CN117315273B - 基于点云数据道路纵横断面的自动提取方法 - Google Patents
基于点云数据道路纵横断面的自动提取方法 Download PDFInfo
- Publication number
- CN117315273B CN117315273B CN202311580973.2A CN202311580973A CN117315273B CN 117315273 B CN117315273 B CN 117315273B CN 202311580973 A CN202311580973 A CN 202311580973A CN 117315273 B CN117315273 B CN 117315273B
- Authority
- CN
- China
- Prior art keywords
- road
- point
- point cloud
- cloud data
- points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 30
- 239000004744 fabric Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000000059 patterning Methods 0.000 claims description 3
- 241000170489 Upis Species 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 238000013075 data extraction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了基于点云数据道路纵横断面的自动提取方法,属于道路测量技术领域,包括以下步骤:数据的采集与处理;纵横断面自动成图。本发明采用车载LiDAR测量技术进行高速公路改扩建勘测工程,既减少了对公路正常通行的影响,又保证了外业工作人员的安全,同时获取了高质量的车载LiDAR测量数据成果;以道路作为研究对象,提出了一种基于三维激光扫描技术的纵横断面自动提取方法,通过该方法实现了对道路纵横断面的自动提取,大幅度提高了纵横断面数据提取的效率,降低了人为错误对工程造成影响的可能性,实现了纵横断面的自动绘制。
Description
技术领域
本发明涉及道路测量技术领域,具体涉及基于点云数据道路纵横断面的自动提取方法。
背景技术
道路的纵断面、横断面是道路走向及法线方向地形变化趋势的反映,可通过GNSSRTK(RTK测量仪,实时动态定位测量仪)或者全站仪实测得到,但野外测量任务量大、作业难度较大,往往需要耗费大量的人力及时间。近年来,三维激光扫描技术发展迅速,由于其具备精度高、速度快的优势,被逐渐推广应用至土木工程、水利水电工程、古建筑保护等领域。使用三维激光扫描技术,采集地物表面的位置与颜色信息已然称为当下的研究热点,并因为其较高的精度与较低的作业难度,也得到了业内的广泛认可。而对于道路的修整和扩建,它能够快速获取道路表面及其周围地表的几何数据,生成高精度的三维点云数据,使自动提取高精度纵横断面成为可能。
道路的纵、横断面图主要是由外业采集的地面线组成,这些断面图能直接反映现场道路走向上的地形变化情况。为了能够准确反映出现场的地形状况,在断面采集时,除了对整数桩号的断面进行采集外,还需要对地形起伏较大的地段进行一定加桩。由于断面数据的多样性,在使用传统方法完成道路勘测项目的断面绘制时内业任务十分繁重,因此开发针对道路断面图绘制的自动化方式十分重要。为此,提出基于点云数据道路纵横断面的自动提取方法。
发明内容
本发明所要解决的技术问题在于:如何解决传统方法完成道路勘测项目的断面绘制时内业任务十分繁重的问题,实现对道路纵横断面的自动提取,提供了基于点云数据道路纵横断面的自动提取方法,实现了对道路纵横断面的自动提取,大幅度提高了纵横断面数据提取的效率,降低了人为错误对工程造成影响的可能性,实现了纵横断面的自动绘制。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
步骤S1:数据的采集与处理
根据预先规划好的采集线路及采集顺序,进行道路原始激光点云数据采集工作,然后对数据进行预处理;
步骤S2:纵横断面自动成图
对经过预处理的点云数据进行处理,获取道路的纵断面点坐标与横断面点坐标;基于道路的纵断面点坐标与横断面点坐标进行纵断面图与横断面图的绘制工作,实现道路纵横断面的自动提取。
更进一步地,在所述步骤S1中,道路原始激光点云数据采集过程如下:
S101:设计道路两侧等间距布设设定数量的靶标控制点;
S102:采用RTK测量仪、水准测量仪获取靶标控制点的平面坐标与高程;
S103:采用车载激光扫描系统获取道路原始激光点云数据;
S104:选取预设间隔的靶标控制点来检查原始激光点云数据的平面、高程精度。
更进一步地,在所述步骤S1中,数据预处理的过程如下:
S111:采用高斯滤波、统计滤波将道路原始激光点云数据中的高频噪声点去除;
S112:采用CSF模拟布料滤波算法,对地面点和非地面点进行分离;
S113:在进行滤波的同时对经过CSF模拟布料滤波算法处理后的原始激光点云数据进行了随机抽稀处理,随机对该点云数据进行选点,通过滤波得到地面点。
更进一步地,在所述步骤S111中,设为原始激光点云数据,对其进行KD-Tree搜索后的数据集为/>,定义为已经得到的点/>到其k个邻域点的平均距离,/>为/>的均值,/>为/>的标准差,则得到以下高斯滤波的算法公式:
;
;
。
更进一步地,在所述步骤S111中,统计滤波的计算过程如下:
S1111:对每个数据点的邻域进行统计分析,则点云数据中所有数据点的距离假设构成高斯分布,其形状由均值和标准差/>决定;设点云数据中的第n个数据点坐标为,该数据点到任意一数据点/>的距离为:
;
S1112:计算遍历每个数据点到任意数据点之间距离的平均值,公式为:
;
S1113:设标准差为:
;
设标准差倍数为std;
当某个数据点临近k个数据点的平均距离在标准范围内时保留该点,不在该范围内时,则定义为离群点并删除。
更进一步地,在所述步骤S112中,CSF模拟布料滤波算法的处理过程如下:
S1121:将经过去噪的原始激光点云数据倒置,后将倒置后的点云数据和用户模拟出来的布料节点投影到同一水平面上,并在点云数据中找到布料节点所对应的点,将其高度记为h;
S1122:在每次迭代过程中,比较布料节点的当前高度和h的大小,直到h与当前高度差距的绝对值小于预设数值或到达最大迭代次数时,迭代终止;
S1123:计算倒置后的迭代终止的点云数据点到布料节点之间的距离,当该距离大于设定阈值时,该点被记为非地面点并被过滤,反之则被记为地面点。
更进一步地,在所述步骤S2中,对经过预处理的点云数据进行处理,获取道路的纵断面点坐标的过程如下:
S201:通过点云交互式点选给定道路起点与终点坐标,以确定道路中心线的坐标方位角与距离,并计算道路中心线上用户预设的相等间隔的中桩点坐标;
S202:通过计算确定该段道路的横断面数,然后求取沿指定直线方位角指定间距处的各点的坐标;
S203:以求得的中桩点为基础,建立KD-tree,搜索该点周围用户设定数量的点,提取这些点的高程值取平均,即为纵断面点坐标。
更进一步地,在所述步骤S2中,对经过预处理的点云数据进行处理,获取道路的横断面点坐标的过程如下:
S211:将相邻的两个中桩点坐标所在直线的斜率视为该中桩点在道路中心线处的斜率,即确定了横断面的方向;
S212:将横断面所指的方向按照预设的取点间隔进行分割,获取间隔点坐标,随后建立KD-tree搜索分割点周围用户设定数量的点,提取这些点的高程值取平均,即为横断面点坐标。
更进一步地,在所述步骤S2中,纵断面图采用直角坐标法绘制,横坐标为里程,纵坐标表示高程,纵断面图用于反应道路走向方向上的地形变化。
更进一步地,在所述步骤S2中,横断面图以等间距切割的间隔点并以邻域点的高程取平均作为纵坐标,沿道路中心线法线方向等间距切分的距离为横坐标,横断面图用于反应道路走向的法线方向上的地形变化。
本发明相比现有技术具有以下优点:该基于点云数据道路纵横断面的自动提取方法,采用车载LiDAR测量技术进行高速公路改扩建勘测工程,既减少了对公路正常通行的影响,又保证了外业工作人员的安全,同时获取了高质量的车载LiDAR测量数据成果;以道路作为研究对象,提出了一种基于三维激光扫描技术的纵横断面自动提取方法,通过该方法实现了对道路纵横断面的自动提取,大幅度提高了纵横断面数据提取的效率,降低了人为错误对工程造成影响的可能性,实现了纵横断面的自动绘制。
附图说明
图1是本发明实施例中基于点云数据道路纵横断面的自动提取方法的流程示意图;
图2是本发明实施例中数据采集流程示意图;
图3是本发明实施例中点云数据预处理流程示意图;
图4(a)是本发明实施例中数据预处理前的激光点云数据示例图;
图4(b)是本发明实施例中数据预处理后的激光点云数据示例图;
图5是本发明实施例中道路的纵断面图示例;
图6(a)是本发明实施例中里程为0m时的道路横断面图示例;
图6(b)是本发明实施例中里程为20m时的道路横断面图示例;
图6(c)是本发明实施例中里程为40m时的道路横断面图示例;
图6(d)是本发明实施例中里程为60m时的道路横断面图示例;
图6(e)是本发明实施例中里程为80m时的道路横断面图示例;
图6(f)是本发明实施例中里程为100m时的道路横断面图示例。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例提供一种技术方案:基于点云数据道路纵横断面的自动提取方法,包括以下步骤:
步骤一:数据的采集与处理
根据预先规划好的采集线路及采集顺序,进行道路原始激光点云数据采集工作,然后对数据进行预处理;
步骤二:纵横断面自动成图
对经过预处理的点云数据进行处理,获取道路的纵断面点坐标与横断面点坐标;基于道路的纵断面点坐标与横断面点坐标进行纵断面图与横断面图的绘制工作,实现道路纵横断面的自动提取。
在步骤一中,点云数据采集过程具体如下:
(1)合理设计道路两侧等间距布设设定数量的靶标控制点。
(2)采用RTK测量仪、水准测量仪获取靶标控制点的平面坐标与高程。
(3)采用车载激光扫描系统获取道路原始激光点云数据。
(4)选取适当间隔的靶标控制点来检查原始激光点云数据的平面、高程精度。
在本实施例中,靶标控制点是用于定位和配准扫描数据的地面真实点或人工设置的特定点。
靶标控制点的布设要求如下:
布设密度:靶标控制点应该在扫描区域内均匀地分布,以确保整个区域都能够被准确地测量和配准,密度的选择取决于扫描的目的和精度要求;
布设位置:靶标控制点应该位于测量区域的关键位置,例如地面特征点、交汇点、边缘等,这些点可以提供参考框架,帮助进行配准和定位;
布设数量:靶标控制点的数量应该足够满足测量的需求;通常,建议至少布设3个以上的靶标控制点,以提供足够的定位和配准信息。
靶标控制点的精度要求如下:
空间精度:靶标控制点的空间位置需要具有高精度,通常,要求靶标控制点的坐标精度在毫米或亚毫米级别,以确保扫描数据的准确性;
时间精度:如果需要进行动态扫描或者扫描车辆在运动中,控制点的时间同步和精度也非常重要;时间戳的准确性可以帮助保持扫描数据与车辆位置的一致性。
在步骤一中,数据预处理的具体过程如下:
道路原始激光点云数据是以散乱点云的形式呈现,且数据量较大,需要剔除噪声、冗余点云数据,采用多种滤波算法对得到的激光点云去噪、精简,如图3、4(a)、4(b)所示。
首先采用高斯滤波、统计滤波将高频噪声点去除,减少冗余点、平滑滤波。高斯滤波利用了高斯函数经傅里叶变换后仍具有高斯函数的特性。令指定区域的权重为高斯分布,从而将高频的噪声点除去,具体做法是将某一数据点与其前后各n个数据点的距离加权平均,那些远大于操作距离的数据点被处理成固定的端点,这有助于识别间隙和端点。由于高斯滤波平均效果较小,在滤波的同时,能较好的保持数据原貌。
在本实施例中,设为原始点云数据,对其进行KD-Tree搜索后的数据集为/>,定义/>为已经得到的点/>到其k个邻域点的平均距离,/>为/>的均值,/>为/>的标准差,则得到以下高斯滤波的算法公式:
;
;
。
统计滤波对每个数据点的邻域进行统计分析,用于去除明显离群点。离群点往往
由测量噪声引入,其特征是在空间中分布稀疏。计算每个数据点到其最近的k(假设)个数据
点的平均距离。则点云中所有数据点的距离应构成高斯分布,通过给定均值与方差,可剔除
n个标准差之外的数据点。
在本实施例中,统计滤波的计算过程如下:
对每个数据点的邻域进行统计分析,则点云数据中所有数据点的距离假设构成高斯分布,其形状由均值和标准差/>决定;设点云数据中的第n个数据点坐标为,该数据点到任意一数据点/>的距离为:
计算遍历每个数据点到任意数据点之间距离的平均值公式为:
设标准差为:
设标准差倍数为std,算法实现过程中仅需输入k和std两个阈值,当某点临近k个点的平均距离在标准范围内时保留该点,不在该范围内时,则定义为离群点并删除。
然后采用CSF模拟布料滤波(Cloth Simulation Filter,CSF)算法,对地面点和非地面点进行分离。CSF模拟布料滤波算法的原理是先将经过去噪的原始激光点云数据倒置,后将倒置后的点云数据和用户模拟出来的布料节点投影到同一水平面上,并在点云数据中找到布料节点所对应的点,将其高度记为h;在每次迭代过程中,比较布料节点的当前高度和h的大小,直到h与当前高度差距的绝对值小于一定数值,或到达最大迭代次数时,迭代终止。最后计算倒置后的迭代终止的点云数据点到布料节点之间的距离,当该距离大于特定阈值时,该点被记为非地面点,并被过滤,反之则被记为地面点。
在处理的过程中,由于点云密度较大,因此在进行滤波的同时对点云进行了随机抽稀处理。随机对经过CSF模拟布料滤波算法处理后的点云数据进行选点,通过滤波得到地面点云,地面点的提取在减少数据量的同时,也保证了有用信息得到保留,极大提高了数据的处理效率。
在步骤二中,具体处理过程如下:
(1)点云数据的处理
道路中线测量是测定道路中心线的平面位置,其主要任务是对公路的交点、转点、转角、直线和平曲线进行测设,是道路纵横断面测量的基础。道路中心线反应了道路在平面方向上的具体走向。由于在实际的工程中,道路中线常常被给定,故本实施例中使用交互式点选的方式来模拟道路中心线。
首先,通过点云交互式点选给定道路起点与终点坐标,以确定道路中心线的坐标方位角与距离,并计算道路中心线上相等间隔的中桩点坐标。道路中心线起点的里程值为0,终点位置的里程为中心线的长度。然后,通过计算确定该段道路的横断面数,然后求取沿指定直线方位角指定间距处的各点的坐标。最后以求得的中桩点为基础,建立KD-tree(K-D树),搜索该点周围设定数量的点,提取这组点的高程值取平均,即为纵断面点坐标。
道路中心线上任意一个中桩的横断面,在该点垂直于道路中心线。由于道路中心一般都不是一条直线,往往含有弧段,这为横断面方向的确定增加了不少困难。本实施例中将相邻两个中桩点坐标所在直线的斜率视为该中桩点在道路中心线处的斜率,这样就确定了横断面的方向,要注意的是沿着道路中心线前进方向的左侧横断面的角度为a时,同一点右侧横断面的角度为a+π。
将横断面所在的直线按相等间隔进行分割,提取其周围点的平均高程为横断面点坐标的高程。具体的,将横断面所在的直线按相等间隔进行分割,获取间隔点坐标,随后建立KD-tree搜索分割点周围一定数量的点,计算出平均高程点作为横断面点高程。将获取并计算的纵横断面点坐标写入纵横断面点两个坐标文件进行存储,存储格式为断面点三维坐标,按列分为:x坐标,y坐标,高程。
(2)纵断面图的绘制
断面图采用直角坐标法绘制,横坐标为水平距离,纵坐标表示高程。道路纵断面反应了道路走向方向地形变化,纵断面图以中桩的里程为横坐标,以高程值为纵坐标绘制的。本实施例中使用纵断面图对道路在纵方向的趋势进行描述(如图5所示)。
纵断面图:在纵断面图的显示中,图像的横坐标为里程,纵坐标为各个纵断面点的高程。
(3)横断面图的绘制
道路横断面反应了道路走向的法线方向地形变化,以等距切割的断面点的平均高程作为纵坐标,沿道路中心线等距切分的距离为横坐标。本实施例中使用了六张横断面图对道路在横方向的趋势进行描述(如图6(a)~图6(f)所示)。
横断面图:在横断面图的显示中,x轴为水平切分的距离,y轴为横断面点的高程。
综上所述,上述实施例的基于点云数据道路纵横断面的自动提取方法,采用车载LiDAR测量技术进行高速公路改扩建勘测工程,既减少了对公路正常通行的影响,又保证了外业工作人员的安全,同时获取了高质量的车载LiDAR测量数据成果;以道路作为研究对象,提出了一种基于三维激光扫描技术的纵横断面自动提取方法,通过该方法实现了对道路纵横断面的自动提取,大幅度提高了纵横断面数据提取的效率,降低了人为错误对工程造成影响的可能性,实现了纵横断面的自动绘制;相比于人工绘制,能够避免人工绘制断面过程中的各类错误,减少了人工绘制断面图过程中大量的重复性工作,提高了效率,降低了人力、物力的成本,绘制的断面图简洁、准确、快速,具有计算机自动化真实、高效等优点,符合工程施工用图要求。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.基于点云数据道路纵横断面的自动提取方法,其特征在于,包括以下步骤:
步骤S1:数据的采集与处理
根据预先规划好的采集线路及采集顺序,进行道路原始激光点云数据采集工作,然后对数据进行预处理;
步骤S2:纵横断面自动成图
对经过预处理的点云数据进行处理,获取道路的纵断面点坐标与横断面点坐标;基于道路的纵断面点坐标与横断面点坐标进行纵断面图与横断面图的绘制工作,实现道路纵横断面的自动提取;
在所述步骤S2中,对经过预处理的点云数据进行处理,获取道路的纵断面点坐标的过程如下:
S201:通过点云交互式点选给定道路起点与终点坐标,以确定道路中心线的坐标方位角与距离,并计算道路中心线上用户预设的相等间隔的中桩点坐标;
S202:通过计算确定道路的横断面数,然后求取沿指定直线方位角指定间距处的各点的坐标;
S203:以求得的中桩点为基础,建立KD-tree,搜索该点周围用户设定数量的点,提取这些点的高程值取平均,即为纵断面点坐标;
在所述步骤S2中,对经过预处理的点云数据进行处理,获取道路的横断面点坐标的过程如下:
S211:将相邻的两个中桩点坐标所在直线的斜率视为该中桩点在道路中心线处的斜率,即确定了横断面的方向;
S212:将横断面所指的方向按照预设的取点间隔进行分割,获取间隔点坐标,随后建立KD-tree搜索分割点周围用户设定数量的点,提取这些点的高程值取平均,即为横断面点坐标。
2.根据权利要求1所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S1中,道路原始激光点云数据采集过程如下:
S101:设计道路两侧等间距布设设定数量的靶标控制点;
S102:采用RTK测量仪、水准测量仪获取靶标控制点的平面坐标与高程;
S103:采用车载激光扫描系统获取道路原始激光点云数据;
S104:选取预设间隔的靶标控制点来检查原始激光点云数据的平面、高程精度。
3.根据权利要求1所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S1中,数据预处理的过程如下:
S111:采用高斯滤波、统计滤波将道路原始激光点云数据中的高频噪声点去除;
S112:采用CSF模拟布料滤波算法,对地面点和非地面点进行分离;
S113:在进行滤波的同时对经过CSF模拟布料滤波算法处理后的原始激光点云数据进行了随机抽稀处理,随机对该点云数据进行选点,通过滤波得到地面点。
4.根据权利要求3所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S111中,设为原始激光点云数据,对其进行KD-Tree搜索后的数据集为/>,定义/>为已经得到的点/>到其k个邻域点的平均距离,/>为/>的均值,/>为/>的标准差,则得到以下高斯滤波的算法公式:
;
;
。
5.根据权利要求3所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S111中,统计滤波的计算过程如下:
S1111:对每个数据点的邻域进行统计分析,则点云数据中所有数据点的距离假设构成高斯分布,其形状由均值和标准差/>决定;设点云数据中的第n个数据点坐标为,该数据点到任意一数据点/>的距离为:
;
S1112:计算遍历每个数据点到任意数据点之间距离的平均值,公式为:
;
S1113:设标准差为:
;
设标准差倍数为std;
当某个数据点临近k个数据点的平均距离在标准范围内时保留该点,不在该范围内时,则定义为离群点并删除。
6.根据权利要求3所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S112中,CSF模拟布料滤波算法的处理过程如下:
S1121:将经过去噪的原始激光点云数据倒置,后将倒置后的点云数据和用户模拟出来的布料节点投影到同一水平面上,并在点云数据中找到布料节点所对应的点,将其高度记为h;
S1122:在每次迭代过程中,比较布料节点的当前高度和h的大小,直到h与当前高度差距的绝对值小于预设数值或到达最大迭代次数时,迭代终止;
S1123:计算倒置后的迭代终止的点云数据点到布料节点之间的距离,当该距离大于设定阈值时,该点被记为非地面点并被过滤,反之则被记为地面点。
7.根据权利要求1所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S2中,纵断面图采用直角坐标法绘制,横坐标为里程,纵坐标表示高程,纵断面图用于反应道路走向方向上的地形变化。
8.根据权利要求7所述的基于点云数据道路纵横断面的自动提取方法,其特征在于:在所述步骤S2中,横断面图以等间距切割的间隔点并以邻域点的高程取平均作为纵坐标,沿道路中心线法线方向等间距切分的距离为横坐标,横断面图用于反应道路走向的法线方向上的地形变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580973.2A CN117315273B (zh) | 2023-11-24 | 2023-11-24 | 基于点云数据道路纵横断面的自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311580973.2A CN117315273B (zh) | 2023-11-24 | 2023-11-24 | 基于点云数据道路纵横断面的自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315273A CN117315273A (zh) | 2023-12-29 |
CN117315273B true CN117315273B (zh) | 2024-02-23 |
Family
ID=89288641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311580973.2A Active CN117315273B (zh) | 2023-11-24 | 2023-11-24 | 基于点云数据道路纵横断面的自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315273B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887020A (zh) * | 2015-12-12 | 2017-06-23 | 星际空间(天津)科技发展有限公司 | 一种基于LiDAR点云的道路纵横断面获取方法 |
JP2019049466A (ja) * | 2017-09-11 | 2019-03-28 | 国際航業株式会社 | 沿道地物の座標付与方法 |
CN110647798A (zh) * | 2019-08-05 | 2020-01-03 | 中国铁路设计集团有限公司 | 基于车载移动激光点云的轨道中线自动检测方法 |
CN110780307A (zh) * | 2019-05-29 | 2020-02-11 | 武汉星源云意科技有限公司 | 基于电瓶车车载式激光点云移动测量系统获取道路横断面的方法 |
CN113177251A (zh) * | 2021-04-30 | 2021-07-27 | 四川省交通勘察设计研究院有限公司 | 一种基于bim+gis平台的公路设计数据协同管理方法及管理系统 |
CN114140459A (zh) * | 2021-12-09 | 2022-03-04 | 中铁二院工程集团有限责任公司 | 基于原始激光点云的铁路横断面测量方法 |
CN115797288A (zh) * | 2022-11-30 | 2023-03-14 | 安徽开源路桥有限责任公司 | 基于地面点云数据计算填挖方量的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230122794A (ko) * | 2022-02-15 | 2023-08-22 | 현대자동차주식회사 | 라이다 자유 공간 데이터 생성유닛 및 멀티 모달 노이즈 필터 방식의 라이다 신호처리방법 |
CN115718305A (zh) * | 2022-11-18 | 2023-02-28 | 武汉中交工程勘察有限公司 | 一种激光点云公路断面处理方法、装置、设备及存储介质 |
-
2023
- 2023-11-24 CN CN202311580973.2A patent/CN117315273B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106887020A (zh) * | 2015-12-12 | 2017-06-23 | 星际空间(天津)科技发展有限公司 | 一种基于LiDAR点云的道路纵横断面获取方法 |
JP2019049466A (ja) * | 2017-09-11 | 2019-03-28 | 国際航業株式会社 | 沿道地物の座標付与方法 |
CN110780307A (zh) * | 2019-05-29 | 2020-02-11 | 武汉星源云意科技有限公司 | 基于电瓶车车载式激光点云移动测量系统获取道路横断面的方法 |
CN110647798A (zh) * | 2019-08-05 | 2020-01-03 | 中国铁路设计集团有限公司 | 基于车载移动激光点云的轨道中线自动检测方法 |
CN113177251A (zh) * | 2021-04-30 | 2021-07-27 | 四川省交通勘察设计研究院有限公司 | 一种基于bim+gis平台的公路设计数据协同管理方法及管理系统 |
CN114140459A (zh) * | 2021-12-09 | 2022-03-04 | 中铁二院工程集团有限责任公司 | 基于原始激光点云的铁路横断面测量方法 |
CN115797288A (zh) * | 2022-11-30 | 2023-03-14 | 安徽开源路桥有限责任公司 | 基于地面点云数据计算填挖方量的方法 |
Non-Patent Citations (3)
Title |
---|
A Handheld LiDAR-Based Semantic Automatic Segmentation Method for Complex Railroad Line Model Reconstruction;Junjie Chen et al.;《remote sensing》;第1-40页 * |
Automatic extraction of tunnel centerline and cross-sections from 3D point clouds;Guigang Shi et al.;《Engineering Research Express》;第1-16页 * |
基于车载LiDAR 数据的道路横纵断面获取;程圆娥;《地理空间信息》;第17卷(第9期);第30-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315273A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717983A (zh) | 一种基于背包式三维激光点云数据的建筑物立面三维重建方法 | |
CN110780307B (zh) | 基于电瓶车车载式激光点云移动测量系统获取道路横断面的方法 | |
CN105844629A (zh) | 一种大场景城市建筑物立面点云自动分割方法 | |
CN103324916B (zh) | 基于建筑轮廓的车载和航空LiDAR数据配准方法 | |
CN110986878A (zh) | 基于移动测量系统自动化提取铁轨断面的方法 | |
CN114998338B (zh) | 一种基于激光雷达点云的矿山开采量计算方法 | |
Gikas et al. | A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior | |
CN107657636B (zh) | 一种基于车载激光雷达数据自动提取道路地形图高程点的方法 | |
CN106597416A (zh) | 一种地面GPS辅助的LiDAR数据高程差的误差修正方法 | |
CN106920278B (zh) | 一种基于Reeb图的立交桥三维建模方法 | |
CN103605135A (zh) | 一种基于断面剖分的道路特征提取方法 | |
CN115718305A (zh) | 一种激光点云公路断面处理方法、装置、设备及存储介质 | |
CN114459378A (zh) | 一种隧道工程三维激光扫描分段测量方法及测量系统 | |
JP4619504B2 (ja) | 3次元デジタル地図作成装置 | |
JP5451457B2 (ja) | 3次元モデル生成装置およびコンピュータプログラム | |
CN114821522A (zh) | 基于车载激光点云数据的城市道路横坡和超高值计算方法 | |
JP6397386B2 (ja) | 領域分割処理装置、方法、及びプログラム | |
CN117315273B (zh) | 基于点云数据道路纵横断面的自动提取方法 | |
CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN110148218A (zh) | 一种大批量机载LiDAR点云数据整体优化的方法 | |
CN114387293A (zh) | 道路边缘检测方法、装置、电子设备及车辆 | |
CN112967256A (zh) | 一种基于空间分布的隧道椭圆化检测方法 | |
Yu et al. | A cue line based method for building modeling from LiDAR and satellite imagery |
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 |