CN114219917B - 一种激光雷达点云数据的漏洞修复方法 - Google Patents
一种激光雷达点云数据的漏洞修复方法 Download PDFInfo
- Publication number
- CN114219917B CN114219917B CN202111463846.5A CN202111463846A CN114219917B CN 114219917 B CN114219917 B CN 114219917B CN 202111463846 A CN202111463846 A CN 202111463846A CN 114219917 B CN114219917 B CN 114219917B
- Authority
- CN
- China
- Prior art keywords
- point
- elevation
- vulnerability
- discrete
- laser radar
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000008439 repair process Effects 0.000 claims abstract description 36
- 230000004048 modification Effects 0.000 claims abstract description 15
- 238000012986 modification Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 5
- 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 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种激光雷达点云数据的漏洞修复方法,包括获取待检测区域的激光雷达点云数据和历史数字高程模型数据;对激光雷达点云数据进行滤波处理、网格化处理和漏洞检测,得到目标漏洞区域;根据目标漏洞区域,对历史数字高程模型数据进行离散点采样,得到若干个漏洞修复离散点;在激光雷达点云数据中,获取与若干个漏洞修复离散点对应的若干个目标修复点的位置坐标;分别以目标修复点的位置坐标为中心,获取预设范围内的激光雷达点;根据激光雷达点与对应的目标修复点位置的距离和高程差,计算出高程修改值;根据高程修改值对漏洞修复离散点进行修正;根据修正后的漏洞修复离散点修复目标漏洞区域,获得修复后的激光雷达点云数据。
Description
技术领域
本发明涉及点云数据的漏洞修复技术领域,具体涉及一种激光雷达点云数据的漏洞修复方法。
背景技术
激光雷达点云数据常用于构建地表三维数据,但是在获取激光点云数据的过程中,由于建筑物和植被遮挡以及水体吸收等因素的影响,会造成获取的激光点云数据出现局部缺失,并形成数据漏洞,大大降低了数据的准确性。
发明内容
本发明的目的在于克服现有技术中的缺点与不足,提供一种激光雷达点云数据的漏洞修复方法,可以修复激光雷达点云数据中的数据漏洞,提高激光雷达点云数据的准确性。
本发明的一个实施例提供一种激光雷达点云数据的漏洞修复方法,包括:
获取待检测区域的激光雷达点云数据和历史数字高程模型数据;
根据所述历史数字高程模型数据,对所述激光雷达点云数据进行滤波处理,得到地面点云数据;
对所述地面点云数据进行网格化处理,得到地面网格数据;
对所述地面网格数据进行漏洞检测,得到目标漏洞区域;
根据所述目标漏洞区域,对所述历史数字高程模型数据进行离散点采样,得到若干个漏洞修复离散点;
在所述激光雷达点云数据中,获取与若干个所述漏洞修复离散点对应的若干个目标修复点的位置坐标;
分别以所述目标修复点的位置坐标为中心,获取预设范围内的激光雷达点;
根据所述激光雷达点与对应的所述目标修复点位置的距离和高程差,计算出高程修改值;
根据所述高程修改值对所述漏洞修复离散点进行修正;
根据修正后的漏洞修复离散点修复所述目标漏洞区域,获得修复后的激光雷达点云数据。
相对于现有技术,本发明的激光雷达点云数据的漏洞修复方法,根据历史数字高程模型数据对所述激光雷达点云数据进行滤波处理,得到地面点云数据,再从中检测出目标漏洞区域,然后从所述历史数字高程模型数据对应所述目标漏洞区域的选择出漏洞修复离散点,并根据漏洞修复离散点所在位置附近的激光雷达点对所述漏洞修复离散点进行修正,得到修正后的漏洞修复离散点并用于修复所述目标漏洞区域,减少了激光雷达点云数据中的数据漏洞的影响,提高了激光雷达点云数据的准确性。
进一步,所述对所述目标漏洞区域进行离散点采样,得到漏洞修复离散点的步骤,包括:
获取所述历史数字高程模型数据中,与所述目标漏洞区域对应的目标区域;
根据预设的采样距离,在所述目标区域进行离散点采样,得到多个采样离散点;
获取所述采样离散点在多个平面预设方向上的第一相邻离散点和第二相邻离散点;其中,各个所述第一相邻离散点为各个所述平面预设方向上距离对应的所述采样离散点最近的离散点,各个所述第二相邻离散点为各个所述平面预设方向上距离对应的所述第一相邻离散点最近的离散点;
计算所述第一相邻离散点相对于对应的所述采样离散点的第一距离差和第一高程差,计算所述第二相邻离散点相对于对应的所述采样离散点的第二距离差和第二高程差;
遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点。
通过所述采样离散点与所述第一相邻离散点的关系、所述采样离散点与所述第二相邻离散点的关系进行离散点修复,得到漏洞修复离散点。
进一步,所述遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点的步骤,包括:
当所述第一距离差大于预设的距离差阈值,或所述第一高程差大于预设的第一高程差阈值时,在所述采样离散点和所述第一相邻离散点之间的中点位置插入离散点;否则,当所述第二距离差小于所述距离差阈值,且所述第二高程差小于所述第一高程差阈值时,删除对应的平面预设方向上的第一相邻离散点,并重新获取对应的平面预设方向上的第一相邻离散点和第二相邻离散点;
当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二距离差大于所述距离差阈值时,或当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二高程差大于所述第一高程差阈值时,将所述漏洞平面区域内的离散点确定为漏洞修复离散点。
根据所述采样离散点与所述第一相邻离散点的关系判断是否需要新增离散点,根据所述采样离散点与所述第二相邻离散点的关系判断是否需要删除所述第一相邻离散点,从而得到用于修复的离散点以及删除无效的离散点。
进一步,所述根据所述历史数字高程模型数据,对所述激光雷达点云数据进行过滤,得到地面点云数据的步骤,包括:
获取所述激光雷达点云数据中各个激光雷达点的平面坐标和高程;
通过高斯反算将所述激光雷达点的平面坐标转换为所述激光雷达点的大地坐标;
通过双线性内插法计算出所述激光雷达点的大地坐标对应的高程值,并确定为参照高程值;
计算所述激光雷达点的高程和对应的所述参照高程值的差值绝对值,将所述差值绝对值小于或等于预设的差值阈值的激光雷达点确定为地面点数据,得到所述地面点云数据。
利用所述激光雷达点的高程和对应的所述参照高程值的差值绝对值,对所述激光雷达点进行过滤,得到需要进行漏洞修补的地面点云数据。
进一步,所述对所述地面点云数据进行网格化处理,得到地面网格数据的步骤,包括:
通过仿射矩阵将所述地面点云数据中的各个地面点数据分配到网格中;
计算所述网格中,单个格网的地面点数据的平均数量;
若所述平均数量大于预设的第一数量值,缩小所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中;
若所述平均数量小于预设的第二数量值,扩大所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中;其中,所述第二数量值小于所述第一数量值;
若所述平均数量小于所述第一数量值,且大于所述第二数量值,将所述网格确定为地面网格数据。
通过将所述地面点云数据进行网格化处理,得到地面网格数据,便于进行后续的漏洞检测可以准确检测出目标漏洞区域。
进一步,对所述地面网格数据进行漏洞检测,得到目标漏洞区域的步骤,包括:
将不存在所述地面点数据的格网标记为空格网;
利用预设尺度的检测模板遍历所述地面网格数据,获取所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于预设的空格网阈值,将所述检测模板当前对应的区域确定为目标漏洞区域。
通过检测模板遍历所述地面网格数据,检测出需要需要修复的目标漏洞区域。
进一步,还包括以下步骤:
获取所述检测模板的遍历次数;
若所述遍历次数小于预设的次数阈值,执行以下步骤:
缩小所述检测模板的尺度,利用缩小后的所述检测模板遍历所述目标漏洞区域,获取缩小后的所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于所述空格网阈值,将缩小后的所述检测模板当前对应的区域确定为子漏洞区域;
将当次遍历得到的各个自漏洞区域替代原来的目标漏洞区域,得到新的目标漏洞区域;
若所述遍历次数大于或等于所述次数阈值,结束遍历。
通过多次利用缩小尺度后的所述检测模板遍历所述目标漏洞区域,缩小得到的目标漏洞区域的范围,提高得到的目标漏洞区域的精度。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明一个实施例的激光雷达点云数据的漏洞修复方法的流程图。
图2为本发明一个实施例的激光雷达点云数据的漏洞修复方法的步骤S2的流程图。
图3为本发明一个实施例的激光雷达点云数据的漏洞修复方法的步骤S3的流程图。
图4为本发明一个实施例的激光雷达点云数据的漏洞修复方法的步骤S4的流程图。
图5为本发明一个实施例的激光雷达点云数据的漏洞修复方法的步骤S5的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,其是本发明一个实施例的激光雷达点云数据的漏洞修复方法的流程图,包括:
S1:获取待检测区域的激光雷达点云数据和历史数字高程模型数据。
其中,所述激光雷达点云数据是通过机载激光雷达获得的。所述机载激光雷达是激光探测及测距系统,集成了GPS(全球定位系统)、IMU(惯性测量单元)、激光扫描仪等模块单元。
所述历史数字高程模型数据是通过有限的地形高程数据实现对地面地形的数字化模拟数据。
S2:根据所述历史数字高程模型数据,对所述激光雷达点云数据进行滤波处理,得到地面点云数据。
由于所述激光雷达点云数据可能存在大量的非地面的点数据,例如建筑物、树木、地面上的交通工具等,因此需要根据所述历史数字高程模型数据对所述激光雷达点云数据进行滤波,筛选出地面的点数据,得到需要修复的地面点云数据。
S3:对所述地面点云数据进行网格化处理,得到地面网格数据。
S4:对所述地面网格数据进行漏洞检测,得到目标漏洞区域。
S5:根据所述目标漏洞区域,对所述历史数字高程模型数据进行离散点采样,得到若干个漏洞修复离散点。
S6:在所述激光雷达点云数据中,获取与若干个所述漏洞修复离散点对应的若干个目标修复点的位置坐标。
S7:分别以所述目标修复点的位置坐标为中心,获取预设范围内的激光雷达点。
S8:根据所述激光雷达点与对应的所述目标修复点位置的距离和高程差,计算出高程修改值。
S9:根据所述高程修改值对所述漏洞修复离散点进行修正。
S10:根据修正后的漏洞修复离散点修复所述目标漏洞区域,获得修复后的激光雷达点云数据。
相对于现有技术,本发明的激光雷达点云数据的漏洞修复方法,根据历史数字高程模型数据对所述激光雷达点云数据进行滤波处理,得到地面点云数据,再从中检测出目标漏洞区域,然后从所述历史数字高程模型数据对应所述目标漏洞区域的选择出漏洞修复离散点,并根据漏洞修复离散点所在位置附近的激光雷达点对所述漏洞修复离散点进行修正,得到修正后的漏洞修复离散点并用于修复所述目标漏洞区域,减少了数据漏洞的影响,提高了数据的准确性。
请参阅图2,在一个可行的实施例中,所述步骤S2:根据所述历史数字高程模型数据,对所述激光雷达点云数据进行过滤,得到地面点云数据的步骤,包括:
S21:获取所述激光雷达点云数据中各个激光雷达点的平面坐标和高程。
S22:通过高斯反算将所述激光雷达点的平面坐标转换为所述激光雷达点的大地坐标。
其中,由于地球呈椭圆状,因此大地坐标与平面坐标之间的转换需要通过高斯投影算法实现,所述高斯投影算法包括高斯正算和高斯反算,其中高斯正算是将大地坐标转换为屏幕坐标,而高斯反算是将平面坐标转换为大地坐标。
S23:通过双线性内插法计算出所述激光雷达点的大地坐标对应的高程值,并确定为参照高程值。
其中,所述双线性内插法是根据分布在周围的已知参考点的高程值求出未知点的高程值。
S24:计算所述激光雷达点的高程和对应的所述参照高程值的差值绝对值,将所述差值绝对值小于或等于预设的差值阈值的激光雷达点确定为地面点数据,得到所述地面点云数据。
在本实施例中,利用所述激光雷达点的高程和对应的所述参照高程值的差值绝对值,对所述激光雷达点进行过滤,得到需要进行漏洞修补的地面点云数据。
请参阅图3,在一个可行的实施例中,所述步骤S3:对所述地面点云数据进行网格化处理,得到地面网格数据的步骤,包括:
S31:通过仿射矩阵将所述地面点云数据中的各个地面点数据分配到网格中。
其中,所述网格的总面积与所述地面点云数据的覆盖面积相关,且所述网格的总面积大于所述地面点云数据的覆盖面积,所述网格包括多个尺寸相同的格网。
S32:计算所述网格中,单个格网的地面点数据的平均数量。
S33:若所述平均数量大于预设的第一数量值,缩小所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中。
具体地,所述第一数量值大于或等于3。
S34:若所述平均数量小于预设的第二数量值,扩大所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中;其中,所述第二数量值小于所述第一数量值。
具体地,所述第二数量值小于或等于0.5。
S35:若所述平均数量小于所述第一数量值,且大于所述第二数量值,将所述网格确定为地面网格数据。
在本实施例中,通过将所述地面点云数据进行网格化处理,得到地面网格数据,便于进行后续的漏洞检测可以准确检测出目标漏洞区域。
请参阅图4,在一个可行的实施例中,所述步骤S4:对所述地面网格数据进行漏洞检测,得到目标漏洞区域的步骤,包括:
S41:将不存在所述地面点数据的格网标记为空格网。
S42:利用预设尺度的检测模板遍历所述地面网格数据,获取所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于预设的空格网阈值,将所述检测模板当前对应的区域确定为目标漏洞区域。
