CN112285733A - 一种城乡规划核实测绘数据处理方法 - Google Patents
一种城乡规划核实测绘数据处理方法 Download PDFInfo
- Publication number
- CN112285733A CN112285733A CN202011130553.0A CN202011130553A CN112285733A CN 112285733 A CN112285733 A CN 112285733A CN 202011130553 A CN202011130553 A CN 202011130553A CN 112285733 A CN112285733 A CN 112285733A
- Authority
- CN
- China
- Prior art keywords
- initial
- point
- point cloud
- points
- distance
- 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
Links
Images
Classifications
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及计算机视觉技术领域,尤其涉及一种城乡规划核实测绘数据处理方法,包括采集地形点云数据、划分子区域、筛选出各个集合的剩余点集、利用深度神经网络进行地势类别分类任务、分析点云异常情况、对所有子区域异常情况的互证以及修正点云数据;本发明通过对低空无人机机载激光雷达采集的城乡地形测绘数据进行核实并处理,实现地势类别的分析,实现了因高动态无人机飞行模式导致的点云数据异常情况的分析,实现了基于区域匹配的判断结果互证方法,无需人为校验,成本低,可靠性强;本发明可适用于复杂地形情况下的测绘任务,检测效率高,鲁棒性较强,泛化能力较好,且数据的精度更高。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种城乡规划核实测绘数据处理方法。
背景技术
城乡规划是研究城市的未来发展、城市的合理布局和综合安排城市各项工程建设的综合部署,是一定时期内城市发展的蓝图,也是城市管理的重要组成部分。
无人机是城乡规划测绘数据的有力补充,但是,由于点云的颜色分辨能力差,且地形并不是固定不变的平面,因此,难以实现区域类别的识别,且无人机在采集测绘数据时,高速动态飞行模式中会出现点云偏移、拉伸、压缩等异常情况,当点云中存在异常点时,会影响点云的配准效果,目前对点云异常数据分析的研究较少。
另外,机载激光雷达获取的点云数据精度高,测绘效率高,适用于大范围面积航摄项目的数据获取,但是,将无人机低空机载激光雷达应用于城乡规划的地形测量,获得的点云数量往往非常庞大,给后续处理带来极大的不便,因此,在实际处理中需要对点云数据进行处理以及核实。
发明内容
本发明提供一种城乡规划核实测绘数据处理方法,解决的技术问题是,无人机机载激光雷达测绘数据时难以识别区域类别,且获得点云数据量庞大,另外,现有技术对点云异常数据判断提供的可靠方法较少。
为解决以上技术问题,本发明提供了一种城乡规划核实测绘数据处理方法,包括以下步骤:
S1.无人机搭载激光雷达低空飞行采集地形点云数据;
S2.将所述地形点云数据划分区域,将各子区域内的地形点云数据值最大的K个点分别构成集合;
S3.对各个集合内的点进行最优地势点集的拟合,以筛选出各个集合的剩余点集,包括步骤:
S31.选取任一所述集合中的若干点,寻找每个点距离最近邻的两个点,将可构成初始平面的三点作为一个初始种子;
S32.每个所述初始种子中的各点将搜索到的距其规定半径内的其余点归入其对应的所述初始种子,得到新初始种子;
S33.所述初始平面根据其与所述新初始种子内各点的距离之和,沿其法向量进行移动,得到稳定的新初始平面;
S34.获取每两个所述新初始平面之间的夹角以及距离,若小于预设夹角和预设距离,则将两个所述新初始种子合并为一个种子,最终将点最多的种子作为最优地势点集,将剩余种子内的点构成剩余点集;
S4.所述剩余点集根据最近邻点将其划分为各个分类子集,包括步骤:
S41.随机选取所述剩余点集内若干点作为初始点,并获取其与激光雷达的初始距离;
S42.查找每个所述初始点的第一最近邻点,获取所述第一最近邻点与所述激光雷达的第一距离,计算所述第一距离与所述初始距离的距离差,并与预设距离阈值对比,若小于所述预设距离阈值,则进入步骤S43;
S43.查找所述第一最近邻点的三个第二最近邻点,分别获取三个所述第二最近邻点与所述激光雷达的第二距离,分别计算三个所述第二距离与所述初始距离的距离差,并与所述预设距离阈值作对比,若三个所述第二距离均小于所述预设距离阈值,则将第一最近邻点归入对应初始点,构成初始点集合;
S44.重复所述步骤S42、步骤S43,直至无新的剩余点加入所述初始点集合;
S45.计算每两个初始点的所述初始距离的差值,若小于所述预设距离阈值,合并两个所述初始点集合,以得到各个分类子集;
S5.对各个所述分类子集输入深度神经网络中,输出各个所述分类子集对应的地势类别;
S6.选取地势类别为建筑的点云,判断建筑点云是否存在偏移异常,若所述建筑点云未偏移,则进入步骤S7,若所述建筑点云偏移,则进入步骤S8;
S7.基于先验信息,判断所述建筑点云是否存在放缩异常,并进入步骤S8;
S71.根据统计所述建筑点云的边缘点个数得到所述建筑的长边和宽边,将所述建筑的长边和宽边的比值与第一先验阈值对比,以初步判断所述建筑点云是否存在放缩异常,若初步判断不存在放缩异常,则进入步骤S72;
S72.将所述建筑点云划分感兴趣区域,将所述感兴趣区域的点云数据与所述建筑点云的数据按位置坐标作差,得到所述感兴趣区域中各位置差值和;
S73.所述各位置差值和的绝对值与第二先验阈值作对比,若大于所述第二先验阈值,则判断点云存在放缩异常,进入步骤S8;
S8.基于划分的子区域,进行各子区域间异常判断结果的对比,以互证得到最终判断结果,并根据所述最终判断结果修正所述地形点云数据。
其中,所述新初始平面稳定为,所述新初始种子内各点与所述新初始平面的距离和最小;
所述深度神经网络采用时间卷积网络结构。
进一步地,在所述步骤S32中,若某一所述其余点可加入多个所述初始种子,则进行以下步骤:
获取所述其余点与各个所述初始种子的所述初始平面之间的点距离;
根据所述初始种子构成的初始平面与水平面的夹角,为每个所述初始种子分配种子分数;
根据所述种子分数以及所述点距离获取新点距离,则所述其余点归入所述新点距离最小的所述初始种子。
进一步地,在所述步骤S42中,若所述初始距离与所述第一距离的距离差大于所述预设距离阈值,则重新查找并更新所述第一最近邻点。
进一步地,所述步骤S6通过霍夫变换得到边缘直线判断所述建筑点云是否存在偏移异常。
进一步地,在所述步骤S8中,将划分的相邻子区域间的判断结果分别进行匹配,若子区域间不匹配,则以投票机制对所有所述子区域的判断结果进行投票,得到最终判断结果;所述判断结果包括偏移判断结果以及放缩判断结果。
本发明提供的一种城乡规划核实测绘数据处理方法,通过对低空无人机机载激光雷达采集的城乡地形测绘数据进行核实并处理,实现了因高动态无人机飞行模式导致的点云数据异常情况的分析,实现了基于区域对比的判断结果互证方法,无需人为校验等,解决了无人机机载激光雷达测绘数据时难以识别区域类别,且获得点云数据量庞大,另外,现有技术对点云异常数据判断提供的可靠方法较少的问题;本发明可适用于复杂地形情况下的测绘任务,鲁棒性较强,泛化能力较好,同时,本发明通过对点云数据的修正,减小了数据的误差,提高数据的准确性;另外,本发明无需额外配置视觉传感器,节约了设备成本,且通过神经网络实现地势分类,可靠性更强。
附图说明
图1是本发明实施例提供的一种城乡规划核实测绘数据处理方法的流程示意图;
图2是本发明实施例提供的步骤S32其它情况的流程示意图;
图3是本发明实施例提供的步骤S7的简单示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
针对无人机机载激光雷达测绘数据时难以识别区域类别,且获得点云数据量庞大,另外,现有技术对点云异常数据判断提供的可靠方法较少的问题,本发明实施例提供了一种城乡规划核实测绘数据处理方法,如图1所示,包括以下步骤:
S1.无人机搭载激光雷达低空飞行采集地形点云数据,并进行简单的预处理操作;
需要说明的是,在本发明实施例中,所述无人机在较为接近理想状态下工作,其中,理想状态为:无人机自身位姿稳定,即姿态欧拉角恒定,且不存在剧烈振动情况,即出现点云异常情况时,与无人机自身因素无关,仅与无人机速度有关;同样地,在本发明实施例中,激光测距仪位姿固定,即点云所表示的距离不会因激光雷达位姿而出现差值过大的情况;
本实施例通过无人机低空机载激光雷达可以获取比照射面较小的目标信息,类似高压线等,且能够很快、准确的进行勘测,节省了大量的人力以及时间,测量精度高,数据误差小。
S2.将所述地形点云数据划分区域,将各子区域内的地形点云数据值最大的K个点分别构成集合;
所述激光雷达所采集的所述地形点云数据的值即为真实世界的点到激光测距雷达的距离,激光雷达的工作原理为:激光雷达向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离等参数;
在本发明实施例中,由于无人机预设轨迹固定,因此,根据所述无人机的预设轨迹将所采集的用于城乡规划的大范围区域地形点云数据划分为n个子区域,分别为D1,D2,…Dn;对于其中的任一子区域Dn,基于Top-K思想对子区域Dn内的点云数据中各点进行排序,即根据其点云数据中各点代表的距离进行排序,距离越大序号越靠前,选取排序的前K个点构成集合Gn。
S3.对某一子区域Dn内的集合Gn内的点进行最优地势点集Gd的拟合,以筛选出集合Gn的剩余点集Gs,包括步骤:
S31.选取任一子区域Dn内的所述集合Gn中的若干点,本领域技术人员可根据实际情况进行选取,查找每个点距离最近邻的两个点,将此点和距离其最近邻的两个点作为初始种子,即每个所述初始种子内包含三个点,因此,每个所述初始种子均可定义一个初始平面,过滤掉三点无法构成初始平面的所述初始种子,即,在本实施例中,对于某一初始种子,若所述初始种子内的三个点在同一直线上,则无法构成平面,将此初始种子删除;
S32.每个所述初始种子中的各点均以规定半径r进行搜索,获取在所述规定半径r内的其余点(不包含初始种子中的点),将所述其余点归入对应的所述初始种子,得到新初始种子,本实施例将所述规定半径r设为0.1m,本领域技术人员可根据实际情况进行调整;
在本发明实施例中,在所述步骤S32中,如图2所示,若某一所述其余点可加入多个所述初始种子,则进行以下步骤:
(1)获取此其余点与各个所述初始种子的所述初始平面之间的点距离;
(2)根据所述初始种子构成的初始平面与水平面的夹角γ,为每个所述初始种子分配种子分数Score,夹角γ越小,种子分数Score越高;
其中,本实施例设置的夹角与分数之间的映射函数具体为:
(3)将所述种子分数Score的倒数与某一所述点距离相乘,将乘积作为新点距离,此时,将所述其余点归入对应所述新点距离最小的所述初始种子。
S33.计算每个所述新初始种子内各点到所述新初始种子内的所述初始平面的距离之和,每个所述初始平面根据对应的所述距离之和,沿其法向量进行移动,直到所述新初始种子内各点与移动后的新初始平面之间的距离和最小,即平面方程稳定;
在所述步骤S33中,本实施例将所述新初始种子内各点到对应所述初始平面的距离标有符号,即高于所述初始平面的点到所述初始平面的距离为正,低于所述初始平面的点到所述初始平面的距离为负。
S34.获取每两个所述新初始平面之间的夹角θ以及距离A,并预先设置预设夹角θ′和预设距离A′,若所述夹角θ小于所述预设夹角θ′,且所述距离A小于所述预设距离A′,则将这两个所述新初始种子合并为一个种子,将内部点数目少的所述新初始种子合并至内部点数目多的所述新初始种子,重复此步骤,得到若干种子,最终选取内部点最多的种子作为最优地势点集Gd,将剩余种子内的点构成剩余点集Gs;
S4.所述剩余点集Gs根据最近邻点将其划分为各个分类子集Gu,包括步骤:
S41.随机选取所述剩余点集Gs内m个点作为初始点,并获取各个所述初始点与激光雷达的初始距离Bm;
S42.查找每个所述初始点的第一最近邻点,获取所述第一最近邻点与所述激光雷达的第一距离,计算所述第一距离与所述初始距离的距离差,并与预设距离阈值对比,若小于所述预设距离阈值,则进入步骤S43;
S43.查找所述第一最近邻点的三个第二最近邻点,分别获取三个所述第二最近邻点与所述激光雷达的第二距离,分别计算三个所述第二距离与所述初始距离的距离差,并与所述预设距离阈值作对比,若三个所述第二距离均小于所述预设距离阈值,则将第一最近邻点归入对应初始点,构成初始点集合;
本实施例以第一个初始点进行举例说明:
获取第一个初始点与所述激光雷达的初始距离B1,查找第一个初始点的第一最近邻点,第一最近邻点与所述激光雷达的第一距离为B1,1,计算距离差:c=B1-B1,1;将此距离差c与预先设置的距离阈值C比较,若c>C,则重新查找并更新所述第一最近邻点,将更新的所述第一最近邻点输入步骤S42,若c<C,则进入步骤S43;在所述步骤S43中,查找所述第一最近邻点的三个第二最近邻点,三个所述第二最近邻点与所述激光雷达的第二距离分别为B1,1,1,B1,1,2,B1,1,3,若所述第二距离B1,1,1,B1,1,2,B1,1,3与初始距离B1的三个差值均小于所述距离阈值C,则将第一最近邻点归入第一个初始点,构成初始点集合。
在本发明实施例中,当多个初始点查找到同一个第一最近邻点,且此第一最近邻点满足多个初始点,即符合所述步骤S42的条件,则将其归入距离最近的初始点,构成初始点集合。
S44.重复所述步骤S42、步骤S43,直至无新的剩余点加入所述初始点集合;
S45.计算每两个初始点的所述初始距离的差值,若小于所述预设距离阈值,合并两个所述初始点集合,将点数目少的初始点集合并入点数目多的初始点集合,以得到e个分类子集Ge;
S5.将各个所述分类子集Ge的点云数据序列输入深度神经网络中,由于此点云数据序列是不定长的,因此采用时间卷积网络进行分类任务,输出各个所述分类子集Ge对应的地势类别;
在本发明实施例中,时间卷积网络的具体训练过程为:训练集为采集的多种地形的点云数据序列,其中包含水域、地陷坑、植被(主要指农作物)、建筑等地形情况采用交叉熵损失函数对网络进行训练,本实施例将训练集按如下规则标注:
人为标注时,首先计算各个分类子集Ge与激光雷达距离Ee的均值Ee-mean,方差为Ve-mean,然后,判断各个分类子集Ge对应的地势类别标注,具体为:
water Ee-mean>Ee-max,Ve-mean<V,Ar>Ar1;
hole Ee-mean>Ee-max,Ve-mean>V,Ar∈[Ar1,Ar2];
botany αEe-min>Ee-mean>Ee-min,Ve-mean<V,Ar>Ar2;
building Ee-mean>αEe-min,Ar>Ar1;
unknown other else;
其中,V为标准方差阈值,方差表示地势平面的平整度;Ar为分类子集的分布面积,地陷坑、建筑等地势的经验区间为[Ar1,Ar2];Ee-max和Ee-min为分类子集Ge与激光雷达的最大距离和最小距离;α为经验系数,本实施例依据无人机飞行高度设置α;类别分别为水water、地陷坑hole、植被(主要指农作物)botany、建筑building及其他未知项unknown区域,由于场景的复杂性和随机性,不可避免的出现一定的未知项区域。
本实施例对上述标注进行说明:将低于地面平面、地形较平整,且面积较大不可以忽略的分类子集,判断其地势类别为水区域;将低于地面平面、地形具有坡度、面积位于正常地陷坑面积区间内的分类子集,判断其地势类别为地陷坑区域;将高度在一定区间内、地形较平整、面积足够大的分类子集,判断其地势类别为植被区域;将高于地面平面,且高度大于一定阈值、面积较大不可以忽略的分类子集,判断其地势类别为建筑区域,由于建筑物的屋顶类型不同,因此,不采用方差对建筑区域进行判断。
本发明实施例通过深度神经网络实现地势类别分类任务,大大减少了各个分类子集Ge类别判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,可靠性更高。
S6.选取地势类别为建筑区域的点云,判断建筑点云是否存在偏移异常,具体为:
选取地势类别为建筑区域的点云Ge-building,本实施例提取建筑点云Ge-building的边缘时,忽略高程数据,仅考虑地理位置坐标,并通过霍夫变换得到边缘直线,为四条直线,设为L1,L2,L3,L4,由于点云通过激光雷达获得,因此无论是否存在偏移情况,必然存在两两平行,假设L1//L2,L3//L4,则其斜率有两个值,分别为sl1,sl2,当sl1*sl2=-1或者一个斜率值为0,另一个斜率值不存在时,判断建筑点云未偏移,进入步骤S7;否则,判断建筑点云偏移,进入步骤S8;
需要说明的是,无人机为匀速飞行,基于经验信息,即建筑的边缘直线始终满足平行关系,提取出建筑点云数据中的边缘,并以建筑点云边缘的分析结果作为整体点云的分析结果。
S7.当建筑点云未偏移时,基于先验信息,判断所述建筑点云是否存在放缩异常,并进入步骤S8,如图3所示,具体包括:
S71.首先统计所述建筑点云的边缘点个数,由于一般建筑具有对称性,因此,容易根据所统计的边缘点个数得到所述建筑的长边长度length和宽边长度width,计算所述建筑的长边和宽边的比值并根据经验设置第一先验阈值,本实施例设置所述第一先验阈值为[1,3],将所述比值与所述第一先验阈值对比,若则初步判断建筑点云可能存在放缩异常,且此放缩异常对建筑点云具有较大影响,此时,无人机无需重新启动,即可按原路线低速飞行,重新采集点云数据,若初步判断不存在放缩异常,则进入步骤S72;
需要说明的是,无人机重新飞行采集数据的功耗较大,因此,本实施例设置初步判断,若可能存在放缩异常,则使无人机在停止工作之前重新测绘数据,避免其重新启动。
S72.将所述建筑点云划分感兴趣区域,所述感兴趣区域以外接矩形表示,将所述感兴趣区域的点云数据与所述建筑区域的点云数据按位置坐标作差,得到所述感兴趣区域中各位置差值之和;
S73.根据经验设置第二先验阈值,本实施例将其设置为104,计算所述各位置差值之和的绝对值,将此绝对值与所述第二先验阈值作对比,若大于所述第二先验阈值,则判断建筑点云放缩,进入步骤S8,并将建筑点云的放缩判断结果作为整体点云放缩结果;
需要说明的是,在本实施例中,当判断建筑点云放缩时,根据所述感兴趣区域的各位置差值之和的符号判断其放缩情况,当符号为正号时,判断建筑点云为缩小异常;当符号为负号时,判断建筑点云为放大异常。
S8.基于划分的子区域,进行各子区域间的异常判断结果的对比,以实现互证得到最终判断结果,并根据所述最终判断结果修正所述地形点云数据。
在所述步骤S8中,将划分的相邻子区域间的异常判断结果,即偏移判断结果以及放缩判断结果分别进行匹配,以实现判断结果互证,其中,所述偏移判断结果包括点云偏移和点云未偏移,所述放缩判断结果包括点云放缩和点云不放缩,互证的内容为:各个子区域处理得到的异常判断结果;若子区域间出现不匹配情况,则以投票机制对所有所述子区域的判断结果进行投票,得到最终判断结果,本实施例设置的投票机制为:以所有所述子区域超过51%的同一判断结果作为最终判断结果;比如:对划分的相邻子区域间的偏移判断结果分别进行对比,若所有子区域的对比结果中,有超过51%的显示为点云存在偏移,则将点云偏移作为最终判断结果,反之,若有超过51%的对比结果显示为点云未偏移,则将点云不偏移作为最终判断结果。
基于所述最终判断结果,本实施例采用二维图像矫正的方法对所述地形点云数据不同的异常类型分别进行修正,需要说明的是,点云修正时应基于位置坐标,忽略高程数据。
本发明实施例提供的一种城乡规划核实测绘数据处理方法,包括步骤S1.无人机搭载激光雷达低空飞行采集地形点云数据;S2.将所述地形点云数据划分区域,将各子区域距离最大的K个点分别构成集合;S3.对各个集合内的点进行最优地势点集的拟合,以筛选出各个集合的剩余点集,S4.将所述剩余点集划分为各个分类子集;S5.对各个所述分类子集输入深度神经网络中,输出各个所述分类子集对应的地势类别;S6.选取地势类别为建筑的点云,判断建筑点云是否存在偏移异常;S7.判断所述建筑点云是否存在放缩异常;S8.进行各子区域间判断结果的互证,并修正所述地形点云数据;解决了无人机机载激光雷达测绘数据时难以识别区域类别,且获得点云数据量庞大,另外,现有技术对点云异常数据判断提供的可靠方法较少的问题;本发明实施例利用低空无人机机载激光雷达采集地形点云数据,并对所采集的地形点云数据进行核实并处理,实现地势类别的分析,实现了因无人机高速动态运行原因而导致点云数据偏移、缩放等情况的分析,本发明实施例无需额外配置视觉传感器等数据采集设备,节约成本,且无需考虑各信息采集设备之间的协同问题,数据的精度、准确性更高,本实施例可适用于多种地形的测绘任务,泛化能力较好,检测效率高。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种城乡规划核实测绘数据处理方法,其特征在于,包括以下步骤:
S1.无人机搭载激光雷达低空飞行采集地形点云数据;
S2.将所述地形点云数据划分区域,将各子区域内的地形点云数据值最大的K个点分别构成集合;
S3.对各个集合内的点进行最优地势点集的拟合,以筛选出各个集合的剩余点集,包括步骤:
S31.选取任一所述集合中的若干点,寻找每个点距离最近邻的两个点,将可构成初始平面的三点作为一个初始种子;
S32.每个所述初始种子中的各点将搜索到的距其规定半径内的其余点归入其对应的所述初始种子,得到新初始种子;
S33.所述初始平面根据其与所述新初始种子内各点的距离之和,沿其法向量进行移动,得到稳定的新初始平面;
S34.获取每两个所述新初始平面之间的夹角以及距离,并与预设夹角和预设距离对比,得到最优地势点集,将剩余种子内的点构成剩余点集;
S4.所述剩余点集根据最近邻点将其划分为各个分类子集;
S5.对各个所述分类子集输入深度神经网络中,输出各个所述分类子集对应的地势类别;
S6.选取地势类别为建筑的点云,判断建筑点云是否存在偏移异常;
S7.若所述建筑点云未偏移,则基于先验信息,判断所述建筑点云是否存在放缩异常;
S8.基于划分的子区域,进行各子区域间的异常判断结果的对比,以互证得到最终判断结果,并根据所述最终判断结果修正所述地形点云数据。
2.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于,所述步骤S4包括:
S41.随机选取所述剩余点集内若干点作为初始点,并获取其与激光雷达的初始距离;
S42.查找每个所述初始点的第一最近邻点,获取所述第一最近邻点与所述激光雷达的第一距离,计算所述第一距离与所述初始距离的距离差,并与预设距离阈值对比,若小于所述预设距离阈值,则进入步骤S43;
S43.查找所述第一最近邻点的三个第二最近邻点,分别获取三个所述第二最近邻点与所述激光雷达的第二距离,分别计算三个所述第二距离与所述初始距离的距离差,并与所述预设距离阈值作对比,若三个所述第二距离均小于所述预设距离阈值,则将第一最近邻点归入对应初始点,构成初始点集合;
S44.重复所述步骤S42、步骤S43,直至无新的剩余点加入所述初始点集合;
S45.计算每两个初始点的所述初始距离的差值,若小于所述预设距离阈值,合并两个所述初始点集合,以得到各个分类子集。
3.如权利要求2所述的一种城乡规划核实测绘数据处理方法,其特征在于:在所述步骤S42中,若所述初始距离与所述第一距离的距离差大于所述预设距离阈值,则重新查找并更新所述第一最近邻点。
4.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于:通过霍夫变换得到边缘直线判断所述建筑点云是否存在偏移异常。
5.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于,所述步骤S7具体包括:
S71.根据统计所述建筑点云的边缘点个数得到所述建筑的长边和宽边,将所述建筑的长边和宽边的比值与第一先验阈值对比,以初步判断所述建筑点云是否存在放缩异常,若初步判断不存在放缩异常,则进入步骤S72;
S72.将所述建筑点云划分感兴趣区域,将所述感兴趣区域的点云数据与所述建筑点云的数据按位置坐标作差,得到所述感兴趣区域中各位置差值和;
S73.所述各位置差值和的绝对值与第二先验阈值作对比,若大于所述第二先验阈值,则判断点云存在放缩异常,进入步骤S8。
6.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于:
所述新初始平面稳定为,所述新初始种子内各点与所述新初始平面的距离和最小。
7.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于:在所述步骤S8中,将划分的相邻子区域间的异常判断结果分别进行匹配,若子区域间不匹配,则以投票机制对所有所述子区域的判断结果进行投票,得到最终判断结果;
所述异常判断结果包括偏移判断结果以及放缩判断结果。
8.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于:在所述步骤S2中,根据所述无人机的预设轨迹将所述地形点云数据划分区域。
9.如权利要求7所述的一种城乡规划核实测绘数据处理方法,其特征在于:在所述步骤S32中,若某一所述其余点可加入多个所述初始种子,则进行以下步骤:
获取所述其余点与各个所述初始种子的所述初始平面之间的点距离;
根据所述初始种子构成的初始平面与水平面的夹角,为每个所述初始种子分配种子分数;
根据所述种子分数以及所述点距离获取新点距离,则所述其余点归入所述新点距离最小的所述初始种子。
10.如权利要求1所述的一种城乡规划核实测绘数据处理方法,其特征在于:所述深度神经网络采用时间卷积网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130553.0A CN112285733B (zh) | 2020-10-21 | 2020-10-21 | 一种城乡规划核实测绘数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130553.0A CN112285733B (zh) | 2020-10-21 | 2020-10-21 | 一种城乡规划核实测绘数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112285733A true CN112285733A (zh) | 2021-01-29 |
CN112285733B CN112285733B (zh) | 2023-09-26 |
Family
ID=74424061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011130553.0A Active CN112285733B (zh) | 2020-10-21 | 2020-10-21 | 一种城乡规划核实测绘数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112285733B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238205A (zh) * | 2021-05-25 | 2021-08-10 | 珠海市亿点科技有限公司 | 基于人工智能的无人机测绘点云数据偏移校正方法与系统 |
CN113486977A (zh) * | 2021-07-26 | 2021-10-08 | 广州邦鑫水利科技有限公司 | 一种基于深度学习的无人机测绘方法及系统 |
CN116452403A (zh) * | 2023-06-16 | 2023-07-18 | 瀚博半导体(上海)有限公司 | 点云数据处理方法、装置、计算机设备及存储介质 |
CN118243627A (zh) * | 2024-05-28 | 2024-06-25 | 山东省地质测绘院 | 一种智能遥感测绘方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070136408A1 (en) * | 2005-11-21 | 2007-06-14 | Wheeler Mark D | Identification of occluded edge regions from 3D point data |
CN105139379A (zh) * | 2015-07-30 | 2015-12-09 | 滁州学院 | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 |
CN105572687A (zh) * | 2015-12-11 | 2016-05-11 | 中国测绘科学研究院 | 一种基于车载激光雷达点云制作建筑物数字线划图的方法 |
US9456361B1 (en) * | 2015-01-07 | 2016-09-27 | Amdocs Software Systems Limited | System, method, and computer program for performing mobile network related tasks based on performance data acquired by an unmanned vehicle |
WO2018061010A1 (en) * | 2016-09-28 | 2018-04-05 | Pixtier Maps Ltd. | Point cloud transforming in large-scale urban modelling |
CN108037514A (zh) * | 2017-11-07 | 2018-05-15 | 国网甘肃省电力公司电力科学研究院 | 一种使用激光点云进行树障安全检测方法 |
RU2016145126A (ru) * | 2016-11-17 | 2018-05-17 | Общество с ограниченной ответственностью "РобоСиВи" | Способ и система обнаружения и сопровождения движущихся объектов на основе данных трехмерного датчика |
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN110243354A (zh) * | 2019-07-04 | 2019-09-17 | 桂林理工大学 | 一种城市违法建筑物动态监测方法和系统 |
CN110658528A (zh) * | 2019-10-12 | 2020-01-07 | 山东科技大学 | 基于激光雷达的综采工作面成套设备偏移监测方法 |
CN110794424A (zh) * | 2019-11-13 | 2020-02-14 | 湖北大学 | 基于特征选择的全波形机载激光雷达地物分类方法及系统 |
CN111060922A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
-
2020
- 2020-10-21 CN CN202011130553.0A patent/CN112285733B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070136408A1 (en) * | 2005-11-21 | 2007-06-14 | Wheeler Mark D | Identification of occluded edge regions from 3D point data |
US9456361B1 (en) * | 2015-01-07 | 2016-09-27 | Amdocs Software Systems Limited | System, method, and computer program for performing mobile network related tasks based on performance data acquired by an unmanned vehicle |
CN105139379A (zh) * | 2015-07-30 | 2015-12-09 | 滁州学院 | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 |
CN105572687A (zh) * | 2015-12-11 | 2016-05-11 | 中国测绘科学研究院 | 一种基于车载激光雷达点云制作建筑物数字线划图的方法 |
WO2018061010A1 (en) * | 2016-09-28 | 2018-04-05 | Pixtier Maps Ltd. | Point cloud transforming in large-scale urban modelling |
RU2016145126A (ru) * | 2016-11-17 | 2018-05-17 | Общество с ограниченной ответственностью "РобоСиВи" | Способ и система обнаружения и сопровождения движущихся объектов на основе данных трехмерного датчика |
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN108037514A (zh) * | 2017-11-07 | 2018-05-15 | 国网甘肃省电力公司电力科学研究院 | 一种使用激光点云进行树障安全检测方法 |
CN110243354A (zh) * | 2019-07-04 | 2019-09-17 | 桂林理工大学 | 一种城市违法建筑物动态监测方法和系统 |
CN110658528A (zh) * | 2019-10-12 | 2020-01-07 | 山东科技大学 | 基于激光雷达的综采工作面成套设备偏移监测方法 |
CN110794424A (zh) * | 2019-11-13 | 2020-02-14 | 湖北大学 | 基于特征选择的全波形机载激光雷达地物分类方法及系统 |
CN111060922A (zh) * | 2019-12-11 | 2020-04-24 | 电子科技大学 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
Non-Patent Citations (2)
Title |
---|
严慧敏;朱邦彦;王靖伟;: "无人机载LIDAR在山区水利测绘中的应用", 现代测绘, no. 05 * |
程俊;: "三维激光扫描技术在城市规划核实测量中的应用", 测绘与空间地理信息, no. 12 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238205A (zh) * | 2021-05-25 | 2021-08-10 | 珠海市亿点科技有限公司 | 基于人工智能的无人机测绘点云数据偏移校正方法与系统 |
CN113486977A (zh) * | 2021-07-26 | 2021-10-08 | 广州邦鑫水利科技有限公司 | 一种基于深度学习的无人机测绘方法及系统 |
CN113486977B (zh) * | 2021-07-26 | 2022-03-22 | 广州邦鑫水利科技有限公司 | 一种基于深度学习的无人机测绘方法及系统 |
CN116452403A (zh) * | 2023-06-16 | 2023-07-18 | 瀚博半导体(上海)有限公司 | 点云数据处理方法、装置、计算机设备及存储介质 |
CN116452403B (zh) * | 2023-06-16 | 2023-09-01 | 瀚博半导体(上海)有限公司 | 点云数据处理方法、装置、计算机设备及存储介质 |
CN118243627A (zh) * | 2024-05-28 | 2024-06-25 | 山东省地质测绘院 | 一种智能遥感测绘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112285733B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259809B (zh) | 基于DANet的无人机海岸线漂浮垃圾巡检系统 | |
CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和系统 | |
Alcantarilla et al. | Street-view change detection with deconvolutional networks | |
CN112285733A (zh) | 一种城乡规划核实测绘数据处理方法 | |
Fathi et al. | Detecting road intersections from GPS traces | |
Chen et al. | Automatically conflating road vector data with orthoimagery | |
KR102507501B1 (ko) | 인공지능 기반 수계오염원 모니터링 시스템 및 방법 | |
JP4292250B2 (ja) | 道路環境認識方法及び道路環境認識装置 | |
CN110636248B (zh) | 目标跟踪方法与装置 | |
WO2021138372A1 (en) | Feature coverage analysis | |
Ren et al. | An automated rail extraction framework for low-density LiDAR data without sensor configuration information | |
Sadekov et al. | Road sign detection and recognition in panoramic images to generate navigational maps | |
US20230314169A1 (en) | Method and apparatus for generating map data, and non-transitory computer-readable storage medium | |
CN111950524A (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
Feng et al. | Automated extraction of building instances from dual-channel airborne LiDAR point clouds | |
Yajima et al. | Ai-driven 3d point cloud-based highway infrastructure monitoring system using UAV | |
Suran et al. | Uav-based hyperspectral data analysis for urban area mapping | |
WO2022021209A9 (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
Kozempel et al. | Fast vehicle detection and tracking in aerial image bursts | |
KR20230102871A (ko) | 다중객체추적 알고리즘을 활용한 드론 항공영상 기반 미시적 교통데이터 추출을 위한 장치 및 방법 | |
Zhang | Photogrammetric point clouds: quality assessment, filtering, and change detection | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与系统 | |
EP4078087A1 (en) | Method and mobile entity for detecting feature points in an image | |
Yu et al. | Road Traffic Marking Extraction Algorithm Based on Fusion of Single Frame Image and Sparse Point Cloud | |
CN118314157B (zh) | 基于人工智能的遥感影像智能分割方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 450000 No. 74, agricultural road, Jinshui District, Henan, Zhengzhou Applicant after: China Nuclear Power Survey, design and Research Co.,Ltd. Applicant after: Rongwei Survey Co.,Ltd. Address before: No.238, Tongbai South Road, Zhongyuan District, Zhengzhou City, Henan Province, 450000 Applicant before: ZHENGZHOU CNEC GEOTECHNICAL ENGINEERING CO.,LTD. Applicant before: Rongwei Survey Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |