CN113781639A - 一种大场景道路基础设施数字化模型快速构建方法 - Google Patents

Abstract

本发明公开一种大场景道路基础设施数字化模型快速构建方法，包括，获取道路的初始点云数据，其中道路包括路段，隧道，桥梁及颠坡；对初始点云数据通过进行预处理，获取若干个点云簇；构建检测模型，通过检测模型分别对若干个点云簇进行特征识别；基于识别结果，对点云簇进行标注，对标注好的点云簇进行三维建模，得到大场景道路基础设施数字化模型。本发明通过上述技术方案能够有效的对大场景道路基础设施数字化模型快速建模，同时建立的模型中能够准确的标识出不同的基础设施类别，具有较强的实用性。

Description

一种大场景道路基础设施数字化模型快速构建方法

技术领域

本发明涉及数字化模型构建技术领域，特别涉及一种大场景道路基础设施数字化模型快速构建方法。

背景技术

道路基础设施数字化属于智慧公路的重要组成部分，道路基础设施数字化需要在公路交通系统中深入运用数字技术，利用计算机系统构建一个全感知、全联接、全场景、全智能的数字公路世界。但是，现有技术中，对于道路基础设施进行数字化建模的技术主要以GPS或者以GIS系统所拍摄的图像进行建模，由于拍摄图像的精度限制及拍摄角度的问题，基于上述拍摄图像在建模过程中无法对道路场景中基础设施进行精确建模，而对道路基础设施进行数字化建模的现有技术还包括采集点云数据进行建模，点云数据相较于图像建模能够采集更多的细节数据，但是进行常规建模，需要在道路基础设施场景中采集大量的点云数据，导致在建模过程中由于点云数据的数量过大，导致建模的速度慢，同时在点云数据建立的模型中，无法对模型中的虚拟基础设施进行直接的设施类别查看。

发明内容

为解决上述现有技术中所存在的建模速度慢，无法对模型中的虚拟基础设施进行直接的设施类别查看等问题，本发明提供一种大场景道路基础设施数字化模型快速构建方法，能够有效的提高建模速度，同时在模型展示中可以直接查看设施类别。

为实现上述技术效果，本发明提供了如下技术方案：包括，

获取道路的初始点云数据，其中道路包括路段，隧道，桥梁及颠坡；

对所述初始点云数据通过体素滤波及欧式聚类算法进行预处理，获取若干个点云簇；

构建检测模型，通过检测模型分别对若干个所述点云簇进行特征识别；

基于识别结果，对若干个所述点云簇进行标注，对标注好的点云簇进行三维建模，得到大场景道路基础设施数字化模型。

可选的，获取道路的初始点云数据的步骤包括：

对路段和隧道通过车载激光雷达进行扫描，获取路段及隧道点云数据；

对桥梁的桥面通过车载激光雷达进行扫描，获取桥面点云数据，对桥梁的桥底通过固定式激光雷达进行扫描，获取桥底点云数据，将所述桥面点云数据及所述桥底点云数据进行整合，获取桥梁点云数据；

对颠坡通过无人机搭载激光雷达进行扫描，获取颠坡点云数据；

将所述路段及隧道点云数据，所述桥梁点云数据，所述颠坡点云数据进行整合，得到所述道路的初始点云数据。

可选的，通过所述体素滤波进行预处理的步骤包括：

基于初始点云数据，构建三维体素空间，在所述三维体素空间内，构建三维体素栅格，将所述初始点云数据放入相对应的三维体素栅格中，基于所述三维体素栅格，获取栅格重心，基于所述栅格重心，对所述初始点云数据进行滤波，得到滤波后的点云数据。

可选的，通过所述欧式聚类算法进行预处理的步骤包括：

将所述滤波后的点云数据转换为kd-tree数据结构，得到点云数据集；

选取所述点云数据集中任意一个点云数据作为初始定点，基于所述初始定点，对所述点云数据集中除所述初始定点之外的点云数据进行欧氏距离判断及平滑参数判断，基于判断结果，获取点云簇，基于点云数据集中点云簇之外的点云数据，重复上述步骤，当无法选取初始定点时，得到若干个所述点云簇。

可选的，所述构建检测模型过程中，所述检测模型包括旋转对齐网络，全局池化层，第一卷积层，第二卷积层，第一图卷积层，第二图卷积层，第三图卷积层。

可选的，所述通过检测模型分别对若干个所述点云簇进行特征识别的步骤包括，

分别将所述点云簇输入到所述检测模型中，通过所述旋转对齐网络将所述点云簇进行对齐，通过所述第一图卷积层对对齐后的点云簇进行处理获取第一结构信息，通过所述第一卷积层对对齐后的点云簇进行处理获取第一特征信息，将所述第一结构信息与所述第一特征信息进行融合，通过所述第二图卷积层对融合结果进行处理获取第二结构信息，通过所述第二卷积层对所述第一特征信息进行处理获取第二特征信息，将所述第二结构信息与所述第二特征信息进行再次融合，将再次融合结果输入所述第三图卷积层，获取特征矩阵，通过所述全局池化层对所述特征矩阵进行聚合处理获取识别结果，其中，识别结果为道路中不同基础设施的类别。

可选的，所述通过所述检测模型对若干个点云簇进行特征识别之前还包括，

获取点云数据训练集，其中，点云数据训练集包含有初始点云数据中的全部目标特征；

通过所述点云数据训练集对所述检测模型进行训练。

可选的，通过BIM软件对标注好的点云簇进行三维建模，在三维建模过程中，基于标注结果，对建模的模型中的不同基础设施进行标注。

本发明具有如下技术效果：

本发明通过获取初始点云数据，通过对点云数据进行预处理，获取点云簇；然后通过检测模型分别对不同的点云簇进行特征识别；通过识别出来的特征对点云簇进行标注，将标注好的点云簇进行三维建模，获取大场景道路基础设施数字化模型。本发明通过上述技术方案能够有效的对大场景道路基础设施数字化模型快速建模，同时建立的模型中能够准确的标识出不同的基础设施类别，具有较强的实用性。同时本发明使用体素滤波，能够有效的减少点云数据的数量，同时保留点云数据的特征，进一步加快点云数据的处理速度，同时使用检测模型能够有效检测点云簇的特征信息，准确识别点云簇类别，为后期建模时的标注提供标注数据依据。

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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决在现有技术中存在建模速度慢，无法对模型中的虚拟基础设施进行直接的设施类别查看等问题，本发明提供了如下方案：

如图1所示，本发明提供了一种大场景道路基础设施数字化模型快速构建方法，包括：

S1、获取道路的初始点云数据，其中道路包括路段，隧道，桥梁及颠坡；由于道路中包含有不同的道路结构，所以需要针对不同的额道路结构来通过不同获取方式获取点云数据，获取道路的初始点云数据的具体步骤包括：

S11、对路段和隧道通过车载激光雷达进行扫描，获取路段及隧道点云数据；路段和隧道较为平缓，可以直接使用车载激光雷达进行扫描。

S12、对桥梁的桥面通过车载激光雷达进行扫描，获取桥面点云数据，对桥梁的桥底通过固定式激光雷达进行扫描，获取桥底点云数据，将桥面点云数据及桥底点云数据进行整合，获取桥梁点云数据；由于桥梁桥面较为平缓可以直接使用车载激光雷达进行扫描，但是桥底处由于位置的限制，车载激光雷达无法进行扫描，则需要使用固定式激光雷达进行扫描，并根据桥面及桥底的实际位置，将上述点云数据进行整合。

S13、对颠坡通过无人机搭载激光雷达进行扫描，获取颠坡点云数据；颠坡较为颠簸，车载激光雷达在颠坡行进过程中，由于颠坡的结构限制，无法进行有效扫描，所以采用无人机进行空中扫描。

S14、将路段及隧道点云数据，桥梁点云数据，颠坡点云数据进行整合，得到道路的初始点云数据。将上述数据通过实际位置进行整合，获取整条道路上的初始点云数据。

将上述点云数据进行整合的步骤包括：

构建三维的初始坐标系，所述初始坐标系可以基于GPS结合多个基站在计算机中进行构建；

对路段和隧道通过车载激光雷达进行扫描，以车载激光雷达三维位置为原点构建第一测点坐标系，将车载激光雷达扫描过程中获取的点云数据在第一测点坐标系中进行位置坐标标注，标注方式为坐标轴下极坐标；

将车载激光雷达需要开始进行扫描时的位置在初始坐标系中进行标注，同时在车载激光雷达在移动及扫描过程中，基于车载激光雷达在初始坐标系的位置，将扫描过程中每一帧下的第一测点坐标系中的点云数据映射到初始坐标系中；

对于桥梁的桥面同样通过车载激光雷达构建第一测点坐标系，并将桥面的点云数据映射到初始坐标系中；

对于桥梁的桥底通过固定式激光雷达进行扫描，以固定式激光雷达为原点构建第二测点坐标系，将固定式激光雷达采集的点云数据在第二测点坐标系中进行位置标注；并将上述点云数据映射到初始坐标系中；

对于颠坡通过无人机搭载激光雷达进行扫描时，以无人机搭载的激光雷达位置作为第三测点坐标系，将无人机搭载的激光雷达获取的点云数据在第三测点坐标系下进行坐标标注；并将上述点云数据映射到初始坐标系中；

车载激光雷达与无人机搭载的激光雷达通过搭载高精度惯性传感器实时测量激光雷达在传感器坐标下XYZ轴各方向的线加速度及倾斜角度，通过进行惯性技术解算获取激光雷达位置，具体步骤包括：

确定激光雷达在初始坐标系下的初始位置，设置初始速度为零，然后在激光雷达进行移动时，对传感器坐标下不同方向的线加速度进行实时测量采集，同时实时测量激光雷达的倾斜角度，通过倾斜角度将传感器坐标进行相应旋转，此时旋转后的加速度方向为初始坐标系下的加速度方向，将旋转后的加速度方向从传感器坐标下映射到初始坐标系下，通过二次积分方法对投影到初始坐标系下的加速度数据进行计算，实时绘制出车载激光雷达与无人机搭载的激光雷达在初始坐标系下不同时刻位置的路径，并将相同时刻的位置信息与采集的点云数据进行对应，将点云数据映射到初始坐标系中，本发明通过车辆在激光雷达处装载惯性传感器实时采集的加速度信息来获取位置信息，不需要对车载装置之外的外部设备传输信号进行定位，避免了基站对于高速移动的车载激光雷达定位不准确的问题，保证激光雷达在高速移动下的定位准确。

通过将初始坐标系中的全部点云数据进行整合并导出，获取初始点云数据。

在对点云数据进行移动采集的过程中通过机械式扫描激光雷达通过扫描频率旋转来采集点云数据，在激光雷达旋转扫描过程中，确定雷达旋转速度，根据车辆行驶的时间确定激光雷达与车辆正向的夹角，并根据行驶的时间的当前时刻的夹角，对当前时刻的点云数据在初始坐标系下，以初始坐标系中车辆位置为原点进行旋转操作，对车载点云数据的全部进行旋转处理后，整合及导出初始坐标系下全部点云数据，同时车载激光雷达选取高精度激光雷达，通过上述操作来提高采集点云数据的精度。

S2、对所述初始点云数据通过体素滤波及欧式聚类算法进行预处理，获取若干个点云簇；

S21、通过体素滤波进行处理的具体步骤包括，

基于初始点云数据，构建三维体素空间，在所述三维体素空间内，构建三维体素栅格，将所述初始点云数据放入相对应的三维体素栅格中，基于三维体素栅格的重心，对初始点云数据进行滤波，得到滤波后的点云数据。

三维体素空间中包含有三维坐标系，构建三维体素栅格时，需要根据点云数据的密度对栅格的边长及体积进行选取，其中栅格为小立方体。将点云数据的坐标放到三维体素空间的坐标系中，并保证所有点云数据全部划分到所有栅格中，通过计算栅格边长，通过栅格边长计算栅格重心，通过栅格重心计算栅格中不同的数据点的距离，通过设定阈值将不符合阈值的点云数据进行去除，将剩余的点云数据进行保留，获取滤波后的点云数据