在本实施例中,通过检测模板遍历所述地面网格数据,检测出需要需要修复的目标漏洞区域。优选地,在本实施例中,还可以将空格网的属性标记为0,将其他格网的属性标记为1,从而得到二值化的地面网格数据,所述检测模板根据各个格网的属性判断该格网是否属于空格网,可以节省所述检测模板检测时的数据处理量,提高检测效率。
优选地,本实施例还包括以下步骤:
S43:获取所述检测模板的遍历次数。
若所述遍历次数小于预设的次数阈值,执行以下步骤:
S44:缩小所述检测模板的尺度,利用缩小后的所述检测模板遍历所述目标漏洞区域,获取缩小后的所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于所述空格网阈值,将缩小后的所述检测模板当前对应的区域确定为子漏洞区域。
其中,缩小所述检测模板的尺度采用按预设比例缩小的方式,所述预设比例可以是60%、50%、40%等。
S45:将当次遍历得到的各个自漏洞区域替代原来的目标漏洞区域,得到新的目标漏洞区域。
S46:若所述遍历次数大于或等于所述次数阈值,结束遍历。
在本实施例中,通过多次利用缩小尺度后的所述检测模板遍历所述目标漏洞区域,缩小得到的目标漏洞区域的范围,提高得到的目标漏洞区域的精度。
请参阅图5,在一个可行的实施例中,所述步骤S5:对所述目标漏洞区域进行离散点采样,得到漏洞修复离散点的步骤,包括:
S51:获取所述历史数字高程模型数据中,与所述目标漏洞区域对应的目标区域。
S52:根据预设的采样距离,在所述目标区域进行离散点采样,得到多个采样离散点。
S53:获取所述采样离散点在多个平面预设方向上的第一相邻离散点和第二相邻离散点;其中,各个所述第一相邻离散点为各个所述平面预设方向上距离对应的所述采样离散点最近的离散点,各个所述第二相邻离散点为各个所述平面预设方向上距离对应的所述第一相邻离散点最近的离散点。
所述平面预设方向包括0°、45°、90°、135°、180°、225°、270°、315°等多个不同角度的方向。
S54:计算所述第一相邻离散点相对于对应的所述采样离散点的第一距离差和第一高程差,计算所述第二相邻离散点相对于对应的所述采样离散点的第二距离差和第二高程差。
S55:遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点。
在本实施例中,通过所述采样离散点与所述第一相邻离散点的关系、所述采样离散点与所述第二相邻离散点的关系进行离散点修复,得到漏洞修复离散点。
具体地,所述步骤S55:遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点的步骤,包括:
当所述第一距离差大于预设的距离差阈值,或所述第一高程差大于预设的第一高程差阈值时,在所述采样离散点和所述第一相邻离散点之间的中点位置插入离散点;否则,当所述第二距离差小于所述距离差阈值,且所述第二高程差小于所述第一高程差阈值时,删除对应的平面预设方向上的第一相邻离散点,并重新获取对应的平面预设方向上的第一相邻离散点和第二相邻离散点;
当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二距离差大于所述距离差阈值时,或当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二高程差大于所述第一高程差阈值时,将所述漏洞平面区域内的离散点确定为漏洞修复离散点。
在本实施例中,根据所述采样离散点与所述第一相邻离散点的关系判断是否需要新增离散点,根据所述采样离散点与所述第二相邻离散点的关系判断是否需要删除所述第一相邻离散点,从而得到用于修复的离散点以及删除无效的离散点。
在一个可行的实施例中,所述步骤S8:根据所述激光雷达点与对应的所述目标修复点位置的距离和高程差,计算出高程修改值的步骤,包括:
S81:获取所述漏洞修复离散点的初始高程值。
S82:通过以下方式,计算出对应同一个所述点位置的各个所述激光雷达点的权重:
其中,wi为第i个激光雷达点的权重,di为第i个激光雷达点与对应的所述漏洞修复离散点的距离,n为所述预设范围内的激光雷达点的数量。
S83:通过以下方式,计算出所述高程修改值:
其中,ΔZ为所述高程修改值,dZi为所述激光雷达点与对应的所述点位置的高程差。
在本实施例中,计算出对应同一个所述点位置的各个所述激光雷达点的权重,利用各个所述激光雷达点的权重和对应的高程差计算出高程修改值,得到的高程修改值准确性更高。
在一个可行的实施例中,获取所述漏洞修复离散点的初始高程值的步骤,包括:
S811:获取所述漏洞修复离散点的平面坐标,通过高斯反算将所述漏洞修复离散点的平面坐标转换为所述漏洞修复离散点的大地坐标。
S812:通过双线性内插法计算出所述漏洞修复离散点的大地坐标对应的高程值,并确定为所述漏洞修复离散点的初始高程值。
在一个可行的实施例中,所述步骤S9:根据所述高程修改值对所述漏洞修复离散点进行修正的步骤,包括:
通过以下方式,计算出修正后的漏洞修复离散点的高程值:
Z′=Z+ΔZ;
其中,Z′为修正后的漏洞修复离散点的高程值,Z为所述漏洞修复离散点的初始高程值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中选定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种激光雷达点云数据的漏洞修复方法,其特征在于,包括:
获取待检测区域的激光雷达点云数据和历史数字高程模型数据;
根据所述历史数字高程模型数据,对所述激光雷达点云数据进行滤波处理,得到地面点云数据;
对所述地面点云数据进行网格化处理,得到地面网格数据;
对所述地面网格数据进行漏洞检测,得到目标漏洞区域;
根据所述目标漏洞区域,对所述历史数字高程模型数据进行离散点采样,得到若干个漏洞修复离散点;
在所述激光雷达点云数据中,获取与若干个所述漏洞修复离散点对应的若干个目标修复点的位置坐标;
分别以所述目标修复点的位置坐标为中心,获取预设范围内的激光雷达点;
根据所述激光雷达点与对应的所述目标修复点位置的距离和高程差,计算出高程修改值;
根据所述高程修改值对所述漏洞修复离散点进行修正;
根据修正后的漏洞修复离散点修复所述目标漏洞区域,获得修复后的激光雷达点云数据。
2.根据权利要求1所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述对所述目标漏洞区域进行离散点采样,得到漏洞修复离散点的步骤,包括:
获取所述历史数字高程模型数据中,与所述目标漏洞区域对应的目标区域;
根据预设的采样距离,在所述目标区域进行离散点采样,得到多个采样离散点;
获取所述采样离散点在多个平面预设方向上的第一相邻离散点和第二相邻离散点;其中,各个所述第一相邻离散点为各个所述平面预设方向上距离对应的所述采样离散点最近的离散点,各个所述第二相邻离散点为各个所述平面预设方向上距离对应的所述第一相邻离散点最近的离散点;
计算所述第一相邻离散点相对于对应的所述采样离散点的第一距离差和第一高程差,计算所述第二相邻离散点相对于对应的所述采样离散点的第二距离差和第二高程差;
遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点。
3.根据权利要求2所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述遍历所述采样离散点,根据所述第一距离差、第一高程差、第二距离差、第二高程差和预设的采样修复规则,得到漏洞修复离散点的步骤,包括:
当所述第一距离差大于预设的距离差阈值,或所述第一高程差大于预设的第一高程差阈值时,在所述采样离散点和所述第一相邻离散点之间的中点位置插入离散点;否则,当所述第二距离差小于所述距离差阈值,且所述第二高程差小于所述第一高程差阈值时,删除对应的平面预设方向上的第一相邻离散点,并重新获取对应的平面预设方向上的第一相邻离散点和第二相邻离散点;
当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二距离差大于所述距离差阈值时,或当所述第一距离差小于所述距离差阈值、所述第一高程差小于所述第一高程差阈值、所述第二高程差大于所述第一高程差阈值时,将所述漏洞平面区域内的离散点确定为漏洞修复离散点。
4.根据权利要求1所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述根据所述激光雷达点与对应的所述点位置的距离和高程差,计算出高程修改值的步骤,包括:
获取所述漏洞修复离散点的初始高程值;
通过以下方式,计算出对应同一个所述点位置的各个所述激光雷达点的权重:
其中,wi为第i个激光雷达点的权重,di为第i个激光雷达点与对应的所述漏洞修复离散点的距离,n为所述预设范围内的激光雷达点的数量;
通过以下方式,计算出所述高程修改值:
其中,ΔZ为所述高程修改值,dZi为所述激光雷达点与对应的所述点位置的高程差。
5.根据权利要求4所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述根据高程修改值对所述漏洞修复离散点进行修正的步骤,包括:
通过以下方式,计算出修正后的漏洞修复离散点的高程值:
Z′=Z+ΔZ;
其中,Z′为修正后的漏洞修复离散点的高程值,Z为所述漏洞修复离散点的初始高程值。
6.根据权利要求4所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述获取所述漏洞修复离散点的初始高程值的步骤,包括:
获取所述漏洞修复离散点的平面坐标,通过高斯反算将所述漏洞修复离散点的平面坐标转换为所述漏洞修复离散点的大地坐标;
通过双线性内插法计算出所述漏洞修复离散点的大地坐标对应的高程值,并确定为所述漏洞修复离散点的初始高程值。
7.根据权利要求1所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述根据所述历史数字高程模型数据,对所述激光雷达点云数据进行过滤,得到地面点云数据的步骤,包括:
获取所述激光雷达点云数据中各个激光雷达点的平面坐标和高程;
通过高斯反算将所述激光雷达点的平面坐标转换为所述激光雷达点的大地坐标;
通过双线性内插法计算出所述激光雷达点的大地坐标对应的高程值,并确定为参照高程值;
计算所述激光雷达点的高程和对应的所述参照高程值的差值绝对值,将所述差值绝对值小于或等于预设的差值阈值的激光雷达点确定为地面点数据,得到所述地面点云数据。
8.根据权利要求7所述的激光雷达点云数据的漏洞修复方法,其特征在于,所述对所述地面点云数据进行网格化处理,得到地面网格数据的步骤,包括:
通过仿射矩阵将所述地面点云数据中的各个地面点数据分配到网格中;
计算所述网格中,单个格网的地面点数据的平均数量;
若所述平均数量大于预设的第一数量值,缩小所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中;
若所述平均数量小于预设的第二数量值,扩大所述网格中各个格网的尺寸,并重新通过仿射矩阵将所述地面点云数据中的各个地面点数据重新分配到缩小格网尺寸后的所述网格中;其中,所述第二数量值小于所述第一数量值;
若所述平均数量小于所述第一数量值,且大于所述第二数量值,将所述网格确定为地面网格数据。
9.根据权利要求8所述的激光雷达点云数据的漏洞修复方法,其特征在于,对所述地面网格数据进行漏洞检测,得到目标漏洞区域的步骤,包括:
将不存在所述地面点数据的格网标记为空格网;
利用预设尺度的检测模板遍历所述地面网格数据,获取所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于预设的空格网阈值,将所述检测模板当前对应的区域确定为目标漏洞区域。
10.根据权利要求9所述的激光雷达点云数据的漏洞修复方法,其特征在于,还包括以下步骤:
获取所述检测模板的遍历次数;
若所述遍历次数小于预设的次数阈值,执行以下步骤:
缩小所述检测模板的尺度,利用缩小后的所述检测模板遍历所述目标漏洞区域,获取缩小后的所述检测模板当前对应的区域的空格网的数量,若所述空格网的数量大于所述空格网阈值,将缩小后的所述检测模板当前对应的区域确定为子漏洞区域;
将当次遍历得到的各个自漏洞区域替代原来的目标漏洞区域,得到新的目标漏洞区域;
若所述遍历次数大于或等于所述次数阈值,结束遍历。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463846.5A CN114219917B (zh) | 2021-12-02 | 2021-12-02 | 一种激光雷达点云数据的漏洞修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463846.5A CN114219917B (zh) | 2021-12-02 | 2021-12-02 | 一种激光雷达点云数据的漏洞修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114219917A CN114219917A (zh) | 2022-03-22 |
CN114219917B true CN114219917B (zh) | 2024-06-04 |
Family
ID=80699589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111463846.5A Active CN114219917B (zh) | 2021-12-02 | 2021-12-02 | 一种激光雷达点云数据的漏洞修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114219917B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115032618B (zh) * | 2022-08-12 | 2022-11-25 | 深圳市欢创科技有限公司 | 应用于激光雷达的盲区修复方法、装置及激光雷达 |
CN115079128B (zh) * | 2022-08-23 | 2022-12-09 | 深圳市欢创科技有限公司 | 一种激光雷达点云数据去畸变的方法、装置及机器人 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN110008207A (zh) * | 2019-03-28 | 2019-07-12 | 武汉大学 | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 |
WO2021129317A1 (zh) * | 2019-12-26 | 2021-07-01 | 华南理工大学 | 一种基于法向量的点云平滑光顺滤波方法 |
CN113658256A (zh) * | 2021-08-16 | 2021-11-16 | 智道网联科技(北京)有限公司 | 基于激光雷达的目标检测方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11726482B2 (en) * | 2020-01-17 | 2023-08-15 | Raytheon Company | Systems and methods for multi-factor pathfinding |
-
2021
- 2021-12-02 CN CN202111463846.5A patent/CN114219917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN110008207A (zh) * | 2019-03-28 | 2019-07-12 | 武汉大学 | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 |
WO2021129317A1 (zh) * | 2019-12-26 | 2021-07-01 | 华南理工大学 | 一种基于法向量的点云平滑光顺滤波方法 |
CN113658256A (zh) * | 2021-08-16 | 2021-11-16 | 智道网联科技(北京)有限公司 | 基于激光雷达的目标检测方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于点云滤波原理快速检查编辑等高线以构建数字高程模型的技术方法;胡朵朵;孙运豪;;北京测绘;20161025(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114219917A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114219917B (zh) | 一种激光雷达点云数据的漏洞修复方法 | |
KR102349920B1 (ko) | 이미지 컨캐터네이션과 타겟 객체 통합 네트워크를 이용하여, 다중 카메라 혹은 서라운드 뷰 모니터링에 이용될 cnn 기반 객체 검출기를 학습하는 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
CN112614206B (zh) | 道路中心线提取方法和装置 | |
Metz et al. | Accurate stream extraction from large, radar-based elevation models. | |
CN117197174A (zh) | 基于遥感数据的水体信息提取方法、装置、设备及介质 | |
CN117195603B (zh) | 基于高分辨率遥感要素的洪涝灾害推演方法、设备及介质 | |
KR101814023B1 (ko) | 유한차분격자 자료 자동 보정 장치 및 방법 | |
CN111260714B (zh) | 一种洪涝受灾评估方法、装置、设备及计算机存储介质 | |
CN115311574B (zh) | 一种建筑物监测方法、设备及介质 | |
CN114676568B (zh) | 一种基于元胞自动机的区域地质构造演化方法及装置 | |
CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
CN114998530B (zh) | 一种基于实景三维地形的水体监测方法和装置 | |
JP6277018B2 (ja) | 洪水シミュレーション装置及び洪水シミュレーションプログラム | |
CN117312396A (zh) | 一种车道定位方法及装置、电子设备和可读存储介质 | |
CN111060177B (zh) | 一种地下水等值线辅助生成方法和装置 | |
CN111476308A (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
CN111444561A (zh) | 一种河道地形模型建立方法及装置 | |
Nagy et al. | The fitting disc method, a new robust algorithm of the point cloud processing | |
CN116612249B (zh) | 一种线段与dem相交点的分析方法、设备及介质 | |
CN113391368B (zh) | 一种基于虚拟成像技术的道路勘探方法及设备 | |
CN117315182B (zh) | 一种用于确定在地形影响下的雷达探测范围的方法 | |
CN116432145B (zh) | 积雪深度获取方法、装置、存储介质和计算机设备 | |
CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 | |
CN114781859B (zh) | 坡度映射的森林火灾风险评估方法、装置、介质和设备 | |
CN118245770A (zh) | 多气象要素分布特征的生成方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |