CN112164098A - 一种利用车载LiDAR系统预测城市道路局部坍塌的方法 - Google Patents
一种利用车载LiDAR系统预测城市道路局部坍塌的方法 Download PDFInfo
- Publication number
- CN112164098A CN112164098A CN202010907363.9A CN202010907363A CN112164098A CN 112164098 A CN112164098 A CN 112164098A CN 202010907363 A CN202010907363 A CN 202010907363A CN 112164098 A CN112164098 A CN 112164098A
- Authority
- CN
- China
- Prior art keywords
- road
- data
- point cloud
- settlement
- lidar system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 claims 2
- 208000006011 Stroke Diseases 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种利用车载LiDAR系统预测城市道路局部坍塌的方法,利用搭载在移动平台的激光扫描仪和定位定姿系统获取高频多时相点云大数据,对同区域多时相点云数据提取道路点云数据;对获取的多时相点云数据进行分段并分别配准;对配准后的点云数据进行规则格网化处理,生成高程格网数据,对高程格网数据进行高斯滤波处理;计算分析多时相同路段数据差值,获取道路沉降区域;详细分析沉降区域的沉降量、沉降速度、沉降加速度等,对道路坍塌进行预警等级划分。
Description
技术领域
本发明涉及一种利用车载LiDAR系统获取的多时相道路点云数据预测城市道路局部坍塌的方法。
背景技术
城市道路在日常运行中产生塌陷极易造成人员伤亡和财产损失,合理有效地预测道路塌陷可有效减少人员伤亡和财产损失。
LiDAR是Light Detection and Ranging的缩写,中文翻译为激光探测与测距。车载LiDAR系统是搭载全球定位系统、激光扫描仪等传感器,利用车辆在行驶过程中的位置移动,对道路及周围地物进行观测,获取道路及周围地物三维坐标及相关属性的装置。车载LiDAR系统以其非接触、全天候、测量速度快等优点广泛应用于道路部件测量、智慧城市等各个领域。
在各领域获取的城市道路点云数据具有数据量大、重复性高的特点。利用这些点云大数据,运用一定的数据处理方法对数据进行挖掘,获取道路局部沉降信息预测道路塌陷,具有重要的现实意义。
利用三维激光扫描技术进行变形及道路沉降检测技术中,机载LiDAR系统对地面点扫描密度低,多用于对精度要求较低的大面积地面沉降检测,站载LiDAR系统获取的数据精度高,目前道路及较高精度的变形检测多采用站载LiDAR系统,但需投入较多的人力,自动化程度低。车载LiDAR系统获取道路数据点云密度高,自动化程度高,但精度较站载激光雷达系统低。基于以上技术现状,本发明提出一种利用车载LiDAR系统获取道路沉降信息对道路进行塌陷预警的方法,其中的数据处理方法可达到利用车载LiDAR系统获取的较低精度的数据获得高于数据获取精度的道路沉降信息。
发明内容
本发明针对道路路面塌陷预测的迫切需求,利用车载LiDAR系统在道路相关领域获取的高频率重复性道路点云大数据,发明一种利用车载LiDAR系统获取的城市道路路面多时相点云数据检测道路局部沉降量、沉降速度及沉降加速度对道路坍塌预警的方法,步骤主要包括:
步骤1,利用车载LiDAR系统获取高频率多时相点云大数据,并提取多时相点云道路数据;
步骤2,根据道路特点,对获取的同区域多时相道路点云数据进行分段并分别配准;
步骤3,对配准后的点云数据进行规则格网化处理,将点云投影到平面格网,生成高程格网数据;
步骤4,对高程格网数据进行高斯滤波处理;
步骤5,计算分析多时相同路段数据差值,获取道路沉降区域;
步骤6,对道路沉降区域进行精细沉降分析,利用沉降区域沉降量、沉降速度和沉降加速度对道路塌陷进行分级预警。
进一步的,步骤1中利用TerroSolid自带的内插不规则三角网为基础的渐近加密算法提取道路点云数据。
进一步的,步骤2中将道路每隔一定距离划分为一个路段,将每个路段分别进行处理后利用迭代最近点的方法对其进行配准。
进一步的,步骤3中格网大小根据扫描数据点密度进行调整。
进一步的,步骤4中高斯滤波参数根据格网大小、待检测路面范围大小和预检测沉降范围大小进行调整。
进一步的,步骤5中,对不同时相点云数据进行差值计算,判断差值是否大于设定阈值,大于设定阈值,即判断为道路沉降区域。
进一步的,步骤6的具体实现方式如下,
利用配准后数据分别求取沉降区域最新获取数据,即第i次获取,与前一时相获取数据高差最大值ΔZi,时间间隔ΔTi,对ΔZi、ΔZi/ΔTi、ΔZi/ΔTi 2进行分析:
(1)ΔZi=0:安全,无预警(绿色);
(2)ΔZi>0,ΔZi/ΔTi<ΔZi-1/ΔTi-1:低风险,蓝色预警;
(3)ΔZi>0,ΔZi/ΔTi=ΔZi-1/ΔTi-1:中风险,黄色预警;
(4)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2<ΔZi-1/ΔTi-1 2:中高风险,橙色预警;
(5)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2>=ΔZi-1/ΔTi-1 2:高风险,红色预警。
车载LiDAR系统,由GNSS(Global Navigation Satellite System,全球卫星导航系统),LiDAR,IMU(Inertial Measurement Unit,惯性测量单元)组成。GNSS用来获取系统在大地坐标系中的坐标,LiDAR获取探测目标的角度与距离信息,IMU记录系统姿态信息,辅助点云数据解译,获取目标点云数据的坐标信息。
车载LiDAR系统获取道路及周围地物的坐标信息,首先需对数据进行道路滤波,去除道路两侧树木及道路上车辆等数据,只留取路面点云数据。对获取的道路数据进行分段处理,以提高道路配准精度,采用迭代最近点的方法对分段数据分别进行配准;对分段数据进行XOY平面的规则格网处理,其Z值利用最邻近点的方法获取,对道路趋势面进行拟合后进行高斯滤波处理,将处理后的不同时相数据进行差值计算,准确获取道路路面沉降区域,并详细分析该沉降区域多时相数据的沉降量、沉降速度、沉降加速度等,通过对比多时相数据之间沉降区域的沉降量、沉降速度和沉降加速度对道路坍塌进行预警等级划分。
附图说明
图1为车辆搭载的LiDAR系统图;
图2为本发明方法的数据处理流程图;
图3为未进行高斯滤波处理的高程规则格网作差结果;
图4为使用高斯滤波方法处理后的高程格网作差结果。
具体实施方式
本发明提供了一种检测城市道路路面沉降的方法,以下为实施例详细说明。
获取道路点云数据的车载LiDAR系统如图1,GNSS是装置自身定位系统,用来获取系统在大地坐标中的位置信息;相机可获取周围地物的纹理信息,可以对获取的点云数据进行颜色赋值;激光扫描仪用来获取扫描范围地物的点云信息,记录其在扫描坐标系中的坐标;IMU用于获取装置的位置信息,记录其行驶方向偏离、俯仰、翻滚信息。该装置获取的点云数据通过数据解算,可获取扫描范围内地物在大地坐标系的位置信息。
多时相点云数据可通过车载LiDAR系统进行道路部件普查、智慧城市数据采集、自动驾驶车辆搭载的激光扫描仪等方式获取,其数据需包括采集目标地物的大地三维坐标和时间信息。实施例中通过模拟道路局部沉降,利用对多时相点云数据进行数据处理,其处理流程如图2,对原始数据进行道路滤波处理,利用TerroSolid自带的内插不规则三角网为基础的渐近加密算法获取道路点云数据,去除道路两侧树木、建筑和道路上行人、车辆等噪声点数据。将获取的道路点云划分为合理路段,将整体点云数据划分为若干点云数据文件,如实施例中将道路每隔10m划分为一个路段,将每个路段分别进行处理后利用迭代最近点的方法对其进行配准。
对分段后数据进行规则格网处理,将道路点云投影到平面格网,获得高程格网数据,利用高斯滤波对高程格网进行处理,对不同时相点云数据进行差值计算,判断差值是否大于设定阈值,大于设定阈值,即判断为道路沉降区域。格网大小可根据扫描数据点密度进行调整,高斯滤波参数根据格网大小、待检测路面范围大小和预检测沉降范围大小进行调整。
利用高斯滤波处理后的格网数据作差,可对道路沉降区域进行定位。对定位后数据利用高斯滤波处理前的高程格网数据进行差值计算,获取沉降区域并分析沉降区域详细沉降数据。其中附图3为道路点云数据高程规则格网进行高斯滤波前直接作差结果,附图4道路点云数据高程规则格网进行高斯滤波后作差结果,可准确获取道路沉降区域。
对沉降区域数据进行详细分析,计算沉降区域相邻两时相高差最大值,记录获取数据时间间隔。
道路局部沉降对道路坍塌预警的具体步骤如下:利用配准后数据分别求取沉降区域最新获取数据(第i次获取)与前一时相高差最大值ΔZi,时间间隔ΔTi,对ΔZi、ΔZi/ΔTi、ΔZi/ΔTi 2进行分析:
1)ΔZi=0:安全,无预警(绿色);
2)ΔZi>0,ΔZi/ΔTi<ΔZi-1/ΔTi-1:低风险,蓝色预警;
3)ΔZi>0,ΔZi/ΔTi=ΔZi-1/ΔTi-1:中风险,黄色预警;
4)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2<ΔZi-1/ΔTi-1 2:中高风险,橙色预警;
5)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2>=ΔZi-1/ΔTi-1 2:高风险,红色预警。
Claims (7)
1.一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于,包括以下步骤:
步骤1,利用车载LiDAR系统获取高频率多时相点云大数据,并提取多时相点云道路数据;
步骤2,根据道路特点,对获取的同区域多时相道路点云数据进行分段并分别配准;
步骤3,对配准后的点云数据进行规则格网化处理,将点云投影到平面格网,生成高程格网数据;
步骤4,对高程格网数据进行高斯滤波处理;
步骤5,计算分析多时相同路段数据差值,获取道路沉降区域;
步骤6,对道路沉降区域进行精细沉降分析,利用沉降区域沉降量、沉降速度和沉降加速度对道路塌陷进行分级预警。
2.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤1中利用TerroSolid自带的内插不规则三角网为基础的渐近加密算法提取道路点云数据。
3.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤2中将道路每隔一定距离划分为一个路段,将每个路段分别进行处理后利用迭代最近点的方法对其进行配准。
4.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤3中格网大小根据扫描数据点密度进行调整。
5.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤4中高斯滤波参数根据格网大小、待检测路面范围大小和预检测沉降范围大小进行调整。
6.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤5中,对不同时相点云数据进行差值计算,判断差值是否大于设定阈值,大于设定阈值,即判断为道路沉降区域。
7.根据权利要求1中所述的一种利用车载LiDAR系统预测城市道路局部坍塌的方法,其特征在于:步骤6的具体实现方式如下,
利用配准后数据分别求取沉降区域最新获取数据,即第i次获取,与前一时相获取数据高差最大值ΔZi,时间间隔ΔTi,对ΔZi、ΔZi/ΔTi、ΔZi/ΔTi 2进行分析:
(1)ΔZi=0:安全,无预警(绿色);
(2)ΔZi>0,ΔZi/ΔTi<ΔZi-1/ΔTi-1:低风险,蓝色预警;
(3)ΔZi>0,ΔZi/ΔTi=ΔZi-1/ΔTi-1:中风险,黄色预警;
(4)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2<ΔZi-1/ΔTi-1 2:中高风险,橙色预警;
(5)ΔZi>0,ΔZi/ΔTi>ΔZi-1/ΔTi-1,ΔZi/ΔTi 2>=ΔZi-1/ΔTi-1 2:高风险,红色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907363.9A CN112164098A (zh) | 2020-09-02 | 2020-09-02 | 一种利用车载LiDAR系统预测城市道路局部坍塌的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907363.9A CN112164098A (zh) | 2020-09-02 | 2020-09-02 | 一种利用车载LiDAR系统预测城市道路局部坍塌的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112164098A true CN112164098A (zh) | 2021-01-01 |
Family
ID=73858690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010907363.9A Pending CN112164098A (zh) | 2020-09-02 | 2020-09-02 | 一种利用车载LiDAR系统预测城市道路局部坍塌的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112164098A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748871A (zh) * | 2017-10-27 | 2018-03-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN107808417A (zh) * | 2016-09-08 | 2018-03-16 | 索尼公司 | 信息处理设备和信息处理方法 |
CN111102962A (zh) * | 2020-01-13 | 2020-05-05 | 厦门精图信息技术有限公司 | 基于高分遥感卫星的地表沉降监测系统和方法 |
-
2020
- 2020-09-02 CN CN202010907363.9A patent/CN112164098A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808417A (zh) * | 2016-09-08 | 2018-03-16 | 索尼公司 | 信息处理设备和信息处理方法 |
CN107748871A (zh) * | 2017-10-27 | 2018-03-02 | 东南大学 | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 |
CN111102962A (zh) * | 2020-01-13 | 2020-05-05 | 厦门精图信息技术有限公司 | 基于高分遥感卫星的地表沉降监测系统和方法 |
Non-Patent Citations (3)
Title |
---|
张伟朋: "《三维激光扫描在青藏公路路基变形检测中的应用研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
曹增增: "《三维激光扫描技术在路基沉降监测中的应用研究》", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
郝哲: "《尾矿库加高增容稳定性及监测技术研究》", 31 December 2018, 东北大学出版 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biçici et al. | An approach for the automated extraction of road surface distress from a UAV-derived point cloud | |
CN111551958B (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
Gargoum et al. | Automated highway sign extraction using lidar data | |
Gargoum et al. | Automated extraction of road features using LiDAR data: A review of LiDAR applications in transportation | |
Yang et al. | Automated extraction of road markings from mobile LiDAR point clouds | |
Jung et al. | 3D virtual intersection sight distance analysis using lidar data | |
Ibrahim et al. | Curb-based street floor extraction from mobile terrestrial LiDAR point cloud | |
Ma et al. | Generation of horizontally curved driving lines in HD maps using mobile laser scanning point clouds | |
CN110531376A (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
Wang et al. | Automatic road extraction from mobile laser scanning data | |
CN102208013A (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
Ye et al. | Semi-automated generation of road transition lines using mobile laser scanning data | |
McElhinney et al. | Initial results from European Road Safety Inspection (EURSI) mobile mapping project | |
KR20190114523A (ko) | 라이다 데이터를 이용한 지형 변화 실시간 탐지 방법, 이를 위한 시스템 및 서버에 저장된 컴퓨터프로그램 | |
JP7471481B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Denis et al. | Towards road modelling from terrestrial laser points | |
CN112164098A (zh) | 一种利用车载LiDAR系统预测城市道路局部坍塌的方法 | |
CN110717007A (zh) | 应用路侧特征辨识的图资定位系统及方法 | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和系统 | |
Higashimoto et al. | Identification of road surface condition on undeveloped roads:—aiming for remote car driving— | |
CN114092419A (zh) | 一种基于地表点位的点云空间位置质量自动检查方法 | |
Teo | The extraction of urban road inventory from mobile lidar system | |
Ren et al. | Automatic extraction method of urban road curb boundary from vehicle-borne laser point clouds | |
Park et al. | Accuracy analysis of road surveying and construction inspection of underpass section using mobile mapping system | |
Di Benedetto et al. | Road Surface Modelling and Characterization from Terrestrial LIDAR Data |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |