤如下:
一、将点云数据所占空间分为若干立方体,并将点云与立方体相对应,建立索引关系;
二、将空间所有点对应的立方体建立Kd-tree,树中的每个结点对应了一个K维区域;
三、计算密度;
四、计算曲率和法向量。
4.根据权利要求3所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤三中的点云数据噪声滤除过程的具体步骤如下:
一、设定密度阈值,若某点密度大于密度阈值,则将该点存储,遍历所有点云数据,舍弃噪声点云数据;
二、设定最大深度阈值,若某点深度阈值值大于最大深度阈值,则认为该点为噪声点并舍去;
三、对存储的点云进行分析,将点的法向量和曲率对应存储,得到去噪后的点云数据。
5.根据权利要求1所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤四中的预配准过程采用基于表面几何特征的配准算法,其具体步骤如下:
一、从模型P中随机选择N个点集Bp;
二、从模型Q中计算出N个点Bq与Bp相对应;
三、估算旋转矩阵R和平移向量T。
6.根据权利要求5所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤四中的精配准过程采用ICP配准算法,其具体步骤如下:
一、从模型P中随机选择K个点Bp,
二、在模型Q中选择K个距离最近的点Bq,二者建立同名点集,一一映射;
三、计算模型P和模型Q之间最小二乘法下的相似变换矩阵M,循环迭代得到最终四维齐次矩阵M。
7.根据权利要求6所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤四中的矩阵优化过程采用了RANSAC算法,且优化后矩阵内的数据要再次抽稀。
8.根据权利要求1所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤五中的桥梁面片提取过程的具体步骤如下:
一、建立八叉树结构处理数据;
二、拟合所有面片,构建邻接表;
三、合并所有面片。
9.根据权利要求8所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤五中的TIN模型的构建过程采用了狄洛尼三角剖分法使桥梁点云连续化,其具体计算步骤如下:
一、提取合并面片的顶点;
二、对面片构建三角网直至面片构建完成;
三、邻接面片三角网构建直至完成。
10.根据权利要求1所述的基于车载LiDAR点云数据的桥梁三维重建方法,其特征在于,所述步骤六中的纹理影像是由外置相机摄录的数字影像与点云数据配准而成,具体配准过程如下:
一、计算大地坐标系到POS系统的旋转矩阵;
二、计算POS系统到相机的旋转矩阵;
三、计算相机中心到大地坐标系的旋转矩阵,并得出相机拍摄瞬间的三维坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510249817.7A CN104952107A (zh) | 2015-05-18 | 2015-05-18 | 基于车载LiDAR点云数据的桥梁三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510249817.7A CN104952107A (zh) | 2015-05-18 | 2015-05-18 | 基于车载LiDAR点云数据的桥梁三维重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104952107A true CN104952107A (zh) | 2015-09-30 |
Family
ID=54166732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510249817.7A Pending CN104952107A (zh) | 2015-05-18 | 2015-05-18 | 基于车载LiDAR点云数据的桥梁三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104952107A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及系统 |
CN105513128A (zh) * | 2016-01-13 | 2016-04-20 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于Kinect的三维数据融合处理方法 |
CN105512287A (zh) * | 2015-11-30 | 2016-04-20 | 山东正元地球物理信息技术有限公司 | 一种建立综合管廊信息数据库的方法 |
CN105787933A (zh) * | 2016-02-19 | 2016-07-20 | 武汉理工大学 | 基于多视角点云配准的岸线三维重建装置及方法 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及系统 |
CN106296650A (zh) * | 2016-07-22 | 2017-01-04 | 武汉海达数云技术有限公司 | 一种激光点云配准方法和装置 |
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN106504313A (zh) * | 2016-11-22 | 2017-03-15 | 山东省科学院海洋仪器仪表研究所 | 一种Volume重建范围的扩展方法及系统 |
CN107064954A (zh) * | 2017-05-24 | 2017-08-18 | 云南省交通规划设计研究院 | 一种基于车载和机载点云的公路地形图测绘方法和系统 |
CN107123140A (zh) * | 2017-03-21 | 2017-09-01 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站均压环进行建模的方法 |
WO2017185937A1 (en) * | 2016-04-29 | 2017-11-02 | Microsoft Technology Licensing, Llc. | Mesh denoising |
CN107767440A (zh) * | 2017-09-06 | 2018-03-06 | 北京建筑大学 | 基于三角网内插及约束的文物序列影像精细三维重建方法 |
CN107798721A (zh) * | 2016-08-31 | 2018-03-13 | 北京四维图新科技股份有限公司 | 一种点云数据的处理方法及装置和点云渲染方法及装置 |
CN108507533A (zh) * | 2018-04-24 | 2018-09-07 | 招商局重庆交通科研设计院有限公司 | 隧道断面连续测量机器人 |
CN108510516A (zh) * | 2018-03-30 | 2018-09-07 | 深圳积木易搭科技技术有限公司 | 一种散乱点云的三维线段提取方法及系统 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108955564A (zh) * | 2018-06-20 | 2018-12-07 | 北京云迹科技有限公司 | 激光数据重采样方法及系统 |
CN109191484A (zh) * | 2018-09-06 | 2019-01-11 | 杭州中科天维科技有限公司 | 一种从机载激光雷达点云中快速提取平面片的方法 |
CN109584183A (zh) * | 2018-12-05 | 2019-04-05 | 吉林大学 | 一种激光雷达点云去畸变方法及系统 |
CN109814572A (zh) * | 2019-02-20 | 2019-05-28 | 广州市山丘智能科技有限公司 | 移动机器人定位建图方法、装置、移动机器人和存储介质 |
CN110163900A (zh) * | 2019-05-31 | 2019-08-23 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110223336A (zh) * | 2019-05-27 | 2019-09-10 | 上海交通大学 | 一种基于tof相机数据的平面拟合方法 |
CN110678737A (zh) * | 2017-02-10 | 2020-01-10 | 沃斯葛莱德有限责任公司 | 用于分析物件的装置及方法 |
CN111311752A (zh) * | 2020-02-14 | 2020-06-19 | 福州大学 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
CN111412833A (zh) * | 2020-03-30 | 2020-07-14 | 广东电网有限责任公司电力科学研究院 | 变电站三维场景定位安全距离的告警方法、系统及设备 |
CN111915723A (zh) * | 2020-08-14 | 2020-11-10 | 广东申义实业投资有限公司 | 一种用于室内的三维全景构建方法和系统 |
CN112164081A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种车载LiDAR点云铁路横断面轮廓提取方法 |
CN112489094A (zh) * | 2020-11-25 | 2021-03-12 | 国网福建省电力有限公司 | 一种多线机载激光雷达点云数据配准方法 |
US20220005154A1 (en) * | 2019-07-30 | 2022-01-06 | SZ DJI Technology Co., Ltd. | Method and device for processing point cloud |
CN114372303A (zh) * | 2021-11-28 | 2022-04-19 | 湖南康桥智能科技有限公司 | 一种梁桥梁底结构轻量bim模型快速构建方法 |
CN115629374A (zh) * | 2022-12-16 | 2023-01-20 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的无人船桥下定位方法及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN102298793A (zh) * | 2011-08-18 | 2011-12-28 | 北京建筑工程学院 | 一种获取文物三维图形数据的方法 |
CN102938142A (zh) * | 2012-09-20 | 2013-02-20 | 武汉大学 | 基于Kinect的室内LiDAR缺失数据填补方法 |
CN104408689A (zh) * | 2014-12-10 | 2015-03-11 | 武汉大学 | 基于全景影像的街景面片优化方法 |
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
-
2015
- 2015-05-18 CN CN201510249817.7A patent/CN104952107A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
CN102298793A (zh) * | 2011-08-18 | 2011-12-28 | 北京建筑工程学院 | 一种获取文物三维图形数据的方法 |
CN102938142A (zh) * | 2012-09-20 | 2013-02-20 | 武汉大学 | 基于Kinect的室内LiDAR缺失数据填补方法 |
CN104408689A (zh) * | 2014-12-10 | 2015-03-11 | 武汉大学 | 基于全景影像的街景面片优化方法 |
CN104463871A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的街景面片提取及优化方法 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
Non-Patent Citations (1)
Title |
---|
王斌: ""基于LiDAR散乱点云的长城遗址三维模型构建"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327558A (zh) * | 2015-07-08 | 2017-01-11 | 深圳市腾讯计算机系统有限公司 | 点云立面提取方法和装置 |
CN105354883A (zh) * | 2015-11-25 | 2016-02-24 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及系统 |
CN105354883B (zh) * | 2015-11-25 | 2018-01-23 | 武汉大学 | 基于点云的3ds Max快速精细三维建模方法及系统 |
CN105512287A (zh) * | 2015-11-30 | 2016-04-20 | 山东正元地球物理信息技术有限公司 | 一种建立综合管廊信息数据库的方法 |
CN105513128A (zh) * | 2016-01-13 | 2016-04-20 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于Kinect的三维数据融合处理方法 |
CN105787933A (zh) * | 2016-02-19 | 2016-07-20 | 武汉理工大学 | 基于多视角点云配准的岸线三维重建装置及方法 |
CN105787933B (zh) * | 2016-02-19 | 2018-11-30 | 武汉理工大学 | 基于多视角点云配准的岸线三维重建装置及方法 |
WO2017185937A1 (en) * | 2016-04-29 | 2017-11-02 | Microsoft Technology Licensing, Llc. | Mesh denoising |
US10762657B2 (en) | 2016-04-29 | 2020-09-01 | Microsoft Technology Licensing, Llc | Mesh denoising |
CN106296650A (zh) * | 2016-07-22 | 2017-01-04 | 武汉海达数云技术有限公司 | 一种激光点云配准方法和装置 |
CN106296650B (zh) * | 2016-07-22 | 2019-05-24 | 武汉海达数云技术有限公司 | 一种激光点云配准方法和装置 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及系统 |
CN107798721A (zh) * | 2016-08-31 | 2018-03-13 | 北京四维图新科技股份有限公司 | 一种点云数据的处理方法及装置和点云渲染方法及装置 |
CN107798721B (zh) * | 2016-08-31 | 2021-03-16 | 北京四维图新科技股份有限公司 | 一种点云数据的处理方法及装置和点云渲染方法及装置 |
CN106504313A (zh) * | 2016-11-22 | 2017-03-15 | 山东省科学院海洋仪器仪表研究所 | 一种Volume重建范围的扩展方法及系统 |
CN110678737B (zh) * | 2017-02-10 | 2023-02-28 | 沃斯葛莱德有限责任公司 | 用于分析物件的装置及方法 |
CN110678737A (zh) * | 2017-02-10 | 2020-01-10 | 沃斯葛莱德有限责任公司 | 用于分析物件的装置及方法 |
CN107123140A (zh) * | 2017-03-21 | 2017-09-01 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站均压环进行建模的方法 |
CN107123140B (zh) * | 2017-03-21 | 2020-04-14 | 国网湖北省电力公司检修公司 | 基于点云数据对变电站均压环进行建模的方法 |
CN107064954A (zh) * | 2017-05-24 | 2017-08-18 | 云南省交通规划设计研究院 | 一种基于车载和机载点云的公路地形图测绘方法和系统 |
CN107767440A (zh) * | 2017-09-06 | 2018-03-06 | 北京建筑大学 | 基于三角网内插及约束的文物序列影像精细三维重建方法 |
CN107767440B (zh) * | 2017-09-06 | 2021-01-26 | 北京建筑大学 | 基于三角网内插及约束的文物序列影像精细三维重建方法 |
CN108665491A (zh) * | 2018-03-22 | 2018-10-16 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108665491B (zh) * | 2018-03-22 | 2022-04-12 | 西安电子科技大学 | 一种基于局部参考点的快速点云配准方法 |
CN108510516A (zh) * | 2018-03-30 | 2018-09-07 | 深圳积木易搭科技技术有限公司 | 一种散乱点云的三维线段提取方法及系统 |
CN108507533A (zh) * | 2018-04-24 | 2018-09-07 | 招商局重庆交通科研设计院有限公司 | 隧道断面连续测量机器人 |
CN108955564B (zh) * | 2018-06-20 | 2021-05-07 | 北京云迹科技有限公司 | 激光数据重采样方法及系统 |
CN108955564A (zh) * | 2018-06-20 | 2018-12-07 | 北京云迹科技有限公司 | 激光数据重采样方法及系统 |
CN109191484B (zh) * | 2018-09-06 | 2019-06-21 | 杭州中科天维科技有限公司 | 一种从机载激光雷达点云中快速提取平面片的方法 |
CN109191484A (zh) * | 2018-09-06 | 2019-01-11 | 杭州中科天维科技有限公司 | 一种从机载激光雷达点云中快速提取平面片的方法 |
CN109584183B (zh) * | 2018-12-05 | 2020-05-29 | 吉林大学 | 一种激光雷达点云去畸变方法及系统 |
CN109584183A (zh) * | 2018-12-05 | 2019-04-05 | 吉林大学 | 一种激光雷达点云去畸变方法及系统 |
CN109814572B (zh) * | 2019-02-20 | 2022-02-01 | 广州市山丘智能科技有限公司 | 移动机器人定位建图方法、装置、移动机器人和存储介质 |
CN109814572A (zh) * | 2019-02-20 | 2019-05-28 | 广州市山丘智能科技有限公司 | 移动机器人定位建图方法、装置、移动机器人和存储介质 |
CN110223336A (zh) * | 2019-05-27 | 2019-09-10 | 上海交通大学 | 一种基于tof相机数据的平面拟合方法 |
CN110223336B (zh) * | 2019-05-27 | 2023-10-17 | 上海交通大学 | 一种基于tof相机数据的平面拟合方法 |
CN110163900A (zh) * | 2019-05-31 | 2019-08-23 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
CN110163900B (zh) * | 2019-05-31 | 2021-04-20 | 北京百度网讯科技有限公司 | 用于调整点云数据方法和装置 |
US20220005154A1 (en) * | 2019-07-30 | 2022-01-06 | SZ DJI Technology Co., Ltd. | Method and device for processing point cloud |
CN111311752A (zh) * | 2020-02-14 | 2020-06-19 | 福州大学 | 一种基于映射图的LiDAR数据随机采样及重构方法 |
CN111412833B (zh) * | 2020-03-30 | 2021-07-30 | 广东电网有限责任公司电力科学研究院 | 变电站三维场景定位安全距离的告警方法、系统及设备 |
CN111412833A (zh) * | 2020-03-30 | 2020-07-14 | 广东电网有限责任公司电力科学研究院 | 变电站三维场景定位安全距离的告警方法、系统及设备 |
CN111915723A (zh) * | 2020-08-14 | 2020-11-10 | 广东申义实业投资有限公司 | 一种用于室内的三维全景构建方法和系统 |
CN112164081A (zh) * | 2020-09-30 | 2021-01-01 | 西南交通大学 | 一种车载LiDAR点云铁路横断面轮廓提取方法 |
CN112164081B (zh) * | 2020-09-30 | 2023-04-21 | 西南交通大学 | 一种车载LiDAR点云铁路横断面轮廓提取方法 |
CN112489094A (zh) * | 2020-11-25 | 2021-03-12 | 国网福建省电力有限公司 | 一种多线机载激光雷达点云数据配准方法 |
CN112489094B (zh) * | 2020-11-25 | 2023-08-04 | 国网福建省电力有限公司 | 一种多线机载激光雷达点云数据配准方法 |
CN114372303A (zh) * | 2021-11-28 | 2022-04-19 | 湖南康桥智能科技有限公司 | 一种梁桥梁底结构轻量bim模型快速构建方法 |
CN115629374A (zh) * | 2022-12-16 | 2023-01-20 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的无人船桥下定位方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104952107A (zh) | 基于车载LiDAR点云数据的桥梁三维重建方法 | |
CN110717983B (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN102506824B (zh) | 一种城市低空无人机系统生成数字正射影像图的方法 | |
CN105783810B (zh) | 基于无人机摄影技术的工程土方量测量方法 | |
US7983474B2 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
CN103729872B (zh) | 一种基于分段重采样和表面三角化的点云增强方法 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN103017739A (zh) | 基于激光雷达点云与航空影像的真正射影像的制作方法 | |
CN114998338B (zh) | 一种基于激光雷达点云的矿山开采量计算方法 | |
CN109472802B (zh) | 一种基于边缘特征自约束的表面网格模型构建方法 | |
CN116152461B (zh) | 地质建模方法、装置、计算机设备及计算机可读存储介质 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN106683132A (zh) | 一种高精细城市三维建模方法 | |
CN105571571A (zh) | 基于三维激光扫描的堆积剖面空间结构信息分析方法 | |
Tseng et al. | Extraction of building boundary lines from airborne lidar point clouds | |
CN112802041A (zh) | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 | |
CN110207670A (zh) | 一种使用二维图像获取人工林森林冠幅参数的方法 | |
CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
CN113032977A (zh) | 基于无人机逆建模技术的土石方量测算方法 | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN116448080A (zh) | 一种基于无人机倾斜摄影辅助土方开挖施工的方法 | |
CN115984721A (zh) | 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法 | |
Soderman et al. | Three-dimensional environment models from airborne laser radar data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150930 |