CN112802199A - 基于人工智能的高精度测绘点云数据处理方法与系统 - Google Patents
基于人工智能的高精度测绘点云数据处理方法与系统 Download PDFInfo
- Publication number
- CN112802199A CN112802199A CN202110098430.1A CN202110098430A CN112802199A CN 112802199 A CN112802199 A CN 112802199A CN 202110098430 A CN202110098430 A CN 202110098430A CN 112802199 A CN112802199 A CN 112802199A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- precision
- frame
- point
- 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.)
- Withdrawn
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G06T3/02—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的高精度测绘点云数据处理方法与系统。该方法获取每帧点云数据的全局置信度；将每帧点云数据划分多个子区域，通过给每个子区域分配不同的权重以获取每个子区域的局部置信度；获取每帧点云数据的第一点云精度指标；当第一点云精度指标不满足精度阈值时，将全局置信度和局部置信度相乘得到每个子区域的第三置信度，根据第三置信度和全局置信度对相邻帧中对应的子区域进行点云更新；获取更新后的点云数据的第二点云精度指标，当第二点云精度指标满足精度阈值时，停止点云更新。结合全局置信度和局部置信度对不满足点云精度的区域的点云数据进行实时更新，以确保采集到更精确的点云数据。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的高精度测绘点云数据处理方法与系统。
背景技术
使用激光雷达进行城市测绘时，无人机以固定高度低速飞行采集固定区域的3D点云数据，但是由于测绘过程中受天气等因素的影响，导致无人机位姿发生变化，进而使得点云数据发生偏移拉伸等现象，使得点云精度降低。
目前，为了提高点云数据的精度，通过激光雷达和传感器分别得到点云数据和传感器数据，利用传感器数据对点云数据进行校正，以得到点云数据的全局置信度，进而保留全局置信度大于置信度阈值的点云数据。
发明人在实践中，发现上述现有技术存在以下缺陷：由于无人机测绘的视野为广角，在激光雷达扫描范围内中心区域的点云数据的深度信息最为精确，而越靠近视野边缘的点云数据的深度信息误差越大，利用点云数据的全局置信度更新点云数据，会使得点云数据的更新结果不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的高精度测绘点云数据处理方法与系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于人工智能的高精度测绘点云数据处理方法，该方法包括：
当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据所述夹角变化获取每帧点云数据的全局置信度；
根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据所述子区域中的点云精度为每个所述子区域分配不同的权重以获取每个所述子区域的局部置信度，所述权重服从数学期望为零且标准差为待定系数的高斯函数；所述待定系数是利用相邻帧所述点云数据的平均梯度变化和当前帧的所述全局置信度得到所述当前帧的更新速度，根据连续多帧所述点云数据的所述更新速度确定所述待定系数；
通过建筑物关键点之间的距离获取每帧所述点云数据的第一点云精度指标；
当所述第一点云精度指标大于或等于精度阈值时，将所述全局置信度与所述局部置信度相乘得到每个所述子区域的第三置信度；在所述相邻帧中对应的所述子区域，保留所述第三置信度大的所述点云数据；若所述第三置信度相同，保留所述全局置信度大的所述点云数据；若所述全局置信度相同，直接保留下一帧的所述点云数据，以得到更新后的所述点云数据；
获取所述更新后的所述点云数据的第二点云精度指标，当所述第二点云精度指标小于所述精度阈值时，停止点云更新。
进一步地，所述圆心的设定方法，包括：
获取所述点云数据的俯视图的中心点；
以所述中心点为所述圆心。
进一步地，所述根据连续多帧所述点云数据的所述更新速度确定高斯函数的待定系数的获取方法，包括：
在所述待定系数的取值的合理允许范围内，获取不同的所述取值所对应的所述连续多帧所述点云数据的所述更新速度；
分别计算所述更新速度的均值，选择所述均值最大时对应的所述取值为所述待定系数。
进一步地，所述通过建筑物关键点之间的距离获取所述每帧所述点云数据的第一点云精度指标的方法，包括：
利用关键点检测网络得到所述建筑物关键点，所述建筑物关键点包括建筑物角点和窗户中心点；
根据密度聚类算法得到所述窗户中心点分布最密集区域；
选择与所述窗户中心点分布最密集区域距离最近的多个所述建筑物角点确定一个平面，对所述平面进行仿射变换得到所述平面的正视图；
计算所述正视图中每一个所述窗户中心点与其相邻所述窗户中心点的距离，以得到每一个窗户的点云精度指标，进而得到每帧所述点云数据的所述第一点云精度指标。
进一步地，所述根据所述夹角变化获取每帧点云数据的全局置信度的方法为：
其中，δ为所述全局置信度；Δφ为所述夹角变化。
第二方面，本发明另一个实施例提供了一种基于人工智能的高精度测绘点云数据处理系统，该系统包括：
全局置信度获取单元，用于当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据所述夹角变化获取每帧点云数据的全局置信度；
局部置信度获取单元，用于根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据所述子区域中的点云精度为每个所述子区域分配不同的权重以获取每个所述子区域的局部置信度，所述权重服从数学期望为零且标准差为待定系数的高斯函数；所述待定系数是利用相邻帧所述点云数据的平均梯度变化和当前帧的所述全局置信度得到所述当前帧的更新速度，根据连续多帧所述点云数据的所述更新速度确定所述待定系数；
点云精度获取单元，用于通过建筑物关键点之间的距离获取每帧所述点云数据的第一点云精度指标；
点云更新单元，用于当所述第一点云精度指标大于或等于精度阈值时，将所述全局置信度与所述局部置信度相乘得到每个所述子区域的第三置信度；在所述相邻帧中对应的所述子区域，保留所述第三置信度大的所述点云数据；若所述第三置信度相同，保留所述全局置信度大的所述点云数据；若所述全局置信度相同，直接保留下一帧的所述点云数据，以得到更新后的所述点云数据；
更新停止单元，用于获取所述更新后的所述点云数据的第二点云精度指标，当所述第二点云精度指标小于所述精度阈值时，停止点云更新。
进一步地，所述局部置信度获取单元，包括：
中心点检测单元，用于获取所述点云数据的俯视图的中心点；
圆心确定单元，用于以所述中心点为所述圆心。
进一步地，所述局部置信度获取单元，还包括：
速度检测单元，用于在所述待定系数的取值的合理允许范围内，获取不同的所述取值所对应的所述连续多帧所述点云数据的所述更新速度；
系数确定单元，用于分别计算所述更新速度的均值，选择所述均值最大时对应的所述取值为所述待定系数。
进一步地，所述点云精度获取单元，包括：
关键点检测网络单元，用于利用关键点检测网络得到所述建筑物关键点，所述建筑物关键点包括建筑物角点和窗户中心点；
密度聚类单元，用于根据密度聚类算法得到所述窗户中心点分布最密集区域；
平面检测单元，用于选择与所述窗户中心点分布最密集区域距离最近的多个所述建筑物角点确定一个平面，对所述平面进行仿射变换得到所述平面的正视图；
精度计算单元，用于计算所述正视图中每一个所述窗户中心点与其相邻所述窗户中心点的距离，以得到每一个窗户的点云精度指标，进而得到每帧所述点云数据的所述第一点云精度指标。
进一步地，所述全局置信度获取单元中所述根据所述夹角变化获取每帧点云数据的全局置信度的方法为：
其中，δ为所述全局置信度；Δφ为所述夹角变化。
本发明实施例至少存在以下有益效果：(1)对每帧点云数据进行区域划分得到多个子区域，根据子区域的点云精度为每个子区域分配不同的权重，且该权重服从高斯分布，进而通过分配的权重得到每个子区域的局部置信度，以结合全局置信度和局部置信度对不满足点云精度的区域三的点云数据进行实时点云更新，以确保采集到更精确的点云数据。
(2)通过相邻帧点云数据的平均梯度变化和对应的全局置信度得到每帧点云数据的更新速度，进而根据更新速度的快慢得到高斯函数的待定系数的最优值，利用待定系数的最优值能够降低点云数据更新的时间，提高测绘的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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附图。
图1为本发明一个实施例所提供的一种基于人工智能的高精度测绘点云数据处理方法的流程图；
图2为本发明一个实施例所提供的一种基于人工智能的高精度测绘点云数据处理方法的步骤流程图；
图3为本发明实施例所提供的关于点云数据区域划分的示例图；
图4为本发明实施例所提供的关于建筑物表面窗户排列的示例图；
图5为本发明另一个实施例所提供的一种基于人工智能的高精度测绘点云数据处理系统的结构框图；
图6为本发明实施例所提供的关于局部置信度获取单元的结构框图；
图7为本发明实施例所提供的关于点云精度获取单元的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的高精度测绘点云数据处理方法与系统。，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的高精度测绘点云数据处理方法与系统的具体方案。
本发明所针对的场景为：在城市测绘过程中，无人机按照规划好的路线低速飞行，采集城市区域的点云数据。
本发明基于无人机移动过程中，由于激光雷达的帧率最高可达每秒上百帧，且在无人机低速正常飞行时可在相同区域采集到多帧点云数据，点云数据的帧数完全可以在不影响无人机轨迹的情况下满足对点云数据更新的需要。
参照附图1和附图2，本发明实施例提供了一种基于人工智能的高精度测绘点云数据处理方法，该方法包括以下具体步骤：
步骤S001，当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据夹角变化获取每帧点云数据的全局置信度。
步骤S002，根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据子区域中的点云精度为每个子区域分配不同的权重以获取每个子区域的局部置信度，权重服从数学期望为零且标准差为待定系数的高斯函数；待定系数是利用相邻帧点云数据的平均梯度变化和当前帧的全局置信度得到当前帧的更新速度，根据连续多帧点云数据的更新速度确定待定系数。
步骤S003，通过建筑物关键点之间的距离获取每帧点云数据的第一点云精度指标。
步骤S004，当第一点云精度指标大于或等于精度阈值时，将全局置信度与局部置信度相乘得到每个子区域的第三置信度；在相邻帧中对应的子区域，保留第三置信度大的点云数据；若第三置信度相同，保留全局置信度大的点云数据；若全局置信度相同，直接保留下一帧的点云数据，以得到更新后的点云数据。
步骤S005，获取更新后的点云数据的第二点云精度指标，当第二点云精度指标小于精度阈值时，停止点云更新。
进一步地，在步骤S001中，本发明实施例利用无人机搭载TOF激光雷达得到视野范围内的点云数据，并结合IMU示数得到点云数据的全局置信度。
需要说明的是，点云数据的视野范围与激光雷达的扫描方式有关，常见的扫描方式包括李萨茹扫描和非重复线性扫描等，优选的，本发明实施例采用非重复线性扫描。
具体的，由于IMU示数能够反映无人机位姿的变化情况，即无人机与x轴、y轴、z轴三个轴的夹角,且若当前帧时刻的IMU示数与上一帧时刻的IMU示数的变化较大时，表示无人机位姿发生了变化，对应当前帧的点云数据的全局置信度就会降低，故，在本发明实施例中当相邻帧时刻的IMU示数的夹角变化量之和Δφ超过变化阈值Δφ0时，表示无人机震动幅度过大，则此时采集的点云数据不具备参考价值，需将其舍去，不参与点云数据的更新；否则，当夹角变化量之和Δφ小于或等于变化阈值Δφ0时，根据夹角变化量之和Δφ获得每帧点云数据的全局置信度δ，即：
其中，δ的取值范围为[0，1]，δ值越大，则Δφ越小，表示该帧点云数据的全局置信度越大，且在点云数据更新时提供的有价值信息越多。
优选的，本发明实施例中变化阈值Δφ0＝4。在其他实施例中，实施者可根据测绘的精度要求更改此变化阈值。
进一步地，非重复线性扫描的视野范围近似为圆形区域，且该圆形区域的半径为R。由于激光雷达采集点云数据时，视野的中心区域在激光雷达的正下方，因此获得点云信息是最精确的，而视野边缘的点云信息由于距中心区域较远会导致点云信息产生误差，影响测绘时点云数据的精度，故参照附图3，在步骤S002中，本发明实施例对每帧点云数据进行区域划分，区域划分的规则如下：
获取点云数据在x-y平面的分布图像，即点云数据的俯视图；获取分布图像的中心点，以该中心点为圆心，以1为半径画圆，得到第一圆形子区域，认为在该区域内点云数据到分布图像中心点的距离均在[0，1]之间，且认为该区域内点云数据的精确度相同，局部置信度最高；进一步继续以分布图像的中心点为圆心，以2为半径画圆，将得到的圆形区域减去第一圆形子区域得到第二圆形子区域，且第二圆形子区域内的点云数据到分布图像中心点的距离均在(1，2]之间，认为该区域内点云数据的精确度相同；以相同的方法类推将每帧点云数据划分为多个子区域，当每个子区域到分布图像中心点的距离差值均在1之内时，认为点云数据的精确度相同。
进一步地，本发明实施例给每个子区域分配不同的权重。根据先验，越靠近中心点的区域，其点云数据的精确度越高，则应分配较大的权重；越靠近图像边缘的区域，其点云数据的精确度越低，则应分配一个较小的权重。
由于整体权重分布满足高斯分布，本发明实施例优先选择数学期望为零标准差为σ的高斯函数为每个子区域分配权重，且高斯函数的公式如下：
其中，f(x)为对应各个子区域的权重值；x为每个子区域边缘到分布图像的中心点的距离，即半径；σ为待定系数。
进一步地，待定系数σ的初始值的应满足的条件是：根据深度图像的梯度变化的快慢能够实现点云数据的快速更新。
由于点云数据的深度图像的梯度变化能够反映点云数据的更新速度，故，本发明实施例利用无人机采集到的有全局置信度的第一帧点云数据开始，根据连续30帧点云数据的更新速度以确定待定系数σ。
具体的，待定系数σ的获取方法如下：
1)根据先验，设定待定系数σ的合理允许范围，在合理允许范围内取一个任意值作为待定系数的初始值，利用高斯函数公式和归一化得到对应的权重值。需要说明的是，待定系数的初始值应使得点云数据转换为深度图像的梯度变化最大。
优选的，本发明实施例中合理允许范围为经验范围[1,5]。
2)将采集的第一帧点云数据转换为深度图像，利用Canny算子处理深度图像得到边缘图像，该边缘图像能够反映深度图像的梯度信息；用边缘图像的灰度值之和除以边缘图像的面积得到深度图像的平均梯度G1。需要说明的是，深度图像是为了判断梯度的变化程度。
3)用第二帧的点云数据更新第一帧的点云数据。由于该过程的目的是确定待定系数，为了减少计算量，在更新的过程中，重叠子区域保留权重值较大的点云数据，若重叠子区域的权重值相同，则保留第二帧的点云数据，非重叠子区域保留原始数据，同时保留对应子区域的局部置信度。
4)按照步骤2)的方法，将更新后的点云数据转换为深度图像，进而得到对应的平均梯度G2；该指标可以反映点云数据的更新速度，点云数据更新速度快时，平均梯度指标的变化越大。考虑到第二帧点云数据获取时无人机的位姿的变化同样会使得平均梯度指标的变化变大，进而影响点云数据更新速度的评估，而第二帧点云数据的全局置信度能反应位姿的变化程度，所以点云数据更新速度评估要考虑平均梯度和点云数据的全局置信度，则第二帧点云数据对应的更新速度：
其中，δ2为第二帧点云数据的全局置信度。
5)进一步地，按照步骤3)的方法利用第三帧点云数据进行点云数据更新，且用步骤4)的方法得到第三帧点云数据对应的更新速度
其中，δ3为第三帧点云数据的全局置信度；以此类推得到点云数据的更新速度序列{v2，v3，v4，......，v30}。
6)根据点云数据的更新速度序列得到更新速度的均值，即
7)利用爬山算法或模拟退火算法在合理允许范围[1,5]内得到待定系数的最优值，即在合理允许范围[1,5]内取多个不同的待定系数的初始值，利用步骤2)至6)得到对应的更新速度的均值，选择均值最大时对应的待定系数的初始值为最终的待定系数σ。
进一步地，根据最终的待定系数σ，结合高斯函数和归一化操作得到的每个子区域的权重值，进而得到每个区域内点云数据的局部置信度。
进一步地，在步骤S003中，本发明实施例利用建筑物区域的点云分布情况得到点云数据的第一点云精度指标。
具体的，将当前帧点云数据转换为二维深度图，将二维深度图送入关键点检测网络，得到建筑物关键点，建筑物的关键点包括建筑物角点和窗户中心点。本发明实施例采用编码器-解码器结构的关键点检测网络检测建筑物的关键点，具体的关键点检测网络的训练过程如下：
1)训练数据集为二维深度图，给训练数据集打上标签，得到标签数据。打标签的具体过程为：利用高斯卷积核在建筑物的角点和窗户中心点进行处理得到高斯热斑，即可完成打标签的过程。需要注意的是，在打标签的过程中，被遮挡的建筑物的角点也要打上标签。
2)将训练数据集中的二维深度图输入编码器，通过不断下采样进行特征提取得到特征图；将特征图输入解码器进行多次上采样得到与原图等大的关键点热力图，关键点热力图为双通道图像，每一个通道包含一类关键点。
3)关键点检测网络中的损失函数采用交叉熵损失函数，不断迭代，使得损失函数不断减小，当损失函数收敛时训练结束。
进一步地，将关键点检测网络的输出结果经过Soft Argmax函数处理，即可得到关键点的坐标位置。进一步地，本发明实施例利用密度聚类算法DBSCAN对窗户中心点进行聚类，在聚类结果中选择密度最大的簇，即可得到窗户中心点分布最密集区域，且利用窗户中心点之间的距离判断点云数据的精度。
需要说明的是，窗户中心点分布最密集区域中检测到的窗户中心点数量最多，提供的有价值信息最多，使得点云数据的精度最为准确。
具体的，本发明实施例选择与窗户中心点分布最密集区域距离最近的多个建筑物角点，该建筑物角点所确定的平面上窗户中心点最为密集，用多点法进行仿射变换得到该平面的正视图，在正视图上，窗户构成了天然的棋盘格。
优选的，本发明实施例选择与窗户中心点分布最密集区域距离最近的四个建筑物角点，利用该四个建筑物角点确定窗户中心点最为密集的平面，并用四点法进行仿射变换得到该平面的正视图。由于建筑物表面的窗户间隔相等，且每一个窗户中心点会有8个相邻的窗户中心点，即参照附图4，以当前窗户0为中心，将相邻窗户从1到8依次进行编号，故，本发明实施例为了更准确的反映点云数据的精度，优先选择第一窗户1、第三窗户3、第六窗户6和第八窗户8四个角点位置的窗户作为当前窗户0的相邻点。分别计算窗户中心点到相邻窗户中心点的距离l01，l03，l06，l08，进而根据这四个距离获取当前窗户的点云精度指标
按照相同的方法遍历正视图上所有的窗户中心点，共获得m个精度指标，构成序列，则点云数据的第一点云精度指标Pre的计算方法为：
其中，第一点云精度指标Pre越小表示点云的精度越高。
进一步地，将当前帧的点云数据的第一点云精度指标Pre与精度阈值Pre0相比较，当第一点云精度指标Pre＜精度阈值Pre0时，不需要进行点云数据更新；否则，需要进行点云数据更新。
优选的，本发明实施例中精度阈值Pre0取经验值0.5。
进一步地，在步骤S004中，当点云数据进行更新时，本发明实施例将每帧点云数据的全局置信度与局部置信度相乘得到各个区域的第三置信度，在相邻帧中对应的子区域，保留第三置信度大的点云数据；若第三置信度相同，保留全局置信度大的点云数据；若全局置信度相同，直接保留下一帧的点云数据；非对应的子区域保留各自的原始数据，同时保留对应子区域的第三置信度和全局置信度，以方便下次点云数据更新时使用。
进一步地，在步骤S005中，本发明实施例对更新后的点云数据进行点云数据精度的判断，当更新后的点云数据的第二点云精度指标满足精度要求时，停止点云数据的更新，且不再对满足精度要求的点云数据进行变动，以防止无人机飞行过程中由于视野重叠的原因使得边缘区域的点云数据影响更新后的点云数据的精度。
需要说明的是，为了防止点云数据更新陷入死循环，实施者可以根据需要设置最大的点云数据的更新次数，以保障正常运行。
综上所述，本发明实施例提供了一种基于人工智能的高精度测绘点云数据处理方法，该方法通过I无人机的夹角变化得到每帧点云数据的全局置信度；将每帧点云数据划分为多个子区域，根据连续30帧点云数据的更新速度的快慢得到高斯函数的待定系数的最优值，以得到每个子区域的权重，进而获得每个子区域的局部置信度；通过建筑物的相邻关键点的距离得到每帧点云数据的点云精度指标；当点云数据需要更新时，将全局置信度和局部置信度相乘得到第三置信度，进而根据重叠子区域的第三置信度和全局置信度进行实时更新；获取更新后的点云数据的点云精度指标，当点云精度指标满足要求时，停止点云数据的更新。将每帧点云数据进行区域划分得到多个子区域，且通过给多个子区域分配权重得到每个子区域的局部置信度，结合全局置信度和局部置信度对点云精度不满足的点云数据实时进行更新，以确保采集到更精确的点云数据。
基于与上述方法相同的发明构思，本发明实施例还提供了一种基于人工智能的高精度测绘点云数据处理系统。
参照附图5，本发明实施例提供了一种基于人工智能的高精度测绘点云数据处理系统，该系统包括：全局置信度获取单元10、局部置信度获取单元20、点云精度获取单元30、点云更新单元40以及更新停止单元50。
全局置信度获取单元10用于当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据夹角变化获取每帧点云数据的全局置信度；局部置信度获取单元20用于根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据子区域中的点云精度为每个子区域分配不同的权重以获取每个子区域的局部置信度，权重服从数学期望为零且标准差为待定系数的高斯函数；待定系数是利用相邻帧点云数据的平均梯度变化和当前帧的全局置信度得到当前帧的更新速度，根据连续多帧点云数据的更新速度确定待定系数；点云精度获取单元30用于通过建筑物关键点之间的距离获取每帧点云数据的第一点云精度指标；点云更新单元40用于当第一点云精度指标大于或等于精度阈值时，将全局置信度与局部置信度相乘得到每个子区域的第三置信度；在相邻帧中对应的子区域，保留第三置信度大的点云数据；若第三置信度相同，保留全局置信度大的点云数据；若全局置信度相同，直接保留下一帧的点云数据，以得到更新后的点云数据；以及更新停止单元50用于获取更新后的点云数据的第二点云精度指标，当第二点云精度指标小于精度阈值时，停止点云更新。
进一步地，参照附图6，局部置信度获取单元20包括中心点检测单元21和圆心确定单元22：
中心点检测单元21用于获取点云数据的俯视图的中心点；圆心确定单元22用于以中心点为圆心。局部置信度获取单元20还包括速度检测单元23和系数确定单元24：
速度检测单元23用于在待定系数的取值的合理允许范围内，获取不同的取值所对应的连续多帧点云数据的更新速度；系数确定单元24用于分别计算更新速度的均值，选择均值最大时对应的取值为待定系数。
进一步地，参照附图7，点云精度获取单元30包括关键点检测网络31、密度聚类单元32、平面检
测单元33以及精度计算单元34：
关键点检测网络单元31用于利用关键点检测网络得到建筑物关键点，建筑物关键点包括建筑物角点和窗户中心点；密度聚类单元32用于根据密度聚类算法得到窗户中心点分布最密集区域；平面检测单元33用于选择与窗户中心点分布最密集区域距离最近的多个建筑物角点确定一个平面，对平面进行仿射变换得到平面的正视图；精度计算单元34用于计算正视图中每一个窗户中心点与其相邻窗户中心点的距离，以得到每一个窗户的点云精度指标，进而得到每帧点云数据的第一点云精度指标。
进一步地，全局置信度获取单元10中根据夹角变化获取每帧点云数据的全局置信度的方法为:
其中，δ为全局置信度；Δφ为夹角变化。
综上所述，本发明实施例提供了一种基于人工智能的高精度测绘点云数据处理系统，该系统通过无人机的夹角变化在全局置信度获取单元10得到每帧点云数据的全局置信度；在局部置信度获取单元20将每帧点云数据划分为多个子区域，根据连续多帧点云数据的更新速度快慢确定高斯函数的待定系数的最优值，以得到每个子区域的权重，进而得到每个子区域的局部置信度；通过建筑物的相邻关键点的距离在点云精度获取单元30得到每帧点云数据的点云精度指标；当点云数据需要更新时，在点云更新单元40将全局置信度和局部置信度相乘得到第三置信度，进而根据相邻帧中对应的子区域的第三置信度和全局置信度进行实时更新；将获取的更新后的点云数据的点云精度指标通过更新停止单元50，当点云精度指标满足要求时，停止点云数据的更新。将每帧点云数据进行区域划分得到多个子区域，且通过给多个子区域分配权重得到每个子区域的局部置信度，结合全局置信度和局部置信度对点云精度不满足的点云数据实时进行更新，以确保采集到更精确的点云数据。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的高精度测绘点云数据处理方法，其特征在于，该方法包括：
当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据所述夹角变化获取每帧点云数据的全局置信度；
根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据所述子区域中的点云精度为每个所述子区域分配不同的权重以获取每个所述子区域的局部置信度，所述权重服从数学期望为零且标准差为所述待定系数的高斯函数；所述待定系数是利用相邻帧所述点云数据的平均梯度变化和当前帧的所述全局置信度得到所述当前帧的更新速度，根据连续多帧所述点云数据的所述更新速度确定所述待定系数；
通过建筑物关键点之间的距离获取每帧所述点云数据的第一点云精度指标；
当所述第一点云精度指标大于或等于精度阈值时，将所述全局置信度与所述局部置信度相乘得到每个所述子区域的第三置信度；在所述相邻帧中对应的所述子区域，保留所述第三置信度大的所述点云数据；若所述第三置信度相同，保留所述全局置信度大的所述点云数据；若所述全局置信度相同，直接保留下一帧的所述点云数据，以得到更新后的所述点云数据；
获取所述更新后的所述点云数据的第二点云精度指标，当所述第二点云精度指标小于所述精度阈值时，停止点云更新。
2.如权利要求1所述的方法，其特征在于，所述圆心的设定方法，包括：
获取所述点云数据的俯视图的中心点；
以所述中心点为所述圆心。
3.如权利要求1所述的方法，其特征在于，所述根据连续多帧所述点云数据的所述更新速度确定高斯函数的待定系数的获取方法，包括：
在所述待定系数的取值的合理允许范围内，获取不同的所述取值所对应的所述连续多帧所述点云数据的所述更新速度；
分别计算所述更新速度的均值，选择所述均值最大时对应的所述取值为所述待定系数。
4.如权利要求1所述的方法，其特征在于，所述通过建筑物关键点之间的距离获取所述每帧所述点云数据的第一点云精度指标的方法，包括：
利用关键点检测网络得到所述建筑物关键点，所述建筑物关键点包括建筑物角点和窗户中心点；
根据密度聚类算法得到所述窗户中心点分布最密集区域；
选择与所述窗户中心点分布最密集区域距离最近的多个所述建筑物角点确定一个平面，对所述平面进行仿射变换得到所述平面的正视图；
计算所述正视图中每一个所述窗户中心点与其相邻所述窗户中心点的距离，以得到每一个窗户的点云精度指标，进而得到每帧所述点云数据的所述第一点云精度指标。
5.如权利要求1所述的方法，其特征在于，所述根据所述夹角变化获取每帧点云数据的全局置信度的方法为：
其中，δ为所述全局置信度；Δφ为所述夹角变化。
6.一种基于人工智能的高精度测绘点云数据处理系统，其特征在于，该系统包括：
全局置信度获取单元，用于当相邻时刻无人机的夹角变化小于或等于变化阈值时，根据所述夹角变化获取每帧点云数据的全局置信度；
局部置信度获取单元，用于根据设定的圆心和不同的半径进行区域划分得到多个子区域，根据所述子区域中的点云精度为每个所述子区域分配不同的权重以获取每个所述子区域的局部置信度，所述权重服从数学期望为零且标准差为待定系数的高斯函数；所述待定系数是利用相邻帧所述点云数据的平均梯度变化和当前帧的所述全局置信度得到所述当前帧的更新速度，根据连续多帧所述点云数据的所述更新速度确定所述待定系数；
点云精度获取单元，用于通过建筑物关键点之间的距离获取每帧所述点云数据的第一点云精度指标；
点云更新单元，用于当所述第一点云精度指标大于或等于精度阈值时，将所述全局置信度与所述局部置信度相乘得到每个所述子区域的第三置信度；在所述相邻帧中对应的所述子区域，保留所述第三置信度大的所述点云数据；若所述第三置信度相同，保留所述全局置信度大的所述点云数据；若所述全局置信度相同，直接保留下一帧的所述点云数据，以得到更新后的所述点云数据；以及
更新停止单元，用于获取所述更新后的所述点云数据的第二点云精度指标，当所述第二点云精度指标小于所述精度阈值时，停止点云更新。
7.如权利要求6所述的系统，其特征在于，所述局部置信度获取单元，包括：
中心点检测单元，用于获取所述点云数据的俯视图的中心点；
圆心确定单元，用于以所述中心点为所述圆心。
8.如权利要求7所述的系统，其特征在于，所述局部置信度获取单元，还包括：
速度检测单元，用于在所述待定系数的取值的合理允许范围内，获取不同的所述取值所对应的所述连续多帧所述点云数据的所述更新速度；
系数确定单元，用于分别计算所述更新速度的均值，选择所述均值最大时对应的所述取值为所述待定系数。
9.如权利要求6所述的系统，其特征在于，所述点云精度获取单元，包括：
关键点检测网络单元，用于利用关键点检测网络得到所述建筑物关键点，所述建筑物关键点包括建筑物角点和窗户中心点；
密度聚类单元，用于根据密度聚类算法得到所述窗户中心点分布最密集区域；
平面检测单元，用于选择与所述窗户中心点分布最密集区域距离最近的多个所述建筑物角点确定一个平面，对所述平面进行仿射变换得到所述平面的正视图；
精度计算单元，用于计算所述正视图中每一个所述窗户中心点与其相邻所述窗户中心点的距离，以得到每一个窗户的点云精度指标，进而得到每帧所述点云数据的所述第一点云精度指标。
10.如权利要求6所述的系统，其特征在于，所述全局置信度获取单元中所述根据所述夹角变化获取每帧点云数据的全局置信度的方法为：
其中，δ为所述全局置信度；Δφ为所述夹角变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110098430.1A CN112802199A (zh) | 2021-01-25 | 2021-01-25 | 基于人工智能的高精度测绘点云数据处理方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110098430.1A CN112802199A (zh) | 2021-01-25 | 2021-01-25 | 基于人工智能的高精度测绘点云数据处理方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112802199A true CN112802199A (zh) | 2021-05-14 |
Family
ID=75811713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110098430.1A Withdrawn CN112802199A (zh) | 2021-01-25 | 2021-01-25 | 基于人工智能的高精度测绘点云数据处理方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802199A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
| CN114972358A (zh) * | 2022-08-03 | 2022-08-30 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能的城市测绘激光点云偏移检测方法 |
| CN114973006A (zh) * | 2022-08-02 | 2022-08-30 | 四川省机械研究设计院(集团)有限公司 | 花椒采摘方法、装置、系统及存储介质 |
-
2021
- 2021-01-25 CN CN202110098430.1A patent/CN112802199A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113807184A (zh) * | 2021-08-17 | 2021-12-17 | 北京百度网讯科技有限公司 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
| CN114973006A (zh) * | 2022-08-02 | 2022-08-30 | 四川省机械研究设计院(集团)有限公司 | 花椒采摘方法、装置、系统及存储介质 |
| CN114972358A (zh) * | 2022-08-03 | 2022-08-30 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能的城市测绘激光点云偏移检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112802199A (zh) | 基于人工智能的高精度测绘点云数据处理方法与系统 | |
| US20210012520A1 (en) | Distance measuring method and device | |
| CN110673115B (zh) | 雷达与组合导航系统的联合标定方法、装置、设备及介质 | |
| CN108152831B (zh) | 一种激光雷达障碍物识别方法及系统 | |
| CN107179768B (zh) | 一种障碍物识别方法及装置 | |
| CN108958282B (zh) | 基于动态球形窗口的三维空间路径规划方法 | |
| CN113436260B (zh) | 基于多传感器紧耦合的移动机器人位姿估计方法和系统 | |
| CN110221603A (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
| US7446766B2 (en) | Multidimensional evidence grids and system and methods for applying same | |
| CN110197615B (zh) | 用于生成地图的方法及装置 | |
| CN105405126B (zh) | 一种基于单目视觉系统的多尺度空‑地参数自动标定方法 | |
| CN106780631A (zh) | 一种基于深度学习的机器人闭环检测方法 | |
| CN111915517B (zh) | 适用于室内光照不利环境下rgb-d相机全局定位方法 | |
| CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
| CN110672115B (zh) | 基于多观察哨数字望远镜的运动目标航迹获取方法 | |
| CN113487631B (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
| CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
| CN109556598A (zh) | 一种基于超声波传感器阵列的自主建图与导航定位方法 | |
| CN116147618B (zh) | 一种适用动态环境的实时状态感知方法及系统 | |
| CN109031339A (zh) | 一种三维点云运动补偿方法 | |
| CN112365592A (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
| CN101976446B (zh) | 一种显微序列图像的多特征点跟踪方法 | |
| CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
| CN113916217B (zh) | 一种基于分区平流层大气折射模型的星光定位方法 | |
| CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |
|
| WW01 | Invention patent application withdrawn after publication |