CN113034569A - 一种基于点云数据的船舶超限预警方法及系统 - Google Patents
一种基于点云数据的船舶超限预警方法及系统 Download PDFInfo
- Publication number
- CN113034569A CN113034569A CN202110245387.7A CN202110245387A CN113034569A CN 113034569 A CN113034569 A CN 113034569A CN 202110245387 A CN202110245387 A CN 202110245387A CN 113034569 A CN113034569 A CN 113034569A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- data
- ship
- 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 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 64
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 230000002146 bilateral effect Effects 0.000 claims abstract description 22
- 238000003064 k means clustering Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 238000009434 installation Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000034699 Vitreous floaters Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于点云数据的船舶超限预警方法及系统,所述方法步骤包括:获取激光雷达采集的环境点云数据;通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;对经过预处理后的环境点云数据二维网格化后按照K‑means聚类算法进行分割获得目标船舶点云数据;获取所述目标船舶点云数据的最高点对应的高度值;将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。本发明技术方案由于前期的多维预处理算法保证了预警监测的精度,后期的二维网格化处理保证了预警监测过程的处理效率,进而实现了对通行船舶的高效和准确预警。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于点云数据的船舶超限预警方法及系统。
背景技术
目前在公路、海运、港口管理、桥梁保护等领域内已有较多的防撞预警及保护技术,但是针对内河航道助航设施的防撞保护措施还较少。需结合内河出海航道的实际船情、水情设计高效、准确的船舶防撞预警系统,利用基于精准模型的运动物体识别技术,实现船舶识别抓拍、速度分析、撞击预警等智能化监测功能,提高航标日常监管、维护水平。近十年来三维激光雷达和大规模点云数据处理技术的快速发展,为准确识别出航道内船只提供了有力的支持,但是如何实时自动获取航道内船只的精确高度,并对船只进行实时通航预警,仍然是亟需解决的问题。
发明内容
针对上述现有技术的不足,本发明提供一种基于点云数据的船舶超限预警方法及系统。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供了一种基于点云数据的船舶超限预警方法,所述方法包括如下步骤:
获取激光雷达采集的环境点云数据;
通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;
对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据;
获取所述目标船舶点云数据的最高点对应的高度值;
将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。
优选的,所述获取激光雷达采集的环境点云数据包括如下步骤:
获取设置于环境中的第一全站仪采集的特征点的第一坐标数据及第二全站仪采集所述特征点的第二坐标数据;
根据所述第一坐标数据和所述第二坐数据的误差修正所述激光雷达的测站角度;
根据所述修正测站角度的激光雷达采集的点云输出作为所述环境点云数据。
优选的,所述通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理步骤之前还包括如下步骤:
按所述激光雷达单圈扫描方向遍历每个扫描圈对应所述环境点云数据中的当前点的距离值Li,i为当前点在当前扫描圈内的编号;
计算当前点与2n个邻域点距离差值的绝对值δLij(j=1,2,3,…2n),j为每个当前点对应的2n个邻域点的编号,编号顺序按所述激光雷达的单圈扫描方向依次递增;
统计δLij>θLij=FL(Li)×m的点数目NLi,其中,FL(Li)为与Li相关的函数关系式,m(m=1,2,3,…n)为阈值放大系数;m依据邻域点编号与当前点编号的邻近程度确定,编号越接近m对应的值越小;
当NLi大于预设值NL时,判断当前点为噪点,并从所述环境点云数据中剔除所述噪点。
优选的,所述双边滤波算法具体包括如下步骤:
获取所述环境点云数据中每个数据点qi的m个近邻点kij,j=1,2,...m;
对每个近邻点kij,计算滤波函数wc(x)的参数x=||qi-kij||;求出特征保持权重函数ws(y)的参数y=<ni,qi-kij>的值;
按照公式一求出滤波加权因子α;
利用所述滤波加权因子α求出滤波后的数据点的值并更新所述环境点云数据;其中,所述公式一为:
优选的,对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据包括如下步骤:
步骤a:从经过预处理后的环境点云数据中随机选取k个点kij,j=1,2,...m,对于剩下每一个点计算其到k个质心点中每一个的距离,然后将其划分至距离最近的那个质心形成的点云团;
步骤b:对于每一个点云团,重新计算它的质心;
重复步骤a至b直至新的点云团中质心变化稳定后将各质心对应的点云团标记为目标船舶点云数据。
优选的,所述对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据还包括如下步骤:
根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据;
利用所述岸边点云数据生成所述环境点云数据的条件滤波器;
利用所述条件滤波器,剔除所述环境点云数据中与所述岸边点云数据对应的数据点。
优选的,根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据之前还包括如下步骤:
将所述经过预处理后的环境点云数据投影至二维XOY平面;
对投影后的点云数据网格化;
统计每个网格中点云的数目,当每个网格的点云小于预设数目时,认为该网格不存在点云并剔除对应点云数据;
判断每个单元格的8连通值,若8连通值为零则认为标记并过滤该单元格的点云数据。
第二方面,本发明提供了一种基于点云数据的船舶超限预警系统,包括:
激光雷达,用于采集的环境点云数据;
预处理算法模块,通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;
点云分割处理模块,用于对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据;
高度获取模块,用于获取所述目标船舶点云数据的最高点对应的高度值;
预警模块,用于将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。
本发明的基于点云数据的船舶超限预警系统及方法的有益效果是:本发明技术方案通过获取激光雷达采集的环境点云数据先经过统计滤波算法和双边滤波算法行预处理,接着进行二维网格化处理后按照K-means聚类算法进行分割获得目标船舶点云数据并获取所述目标船舶点云数据的最高点对应的高度值与预设的高度设限值进行比较,当超限时发出预警;由于前期的多维预处理算法保证了预警监测的精度,后期的二维网格化处理保证了预警监测过程的处理效率,进而实现了对通行船舶的高效和准确预警。
附图说明
图1为本发明实施例提供的一种基于点云数据的船舶超限预警方法的流程示意图;
图2为本发明实施例提供的一种基于点云数据的船舶超限预警方法中激光雷达安装保护装置的现场示意图;
图3为本发明实施例提供的一种基于点云数据的船舶超限预警方法中全站仪测测量角度偏差示意图;
图4为本发明实施例提供的一种基于点云数据的船舶超限预警方法中激光雷达精扫处理流程示意图;
图5为本发明实施例提供的一种基于点云数据的船舶超限预警方法中激光雷达同一扫描圈的当前点与2n个邻域点的分布示意图;
图6为本发明实施例提供的一种基于点云数据的船舶超限预警方法中滤波实施前的效果示意图;
图7本发明实施例提供的一种基于点云数据的船舶超限预警方法中滤波实施后的效果示意图;
图8为本发明实施例提供的一种基于点云数据的船舶超限预警方法进行分割后的目标船舶点云示意图;
图9为本发明实施例提供的一种基于点云数据的船舶超限预警方法中点云原始数据示意图;
图10为本发明实施例提供的一种基于点云数据的船舶超限预警方法中去除岸边点云数据后的效果图;
图11为本发明实施例提供的一种基于点云数据的船舶超限预警方法中经过预处理后的环境点云数据投影至二维XOY平面的示意图;
图12为本发明实施例提供的一种基于点云数据的船舶超限预警方法中激光雷达测量结果与全站仪测量结果的对照试验数据图;
图13为本发明实施例提供的一种基于点云数据的船舶超限预警系统的系统结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明实施例提供的一种基于点云数据的船舶超限预警,所述方法包括如下步骤:
S1,获取激光雷达采集的环境点云数据。本步骤中,具体地根据航道应用场景,考虑到三维激光雷达超高检测属于高精度仪器设备,其安装使用将受内河水雾及桥上交通震动影响,因此本专题需首先区别桥梁安装方式和航道一侧岸端架杆安装方式的特点,其次依此设计定制三维激光雷达防盗、防水、防震动平台。一般地,主要流程包括以下三部分:
确定系统安装方式:明确船舶超高检测系统安装环境,提出桥梁安装或河岸一侧安装激光雷达方案。
设计设备固定支架:设计定制激光器固定支架,避免激光雷达设备震动与移动,含设备安装支架杆、支撑钢架及基座(可拆卸)。
设计防雨防盗装置:设计定制遮雨、防盗等其他装置,减少雨水侵蚀系统机电设备、设备被偷盗破坏等影响设备长期有效正常的情况发生。如图2所示为激光雷达安装保护装置的现场示意图。
S2,通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理。统计滤波算法即假设三维点云图中每个点与其相邻点之间的距离服从某种统计分布,通过计算每个点和其相邻的k个点之间的距离得到此分布,而奇异点通常是由外界干扰引起的,并且远离其他的密集点云区域,因此,奇异点的分布很大程度上不符合该统计分布,可以被去除;双边滤波是通过平滑数据点位置达到去噪目的,它使得每个数据点沿着其法向方向移动,根据工程项目实际情况,我们在对于船舶提取时先用条件滤波将河岸去除,减少了后面滤波的运算量。
S3,对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据。本步骤中所述环境点云的二维网格化以及K-means的聚类算法选用大大较为简洁快速,大大加快了预警方法预警速度。
S4,获取所述目标船舶点云数据的最高点对应的高度值。本步骤中所述高度值可以为目标点云数据对应的最高点坐标的z坐标值。
S5,将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。本步骤中激光雷达位置固定,且与桥体的相对位置保持不变,因此在开始监测前可以计算出船舶在激光雷达坐标系下安全通行的限高Zthreshold。在实际监测时将Zship与Zthreshold进行比较,确定船舶是否能够安全通航。
本发明的基于点云数据的船舶超限预警方法的有益效果是:本发明技术方案通过获取激光雷达采集的环境点云数据先经过统计滤波算法和双边滤波算法行预处理,接着进行二维网格化处理后按照K-means聚类算法进行分割获得目标船舶点云数据并获取所述目标船舶点云数据的最高点对应的高度值与预设的高度设限值进行比较,当超限时发出预警;由于前期的多维预处理算法保证了预警监测的精度,后期的二维网格化处理保证了预警监测过程的处理效率,进而实现了对通行船舶的高效和准确预警。
具体地,在本发明的优选实施例中,所述获取激光雷达采集的环境点云数据包括如下步骤:
获取设置于环境中的第一全站仪采集的特征点的第一坐标数据及第二全站仪采集所述特征点的第二坐标数据。本步骤需要说明的是,正常情况下,激光雷达设置为粗扫模式,扫描角度较大,速度较快,能够较快的初步检测远处的船只,当在粗扫模式下识别出船只后,扫描仪自动调整为精扫模式缩小扫描角度以及放慢扫描速度,按照粗扫时识别到的船只的距离和角度,自动对该范围内的数据进行精扫,精扫前需要利用设置于现场的多个全站仪采集的目标点的坐标数据进行精测角的设定。
根据所述第一坐标数据和所述第二坐数据的误差修正所述激光雷达的测站角度。如图3所示,全站仪测站A、B和C均已完成定位定向,但由于后视定向标靶存在一定误差导致全站仪测站存在一定的角度偏差。全站仪测站A和全站仪测站B之间可以看到1a和1b两个相同点没有重合,测站A和测站C之间也可以看到2a和2b以及3a和3b未重合。对此,激光雷达的精定向功能通过找到测站之间两两相同的点作为参考点可减小测站角度误差。精扫处理流程如图4所示,其中HS工程为全站仪测量站的测量数据。
根据所述修正测站角度的激光雷达采集的点云输出作为所述环境点云数据。
具体地,本发明的进一步实施例中,所述通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理步骤之前还包括如下步骤:
按所述激光雷达单圈扫描方向遍历每个扫描圈对应所述环境点云数据中的当前点的距离值Li,i为当前点在当前扫描圈内的编号。本步骤需要说明的是:当扫描仪的激光脉冲完成一次覆盖视场范围的纵向扫描,可获得一组在纵线方向点位连续变化的测量点,这组点即为单个扫描圈。同一扫描圈当前点与2n个邻域点的关系如图5所示为同一扫描圈当前点与2n个邻域点示意图,图中空心圆为当前点,实心圆为邻域点,阈值放大系数m由当前点开始,按当前点对称,由内向外依次为1~n递增。对于当前点位于扫描圈的头部、尾部,以及头部或尾部附近,不存在如图5所示的2n个邻域点的特殊情况,从当前点开始,在扫描圈内,按单圈扫描方向,分别向前向后,寻找n个邻域点,对于无法寻找到n个邻域点的方向,以寻找到的最多邻域点为基准。
计算当前点与2n个邻域点距离差值的绝对值δLij(j=1,2,3,…2n),j为每个当前点对应的2n个邻域点的编号,编号顺序按所述激光雷达的单圈扫描方向依次递增;
统计δLij>θLij=FL(Li)×m的点数目NLi,其中,FL(Li)为与Li相关的函数关系式,m(m=1,2,3,…n)为阈值放大系数;m依据邻域点编号与当前点编号的邻近程度确定,编号越接近m对应的值越小;
当NLi大于预设值NL时,判断当前点为噪点,并从所述环境点云数据中剔除所述噪点。
具体地,在本发明实施例中,所述双边滤波算法具体包括如下步骤:
需要说明的是在点云数据双边滤波中,首先需要定义一个视平面:对于邻域点集N(p),将该三维空间R3分解为邻域点在p点沿法向方向的一维空间和过p点的二维切平面这两个子空间的直和,表示为在局部范围内,定义S2为视平面,而邻域点在该视平面上的投影定义为像素点的位置,邻域点到投影点的距离则定义为像素的灰度值,这样,就可以将图像的双边滤波算法引入到点云模型滤波中。其迭代过程定义为:
q:=q+αn
式中,q是数据点,a是双边滤波加权因子,n是数据点q的法向向量。
获取所述环境点云数据中每个数据点qi的m个近邻点kij,j=1,2,...m;
对每个近邻点kij,计算滤波函数wc(x)的参数x=||qi-kij||;求出特征保持权重函数ws(y)的参数y=<ni,qi-kij>的值;
按照公式一求出滤波加权因子α;
利用所述滤波加权因子α求出滤波后的数据点的值并更新所述环境点云数据;其中,所述公式一为:
双边滤波是通过平滑数据点位置达到去噪目的,它使得每个数据点沿着其法向方向移动,根据工程项目实际情况,我们在对于船舶提取时先用条件滤波将河岸去除,减少了后面滤波的运算量。
滤波部分核心代码如下:
滤波实施前后效果如图6和图7所示。
具体地,在本发明进一步实施例中,对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据包括如下步骤:
步骤a:从经过预处理后的环境点云数据中随机选取k个点kij,j=1,2,...m,对于剩下每一个点计算其到k个质心点中每一个的距离,然后将其划分至距离最近的那个质心形成的点云团;
步骤b:对于每一个点云团,重新计算它的质心;
重复步骤a至b直至新的点云团中质心变化稳定后将各质心对应的点云团标记为目标船舶点云数据。
聚类算法核心代码如下:
分割后的目标船舶点云图示意图如图8所示。
在本发明的进一步实施例中,所述对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据还包括如下步骤:
根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据。本步骤中中需要说明的是,如图9所示,可以发现,现场点云主要由河道内点云和岸边点云构成,而河道内点云主要由船舶点云和零星噪点构成。三维激光扫描仪发出的信号为近红外波段,易被水体吸收,当激光照射到水面上时,激光信号不会反射回扫描仪,导致水面无点云数据,由于水体可能被污染或存在一些漂浮物,使得水体区域也会存在部分稀疏点云(噪点),但河道内点云和岸边的点云数据通常处于分离状态,且相隔较远。
利用所述岸边点云数据生成所述环境点云数据的条件滤波器。本步骤中的条件滤波器可为显示滤波图像的类模板,用于图像显示,代码如下:
利用所述条件滤波器,剔除所述环境点云数据中与所述岸边点云数据对应的数据点。如图10所示为去除岸边点云数据后的效果图。
具体地,在本发明的进一步实施例中,点云数据已经完成了去噪和岸边点云分离,通常只剩下船舶点云,特殊情况下,去噪不完全可能还剩下极少量噪点。当去噪完全且扫描仪工作时只有一艘船舶通过,通过前面的步骤已经可以分离出船舶点云。但是,如果扫描仪工作时河道上不止一艘船舶通过,或者还有极少量噪点为去除完全,这时就要通过聚类算法分离出每艘船舶的点云。根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据之前还包括如下步骤:
如图11所示,将所述经过预处理后的环境点云数据投影至二维XOY平面;对投影后的点云数据网格化;
统计每个网格中点云的数目,当每个网格的点云小于预设数目时,认为该网格不存在点云并剔除对应点云数据;
判断每个单元格的8连通值,若8连通值为零则认为标记并过滤该单元格的点云数据。
如图12所示经过与全站仪数据对比,本系统的预警测量精度可靠。
如图13所示,本发明实施例提供的一种基于点云数据的船舶超限预警系统,包括:
激光雷达,用于采集的环境点云数据;
预处理算法模块,通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;
点云分割处理模块,用于对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据;
高度获取模块,用于获取所述目标船舶点云数据的最高点对应的高度值;
预警模块,用于将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。
本发明的基于点云数据的船舶超限预警系统的有益效果是:本发明技术方案通过获取激光雷达采集的环境点云数据先经过统计滤波算法和双边滤波算法行预处理,接着进行二维网格化处理后按照K-means聚类算法进行分割获得目标船舶点云数据并获取所述目标船舶点云数据的最高点对应的高度值与预设的高度设限值进行比较,当超限时发出预警;由于前期的多维预处理算法保证了预警监测的精度,后期的二维网格化处理保证了预警监测过程的处理效率,进而实现了对通行船舶的高效和准确预警。
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 (8)
1.一种基于点云数据的船舶超限预警方法及系统,其特征在于,所述方法包括如下步骤:
获取激光雷达采集的环境点云数据;
通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;
对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据;
获取所述目标船舶点云数据的最高点对应的高度值;
将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。
2.根据权利要求1所述的基于点云数据的船舶超限预警方法,其特征在于,所述获取激光雷达采集的环境点云数据包括如下步骤:
获取设置于环境中的第一全站仪采集的特征点的第一坐标数据及第二全站仪采集所述特征点的第二坐标数据;
根据所述第一坐标数据和所述第二坐数据的误差修正所述激光雷达的测站角度;
根据所述修正测站角度的激光雷达采集的点云输出作为所述环境点云数据。
3.根据权利要求2所述的基于点云数据的船舶超限预警方法,其特征在于,所述通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理步骤之前还包括如下步骤:
按所述激光雷达单圈扫描方向遍历每个扫描圈对应所述环境点云数据中的当前点的距离值Li,i为当前点在当前扫描圈内的编号;
计算当前点与2n个邻域点距离差值的绝对值δLij(j=1,2,3,…2n),j为每个当前点对应的2n个邻域点的编号,编号顺序按所述激光雷达的单圈扫描方向依次递增;
统计δLij>θLij=FL(Li)×m的点数目NLi,其中,FL(Li)为与Li相关的函数关系式,m(m=1,2,3,…n)为阈值放大系数;m依据邻域点编号与当前点编号的邻近程度确定,编号越接近m对应的值越小;
当NLi大于预设值NL时,判断当前点为噪点,并从所述环境点云数据中剔除所述噪点。
4.根据权利要求1所述的基于点云数据的船舶超限预警方法,其特征在于,所述双边滤波算法具体包括如下步骤:
获取所述环境点云数据中每个数据点qi的m个近邻点kij,j=1,2,...m;
对每个近邻点kij,计算滤波函数wc(x)的参数x=||qi-kij||;求出特征保持权重函数ws(y)的参数y=<ni,qi-kij>的值;
按照公式一求出滤波加权因子α;
利用所述滤波加权因子α求出滤波后的数据点的值并更新所述环境点云数据;其中,所述公式一为:
5.根据权利要求1所述的基于点云数据的船舶超限预警方法,其特征在于,对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据包括如下步骤:
步骤a:从经过预处理后的环境点云数据中随机选取k个点kij,j=1,2,...m,对于剩下每一个点计算其到k个质心点中每一个的距离,然后将其划分至距离最近的那个质心形成的点云团;
步骤b:对于每一个点云团,重新计算它的质心;
重复步骤a至b直至新的点云团中质心变化稳定后将各质心对应的点云团标记为目标船舶点云数据。
6.根据权利要求1所述的基于点云数据的船舶超限预警方法,其特征在于,所述对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据还包括如下步骤:
根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据;
利用所述岸边点云数据生成所述环境点云数据的条件滤波器;
利用所述条件滤波器,剔除所述环境点云数据中与所述岸边点云数据对应的数据点。
7.根据权利要求6所述的基于点云数据的船舶超限预警方法,其特征在于,根据所述激光雷达的不同扫描参数,多次采集现场数据,获取岸边点云数据之前还包括如下步骤:
将所述经过预处理后的环境点云数据投影至二维XOY平面;
对投影后的点云数据网格化;
统计每个网格中点云的数目,当每个网格的点云小于预设数目时,认为该网格不存在点云并剔除对应点云数据;
判断每个单元格的8连通值,若8连通值为零则认为标记并过滤该单元格的点云数据。
8.一种基于点云数据的船舶超限预警系统,其特征在于,包括:
激光雷达,用于采集的环境点云数据;
预处理算法模块,通过统计滤波算法和双边滤波算法对所述环境点云数据进行预处理;
点云分割处理模块,用于对经过预处理后的环境点云数据二维网格化后按照K-means聚类算法进行分割获得目标船舶点云数据;
高度获取模块,用于获取所述目标船舶点云数据的最高点对应的高度值;
预警模块,用于将所述高度值与预设的高度设限值进行比较,当所述高度值大于或等于所述高度设限值时发出对应船舶的超限预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245387.7A CN113034569A (zh) | 2021-03-05 | 2021-03-05 | 一种基于点云数据的船舶超限预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245387.7A CN113034569A (zh) | 2021-03-05 | 2021-03-05 | 一种基于点云数据的船舶超限预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034569A true CN113034569A (zh) | 2021-06-25 |
Family
ID=76468178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245387.7A Pending CN113034569A (zh) | 2021-03-05 | 2021-03-05 | 一种基于点云数据的船舶超限预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034569A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113277028A (zh) * | 2021-07-26 | 2021-08-20 | 浙江船家宝科技有限公司 | 一种船舶监测方法、装置、系统及计算机存储介质 |
CN113538566A (zh) * | 2021-07-15 | 2021-10-22 | 武汉港迪智能技术有限公司 | 基于激光雷达的货船舱口位置获取方法及系统 |
CN113721262A (zh) * | 2021-09-10 | 2021-11-30 | 江苏恒澄交科信息科技股份有限公司 | 基于激光雷达检测船舶航向和高度的桥梁防碰撞预警方法 |
CN114677424A (zh) * | 2022-05-26 | 2022-06-28 | 浙江天新智能研究院有限公司 | 一种无人值守螺旋卸船机点云数据处理方法 |
-
2021
- 2021-03-05 CN CN202110245387.7A patent/CN113034569A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538566A (zh) * | 2021-07-15 | 2021-10-22 | 武汉港迪智能技术有限公司 | 基于激光雷达的货船舱口位置获取方法及系统 |
CN113538566B (zh) * | 2021-07-15 | 2023-06-13 | 武汉港迪智能技术有限公司 | 基于激光雷达的货船舱口位置获取方法及系统 |
CN113277028A (zh) * | 2021-07-26 | 2021-08-20 | 浙江船家宝科技有限公司 | 一种船舶监测方法、装置、系统及计算机存储介质 |
CN113277028B (zh) * | 2021-07-26 | 2021-10-08 | 浙江船家宝科技有限公司 | 一种船舶监测方法、装置、系统及计算机存储介质 |
CN113721262A (zh) * | 2021-09-10 | 2021-11-30 | 江苏恒澄交科信息科技股份有限公司 | 基于激光雷达检测船舶航向和高度的桥梁防碰撞预警方法 |
CN113721262B (zh) * | 2021-09-10 | 2023-07-25 | 江苏恒澄交科信息科技股份有限公司 | 基于激光雷达检测船舶航向和高度的桥梁防碰撞预警方法 |
CN114677424A (zh) * | 2022-05-26 | 2022-06-28 | 浙江天新智能研究院有限公司 | 一种无人值守螺旋卸船机点云数据处理方法 |
CN114677424B (zh) * | 2022-05-26 | 2022-09-06 | 浙江天新智能研究院有限公司 | 一种无人值守螺旋卸船机点云数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034569A (zh) | 一种基于点云数据的船舶超限预警方法及系统 | |
CN107145874B (zh) | 复杂背景sar图像中的舰船目标检测与鉴别方法 | |
CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
Brandtberg et al. | Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis | |
CN109035224B (zh) | 一种基于多波束点云的海底管道检测与三维重建方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN109711353B (zh) | 一种基于机器视觉的船舶吃水线区域识别方法 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
CN103984945A (zh) | 一种光学遥感影像船只检测方法 | |
CN110147716B (zh) | 一种基于频域与空域相结合的sar图像内波区域检测方法 | |
CN112907744B (zh) | 数字高程模型的构建方法、装置、设备及存储介质 | |
CN108710818A (zh) | 一种基于三维激光雷达的人数实时监测统计系统及方法 | |
CN110596728A (zh) | 一种基于激光雷达的水面小目标探测方法 | |
CN111126116A (zh) | 无人船河道垃圾识别方法及系统 | |
CN106327522A (zh) | 基于多方向形态学滤波复杂云背景下红外小目标检测方法 | |
CN113393497A (zh) | 碎云条件下序列遥感图像舰船目标跟踪方法、装置及设备 | |
CN113721254B (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
CN113643232A (zh) | 一种基于双目相机和卷积神经网络的路面坑槽自动检测方法 | |
CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 | |
CN117710458A (zh) | 一种基于双目视觉的舰载机着舰过程相对位置测量方法及系统 | |
CN116071694B (zh) | 船舶检测方法、装置及计算机可读存储介质 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210625 Assignee: CONVALE (WUHAN) ELECTRIC POWER CO.,LTD. Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980004049 Denomination of invention: A ship over limit warning method and system based on point cloud data License type: Common License Record date: 20240408 |