CN113051304B - 一种雷达监测数据与三维点云融合的计算方法 - Google Patents

Abstract

本发明提供了一种雷达监测数据与三维点云融合的计算方法。包括计算每个点云在UTM坐标系中的坐标和在雷达成像平面上的投影极坐标；结合雷达扫描范围对点云数据进行多重筛选，将筛选后的点云数据写入数据库表Table1中，并建立索引；将雷达监测数据写入数据库表Table2中，并建立索引；将数据库表Table1中的点云的投影极坐标与数据库表Table2中雷达监测数据子集合的极坐标进行比较筛选，得到雷达监测数据对应的点云。本发明在对雷达监测数据和三维点云进行融合前，对点云数据进行了多重筛选，减少了点云计算量，提升了计算效率，通过本申请方法实现雷达监测数据与三维点云的融合计算，计算时间仅为常规计算方法的1.7％。

Description

一种雷达监测数据与三维点云融合的计算方法

技术领域

本发明涉及雷达监测技术领域，具体涉及一种雷达监测数据与三维点云融合的计算方法。

背景技术

圆弧合成孔径雷达的平面投影成像结果为扇形区域网格，距离向和角度向网格个数依赖于雷达角度分辨率、距离分辨率以及监测范围大小，并以极坐标形式表示；其中监测单元格的角度为监测单元格到雷达合成孔径中心所形成的线在二维坐标平面下偏离雷达起始位置的角度，距离为监测单元格到雷达合成孔径中心的距离。这种极坐标表示的图像不直观，很难判别是哪个区域内发生形变，因此需要将极坐标投影到监测区域的地形上。采用雷达监测数据与三维点云融合的方式，模型更加精细，但是由于点云数据量巨大，计算速度慢，完成一次雷达监测数据与三维点云融合的计算常需要花费十多个小时，不利于快速展示监测结果。

综上所述，急需一种雷达监测数据与三维点云融合的计算方法以解决现有技术中存在的问题。

发明内容

本发明目的在于提供一种雷达监测数据与三维点云融合的计算方法，以解决雷达监测数据与三维点云融合的快速计算问题。

为实现上述目的，本发明提供了一种雷达监测数据与三维点云融合的计算方法，包括以下步骤：

步骤A：计算每个点云在UTM坐标系中的坐标和在UTM坐标系中的雷达成像平面上的投影极坐标；

步骤B：结合雷达扫描范围对点云数据进行多重筛选，将筛选后的点云数据写入数据库表Table1中，并建立索引；筛选过程包括将每个点云和雷达转轴中心连线相对于水平面的俯仰角与雷达天线的照射范围进行比对，保留俯仰角处于雷达天线的照射范围内的点云；

步骤C：将雷达监测数据写入数据库表Table2中，并建立索引；将数据库表Table2中的雷达监测数据分割为若干个雷达监测数据子集合，每个雷达监测数据子集合中包含连续p列雷达监测数据；

步骤D：将数据库表Table1中的点云的投影极坐标与数据库表Table2中雷达监测数据子集合的极坐标进行比较筛选，保留坐标差值小于设定的阈值的数据，将保留的数据写入数据库表Table3中；

步骤E：重复步骤D，直至将数据库表Table2中的若干个雷达监测数据子集合都完成比较筛选；

步骤F：在数据库表Table3中得到雷达监测数据对应的点云。

优选的，所述步骤A中，所有点云在UTM坐标系中的坐标集合为D＝{(X_d,Y_d,H_d)|d∈N+}，每个点云的投影极坐标(r_d,θ_d)通过表达式1)计算：

其中，在UTM坐标系中，投影极坐标的方位角的零方向为UTM坐标系的Y轴正方向，且顺时针方向为正；(X₀,Y₀,H₀)为雷达转轴中心在UTM坐标系中的坐标。

优选的，所述步骤B中，对点云数据完成多重筛选且当点云满足表达式2)时，将该点云在UTM坐标系中的坐标(X_d,Y_d,H_d)和投影极坐标(r_d,θ_d)进行整合并写入数据库表Table1中，并对(r_d,θ_d)建立索引：

其中，ω为雷达天线架俯仰角，γ为雷达天线的发射波束角；β_d为该点云和雷达转轴中心连线相对于水平面的俯仰角，通过表达式3)计算：

优选的，所述步骤B中，还包括在UTM坐标系中的雷达成像平面投影得到雷达扫描扇区；计算包含雷达扫描扇区的等腰梯形，该等腰梯形的腰与雷达扫描扇区两侧的直线边界重合，等腰梯形的底边与雷达扫描扇区的外弧边界相切，选取坐标系原点与等腰梯形四个顶点之间最长的距离值L对点云进行筛选，当r_d＞L时，剔除该点云。

优选的，所述步骤B中还包括通过叉积运算判断点云是否处于等腰梯形区域内，剔除等腰梯形区域外的点云。

优选的，所述步骤C中，雷达监测数据包括M行N列的数据，雷达监测数据的极坐标集合R＝{(r_ij,θ_ij)|1≤i≤M,1≤j≤N)，将该极坐标集合写入数据库表Table2中，并对(i,j)建立索引。

优选的，所述步骤D包括：

步骤D1：第j列雷达监测数据在UTM坐标系中投影得到的方位角θ′_ij＝θ_ij+θ₀，其中θ₀为雷达摆臂在UTM坐标系中的方位角；则雷达监测数据子集合中，第j列至第j+p列雷达监测数据方位角的最小值θ_min＝θ′_ij，最大值θ_max＝θ′_i(j+p)；检索数据库表Table1中满足表达式4)的点云，并将该点云在UTM坐标系中的坐标和投影极坐标信息写入集合M中：

θ_min-Δθ≤θ_d≤θ_max+Δθ 4)；

其中，Δθ为设定的方位角阈值；

步骤D2：再结合数据库表Table2检索集合M，将集合M中满足表达式5)的点云对应的坐标信息及对应的雷达监测单元格信息(i,j,X_d,Y_d,H_d)写入数据库表Table3中：

其中，Δr为设定的距离阈值。

优选的，每个雷达监测数据子集合的列数p满足表达式6)：

T_p＜a×p×T₀ 6)；

其中，T_p为步骤D1中检索连续p列雷达监测数据所需的时间，T₀为通过步骤D1检索一列雷达监测数据所需的时间，a为比例系数，取0.5～0.9。

优选的，所述步骤F中，数据库表Table3中，具有相同i、j值的点云即为第i行第j列监测单元格所投影覆盖的地形点云。

优选的，点云通过三维激光扫描仪或者航空摄影的方式获得，每个点云均具有三原色信息。

应用本发明的技术方案，具有以下有益效果：

(1)本发明中，在对雷达监测数据和三维点云进行融合前，对点云数据进行了多重筛选，减少了点云计算量，提升了计算效率，通过本申请方法实现雷达监测数据与三维点云的融合计算，效率大大提升，计算时间仅为常规计算方法的1.7％。

(2)本发明中，通过在UTM坐标系的XOY平面中投影得到雷达扫描扇区，计算包含雷达扫描扇区的等腰梯形，选取坐标系原点与等腰梯形四个顶点之间最长的距离值L对点云进行筛选，可以排除明显不在雷达照射场景内的点云。

(3)本发明中，通过将每个点云和雷达转轴中心连线相对于水平面的俯仰角β_d与雷达天线的照射范围进行比对，保留俯仰角β_d处于雷达天线的照射范围内的点云，可以排除不在雷达天线照射范围内的点云。

(4)本发明中，通过将雷达监测数据分割为若干个雷达监测数据子集合，每个雷达监测数据子集合中包含连续p列雷达监测数据，在重复步骤D的过程中，对雷达监测数据子集合中的雷达监测数据列数p的值进行优化，按照得到的p的最大值进行后续的检索，可减少步骤D的重复次数，尽早达到稳定的检索状态。

(5)本发明中，在检索前对点云进行多重筛选，能减少点云数据量，排除了不在天线照射范围内但是投影极坐标又满足设置的阈值的点云的干扰，缩短了计算时间。采用本申请计算方法完成计算的时间为12分钟，而采用常规的逐点计算方法，计算时间通常在12小时以上。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本申请实施例中一种雷达监测数据与三维点云融合的计算方法的原理图；

图2是本申请实施例中使用的雷达监测装置的结构示意图；

其中，1、雷达转轴，2、俯仰调节装置，3、天线架，4、雷达摆臂。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

实施例：

参见图1至图2，一种雷达监测数据与三维点云融合的计算方法，本实施例应用于雷达监测数据与三维点云的融合。

本实施例中，采用了中国专利CN111522005A中所述的雷达监测装置，包括雷达转轴1、雷达摆臂4和用于调节天线架3俯仰角度的俯仰调节装置2，使得天线架3不仅可以在水平方向绕雷达转轴1中心旋转，还可以调节雷达天线架俯仰角ω，向上角度为正，向下角度为负，天线架3与雷达摆臂4垂直时ω＝0；雷达天线的发射波束角为γ。

通过该雷达监测装置获取照射场景内的M×N个监测单元格，M为距离方向个数，N为角度方向个数，如图1所示；本实施例中，M＝1187个，N＝860个。每个监测单元格为扇形网格，在以雷达转轴中心为极点的极坐标系中，第i行第j列的监测单元格对应的极坐标(r_ij，θ_ij)，其中θ_ij为相对于雷达初始位置偏转的角度(即方位角)，r_ij为距离雷达转轴中心的距离，r_ij和θ_ij是以扇形网格内雷达回波信号的平均值计算的。

一种雷达监测数据与三维点云融合的计算方法，包括以下步骤：

步骤A：计算每个点云在UTM坐标系中的坐标和在UTM坐标系中的雷达成像平面上的投影极坐标；

步骤A1：通过三维激光扫描仪或者航空摄影的方式获得三维点云，每个点云均具有RGB三原色信息，便于在UTM坐标系中显示地形。本实施例中，扫描得到的点云个数约1243万个。

步骤A2：所有点云在UTM坐标系中的坐标集合为D＝{(X_d,Y_d,H_d)|d∈N+}，将雷达照射场景在UTM坐标系中的XOY平面中进行投影成像，每个点云在雷达成像平面(即XOY平面)上的投影极坐标(r_d,θ_d)通过表达式1)计算：

其中，在UTM坐标系中，投影极坐标的方位角的零方向为UTM坐标系的Y轴正方向，且顺时针方向为正；(X₀,Y₀,H₀)为雷达转轴中心在UTM坐标系中的坐标。本实施例中，雷达转轴中心线平移至与当前UTM坐标系的H轴重合，则UTM坐标系的原点位于雷达转轴中心线上，同时根据雷达平移参数，对现场地形点云进行同样平移。

步骤B：结合雷达扫描范围对点云数据进行多重筛选，将筛选后的点云数据写入数据库表Table1中，并建立索引；

步骤B1：参见图1，在UTM坐标系的XOY平面(即雷达成像平面)中投影得到雷达扫描扇区M1M2M3M4；计算包含雷达扫描扇区的等腰梯形M1M5M6M4，该等腰梯形的腰与雷达扫描扇区两侧的直线边界重合(即M1M5与M1M2重合，M4M6与M4M3重合)，等腰梯形的底边M5M6与雷达扫描扇区的外弧边界M2M3相切，选取坐标系原点O与等腰梯形四个顶点(M1、M5、M6、M4)之间最长的距离值L对点云进行筛选，当r_d＞L时，剔除该点云。本实施例中，由图1可知，L＝OM5＝OM6。剔除r_d大于OM5或OM6的点云，可以排除明显不在雷达照射场景内的点云。

步骤B2：将每个点云和雷达转轴中心连线相对于水平面的俯仰角β_d与雷达天线的照射范围进行比对，保留俯仰角β_d处于雷达天线的照射范围内的点云，即当β_d满足表达式2)时，保留该点云：

其中，β_d通过表达式3)计算：

步骤B3：通过叉积运算判断点云是否处于等腰梯形M1M5M6M4区域内，剔除等腰梯形M1M5M6M4区域外的点云。

最后，将经过多重筛选的点云在UTM坐标系中的坐标(X_d,Y_d,H_d)和投影极坐标(r_d,θ_d)整合为数据集合H(X_d,Y_d,H_d,r_d,θ_d)写入数据库表Table1中，并对(r_d,θ_d)建立索引；步骤B1和步骤B2的顺序可调换，本实施例中，优选步骤B1在步骤B2之前，通过步骤B1剔除明显不在雷达照射场景范围内的点云，能为步骤B2减少点云计算量，便于提升整体的计算效率。

步骤C：将雷达监测数据写入数据库表Table2中，并建立索引；将数据库表Table2中的雷达监测数据分割为若干个雷达监测数据子集合，每个雷达监测数据子集合中包含连续p列雷达监测数据；

步骤C1：雷达监测数据包括M行N列的数据，对应M×N个监测单元格，雷达监测数据的极坐标集合R＝{(r_ij,θ_ij)|1≤i≤M,1≤j≤N)，将该极坐标集合写入数据库表Table2中，并对(i,j)建立索引；

步骤C2：将数据库表Table2中的雷达监测数据分割为若干个雷达监测数据子集合，每个雷达监测数据子集合中包含连续p列雷达监测数据。

步骤D：将数据库表Table1中的点云的投影极坐标与数据库表Table2中雷达监测数据子集合的极坐标进行比较筛选，保留坐标差值小于设定的阈值的数据，将保留的数据写入数据库表Table3中；

步骤D1：第j列雷达监测数据在UTM坐标系中投影得到的的方位角θ′_ij＝θ_ij+θ₀，其中θ₀为雷达摆臂4在UTM坐标系XOY平面中投影极坐标系的方位角，采用全站仪或者RTK方式测量，本实施例中，θ₀＝206.9615°；则雷达监测数据子集合中，第j列至第j+p列雷达监测数据方位角的最小值θ_min＝θ′_ij，最大值θ_max＝θ′_i(j+p)；

检索数据库表Table1中满足表达式4)的点云，并将该点云在UTM坐标系中的坐标和投影极坐标信息写入集合M中：

θ_min-Δθ≤θ_d≤θ_max+Δθ 4)；

其中，Δθ为设定的方位角阈值，为尽可能包括雷达照射覆盖区域边缘点云，Δθ至少为雷达角度分辨率的一半；本实施例中，雷达角度分辨率为0.12°。

步骤D2：再结合数据库表Table2检索集合M，将集合M中满足表达式5)的点云对应的坐标信息及对应的雷达监测单元格信息(i,j,X_d,Y_d,H_d)写入数据库表Table3中：

其中，Δr为设定的距离阈值；本实施例中，雷达距离分辨率为0.2m，Δr为雷达距离分辨率的一半。

步骤E：重复步骤D，直至将数据库表Table2中的若干个雷达监测数据子集合都完成比较筛选；

在重复步骤D的过程中，可对雷达监测数据子集合中的雷达监测数据列数p的值进行优化，使得每个雷达监测数据子集合的列数p满足表达式6)：

T_p＜a×p×T₀ 6)；

其中，T_p为步骤D1中检索连续p列雷达监测数据所需的时间，T₀为通过步骤D1检索一列雷达监测数据所需的时间，a为比例系数，取0.5～0.9。

当前一次检索满足表达式6)时，可以在后一次检索过程中，增大p的值，增大的值选取5～20之间的整数，直至无法满足表达式6)，即可确定能满足表达式6)的p的最大值，即步骤D中一次能检索的最大雷达监测数据列数，按照p的最大值进行后续的检索，可减少步骤D的重复次数，尽早达到稳定的检索状态，第一次检索选取的p值常为

的整数值。

步骤F：在数据库表Table3中得到雷达监测数据对应的点云。

数据库表Table3中，对于写入的点云对应的坐标信息及对应的雷达监测单元格信息(i,j,X_d,Y_d,H_d)，具有相同i、j值的点云即为第i行第j列监测单元格所投影覆盖的地形点云。

通过本申请的计算方法，在检索前对点云进行多重筛选，能减少点云数据量，排除了不在天线照射范围内但是投影极坐标又满足设置的阈值的点云的干扰，缩短了计算时间。采用本申请计算方法完成计算的时间为12分钟，而采用常规的逐点计算方法，计算时间通常在12小时以上。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种雷达监测数据与三维点云融合的计算方法，其特征在于，包括以下步骤：

步骤A：计算每个点云在UTM坐标系中的坐标和在UTM坐标系中的雷达成像平面上的投影极坐标；

步骤B：结合雷达扫描范围对点云数据进行多重筛选，将筛选后的点云数据在UTM坐标系中的坐标(X_d,Y_d,H_d)和投影极坐标(r_d,θ_d)写入数据库表Table1中，并建立索引；筛选过程包括将每个点云和雷达转轴中心连线相对于水平面的俯仰角与雷达天线的照射范围进行比对，保留俯仰角处于雷达天线的照射范围内的点云；

步骤C：将雷达监测数据写入数据库表Table2中，并建立索引；将数据库表Table2中的雷达监测数据分割为若干个雷达监测数据子集合，每个雷达监测数据子集合中包含连续p列雷达监测数据；

所述步骤C中，雷达监测数据包括M行N列的数据，雷达监测数据的极坐标集合R＝{(r_ij,θ_ij)|1≤i≤M,1≤j≤N)，将该极坐标集合写入数据库表Table2中，并对(i,j)建立索引；

步骤D：将数据库表Table1中的点云的投影极坐标与数据库表Table2中雷达监测数据子集合的极坐标进行比较筛选，保留坐标差值小于设定的阈值的数据，将保留的数据写入数据库表Table3中；

所述步骤D包括：

步骤D1：第j列雷达监测数据在UTM坐标系中投影得到的方位角θ′_ij＝θ_ij+θ₀，其中θ₀为雷达摆臂在UTM坐标系中的方位角；则雷达监测数据子集合中，第j列至第j+p列雷达监测数据方位角的最小值θ_min＝θ′_ij，最大值θ_max＝θ′_i(j+p)；检索数据库表Table1中满足表达式4)的点云，并将该点云在UTM坐标系中的坐标和投影极坐标信息写入集合M中：

θ_min-Δθ≤θ_d≤θ_max+Δθ 4)；

其中，Δθ为设定的方位角阈值；

步骤D2：再结合数据库表Table2检索集合M，将集合M中满足表达式5)的点云对应的坐标信息及对应的雷达监测单元格信息(i,j,X_d,Y_d,H_d)写入数据库表Table3中：

其中，Δr为设定的距离阈值；

步骤E：重复步骤D，直至将数据库表Table2中的若干个雷达监测数据子集合都完成比较筛选；

步骤F：在数据库表Table3中得到雷达监测数据对应的点云。

2.根据权利要求1所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，所述步骤A中，所有点云在UTM坐标系中的坐标集合为D＝{(X_d,Y_d,H_d)|d∈N+}，每个点云的投影极坐标(r_d,θ_d)通过表达式1)计算：

其中，在UTM坐标系中，投影极坐标的方位角的零方向为UTM坐标系的Y轴正方向，且顺时针方向为正；(X₀,Y₀,H₀)为雷达转轴中心在UTM坐标系中的坐标。

3.根据权利要求2所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，所述步骤B中，对点云数据完成多重筛选且当点云满足表达式2)时，将该点云在UTM坐标系中的坐标(X_d,Y_d,H_d)和投影极坐标(r_d,θ_d)进行整合并写入数据库表Table1中，并对(r_d,θ_d)建立索引：

其中，ω为雷达天线架俯仰角，γ为雷达天线的发射波束角；β_d为该点云和雷达转轴中心连线相对于水平面的俯仰角，通过表达式3)计算：

4.根据权利要求2或3所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，所述步骤B中，还包括在UTM坐标系中的雷达成像平面投影得到雷达扫描扇区；计算包含雷达扫描扇区的等腰梯形，该等腰梯形的腰与雷达扫描扇区两侧的直线边界重合，等腰梯形的底边与雷达扫描扇区的外弧边界相切，选取坐标系原点与等腰梯形四个顶点之间最长的距离值L对点云进行筛选，当r_d＞L时，剔除该点云。

5.根据权利要求4所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，所述步骤B中还包括通过叉积运算判断点云是否处于等腰梯形区域内，剔除等腰梯形区域外的点云。

6.根据权利要求1所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，每个雷达监测数据子集合的列数p满足表达式6)：

T_p＜a×p×T₀ 6)；

其中，T_p为步骤D1中检索连续p列雷达监测数据所需的时间，T₀为通过步骤D1检索一列雷达监测数据所需的时间，a为比例系数，取0.5～0.9。

7.根据权利要求1所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，所述步骤F中，数据库表Table3中，具有相同i、j值的点云即为第i行第j列监测单元格所投影覆盖的地形点云。

8.根据权利要求1所述的一种雷达监测数据与三维点云融合的计算方法，其特征在于，点云通过三维激光扫描仪或者航空摄影的方式获得，每个点云均具有三原色信息。

Images