S22、通过欧式聚类算法进行处理的具体步骤包括：

将滤波后的点云数据转换为kd-tree数据结构，得到点云数据集；选取点云数据集中任意一个点云数据作为初始定点，基于初始定点，对点云数据集中除初始定点之外的点云数据进行欧氏距离判断及平滑度判断，基于判断结果，获取点云簇，对点云数据集中除点云簇之外的数据重复上述步骤，当无法选取初始定点时，得到若干个点云簇。

将滤波后的点云数据转换为kd-tree数据结构能够实现基于邻域关系的快速查找，方便后续的快速计算，选取点云数据集中的任一点云数据作为初始定点，在初始定点选取后，对于初始定点，以初始定点为中心，通过设定欧氏距离阈值，选取最近邻点云数据，并对最近邻点云数据进行平滑参数的求取，求取之后，设定平滑阈值，将最近邻点云数据中超出平滑阈值的点云数据进行去除，保留剩下的最近邻点云数据，将剩下的最近邻点云数据及初始定点进行整合，获取一个点云簇，将滤波后的点云数据继续选取下一个定点，并重复选取最近邻点云数据及欧氏距离，平滑参数的判断，直到没有多余的点云数据作为定点时，得到若干个点云簇。

S3、构建检测模型，通过检测模型分别对若干个点云簇进行特征识别；

S31、构建检测模型所述检测模型包括多层感知器，全局池化层，第一卷积层，第二卷积层，第一图卷积层，第二图卷积层，第三图卷积层。旋转对齐网络分别连接第一卷积层及第一图卷积层，第一卷积层连接第二卷积层；第一图卷积层连接第二图卷积层，第二卷积层及第二图卷积层分别与第三图卷积层连接，第三图卷积层与全局池化层连接，其中为了对特征进行准确输出，全局池化层设置为三层。

S32、通过检测模型分别对若干个点云簇进行特征识别的具体步骤包括，分别将点云簇输入到检测模型中，通过旋转对齐网络将点云簇进行对齐，旋转对齐网络中包括用于对点云数据进行规范化处理的T-net及矩阵乘法算法模块，T-net三维点云数据进行矩阵变换时中仍保持其几何结构的不变性,因此先将点云数据通过T-Net结构进行处理,对点云数据进行对齐,并使点云中的每个点都包含其他节点的空间信息,以保证点云在一定的空间变换下仍具有不变性。同时矩阵乘法算法模块内设置有矩阵乘法算法，T-net及矩阵乘法算法模块并联组成旋转对齐网络,点云簇输入旋转对齐网络后输出仿射变换矩阵。

在检测模型中，通过第一图卷积层对对齐后的点云簇进行处理获取第一结构信息，结构信息为局部结构信息，通过第一卷积层对对齐后的点云簇进行处理获取第一特征信息，特征信息为单独点的特征信息，将第一结构信息与第一特征信息进行融合，使得到的特征同时包含局部结构信息和单独点的特征信息，通过第二图卷积层对融合结果进行处理获取第二结构信息，通过卷积层对第一特征信息进行处理获取第二特征信息，将第二结构信息与第二特征信息进行再次融合，将再次融合结果输入第三图卷积层，获取特征矩阵，特征矩阵既包含每个点的特征信息又包含局部结构信息，通过全局池化层进行全局特征描述输出，全局池化层的使用可以有效的降低模型计算的复杂程度，能够更加有效的提高计算速度，全局池化层最终生成一维向量，来表示点云簇的对应的设施类别即识别结果。

通过检测模型对预处理后的点云数据进行特征识别之前还包括，获取点云数据训练集，其中点云数据训练集包含有点云数据中的全部目标特征；点云数据训练集可以通过车载激光雷达进行扫描后，通过人工标注的方式添加标签来进行构建。通过点云数据训练集对检测模型进行训练。点云数据训练集能够有效的提升检测模型的识别准确性，同时还可以将获取的点云数据训练集通过十折交叉的划分为训练样本和测试样本，使用测试样本对检测模型进行测试，当测试结果达到一定精度时，再进行使用。

S4基于识别结果，对点云簇进行标注,通过BIM软件对标注好的点云簇进行三维建模，得到大场景道路基础设施数字化模型。

对点云簇进行标注，标注出不同的类型，获取点云簇及对应的标签，将点云簇及对应的标签进行整合，在使用BIM软件进行建模的过程中，模型中不同的基础设施使用不同的颜色加以区分，同时可以将标签进行添加，加以颜色区分及标签的数字化模型内的基础设施能够显示的更加直观。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种大场景道路基础设施数字化模型快速构建方法，其特征在于，包括：

获取道路的初始点云数据，其中道路包括路段，隧道，桥梁及颠坡；

对所述初始点云数据通过体素滤波及欧式聚类算法进行预处理，获取若干个点云簇；

构建检测模型，通过检测模型分别对若干个所述点云簇进行特征识别；

基于识别结果，对若干个所述点云簇进行标注，对标注好的点云簇进行三维建模，得到大场景道路基础设施数字化模型。

2.根据权利要求1所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

获取道路的初始点云数据的步骤包括：

对路段和隧道通过车载激光雷达进行扫描，获取路段及隧道点云数据；

对桥梁的桥面通过车载激光雷达进行扫描，获取桥面点云数据，对桥梁的桥底通过固定式激光雷达进行扫描，获取桥底点云数据，将所述桥面点云数据及所述桥底点云数据进行整合，获取桥梁点云数据；

对颠坡通过无人机搭载激光雷达进行扫描，获取颠坡点云数据；

将所述路段及隧道点云数据，所述桥梁点云数据，所述颠坡点云数据进行整合，得到所述道路的初始点云数据。

3.根据权利要求1所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

通过所述体素滤波进行预处理的步骤包括：

基于初始点云数据，构建三维体素空间，在所述三维体素空间内，构建三维体素栅格，将所述初始点云数据放入相对应的三维体素栅格中，基于所述三维体素栅格，获取栅格重心，基于所述栅格重心，对所述初始点云数据进行滤波，得到滤波后的点云数据。

4.根据权利要求3所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

通过所述欧式聚类算法进行预处理的步骤包括：

将所述滤波后的点云数据转换为kd-tree数据结构，得到点云数据集；

选取所述点云数据集中任意一个点云数据作为初始定点，基于所述初始定点，对所述点云数据集中除所述初始定点之外的点云数据进行欧氏距离判断及平滑参数判断，基于判断结果，获取点云簇，基于点云数据集中点云簇之外的点云数据，重复上述步骤，当无法选取初始定点时，得到若干个所述点云簇。

5.根据权利要求1所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

所述构建检测模型过程中，所述检测模型包括旋转对齐网络，全局池化层，第一卷积层，第二卷积层，第一图卷积层，第二图卷积层，第三图卷积层。

6.根据权利要求5所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

所述通过检测模型分别对若干个所述点云簇进行特征识别的步骤包括，

分别将所述点云簇输入到所述检测模型中，通过所述旋转对齐网络将所述点云簇进行对齐，通过所述第一图卷积层对对齐后的点云簇进行处理获取第一结构信息，通过所述第一卷积层对对齐后的点云簇进行处理获取第一特征信息，将所述第一结构信息与所述第一特征信息进行融合，通过所述第二图卷积层对融合结果进行处理获取第二结构信息，通过所述第二卷积层对所述第一特征信息进行处理获取第二特征信息，将所述第二结构信息与所述第二特征信息进行再次融合，将再次融合结果输入所述第三图卷积层，获取特征矩阵，通过所述全局池化层对所述特征矩阵进行聚合处理获取识别结果，其中，识别结果为道路中不同基础设施的类别。

7.根据权利要求1所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

所述通过所述检测模型对若干个点云簇进行特征识别之前还包括，

获取点云数据训练集，其中，点云数据训练集包含有初始点云数据中的全部目标特征；

通过所述点云数据训练集对所述检测模型进行训练。

8.根据权利要求1所述大场景道路基础设施数字化模型快速构建方法，其特征在于，

通过BIM软件对标注好的点云簇进行三维建模，在三维建模过程中，基于标注结果，对建模的模型中的不同基础设施进行标注。

Images