CN111623722A - 一种基于多传感器的边坡变形立体监测系统和方法 - Google Patents

一种基于多传感器的边坡变形立体监测系统和方法 Download PDF

Info

Publication number
CN111623722A
CN111623722A CN202010742150.5A CN202010742150A CN111623722A CN 111623722 A CN111623722 A CN 111623722A CN 202010742150 A CN202010742150 A CN 202010742150A CN 111623722 A CN111623722 A CN 111623722A
Authority
CN
China
Prior art keywords
point cloud
slope
cloud data
deformation
points
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.)
Granted
Application number
CN202010742150.5A
Other languages
English (en)
Other versions
CN111623722B (zh
Inventor
鲁光银
张家松
张升彪
邹俊华
候俊敏
曾智力
曾明
瞿海洋
谢旭奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Zhili Engineering Science And Technology Co ltd
Original Assignee
Hunan Zhili Engineering Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Zhili Engineering Science And Technology Co ltd filed Critical Hunan Zhili Engineering Science And Technology Co ltd
Priority to CN202010742150.5A priority Critical patent/CN111623722B/zh
Publication of CN111623722A publication Critical patent/CN111623722A/zh
Application granted granted Critical
Publication of CN111623722B publication Critical patent/CN111623722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明提供了一种基于多传感器的边坡变形立体监测系统和方法。本发明综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，通过三维激光扫描的点云数据分析确定边坡区域分级划分，并且结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。本发明适应了边坡复杂的多样性结构和状态，有效结合边坡的整体状况，可以准确分析和预测边坡的稳定性状态。

Description

一种基于多传感器的边坡变形立体监测系统和方法
技术领域
本发明涉及土木工程领域，特别涉及一种基于多传感器的边坡变形立体监测系统和方法。
背景技术
在公路、铁路、矿山、大坝等工程施工过程中，难免会人为或者天然形成由土方、沙石、岩体等组成的坡体，学名为边坡；边坡是一种复杂的可形变的结构，受到其内部或者外部各种因素的引导，易发生边坡变形造成滑坡事故，导致经济损失甚至是人员伤亡。因此，对公路、铁路、矿山、大坝等工程的边坡结构进行边坡形变监测，分析其稳定性，判断边坡形变带来的风险，对可能发生的滑坡事故进行预警，是本领域非常关注的问题。
现有技术中常用的边坡监测手段包括表面位移监测、内部变形监测以及辅助监测。其中，表面位移监测包括：利用全站型电子测量仪开展的边坡监测、基于GPS的边坡监测、利用三维激光扫描的边坡监测。利用全站型电子测量仪可以测量边坡表面监测点位的距离、角度、高程差等参数，进而得到边坡表面监测点位的位移、速度和形变量，进而按照特定换算推算边坡稳定性，具有设备成本低、操作简单、精度高的优势，但是该方法属于点监测，只能对边坡表面非常有限的监测点位实施，不适于分布范围和空间面积比较大的边坡监测，也不利于对边坡整体的稳定性趋势实现监测和预判，而且依靠技术人员的人工实施，自动化程度低，受到自然环境的影响比较大。基于GPS的边坡形变监测是在边坡表面布设基准点和监测点，并且在每个点位安装具有GPS定位和通信传输功能的监测器，监测器将每个基准点和监测点的GPS位置数据发送给后台，后台通过对全部点位的GPS位置数据解算分析，获取边坡的位移、速度和形变，从而实现对边坡稳定性的监测，基于GPS的边坡形变监测可以做到全天候实时监测，自动化程度高，但是依然属于点位监测，不易于反映边坡整体的形变趋势，对点位选择的周边环境条件要求高，容易受到干扰或发生故障，需要使用一定数量的监测器，当边坡空间较大时带来的设备成本比较高。三维激光扫描的边坡监测是一种主动、非接触式的立体监测，通过对被监测的边坡进行多期扫描，能够获得整个边坡表面的三维点云数据，进而通过后期处理后获得整个边坡表面的位移变形，分析边坡的稳定性，发掘具有变形滑坡趋势的部位，具有精确、快速、实时性强、自动化程度高的优点，但是，三维激光扫描的边坡监测在边坡的小范围局部变形监测方面仍然存在一定的短板，包括从点云数据中提取局部误差区域存在困难、提取误差大的缺陷。内部变形监测包括采用倾斜仪、渗压计、应变计、TDR等对边坡的倾斜变化量、渗透水压力、机构应力、内部形变等物理参数进行测量。辅助监测包括采用雨量计、温度计、摄像头等对边坡区域的降雨量、温度、环境场景进行监测，从而为边坡稳定性分析提供参考。内部变形监测与辅助监测能够比较精确反映边坡局部范围的内部结构状况，对边坡稳定性分析和滑坡预测具有重要参考意义，但是现有技术中存在的问题在于，内部变形监测和辅助监测都属于点位监测，但各种边坡具有复杂的多样性结构和状态，在不同的结构和状态下针对点位的内部变形监测和辅助监测具有不同程度的适用性和代表性意义，如果不有效结合边坡的整体状况，则不能准确地分析和预测边坡的稳定性状态。
发明内容
（一）发明目的
为克服上述现有技术存在的至少一种缺陷，本发明提供了一种基于多传感器的边坡变形立体监测系统和方法。本发明综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，通过三维激光扫描的点云数据分析确定边坡区域分级划分，并且结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
（二）技术方案
本发明提供了一种基于多传感器的边坡变形立体监测方法，其特征在于，包括：
边坡表面三维激光扫描步骤，利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合；
边坡表面点云数据处理步骤，将三维激光扫描直接获取的边坡表面点云数据进行粗配准、精配准、边坡点云拼接、点云去噪以及数据简化等必要的后期处理，为后续分析边坡的形变状况并执行区域分级打好基础；
边坡表面点云数据分析步骤，通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域；
基于多传感器数据的边坡稳定性评估与预测步骤，结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
优选的是，所述边坡表面点云数据处理步骤的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准；所述边坡表面点云数据处理步骤的精配准是在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合，利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 800834DEST_PATH_IMAGE001
和平移向量
Figure 793936DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。
优选的是，所述边坡表面点云数据处理步骤的数据简化中，采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点；或者采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
优选的是，所述边坡表面点云数据分析步骤具体包括：边坡点云搜索区域确定步骤、边坡形变监测点确定步骤、边坡形变区域识别步骤以及边坡区域分级步骤；其中，在边坡点云搜索区域确定步骤中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格；在边坡形变监测点确定步骤中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平面拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点；在边坡形变区域识别步骤中，利用前一个步骤中确定的监测点，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变；在边坡区域分级步骤中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域。
优选的是，在基于多传感器数据的边坡稳定性评估与预测步骤中，跟据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型，边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。
本发明提供了一种基于多传感器的边坡变形立体监测系统，其特征在于，包括：
边坡表面三维激光扫描设备，利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合；
边坡表面点云数据处理设备，用于将三维激光扫描直接获取的边坡表面点云数据进行粗配准、精配准、边坡点云拼接、点云去噪以及数据简化等必要的后期处理，为后续分析边坡的形变状况并执行区域分级打好基础；
点云数据分析设备，用于通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域；
边坡稳定性评估与预测设备，用于结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
优选的是，所述边坡表面点云数据处理设备执行的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准；所述边坡表面点云数据处理设备执行的精配准是在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合，利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 60969DEST_PATH_IMAGE001
和平移向量
Figure 259869DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。
优选的是，所述边坡表面点云数据处理设备执行的数据简化中，采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点；或者采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
优选的是，所述点云数据分析设备具体用于执行边坡点云搜索区域确定、边坡形变监测点确定、边坡形变区域识别以及边坡区域分级；其中，在边坡点云搜索区域确定过程中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格；在边坡形变监测点确定过程中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平面拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点；在边坡形变区域识别过程中，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变；在边坡区域分级过程中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域。
优选的是，边坡稳定性评估与预测设备根据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型，边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。
（三）有益效果
本发明综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，在三维激光扫描的点云数据分析中，采取了科学优化的点云数据处理方式，并且基于网格划分后的点云重复率和平均位移量确定了边坡不同稳定性的区域分级划分，进而结合位于不同分级区域的监测点位的多传感器数据，利用与该区域的稳定性匹配适用卡尔曼滤波模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。本发明克服了单纯依靠点云测量只能反映边坡表面形态而无法准确参考边坡内部各种状况参数进行稳定性预测的问题，也克服了针对点位的内部变形监测和辅助监测无法达到充分的适用性和代表性意义的问题，适应了边坡复杂的多样性结构和状态，有效结合边坡的整体状况，可以准确分析和预测边坡的稳定性状态。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
图1是本发明提供的基于多传感器的边坡变形立体监测方法总体流程图；
图2是本发明中点云数据处理的具体步骤流程图；
图3是本发明中边坡表面点云数据分析的具体步骤流程图；
图4是本发明提供的基于多传感器的边坡变形立体监测系统结构图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。
在本文中，“第一”、“第二”等仅用于彼此的区分，而非表示它们的重要程度及顺序等。
本文中的模块、单元或组件的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元、组件在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
下面参考图1详细描述本发明提供的基于多传感器的边坡变形立体监测方法总体流程。该方法综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，通过三维激光扫描的点云数据分析确定边坡区域分级划分，并且结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
在边坡表面三维激光扫描步骤S101中，利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合。机载或者地面固定的三维激光扫描系统朝向被监测边坡表面不间断发射激光脉冲，激光脉冲投射到边坡表面的任意一点并被反射回来，系统内的激光测距仪接收反射回来的激光信号，通过激光脉冲往返的时间间隔进行自身与反射激光脉冲的边坡表面点之间的距离测算，根据系统自身与边坡表面点之间的水平夹角、垂直夹角角度和距离，可以获得边坡表面点相对于激光扫描系统的三维坐标；从而，在面向整个边坡表面的激光扫描过程中，获得边坡表面的海量表面点的相对三维坐标，即构成了整个边坡表面的点云数据集合。点云数据是对边坡表面三维形态信息的真实描绘，具有数据可靠、获取快速、分辨率高的优点，是覆盖整个边坡表面的立体监测数据。本发明中，可以设定一个特定长度的监测时间窗口，在监测时间窗口内按照固定的频率反复对整个边坡进行三维激光扫描，每次扫描均获得反映边坡表面当前状况的点云数据，对整个监测时间窗口内每次获得的点云数据按照监测时序的先后顺序进行排列。
进而，本发明在边坡表面点云数据处理步骤S102中，将三维激光扫描直接获取的边坡表面点云数据进行必要的后期数据处理，从而为后续分析边坡的形变状况并执行区域分级打好基础。如图2所示，步骤S102中点云数据处理包括粗配准步骤S102A、精配准步骤S102B、边坡点云拼接步骤S102C、点云去噪步骤S102D以及数据简化步骤S102E。在步骤S101中获得的点云数据集合，是经过对边坡表面反复三维扫描所取得的多期点云数据，每期点云数据具有自身独立的坐标系，在不同坐标系下的点云数据无法直接相互比较，因此通过点云配准是将集合中全部的点云数据转换到统一的三维坐标系之中，进而基于统一的坐标系执行点云数据的后续处理，以及用于边坡状态的比对分析。粗配准步骤S102A是将点云数据集合中的各期点云数据大致对齐，从而为后续的精配准奠定基础。本申请的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准。具体来说，假设某一共同的特征点在目标点云的坐标为
Figure 866431DEST_PATH_IMAGE003
,在参考点云的坐标为
Figure 63057DEST_PATH_IMAGE004
，则
Figure 817386DEST_PATH_IMAGE005
其中的旋转矩阵
Figure 554398DEST_PATH_IMAGE001
包括坐标系绕着自身的X，Y，Z坐标的旋转角度
Figure 77784DEST_PATH_IMAGE006
,
Figure 179732DEST_PATH_IMAGE007
,
Figure 421357DEST_PATH_IMAGE008
之后的方向余弦值，即
Figure 696481DEST_PATH_IMAGE009
平移向量
Figure 339952DEST_PATH_IMAGE010
因此，只要从参考点云和目标点云中确定3个以上的共同的特征点，纳入特征点集，即可以求解旋转矩阵和平移向量，从而实现点云数据的粗配准。事实上边坡表面具有大量的高反射率自然地物，通过高反射率的自然地物很容易识别出各期点云数据中共同的特征点集。然而，仅经过有限的共同特征点所实现的粗配准无法实现点云数据全局的最优化，配准结果达不到本发明的后续处理的精度需求，因此需要通过精配准步骤102B实现更精确的点云配准。具体来说，本发明的步骤102B在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合；筛选位置稳定点集的具体过程是以粗配准计算获得的旋转矩阵
Figure 675118DEST_PATH_IMAGE001
和平移向量
Figure 108767DEST_PATH_IMAGE002
为初始取值，对目标点云中的任一点
Figure 187581DEST_PATH_IMAGE011
在参考点云中确定与其欧式距离最近的点
Figure 685559DEST_PATH_IMAGE012
，作为对应点对，假设共计N个对应点对，则计算对应点对的距离
Figure 457206DEST_PATH_IMAGE013
，计算目标点云和参考点云的点对距离的中误差为
Figure 79948DEST_PATH_IMAGE014
在全部的N个对应点对当中，将距离
Figure 962453DEST_PATH_IMAGE013
超过中误差一定倍数的点对去除，其余的对应点对即为位置稳定点集。利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 314937DEST_PATH_IMAGE001
和平移向量
Figure 195169DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。对于整个边坡表面经过了多次三维激光扫描，因此需要将每期扫描取得的点云数据拼接在一起，以便完整表征整个边坡表面的形态。在边坡点云拼接步骤S102C中，由于每次扫描的点云数据都有一定的重复覆盖区域，因此在前述的配准基础上，可以在位置相邻的两期点云数据的重复覆盖区域中提取共同的特征点，作为拼接的参考点，进而确定两期相邻点云数据的相对位置关系，该相对位置关系包括扭转相对量和平移相对量，基于相对位置关系进行点云数据的对齐，实现拼接。在点云扫描的过程中，由于各种环境干扰因素，导致扫描的点云数据中存在大量的噪声点，将直接影响后续边坡稳定性分析的精确度，因此，需要通过点云去噪步骤S102D进行噪声滤除，滤除噪声可以采取离群滤波器实现。另外，三维激光扫描所获得的点云数据是海量的，且在点云拼接后具有重叠区域的点云数据，造成数据存储和处理的压力增大，速度下降，因此需要在不影响后续点云分析精确度的情况下执行数据简化步骤S102E。在数据简化步骤S102E中，可以采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点，间距选择范围一般在0.015-0.018mm之间；也可以采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
对于经历了步骤S102处理后的整个边坡表面的点云数据，进而执行边坡表面点云数据分析步骤S103。在边坡表面点云数据分析步骤S103中，通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域。在步骤S103中，重点关注边坡表面小区域的逐步形变趋势，因为边坡表面的个别区域的小规模形变往往反映了其内部结构上不可见的演变趋势，是边坡大规模滑坡的征兆，因此对本发明的边坡稳定性分析和区域分级具有重要意义。如图3所示，步骤S103具体包括边坡点云搜索区域确定步骤S103A、边坡形变监测点确定步骤S103B、边坡形变区域识别步骤S103C以及边坡区域分级步骤S103D。其中，在边坡点云搜索区域确定步骤S103A中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，经过前文所述的配准之后，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格，例如，M*N个网格编号为（M1，N1），（M1，N2）…(Mi,Ni),则基准点云的(M1,N1)网格也对应匹配点云的(M1,N1)网格。进而，边坡形变监测点确定步骤S103B中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平面拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点。在边坡形变区域识别步骤S103C中，利用前一个步骤中确定的监测点，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变。为了更为方便和有效分析边坡的表面形变，也可以将前一步骤中为基准点云、匹配点云确定的监测点，分别拟合为监测线，再根据不同点云上监测线来分析形变，通过针对全部监测点或者监测线的位移变化，可以确定任意指定的边坡区域中监测点的重合率以及未重合监测点的形变量，以及利用监测时间窗口内时序相邻的各个点云数据，实现形变趋势分析。边坡区域分级步骤S103D中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域；为了划分等级可以设定一系列的重合率门限区间和平均形变量的门限区间，则根据边坡区域的重合率及平均形变量分别属于哪个区间，则可以划分该区域的稳定性分级。
在基于多传感器数据的边坡稳定性评估与预测步骤S104中，结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。在边坡选择一定数量的测量位置，针对每个测量位置可以布设相应的测量传感器，实现内部变形监测和辅助监测。其中内部形变监测采取的传感器，包括采用倾斜仪、渗压计、应变计、TDR等，实现对边坡的倾斜变化量、渗透水压力、机构应力、内部形变等物理参数进行测量。辅助监测采用的传感器包括采用雨量计、温度计等，对边坡区域的降雨量、温度进行监测，从而为边坡稳定性分析提供参考。以上测量位置采取的多传感器均为点测量，如前文提到，各种边坡具有复杂的多样性结构和状态，点位的测量结果需要有效结合边坡的整体状况，方能够准确地分析和预测边坡的稳定性状态。因此，将多传感器的测量结果组合为观测量
Figure 836366DEST_PATH_IMAGE015
,其中
Figure 256983DEST_PATH_IMAGE016
分别表示多传感器中每个传感器的测量参数。在步骤S103的区域稳定性分级基础上，可以跟据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型。本步骤中的边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。卡尔曼滤波模型建立了边坡区域稳定性的状态模型和观测模型，即：
状态模型
Figure 729552DEST_PATH_IMAGE017
；
观测模型
Figure 13641DEST_PATH_IMAGE018
其中
Figure 938871DEST_PATH_IMAGE019
表示针对前一时刻的预估状态量，
Figure 163179DEST_PATH_IMAGE020
表示针对下一时段的预估状态量，其中
Figure 162359DEST_PATH_IMAGE021
,即对边坡每个测量点位的预估形变位置，
Figure 446710DEST_PATH_IMAGE022
为状态转移参量矩阵，
Figure 859237DEST_PATH_IMAGE023
为噪声矩阵，
Figure 887236DEST_PATH_IMAGE024
表示输入的白噪声，
Figure 6502DEST_PATH_IMAGE025
表示观测噪声，
Figure 196175DEST_PATH_IMAGE026
表示前一时刻的观测量，
Figure 95997DEST_PATH_IMAGE027
表示观测量与预估状态量的转换系数。从而，将当前由多传感器提供的观测量带入状态模型和观测模型，并进行循环递归，实现对下一时刻状态量的最优估计。对于位于不同稳定性分级的区域的点位，则分别对应不同的状态模型和观测模型；即对应不同的状态转移参量矩阵
Figure 662108DEST_PATH_IMAGE022
和转换系数
Figure 901459DEST_PATH_IMAGE027
，适用于不同稳定性分级的状态模型和模型是由历史积累的边坡稳定性样本设定的，从而将多传感器的测量参数作为观测量，带入对应的状态模型和观测模型，从而获得对下一阶段边坡稳定性的估计结果。
下面参考图4详细描述本发明提供的基于多传感器的边坡变形立体监测系统。该系统综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，通过三维激光扫描的点云数据分析确定边坡区域分级划分，并且结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
如图4，所述基于多传感器的边坡变形立体监测系统包括：边坡表面三维激光扫描设备101，该设备利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合。机载或者地面固定的三维激光扫描系统朝向被监测边坡表面不间断发射激光脉冲，激光脉冲投射到边坡表面的任意一点并被反射回来，系统内的激光测距仪接收反射回来的激光信号，通过激光脉冲往返的时间间隔进行自身与反射激光脉冲的边坡表面点之间的距离测算，根据系统自身与边坡表面点之间的水平夹角、垂直夹角角度和距离，可以获得边坡表面点相对于激光扫描系统的三维坐标；从而，在面向整个边坡表面的激光扫描过程中，获得边坡表面的海量表面点的相对三维坐标，即构成了整个边坡表面的点云数据集合。点云数据是对边坡表面三维形态信息的真实描绘，具有数据可靠、获取快速、分辨率高的优点，是覆盖整个边坡表面的立体监测数据。本发明中，可以设定一个特定长度的监测时间窗口，在监测时间窗口内按照固定的频率反复对整个边坡进行三维激光扫描，每次扫描均获得反映边坡表面当前状况的点云数据，对整个监测时间窗口内每次获得的点云数据按照监测时序的先后顺序进行排列。
边坡表面点云数据处理设备102，用于将三维激光扫描直接获取的边坡表面点云数据进行必要的后期数据处理，从而为后续分析边坡的形变状况并执行区域分级打好基础。边坡表面点云数据处理设备102先后执行的点云数据处理包括粗配准、精配准、边坡点云拼接、点云去噪以及数据简化。边坡表面三维激光扫描设备101中获得的点云数据集合，是经过对边坡表面反复三维扫描所取得的多期点云数据，每期点云数据具有自身独立的坐标系，在不同坐标系下的点云数据无法直接相互比较，因此通过点云配准是将集合中全部的点云数据转换到统一的三维坐标系之中，进而基于统一的坐标系执行点云数据的后续处理，以及用于边坡状态的比对分析。粗配准是将点云数据集合中的各期点云数据大致对齐，从而为后续的精配准奠定基础。本申请的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准。具体来说，假设某一共同的特征点在目标点云的坐标为
Figure 262034DEST_PATH_IMAGE003
,在参考点云的坐标为
Figure 649153DEST_PATH_IMAGE004
，则
Figure 18954DEST_PATH_IMAGE028
其中的旋转矩阵
Figure 614277DEST_PATH_IMAGE001
包括坐标系绕着自身的X，Y，Z坐标的旋转角度
Figure 411332DEST_PATH_IMAGE006
,
Figure 20167DEST_PATH_IMAGE007
,
Figure 193660DEST_PATH_IMAGE008
之后的方向余弦值，即
Figure 876445DEST_PATH_IMAGE029
平移向量
Figure 844401DEST_PATH_IMAGE010
因此，只要从参考点云和目标点云中确定3个以上的共同的特征点，纳入特征点集，即可以求解旋转矩阵和平移向量，从而实现点云数据的粗配准。事实上边坡表面具有大量的高反射率自然地物，通过高反射率的自然地物很容易识别出各期点云数据中共同的特征点集。然而，仅经过有限的共同特征点所实现的粗配准无法实现点云数据全局的最优化，配准结果达不到本发明的后续处理的精度需求，因此需要通过精配准实现更精确的点云配准。具体来说，本发明在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合；筛选位置稳定点集的具体过程是以粗配准计算获得的旋转矩阵
Figure 940533DEST_PATH_IMAGE001
和平移向量
Figure 652137DEST_PATH_IMAGE002
为初始取值，对目标点云中的任一点
Figure 455008DEST_PATH_IMAGE011
在参考点云中确定与其欧式距离最近的点
Figure 593865DEST_PATH_IMAGE012
，作为对应点对，假设共计N个对应点对，则计算对应点对的距离
Figure 114976DEST_PATH_IMAGE013
，计算目标点云和参考点云的点对距离的中误差为
Figure 364692DEST_PATH_IMAGE014
在全部的N个对应点对当中，将距离
Figure 349966DEST_PATH_IMAGE013
超过中误差一定倍数的点对去除，其余的对应点对即为位置稳定点集。利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 95943DEST_PATH_IMAGE001
和平移向量
Figure 166667DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。对于整个边坡表面经过了多次三维激光扫描，因此需要将每期扫描取得的点云数据拼接在一起，以便完整表征整个边坡表面的形态。在边坡点云拼接中，由于每次扫描的点云数据都有一定的重复覆盖区域，因此在前述的配准基础上，可以在位置相邻的两期点云数据的重复覆盖区域中提取共同的特征点，作为拼接的参考点，进而确定两期相邻点云数据的相对位置关系，该相对位置关系包括扭转相对量和平移相对量，基于相对位置关系进行点云数据的对齐，实现拼接。在点云扫描的过程中，由于各种环境干扰因素，导致扫描的点云数据中存在大量的噪声点，将直接影响后续边坡稳定性分析的精确度，因此，需要通过点云去噪进行噪声滤除，滤除噪声可以采取离群滤波器实现。另外，三维激光扫描所获得的点云数据是海量的，且在点云拼接后具有重叠区域的点云数据，造成数据存储和处理的压力增大，速度下降，因此需要在不影响后续点云分析精确度的情况下执行数据简化。在数据简化中，可以采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点，间距选择范围一般在0.015-0.018mm之间；也可以采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
点云数据分析设备103，用于通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域。点云数据分析设备103重点关注边坡表面小区域的逐步形变趋势，因为边坡表面的个别区域的小规模形变往往反映了其内部结构上不可见的演变趋势，是边坡大规模滑坡的征兆，因此对本发明的边坡稳定性分析和区域分级具有重要意义。点云数据分析设备103具体执行的处理包括：边坡点云搜索区域确定、边坡形变监测点确定、边坡形变区域识别以及边坡区域分级。其中，在边坡点云搜索区域确定过程中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，经过前文所述的配准之后，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格，例如，M*N个网格编号为（M1，N1），（M1，N2）…(Mi,Ni),则基准点云的(M1,N1)网格也对应匹配点云的(M1,N1)网格。进而，边坡形变监测点确定过程中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平米拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点。在边坡形变区域识别过程中，利用前一个步骤中确定的监测点，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变。为了更为方便和有效分析边坡的表面形变，也可以将前一步骤中为基准点云、匹配点云确定的监测点，分别拟合为监测线，再根据不同点云上监测线来分析形变，通过针对全部监测点或者监测线的位移变化，可以确定任意指定的边坡区域中监测点的重合率以及未重合监测点的形变量，以及利用监测时间窗口内时序相邻的各个点云数据，实现形变趋势分析。边坡区域分级过程中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域；为了划分等级可以设定一系列的重合率门限区间和平均形变量的门限区间，则根据边坡区域的重合率及平均形变量分别属于哪个区间，则可以划分该区域的稳定性分级。
边坡稳定性评估与预测设备104，结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。在边坡选择一定数量的测量位置，针对每个测量位置可以布设相应的测量传感器，实现内部变形监测和辅助监测。其中内部形变监测采取的传感器，包括采用倾斜仪、渗压计、应变计、TDR等，实现对边坡的倾斜变化量、渗透水压力、机构应力、内部形变等物理参数进行测量。辅助监测采用的传感器包括采用雨量计、温度计等，对边坡区域的降雨量、温度进行监测，从而为边坡稳定性分析提供参考。以上测量位置采取的多传感器均为点测量，如前文提到，各种边坡具有复杂的多样性结构和状态，点位的测量结果需要有效结合边坡的整体状况，方能够准确地分析和预测边坡的稳定性状态。因此，将多传感器的测量结果组合为观测量
Figure 220073DEST_PATH_IMAGE015
,其中
Figure 997537DEST_PATH_IMAGE016
分别表示多传感器中每个传感器的测量参数。在步骤S103的区域稳定性分级基础上，可以跟据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型。本步骤中的边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。卡尔曼滤波模型建立了边坡区域稳定性的状态模型和观测模型，即：
状态模型
Figure 478197DEST_PATH_IMAGE017
；
观测模型
Figure 770638DEST_PATH_IMAGE018
其中
Figure 565418DEST_PATH_IMAGE019
表示针对前一时刻的预估状态量，
Figure 259705DEST_PATH_IMAGE020
表示针对下一时段的预估状态量，其中
Figure 911266DEST_PATH_IMAGE021
,即对边坡每个测量点位的预估形变位置，
Figure 956582DEST_PATH_IMAGE022
为状态转移参量矩阵，
Figure 289475DEST_PATH_IMAGE023
为噪声矩阵，
Figure 838268DEST_PATH_IMAGE024
表示输入的白噪声，
Figure 926309DEST_PATH_IMAGE025
表示观测噪声，
Figure 193343DEST_PATH_IMAGE026
表示前一时刻的观测量，
Figure 831391DEST_PATH_IMAGE027
表示观测量与预估状态量的转换系数。从而，将当前由多传感器提供的观测量带入状态模型和观测模型，并进行循环递归，实现对下一时刻状态量的最优估计。对于位于不同稳定性分级的区域的点位，则分别对应不同的状态模型和观测模型；即对应不同的状态转移参量矩阵
Figure 234690DEST_PATH_IMAGE022
和转换系数
Figure 493633DEST_PATH_IMAGE027
，适用于不同稳定性分级的状态模型和模型是由历史积累的边坡稳定性样本设定的，从而将多传感器的测量参数作为观测量，带入对应的状态模型和观测模型，从而获得对下一阶段边坡稳定性的估计结果。
可见，本发明综合运用了三维激光扫描执行的完整表面边坡监测和多类型传感器执行的点位边坡监测，在三维激光扫描的点云数据分析中，采取了科学优化的点云数据处理方式，并且基于网格划分后的点云重复率和平均位移量确定了边坡不同稳定性的区域分级划分，进而结合位于不同分级区域的监测点位的多传感器数据，利用与该区域的稳定性匹配适用卡尔曼滤波模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。本发明克服了单纯依靠点云测量只能反映边坡表面形态而无法准确参考边坡内部各种状况参数进行稳定性预测的问题，也克服了针对点位的内部变形监测和辅助监测无法达到充分的适用性和代表性意义的问题，适应了边坡复杂的多样性结构和状态，有效结合边坡的整体状况，可以准确分析和预测边坡的稳定性状态。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于多传感器的边坡变形立体监测方法，其特征在于，包括：
边坡表面三维激光扫描步骤，利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合；
边坡表面点云数据处理步骤，将三维激光扫描直接获取的边坡表面点云数据进行粗配准、精配准、边坡点云拼接、点云去噪以及数据简化等必要的后期处理，为后续分析边坡的形变状况并执行区域分级打好基础；
边坡表面点云数据分析步骤，通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域；
基于多传感器数据的边坡稳定性评估与预测步骤，结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
2.根据权利要求1所述的基于多传感器的边坡变形立体监测方法，其特征在于，所述边坡表面点云数据处理步骤的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准；所述边坡表面点云数据处理步骤的精配准是在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合，利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 484204DEST_PATH_IMAGE001
和平移向量
Figure 401344DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。
3.根据权利要求1所述的基于多传感器的边坡变形立体监测方法，其特征在于，所述边坡表面点云数据处理步骤的数据简化中，采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点；或者采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
4.根据权利要求1所述的基于多传感器的边坡变形立体监测方法，其特征在于，所述边坡表面点云数据分析步骤具体包括：边坡点云搜索区域确定步骤、边坡形变监测点确定步骤、边坡形变区域识别步骤以及边坡区域分级步骤；其中，在边坡点云搜索区域确定步骤中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格；在边坡形变监测点确定步骤中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平面拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点；在边坡形变区域识别步骤中，利用前一个步骤中确定的监测点，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变；在边坡区域分级步骤中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域。
5.根据权利要求1所述的基于多传感器的边坡变形立体监测方法，其特征在于，在基于多传感器数据的边坡稳定性评估与预测步骤中，跟据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型，边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。
6.一种基于多传感器的边坡变形立体监测系统，其特征在于，包括：
边坡表面三维激光扫描设备，利用机载三维激光扫描系统或者地面固定三维激光扫描系统，对整个被监测的边坡表面执行三维激光扫描，获得表征整个边坡表面的点云数据集合；
边坡表面点云数据处理设备，用于将三维激光扫描直接获取的边坡表面点云数据进行粗配准、精配准、边坡点云拼接、点云去噪以及数据简化等必要的后期处理，为后续分析边坡的形变状况并执行区域分级打好基础；
点云数据分析设备，用于通过监测时间窗口内按时序排列的点云数据，对边坡整体表面形态进行分析，提取边坡表面的变形区域信息，从而分析边坡表面的稳定性状态，实现将整个边坡表面进行区域分级，划分为不同稳定性分级区域；
边坡稳定性评估与预测设备，用于结合位于不同分级区域的监测点位的多传感器数据，利用该区域适用模型执行分析，从而获得边坡总体及各个区域的稳定性状况，分析预测边坡的形变程度和风险。
7.根据权利要求6所述的基于多传感器的边坡变形立体监测系统，其特征在于，所述边坡表面点云数据处理设备执行的粗配准采取从目标点云和参考点云中分别提取出二者共同的特征点集，利用共同的特征点集的坐标对应关系，求解旋转矩阵和平移向量，进而参照旋转矩阵和平移向量对点云数据进行转换，实现目标点云和参考点云的粗配准；所述边坡表面点云数据处理设备执行的精配准是在各期三维激光扫描形成的点云数据当中筛选位置稳定点集，位置稳定点集是多期的点云数据中剔除边坡变形等原因导致的坐标变化点之后剩余的点的集合，利用位置稳定点集对目标点云进行筛选，去除目标点云中的非位置稳定点，对于目标点云中保留下来的点，在参考点云中确定其欧式距离最邻近的点，将二者作为配准点对，从而形成配准点对集合，利用配准点对集合计算旋转矩阵
Figure 118764DEST_PATH_IMAGE001
和平移向量
Figure 513973DEST_PATH_IMAGE002
，从而实现了各期点云数据的精配准。
8.根据权利要求6所述的基于多传感器的边坡变形立体监测系统，其特征在于，所述边坡表面点云数据处理设备执行的数据简化中，采用统一的间距实现点云空间采样，即按照统一的固定间距从点云数据中选取采样点作为代表点；或者采取曲率采样，即通过点云数据分析边坡表面的曲率，对于曲率小即较为平坦的边坡表面区域采取较低的采样率，而对于曲率较大的边坡表面区域的点云数据采取较高的采样率。
9.根据权利要求6所述的基于多传感器的边坡变形立体监测系统，其特征在于，所述点云数据分析设备具体用于执行边坡点云搜索区域确定、边坡形变监测点确定、边坡形变区域识别以及边坡区域分级；其中，在边坡点云搜索区域确定过程中，对于在监测时间窗口内，按照时序的先后顺序排列的边坡点云数据，对任意2个时间上相邻的点云数据，以其中一个作为基准点云，另一个作为匹配点云，将二者截取相同坐标范围的区域，作为搜索区域，并对基准点云和匹配点云的搜索区域各自进行M*N个网格划分，在完成网格划分后，对于基准点云的每个网格，在匹配点云中确定位置对应的网格；在边坡形变监测点确定过程中，对基准点云和匹配点云的对应网格区域，利用最小二乘法进行拟合，通过拟合获得点云平面方程；计算网格中的每个点与点云平面方程的拟合平面之间的距离，当距离超过一定阈值，则从网格点云中删除该点，并对剩下的点重新进行最小二乘法平面拟合，直至网格中所有的剩下的点与拟合平面的距离均小于或者等于阈值；则对于网格剩下的点，计算其这些点的重心点，作为监测点；在边坡形变区域识别过程中，确定监测点的坐标变化，从而进行边坡表面形变的细节分析，识别确定区域性形变；在边坡区域分级过程中，针对任意指定的边坡区域，根据在该区域中监测点的重合率以及未重合监测点的平均形变量，对该边坡区域进行区域分级，划分为不同稳定性分级区域。
10.根据权利要求6所述的基于多传感器的边坡变形立体监测系统，其特征在于，边坡稳定性评估与预测设备根据每个测量位置多传感器的测量参数，结合该测量位置所在区域的稳定性分级，适用不同的分析模型，边坡稳定性分析模型可以采取卡尔曼滤波模型，该模型基于卡尔曼滤波的循环递推来实现对边坡稳定性状态的预估。
CN202010742150.5A 2020-07-29 2020-07-29 一种基于多传感器的边坡变形立体监测系统和方法 Active CN111623722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010742150.5A CN111623722B (zh) 2020-07-29 2020-07-29 一种基于多传感器的边坡变形立体监测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010742150.5A CN111623722B (zh) 2020-07-29 2020-07-29 一种基于多传感器的边坡变形立体监测系统和方法

Publications (2)

Publication Number Publication Date
CN111623722A true CN111623722A (zh) 2020-09-04
CN111623722B CN111623722B (zh) 2020-11-03

Family

ID=72271558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010742150.5A Active CN111623722B (zh) 2020-07-29 2020-07-29 一种基于多传感器的边坡变形立体监测系统和方法

Country Status (1)

Country Link
CN (1) CN111623722B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180343A (zh) * 2020-09-30 2021-01-05 东软睿驰汽车技术（沈阳）有限公司 激光点云数据处理方法、装置、设备及无人驾驶系统
CN112525106A (zh) * 2020-10-23 2021-03-19 清华大学 基于三相机协同激光的3d探测方法及装置
CN112731440A (zh) * 2020-12-25 2021-04-30 中国铁道科学研究院集团有限公司 高速铁路边坡形变检测方法及装置
CN112883335A (zh) * 2021-02-07 2021-06-01 深圳市安泰数据监测科技有限公司 一种结合孔隙水压力的实时边坡稳定性评估方法
CN112907713A (zh) * 2021-02-24 2021-06-04 中基发展建设工程有限责任公司 一种点云数据处理方法及系统
CN113255726A (zh) * 2021-04-22 2021-08-13 中国电建集团河北省电力勘测设计研究院有限公司 一种基于激光扫描的边坡自动聚类监测方法
CN113295095A (zh) * 2021-07-27 2021-08-24 成都理工大学 高填方边坡土工离心模型测量控制系统
CN113642941A (zh) * 2021-10-14 2021-11-12 西南交通大学 一种边坡安全状态分析方法、装置、设备及可读存储介质
CN113776458A (zh) * 2021-08-31 2021-12-10 香港理工大学深圳研究院 一种高动态范围复杂曲面测量方法、系统及存储介质
CN113865495A (zh) * 2021-08-18 2021-12-31 山东滨莱高速公路有限公司 一种边坡变形无线监测系统及方法
CN115271564A (zh) * 2022-09-29 2022-11-01 淄博市交通建设发展中心 一种公路边坡灾害空间危险性区划方法及终端机
CN115615345A (zh) * 2022-12-16 2023-01-17 中南大学 一种基于摄影测量彩色点云配准的地表形变监测方法
CN115690350A (zh) * 2023-01-05 2023-02-03 成都理工大学 一种基于数字孪生的聚落景观全息感知监测方法
CN117133100A (zh) * 2023-09-25 2023-11-28 西南水泥有限公司 一种矿山现场边坡远程在线实时监测预警系统
CN117195361A (zh) * 2023-09-08 2023-12-08 杭州市交通工程集团有限公司 高边坡稳定性监测方法、装置、设备及可读存储介质
CN117236044A (zh) * 2023-09-27 2023-12-15 东北农业大学 一种冻融过程中边坡土体水-热-力分布状态可视化方法
CN117853902A (zh) * 2023-12-11 2024-04-09 国网湖北省电力有限公司超高压公司 边坡稳定性分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007170821A (ja) * 2005-12-19 2007-07-05 Enzan Kobo:Kk 三次元変位計測方法
CN105956662A (zh) * 2016-04-20 2016-09-21 东南大学 一种基于bp-回归分析预测模型的地铁结构变形预报方法
CN106529197A (zh) * 2016-12-07 2017-03-22 中国地质大学（武汉） 一种滑坡稳定性时变规律分析的方法
CN106767613A (zh) * 2016-12-14 2017-05-31 中国地质大学（武汉） 一种基于信息融合监控分析滑坡运动形态的方法
CN108362216A (zh) * 2018-01-26 2018-08-03 林海剑 一种测量数据采集与处理方法
CN108538026A (zh) * 2018-02-23 2018-09-14 青岛理工大学 一种边坡稳定性的多指标综合评价与预警方法
JP2019184365A (ja) * 2018-04-06 2019-10-24 清水建設株式会社 変状箇所の提示装置および提示方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007170821A (ja) * 2005-12-19 2007-07-05 Enzan Kobo:Kk 三次元変位計測方法
CN105956662A (zh) * 2016-04-20 2016-09-21 东南大学 一种基于bp-回归分析预测模型的地铁结构变形预报方法
CN106529197A (zh) * 2016-12-07 2017-03-22 中国地质大学（武汉） 一种滑坡稳定性时变规律分析的方法
CN106767613A (zh) * 2016-12-14 2017-05-31 中国地质大学（武汉） 一种基于信息融合监控分析滑坡运动形态的方法
CN108362216A (zh) * 2018-01-26 2018-08-03 林海剑 一种测量数据采集与处理方法
CN108538026A (zh) * 2018-02-23 2018-09-14 青岛理工大学 一种边坡稳定性的多指标综合评价与预警方法
JP2019184365A (ja) * 2018-04-06 2019-10-24 清水建設株式会社 変状箇所の提示装置および提示方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MENG, QINGKAI等: "Monitoring the regional deformation of loess landslides on the Heifangtai terrace using the Sentinel‑1 time series interferometry technique", 《NATURAL HAZARDS》 *
李崇瑞 等: "应用TLS点云数据确定边坡特征对象区域和形变分析", 《测绘通报》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180343A (zh) * 2020-09-30 2021-01-05 东软睿驰汽车技术（沈阳）有限公司 激光点云数据处理方法、装置、设备及无人驾驶系统
CN112525106B (zh) * 2020-10-23 2022-08-26 清华大学 基于三相机协同激光的3d探测方法及装置
CN112525106A (zh) * 2020-10-23 2021-03-19 清华大学 基于三相机协同激光的3d探测方法及装置
CN112731440A (zh) * 2020-12-25 2021-04-30 中国铁道科学研究院集团有限公司 高速铁路边坡形变检测方法及装置
CN112731440B (zh) * 2020-12-25 2023-10-13 中国铁道科学研究院集团有限公司 高速铁路边坡形变检测方法及装置
CN112883335A (zh) * 2021-02-07 2021-06-01 深圳市安泰数据监测科技有限公司 一种结合孔隙水压力的实时边坡稳定性评估方法
CN112907713A (zh) * 2021-02-24 2021-06-04 中基发展建设工程有限责任公司 一种点云数据处理方法及系统
CN113255726A (zh) * 2021-04-22 2021-08-13 中国电建集团河北省电力勘测设计研究院有限公司 一种基于激光扫描的边坡自动聚类监测方法
CN113295095A (zh) * 2021-07-27 2021-08-24 成都理工大学 高填方边坡土工离心模型测量控制系统
CN113865495A (zh) * 2021-08-18 2021-12-31 山东滨莱高速公路有限公司 一种边坡变形无线监测系统及方法
CN113776458A (zh) * 2021-08-31 2021-12-10 香港理工大学深圳研究院 一种高动态范围复杂曲面测量方法、系统及存储介质
CN113776458B (zh) * 2021-08-31 2024-03-19 香港理工大学深圳研究院 一种高动态范围复杂曲面测量方法、系统及存储介质
CN113642941B (zh) * 2021-10-14 2022-01-07 西南交通大学 一种边坡安全状态分析方法、装置、设备及可读存储介质
CN113642941A (zh) * 2021-10-14 2021-11-12 西南交通大学 一种边坡安全状态分析方法、装置、设备及可读存储介质
CN115271564A (zh) * 2022-09-29 2022-11-01 淄博市交通建设发展中心 一种公路边坡灾害空间危险性区划方法及终端机
CN115615345A (zh) * 2022-12-16 2023-01-17 中南大学 一种基于摄影测量彩色点云配准的地表形变监测方法
CN115690350A (zh) * 2023-01-05 2023-02-03 成都理工大学 一种基于数字孪生的聚落景观全息感知监测方法
CN117195361A (zh) * 2023-09-08 2023-12-08 杭州市交通工程集团有限公司 高边坡稳定性监测方法、装置、设备及可读存储介质
CN117195361B (zh) * 2023-09-08 2024-05-31 杭州市交通工程集团有限公司 高边坡稳定性监测方法、装置、设备及可读存储介质
CN117133100A (zh) * 2023-09-25 2023-11-28 西南水泥有限公司 一种矿山现场边坡远程在线实时监测预警系统
CN117133100B (zh) * 2023-09-25 2024-02-20 西南水泥有限公司 一种矿山现场边坡远程在线实时监测预警系统
CN117236044A (zh) * 2023-09-27 2023-12-15 东北农业大学 一种冻融过程中边坡土体水-热-力分布状态可视化方法
CN117236044B (zh) * 2023-09-27 2024-06-04 东北农业大学 一种冻融过程中边坡土体水-热-力分布状态可视化方法
CN117853902A (zh) * 2023-12-11 2024-04-09 国网湖北省电力有限公司超高压公司 边坡稳定性分析方法

Also Published As

Publication number Publication date
CN111623722B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111623722B (zh) 一种基于多传感器的边坡变形立体监测系统和方法
Giustarini et al. A change detection approach to flood mapping in urban areas using TerraSAR-X
CN109493569A (zh) 滑坡预警方法、装置、计算机设备和存储介质
CN109472393A (zh) 空间降尺度降水数据检测方法、装置及电子设备
CN109543907B (zh) 一种复杂地形风资源评估方法及其装置
CN111340012A (zh) 一种地质灾害解译方法、装置、终端设备
CN110750516A (zh) 基于雷达图的降雨分析模型构建方法、构建系统及分析方法
CN109238227A (zh) 一种表征地面沉降时空演变的方法
Tarsha-Kurdi et al. New approach for automatic detection of buildings in airborne laser scanner data using first echo only
WO2020202259A1 (ja) 合成開口レーダの画像処理装置及び画像処理方法
CN116912068B (zh) 一种基于面域形变观测的滑坡预警方法
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
Haddjeri et al. Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover
CN117893017A (zh) 基于卫星遥感图像的尾矿库事故风险预测方法及系统
CN117437559A (zh) 基于无人机的煤炭矿区地表岩移变形检测方法、装置
CN116151482B (zh) 一种露天矿区的开采土方量预测方法、装置、设备及介质
Taylor et al. Operational mine monitoring with InSAR
CN113625241A (zh) 差异沉降监控预警方法
FI113894B (fi) Kaukokartoitusmenetelmä
TWI597405B (zh) System and method for monitoring slope with tree displacement
CN118692226B (zh) 一种基于人工智能的洪水分析方法
Bates et al. Flood Risk Assessment and Mitigation Using Small Unmanned Aircraft Data
Błaszczak-Bąk et al. Applying RANSAC algorithm for fitting scanning strips from airborne laser scanning
CN118708945A (zh) 一种用于水文数据的自动监测方法及系统
Broggi et al. Maritime traffic speed enforcement

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