CN104952107A - 基于车载LiDAR点云数据的桥梁三维重建方法 - Google Patents

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

基于车载LiDAR点云数据的桥梁三维重建方法

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B_p；

二、从模型Q中计算出N个点B_q与B_p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B_p，

二、在模型Q中选择K个距离最近的点B_q，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(x_A，y_A，z_A)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，

$\mathrm{\ρ}={\mathrm{\ρ}}_{\mathrm{scale}}\×\sqrt{D},$

ρ_scale＝N_org/(N_neig-1)²，

式中，D表示点到中心点的距离，N_org表示初始设定的邻域点个数，N_neig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{(x_i，y_i，z_i)，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(x_i)＝(λ₇，λ₈，λ₉)^T，

R(x_i)＝3×λ₃/(λ₁+λ₂+λ₃)，

式中n(x_i)表示法向量，R(x_i)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ρ_max，若某点密度ρ_i＞ρ_max，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Zd_max，若某点Z值Zd_i＞Zd_max，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B_p；

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B_q；

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(v_p，v_q)，表示B_p中某点与Q中所有点的距离，找到最小距离点，

$d(v_p,v_q)=b(d(v_p,v_q),t)=\left\{\begin{array}{cc}1& d\≤t\\ 0& d>t\end{array}\right.,$

式中，t为设定的阈值，s(v_p，v_q)表示相似度的测度，整个B_p与B_q的相似度可以表示为：

$s_c(B_p,B_q)=s_c^f(B_p,B_q)+s_c^m(B_p,B_q),$

$s_c^f(B_p,B_q)=\frac{1}{N_f}{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{l=1}^L{w}_l^f*(1-\frac{\min (d(f_l\left(p_i\right),f_l\left(q_i\right)),t_l^f)}{t_l^f}),$

$\begin{array}{c}{s}_c^m(B_p,B_q)=\\ \frac{1}{N_m}{\mathrm{\Σ}}_{i,j=1,j\≠i}^N{\mathrm{\Σ}}_{k=1}^K{w}_k^m*(1-\frac{\min (d(m_k(p_i,p_j),m_k(Q_i,Q_j)),t_k^m)}{t_k^m})\end{array},$

其中，f_i(p_i)描述B_p某点的特征，m_k(p_i，p_j)描述点对(p_i，p_j)的特征，表示权重， $N_f=2N{\mathrm{\Σ}}_{l=1}^L{w}_l^f,N_m=2N(N-1){\mathrm{\Σ}}_{k=1}^K{w}_k^m$ 和s_c(B_p，B_q)的值越高表明B_p，B_q的相似度越大。

不断的迭代计算，使得s_c(B_p，B_q)值越大，迭代次数达到给定的最大值It_max或者前后两次s_c(B_p，B_q)值相差小于给定的差值限，停止迭代，将B_p，B_q中的点一一映射排序储存，估算出B_p，B_q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B_p；

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B_q，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 $P_i^n=M^{\′}*P_i;$

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I_max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：

$m_s(T,\mathrm{\δ})=\exp (-\mathrm{\λ}(1-{\∫}_0^1{H}_n(T,\mathrm{\δ}))),$

其中，λ表示一个参数，δ表示距离阈值，T为旋转矩阵，H_n(T，δ)为直方图，m_s(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＝2^N)的小立方体，记为B_i，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B_i；

S512、针对每个小立方体B_i，采用最小二乘的方法拟合得到面P_i，并计算得到每个点到面P_i的距离d_ij，同时求得最大距离d_max；

若d_max＜d_th，d_th为给定的阈值，则面P_i符合要求；

若d_max＞d_th，且d_max＜λd_th，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P_i；

若d_max＞d_th，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：d_max＜d_th或d_max＜λd_th，计算该立方体中包含的点云的曲率平均值R_mean；计算过程如下：

若R_mean＜R_th，R_th给定的阈值，则保留该立方体；

若R_mean＞R_th，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θ_th，若相邻的面片P₁和P₂的夹角θ＜θ_th，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σ_max＝max(σ₁，σ₂)。通过方差，计算合并后的面的精度下降值σ_d＝σ′-σ_max。若σ_d＜max(3·σ_max，σ_th)，其中σ_th为事先给定阈值，合并面P₁和P₂，得新面P′，更新邻接表；若σ_d＞max(3·σ_max，σ_th)，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d_th的点的个数，记为N。若N大于给定的阈值N_th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d_th的值，增大幅度为d′，直至d_th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P_i的四个顶点，作为初始三角网构建起点；

S522、在面片P_i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P_i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P_i和P_i+1进行处理，首先确定面片的位置关系，假设以P_i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P_i和P_i+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R_M2P；计算过程如下：

$\left[\begin{array}{ccc}d{R_y}^s\×{{\mathrm{dR}}_x}^s\×{{\mathrm{dR}}_z}^s+{{\mathrm{dR}}_y}^c\×{{\mathrm{dR}}_z}^c& {{\mathrm{dR}}_x}^c\×{{\mathrm{dR}}_z}^s& -{d{R}_y}^c\×{{\mathrm{dR}}_x}^s\×{{\mathrm{dR}}_z}^s+{{\mathrm{dR}}_y}^s\×{{\mathrm{dR}}_z}^c\\ {{\mathrm{dR}}_z}^c\×{{\mathrm{dR}}_y}^s\×{{\mathrm{dR}}_x}^s-{{\mathrm{dR}}_y}^s\×{{\mathrm{dR}}_z}^c& {R_x}^c\×{R_z}^c& -{d{R}_z}^c\×{{\mathrm{dR}}_y}^c\×{{\mathrm{dR}}_x}^s-{d{R}_y}^s\×{{\mathrm{dR}}_z}^s\\ -{{\mathrm{dR}}_y}^s\×{{\mathrm{dR}}_x}^c& {R_x}^s& {{\mathrm{dR}}_x}^c\×{{\mathrm{dR}}_y}^c\end{array}\right]$

式中，dR_i ^c＝cos(dR_i)，dR_i ^s＝sin(dR_i)，i＝x，y，z，dR_x，dR_y和dR_z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R_P2Cam；计算过程如下：

$\left[\begin{array}{ccc}{R_y}^s\×{R_x}^s\×{R_z}^s+{R_y}^c\×{R_z}^c& {R_x}^c\×{R_z}^s& -{R_y}^c\×{R_x}^s\×{R_z}^s+{R_y}^s\×{R_z}^c\\ {R_z}^c\×{R_y}^s\×{R_x}^s-{R_y}^s\×{R_z}^c& {R_x}^c\×{R_z}^c& -{R_z}^c\×{R_y}^c\×{R_x}^s-{R_y}^s\×{R_z}^s\\ -{R_y}^s\×{R_x}^c& {R_x}^s& {R_x}^c\×{R_y}^c\end{array}\right]$

式中，R_i ^c＝cos(R_i)，R_i ^s＝sin(R_i)，i＝x，y，z，R_x、R_y和R_z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R_M2Cam；

恢复相机拍摄瞬间三个姿态角，根据R_M2Cam旋转矩阵计算出相机拍摄瞬间三个姿态角R_x、R_y和R_z，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；

[X_s，Y_s，Z_s]＝R_M2Cam×[d_x，d_y，d_z]+[X，Y，Z]，

式中：d_x，d_y和d_z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B_p；

二、从模型Q中计算出N个点B_q与B_p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B_p，

二、在模型Q中选择K个距离最近的点B_q，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。