CN117706577A - 基于激光雷达三维点云算法的船舶尺寸测量方法 - Google Patents
基于激光雷达三维点云算法的船舶尺寸测量方法 Download PDFInfo
- Publication number
- CN117706577A CN117706577A CN202410110723.0A CN202410110723A CN117706577A CN 117706577 A CN117706577 A CN 117706577A CN 202410110723 A CN202410110723 A CN 202410110723A CN 117706577 A CN117706577 A CN 117706577A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ship
- cloud data
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 48
- 238000000691 measurement method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 35
- 238000005516 engineering process Methods 0.000 abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 7
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005056 compaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000013409 limited attention Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了基于激光雷达三维点云算法的船舶尺寸测量方法，属于船舶尺寸测量技术领域，本发明中，激光雷达可以以非常高的精度获取船舶表面的三维点云数据，从而实现对船舶尺寸的准确测量。相比传统的测量方法，激光雷达技术能够提供更精确的尺寸数据，减少测量误差。本发明实现了非接触式测量：激光雷达技术可以在不接触船舶表面的情况下进行测量，无需物理接触或浸入水中，避免了传统测量方法可能引起的表面损伤或测量干扰。激光雷达可以快速扫描整个船舶表面，获取全局的点云数据。这使得可以一次性获取船舶的完整形状和尺寸信息，避免了传统方法需要多次测量和拼接的问题，提高了测量效率。
Description
技术领域
本发明属于船舶尺寸测量技术领域，具体为基于激光雷达三维点云算法的船舶尺寸测量方法。
背景技术
船舶尺寸测量是指对船舶的各个尺寸进行测量和记录的过程。船舶尺寸测量的背景涉及到航运业和海洋工程领域的需求，这些尺寸信息对于设计、建造、操作、维护和管理船舶都至关重要。常用的船舶尺寸测量技术分为四类：直接测量技术、影像处理技术、水声测量技术以及高精度测量技术
如果采用直接测量技术，使用传统的测量工具和仪器，直接对船舶各个部分进行测量。此方法简单易行，成本低，但是适用于小型船舶和简单测量需求，但是对于大型船舶和复杂形状的部分，可能无法准确测量。此外，此方法需要人工参与，存在人为误差。
如果采用影像处理技术，通过航空摄影或卫星遥感图像获取船舶影像数据，利用图像处理和计算机视觉技术进行分析和测量。但是此方法使用非接触式测量，能够获取整体船舶的轮廓和尺寸信息，但是受到影像质量、遮挡、图像分辨率等因素的影响，对于细节信息关注有限，精度不高。
如果采用水声测量技术，利用声呐设备和测距仪，通过声波在水中传播的特性进行测量。但是此方法适用于水下部分的尺寸测量，可获取船体下沉、船底净空高度等信息，但是测量精度受到水中环境因素的影响，如水质、反射等，且只能测量船体在水面以下区域。
如果采用高精度测量技术，使用全球定位系统(GPS)和惯性导航系统(INS)等设备进行测量。但是此方法实时测量船舶位置、方向和运动信息，可以推导出船舶的尺寸和形态，但是设备成本较高，对于精确测量需要考虑多种误差来源，如信号遮挡、多路径等。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供基于激光雷达三维点云算法的船舶尺寸测量方法。
本发明采用的技术方案如下：基于激光雷达三维点云算法的船舶尺寸测量方法，所述包括以下步骤：
S1：先进行基于KD-tree加速的DBSCAN船舶的点云聚类分析数据预处理；
S2：通过结合KD-tree和DBSCAN，可以在计算密度和寻找邻域时减少计算量；KD-tree的构建和范围查询操作可以高效地处理多维数据，而DBSCAN算法可以利用密度可达性来聚类点云数据；这种组合可以加速船舶点云聚类的过程，并提高算法的效率和可扩展性；最终得到船舶点云的聚类结果；
S3：得到船舶点云的聚类结果之后，然后进行基于点云数据切片的船舶尺寸估计；
S4：先进行点云预处理：对点云数据进行去噪、滤波和下采样等预处理操作，以减少噪声和冗余点；通过基于KD-tree加速的DBSCAN船舶点云聚类算法，将船舶点云单独分割出来进行下一步处理；
S5：进行水平切面提取：选择多个平行于水平面的切面；在点云数据中仅保留该切面上的点；
S6：进行垂直切面提取：选择多个垂直于水平切面，且与河岸平行的垂直切面平面；在点云数据中仅保留该切面上的点；
S7：进行轮廓提取：对于水平切面及垂直切面上的点云数据，使用边缘检测算法来提取船舶主体的轮廓，得到船舶在水平切面上的大致形状；
S8：进行轮廓分析：根据船舶主体的轮廓，在水平切面上进行分析，计算最小外接椭圆，以估计船舶的长度和宽度；在垂直切面上进行分析，计算最小外接矩形，以估计船舶的高度；
S9：进行融合和平滑：对于多个切片估计的尺寸结果，可对其进行融合和平滑处理，以得到更一致和准确的船舶尺寸估计结果。
在一优选的实施方式中，所述步骤S1中，进行点云聚类分析的具体步骤如下：
S11.构建KD-tree：将船舶点云数据构建成KD-tree的数据结构；KD-tree可以将多维数据空间划分为一系列的超矩形区域，以便后续的查询和聚类操作；
S12.密度计算：对于每个点p，使用KD-tree来快速找到其ε－邻域内的点集合；ε－邻域是指距离点p不超过ε的点的集合；这可以通过在KD-tree上进行范围查询来实现；
S13.核心点标记：对于每个点p，根据其ε－邻域内点的数量来判断是否为核心点；如果p的ε－邻域内的点数超过给定阈值(通常称为最小点数)，则将p标记为核心点；
S14.密度连通性：对于每个核心点，找到其密度可达的点，即在ε－邻域内的点集合；这可以通过递归地在KD-tree上进行范围查询来实现；
S15.聚类形成：将船舶点云密度可达的点集合合并成聚类；每个聚类包含一个或多个核心点以及与核心点密度可达的非核心点；最终得到船舶点云的聚类结果。
在一优选的实施方式中，所述步骤S4中，进行点云数据进行去噪的方法为：首先利用条件滤波在点云数据X、Y、Z坐标轴上设置阈值，建立空间包围盒，大致分割出目标构件点云，去除大部分无关点；然后通过统计滤波算法，基于邻域范围内标准差对一些远离主体点云的离群点进行去除，使目标构件点云与噪声团界限更加清晰，便于后续聚类。
在一优选的实施方式中，所述步骤S4中，进行点云数据进行去噪的过程中：对点云数据进行欧式距离聚类，对远离主体点云的点云噪声团基于欧式距离进行聚类，最大聚类结果就是目标构件点云，通过只提取出最大聚类结果，达到去除噪声团的效果，简单高效地去除噪声点和无关点。
在一优选的实施方式中，步骤S4中，进行点云数据进行去噪的方法为：获取激光扫描设备针对船舶采集的初始船舶点云数据以及激光扫描设备的移动轨迹；移动轨迹包括：初始船舶点云数据中各个点云的轨迹平移量和旋转向量；根据初始船舶点云数据和移动轨迹，将初始船舶点云数据中各个点云从激光扫描设备的设备坐标系转换到激光扫描设备中的激光雷达的激光坐标系下，得到转换后船舶点云数据；根据转换后船舶点云数据的坐标，对转换后船舶点云数据进行分类，得到至少两类的船舶点云数据；根据至少两类的滤波算法，分别对至少两类的船舶点云数据进行滤波，得到至少两类的滤波后船舶点云数据；对至少两类的滤波后船舶点云数据进行合并，生成预设场景的目标船舶点云数据。
在一优选的实施方式中，步骤S4中，点云下采样模型包括特征提取网络、特征融合网络；特征提取网络包括依次连接的第一球查询层、第一边缘卷积层及多层注意力机制；
船舶尺寸特征融合网络包括依次连接的第二球查询层、第二边缘卷积层、若干个卷积层及softmax层；
在船舶尺寸特征提取网络中，对于输入的预处理过后的船舶点云数据，首先，通过球查询提取每个点的近邻以及若干层边缘卷积操作，提取并聚合点云的邻域船舶尺寸特征；然后，通过第一边缘卷积层进行边缘卷积初步提取船舶尺寸特征；接着，通过多层注意力机制对船舶尺寸特征图赋予不同的权重；最后，再把多层注意力机制提取到的船舶尺寸特征进行拼接，得到不同层次的船舶尺寸特征矩阵；
在船舶尺寸特征融合网络中，首先，对输入的船舶尺寸特征矩阵再次依次进行球查询与边缘卷积操作，然后，通过若干个卷积层改变船舶尺寸特征矩阵的形状，接着，通过softmax操作得到点云的下采样选择矩阵，最后，将下采样选择矩阵与原始点云即输入的预处理过后的船舶点云数据做点积操作，获得下采样的点云。
在一优选的实施方式中，所述步骤S4中，在将船舶点云单独分割出来进行下一步处理之前，需要对处理好的数据进行点云精简，点云精简采用PCL点云库中的VoxelGrid类对点云数据进行体素化下采样；其基本原理是根据点云数据在三维坐标轴上的最值创建三维体素网格，然后设置需要拆分的小立方网格的边长，将三维体素网格均匀划分为边长为voxel1的小网格，将点云数据放入对应的网格中，并删除不包含数据点的小网格；对于包含数据点的网格，用数据重心点代替网格中所有的点，然后删除其余的数据点，以达到下采样的效果；经过点云配准后，桥塔A节段的点云数据为5931270，voxel1设置为0.005m，通过体素化下采样后点云量为1540407，精简后点云精简率为74％，较好地保留了点云细节特征，且大大降低了点云数据总量。
在一优选的实施方式中，所述步骤S4中，采用Cyclone软件中基于标靶配准方法对点云进行配准，相邻两站配准最大误差为1.2mm，构件整体配准误差为0.3mm，配准精度较高，满足精度要求。
在一优选的实施方式中，所述步骤S1中，采集数据时在船闸河道一侧部署激光雷达，实时获取河道的三维点云，并对点云进行滤波及下采样等预处理。
在一优选的实施方式中，所述步骤S1中，基于点云数据切片的船舶尺寸估计算法通过不同维度的点云数据切片，结合边缘检测算法，获取船舶的长、宽、高等尺寸信息。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，激光雷达可以以非常高的精度获取船舶表面的三维点云数据，从而实现对船舶尺寸的准确测量。相比传统的测量方法，激光雷达技术能够提供更精确的尺寸数据，减少测量误差。本发明实现了非接触式测量：激光雷达技术可以在不接触船舶表面的情况下进行测量，无需物理接触或浸入水中，避免了传统测量方法可能引起的表面损伤或测量干扰。
2、本发明中，激光雷达可以快速扫描整个船舶表面，获取全局的点云数据。这使得可以一次性获取船舶的完整形状和尺寸信息，避免了传统方法需要多次测量和拼接的问题，提高了测量效率。同时激光雷达技术可以实现较大范围的测量，包括船体的外形和结构。无论是船体的平面尺寸还是复杂的曲线和曲面，激光雷达都能够提供全面的测量数据。
3、本发明中，激光雷达测量可以在较短的时间内完成，并且可以实时获取点云数据。这对于需要快速测量或实时监测船舶尺寸变化的应用场景非常有益。
4、本发明中，数据可视化和分析：激光雷达生成的三维点云数据可以通过可视化和分析工具进行处理和分析。这使得可以对点云数据进行可视化展示、形状拟合、曲线提取、体积计算等操作，从而更好地理解和利用测量结果。
5、本发明中，通过结合KD-tree和DBSCAN，可以在计算密度和寻找邻域时减少计算量，加速船舶点云聚类的过程，并提高了算法的效率和可扩展性。基于点云数据切片的船舶尺寸估计算法通过不同维度的点云数据切片，结合边缘检测算法，获取船舶的长、宽、高等尺寸信息。这种方法将三维点云与图像边缘检测结合，提高了船舶尺寸估计的效率与精确度。
附图说明
图1为本发明的流程原理示意图；
图2为本发明中船舶尺寸测量方法系统框图；
图3为本发明中拓扑部署系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1-3，
实施例：
基于激光雷达三维点云算法的船舶尺寸测量方法，包括以下步骤：
S1：先进行基于KD-tree加速的DBSCAN船舶的点云聚类分析数据预处理；
S2：通过结合KD-tree和DBSCAN，可以在计算密度和寻找邻域时减少计算量；KD-tree的构建和范围查询操作可以高效地处理多维数据，而DBSCAN算法可以利用密度可达性来聚类点云数据；这种组合可以加速船舶点云聚类的过程，并提高算法的效率和可扩展性；最终得到船舶点云的聚类结果；
S3：得到船舶点云的聚类结果之后，然后进行基于点云数据切片的船舶尺寸估计；
S4：先进行点云预处理：对点云数据进行去噪、滤波和下采样等预处理操作，以减少噪声和冗余点；通过基于KD-tree加速的DBSCAN船舶点云聚类算法，将船舶点云单独分割出来进行下一步处理；
S5：进行水平切面提取：选择多个平行于水平面的切面；在点云数据中仅保留该切面上的点；
S6：进行垂直切面提取：选择多个垂直于水平切面，且与河岸平行的垂直切面平面；在点云数据中仅保留该切面上的点；
S7：进行轮廓提取：对于水平切面及垂直切面上的点云数据，使用边缘检测算法来提取船舶主体的轮廓，得到船舶在水平切面上的大致形状；
S8：进行轮廓分析：根据船舶主体的轮廓，在水平切面上进行分析，计算最小外接椭圆，以估计船舶的长度和宽度；在垂直切面上进行分析，计算最小外接矩形，以估计船舶的高度；
S9：进行融合和平滑：对于多个切片估计的尺寸结果，可对其进行融合和平滑处理，以得到更一致和准确的船舶尺寸估计结果。
2.如权利要求1的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：步骤S1中，进行点云聚类分析的具体步骤如下：
S11.构建KD-tree：将船舶点云数据构建成KD-tree的数据结构；KD-tree可以将多维数据空间划分为一系列的超矩形区域，以便后续的查询和聚类操作；
S12.密度计算：对于每个点p，使用KD-tree来快速找到其ε－邻域内的点集合；ε－邻域是指距离点p不超过ε的点的集合；这可以通过在KD-tree上进行范围查询来实现；
S13.核心点标记：对于每个点p，根据其ε－邻域内点的数量来判断是否为核心点；如果p的ε－邻域内的点数超过给定阈值(通常称为最小点数)，则将p标记为核心点；
S14.密度连通性：对于每个核心点，找到其密度可达的点，即在ε－邻域内的点集合；这可以通过递归地在KD-tree上进行范围查询来实现；
S15.聚类形成：将船舶点云密度可达的点集合合并成聚类；每个聚类包含一个或多个核心点以及与核心点密度可达的非核心点；最终得到船舶点云的聚类结果。
步骤S4中，进行点云数据进行去噪的方法为：首先利用条件滤波在点云数据X、Y、Z坐标轴上设置阈值，建立空间包围盒，大致分割出目标构件点云，去除大部分无关点；然后通过统计滤波算法，基于邻域范围内标准差对一些远离主体点云的离群点进行去除，使目标构件点云与噪声团界限更加清晰，便于后续聚类。
步骤S4中，进行点云数据进行去噪的过程中：对点云数据进行欧式距离聚类，对远离主体点云的点云噪声团基于欧式距离进行聚类，最大聚类结果就是目标构件点云，通过只提取出最大聚类结果，达到去除噪声团的效果，简单高效地去除噪声点和无关点。
步骤S4中，进行点云数据进行去噪的方法为：获取激光扫描设备针对船舶采集的初始船舶点云数据以及激光扫描设备的移动轨迹；移动轨迹包括：初始船舶点云数据中各个点云的轨迹平移量和旋转向量；根据初始船舶点云数据和移动轨迹，将初始船舶点云数据中各个点云从激光扫描设备的设备坐标系转换到激光扫描设备中的激光雷达的激光坐标系下，得到转换后船舶点云数据；根据转换后船舶点云数据的坐标，对转换后船舶点云数据进行分类，得到至少两类的船舶点云数据；根据至少两类的滤波算法，分别对至少两类的船舶点云数据进行滤波，得到至少两类的滤波后船舶点云数据；对至少两类的滤波后船舶点云数据进行合并，生成预设场景的目标船舶点云数据。
步骤S4中，点云下采样模型包括特征提取网络、特征融合网络；特征提取网络包括依次连接的第一球查询层、第一边缘卷积层及多层注意力机制；
船舶尺寸特征融合网络包括依次连接的第二球查询层、第二边缘卷积层、若干个卷积层及softmax层；
在船舶尺寸特征提取网络中，对于输入的预处理过后的船舶点云数据，首先，通过球查询提取每个点的近邻以及若干层边缘卷积操作，提取并聚合点云的邻域船舶尺寸特征；然后，通过第一边缘卷积层进行边缘卷积初步提取船舶尺寸特征；接着，通过多层注意力机制对船舶尺寸特征图赋予不同的权重；最后，再把多层注意力机制提取到的船舶尺寸特征进行拼接，得到不同层次的船舶尺寸特征矩阵；
在船舶尺寸特征融合网络中，首先，对输入的船舶尺寸特征矩阵再次依次进行球查询与边缘卷积操作，然后，通过若干个卷积层改变船舶尺寸特征矩阵的形状，接着，通过softmax操作得到点云的下采样选择矩阵，最后，将下采样选择矩阵与原始点云即输入的预处理过后的船舶点云数据做点积操作，获得下采样的点云。
步骤S4中，在将船舶点云单独分割出来进行下一步处理之前，需要对处理好的数据进行点云精简，点云精简采用PCL点云库中的VoxelGrid类对点云数据进行体素化下采样；其基本原理是根据点云数据在三维坐标轴上的最值创建三维体素网格，然后设置需要拆分的小立方网格的边长，将三维体素网格均匀划分为边长为voxel1的小网格，将点云数据放入对应的网格中，并删除不包含数据点的小网格；对于包含数据点的网格，用数据重心点代替网格中所有的点，然后删除其余的数据点，以达到下采样的效果；经过点云配准后，桥塔A节段的点云数据为5931270，voxel1设置为0.005m，通过体素化下采样后点云量为1540407，精简后点云精简率为74％，较好地保留了点云细节特征，且大大降低了点云数据总量。
步骤S4中，采用Cyclone软件中基于标靶配准方法对点云进行配准，相邻两站配准最大误差为1.2mm，构件整体配准误差为0.3mm，配准精度较高，满足精度要求。
步骤S1中，采集数据时在船闸河道一侧部署激光雷达，实时获取河道的三维点云，并对点云进行滤波及下采样等预处理。
步骤S1中，基于点云数据切片的船舶尺寸估计算法通过不同维度的点云数据切片，结合边缘检测算法，获取船舶的长、宽、高等尺寸信息。
本发明中，激光雷达可以以非常高的精度获取船舶表面的三维点云数据，从而实现对船舶尺寸的准确测量。相比传统的测量方法，激光雷达技术能够提供更精确的尺寸数据，减少测量误差。本发明实现了非接触式测量：激光雷达技术可以在不接触船舶表面的情况下进行测量，无需物理接触或浸入水中，避免了传统测量方法可能引起的表面损伤或测量干扰。
本发明中，激光雷达可以快速扫描整个船舶表面，获取全局的点云数据。这使得可以一次性获取船舶的完整形状和尺寸信息，避免了传统方法需要多次测量和拼接的问题，提高了测量效率。同时激光雷达技术可以实现较大范围的测量，包括船体的外形和结构。无论是船体的平面尺寸还是复杂的曲线和曲面，激光雷达都能够提供全面的测量数据。
本发明中，激光雷达测量可以在较短的时间内完成，并且可以实时获取点云数据。这对于需要快速测量或实时监测船舶尺寸变化的应用场景非常有益。
本发明中，数据可视化和分析：激光雷达生成的三维点云数据可以通过可视化和分析工具进行处理和分析。这使得可以对点云数据进行可视化展示、形状拟合、曲线提取、体积计算等操作，从而更好地理解和利用测量结果。
本发明中，通过结合KD-tree和DBSCAN，可以在计算密度和寻找邻域时减少计算量，加速船舶点云聚类的过程，并提高了算法的效率和可扩展性。基于点云数据切片的船舶尺寸估计算法通过不同维度的点云数据切片，结合边缘检测算法，获取船舶的长、宽、高等尺寸信息。这种方法将三维点云与图像边缘检测结合，提高了船舶尺寸估计的效率与精确度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述包括以下步骤：
S1：先进行基于KD-tree加速的DBSCAN船舶的点云聚类分析数据预处理；
S2：通过结合KD-tree和DBSCAN，可以在计算密度和寻找邻域时减少计算量；KD-tree的构建和范围查询操作可以高效地处理多维数据，而DBSCAN算法可以利用密度可达性来聚类点云数据；这种组合可以加速船舶点云聚类的过程，并提高算法的效率和可扩展性；最终得到船舶点云的聚类结果；
S3：得到船舶点云的聚类结果之后，然后进行基于点云数据切片的船舶尺寸估计；
S4：先进行点云预处理：对点云数据进行去噪、滤波和下采样预处理操作，以减少噪声和冗余点；通过基于KD-tree加速的DBSCAN船舶点云聚类算法，将船舶点云单独分割出来进行下一步处理；
S5：进行水平切面提取：选择多个平行于水平面的切面；在点云数据中仅保留该切面上的点；
S6：进行垂直切面提取：选择多个垂直于水平切面，且与河岸平行的垂直切面平面；在点云数据中仅保留该切面上的点；
S7：进行轮廓提取：对于水平切面及垂直切面上的点云数据，使用边缘检测算法来提取船舶主体的轮廓，得到船舶在水平切面上的大致形状；
S8：进行轮廓分析：根据船舶主体的轮廓，在水平切面上进行分析，计算最小外接椭圆，以估计船舶的长度和宽度；在垂直切面上进行分析，计算最小外接矩形，以估计船舶的高度；
S9：进行融合和平滑：对于多个切片估计的尺寸结果，可对其进行融合和平滑处理，以得到更一致和准确的船舶尺寸估计结果。
2.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S1中，进行点云聚类分析的具体步骤如下：
S11.构建KD-tree：将船舶点云数据构建成KD-tree的数据结构；KD-tree可以将多维数据空间划分为一系列的超矩形区域，以便后续的查询和聚类操作；
S12.密度计算：对于每个点p，使用KD-tree来快速找到其ε－邻域内的点集合；ε－邻域是指距离点p不超过ε的点的集合；这可以通过在KD-tree上进行范围查询来实现；
S13.核心点标记：对于每个点p，根据其ε－邻域内点的数量来判断是否为核心点；如果p的ε－邻域内的点数超过给定阈值(通常称为最小点数)，则将p标记为核心点；
S14.密度连通性：对于每个核心点，找到其密度可达的点，即在ε－邻域内的点集合；这可以通过递归地在KD-tree上进行范围查询来实现；
S15.聚类形成：将船舶点云密度可达的点集合合并成聚类；每个聚类包含一个或多个核心点以及与核心点密度可达的非核心点；最终得到船舶点云的聚类结果。
3.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S4中，进行点云数据进行去噪的方法为：首先利用条件滤波在点云数据X、Y、Z坐标轴上设置阈值，建立空间包围盒，大致分割出目标构件点云，去除大部分无关点；然后通过统计滤波算法，基于邻域范围内标准差对一些远离主体点云的离群点进行去除，使目标构件点云与噪声团界限更加清晰，便于后续聚类。
4.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S4中，进行点云数据进行去噪的过程中：对点云数据进行欧式距离聚类，对远离主体点云的点云噪声团基于欧式距离进行聚类，最大聚类结果就是目标构件点云，通过只提取出最大聚类结果，达到去除噪声团的效果，简单高效地去除噪声点和无关点。
5.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：步骤S4中，进行点云数据进行去噪的方法为：获取激光扫描设备针对船舶采集的初始船舶点云数据以及激光扫描设备的移动轨迹；移动轨迹包括：初始船舶点云数据中各个点云的轨迹平移量和旋转向量；根据初始船舶点云数据和移动轨迹，将初始船舶点云数据中各个点云从激光扫描设备的设备坐标系转换到激光扫描设备中的激光雷达的激光坐标系下，得到转换后船舶点云数据；根据转换后船舶点云数据的坐标，对转换后船舶点云数据进行分类，得到至少两类的船舶点云数据；根据至少两类的滤波算法，分别对两类的船舶点云数据进行滤波，得到至少两类的滤波后船舶点云数据；对至少两类的滤波后船舶点云数据进行合并，生成预设场景的目标船舶点云数据。
6.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：步骤S4中，点云下采样模型包括特征提取网络、特征融合网络；特征提取网络包括依次连接的第一球查询层、第一边缘卷积层及多层注意力机制；
船舶尺寸特征融合网络包括依次连接的第二球查询层、第二边缘卷积层、若干个卷积层及softmax层；
在船舶尺寸特征提取网络中，对于输入的预处理过后的船舶点云数据，首先，通过球查询提取每个点的近邻以及若干层边缘卷积操作，提取并聚合点云的邻域船舶尺寸特征；然后，通过第一边缘卷积层进行边缘卷积初步提取船舶尺寸特征；接着，通过多层注意力机制对船舶尺寸特征图赋予不同的权重；最后，再把多层注意力机制提取到的船舶尺寸特征进行拼接，得到不同层次的船舶尺寸特征矩阵；
在船舶尺寸特征融合网络中，首先，对输入的船舶尺寸特征矩阵再次依次进行球查询与边缘卷积操作，然后，通过若干个卷积层改变船舶尺寸特征矩阵的形状，接着，通过softmax操作得到点云的下采样选择矩阵，最后，将下采样选择矩阵与原始点云即输入的预处理过后的船舶点云数据做点积操作，获得下采样的点云。
7.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S4中，在将船舶点云单独分割出来进行下一步处理之前，需要对处理好的数据进行点云精简，点云精简采用PCL点云库中的VoxelGrid类对点云数据进行体素化下采样；其基本原理是根据点云数据在三维坐标轴上的最值创建三维体素网格，然后设置需要拆分的小立方网格的边长，将三维体素网格均匀划分为边长为voxel1的小网格，将点云数据放入对应的网格中，并删除不包含数据点的小网格；对于包含数据点的网格，用数据重心点代替网格中所有的点，然后删除其余的数据点，以达到下采样的效果；经过点云配准后，桥塔A节段的点云数据为5931270，voxel1设置为0.005m，通过体素化下采样后点云量为1540407。
8.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S4中，采用Cyclone软件中基于标靶配准方法对点云进行配准，相邻两站配准最大误差为1.2mm，构件整体配准误差为0.3mm。
9.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S1中，采集数据时在船闸河道一侧部署激光雷达，实时获取河道的三维点云，并对点云进行滤波及下采样预处理。
10.如权利要求1所述的基于激光雷达三维点云算法的船舶尺寸测量方法，其特征在于：所述步骤S1中，基于点云数据切片的船舶尺寸估计算法通过不同维度的点云数据切片，结合边缘检测算法，获取船舶的长、宽、高尺寸信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110723.0A CN117706577A (zh) | 2024-01-25 | 2024-01-25 | 基于激光雷达三维点云算法的船舶尺寸测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110723.0A CN117706577A (zh) | 2024-01-25 | 2024-01-25 | 基于激光雷达三维点云算法的船舶尺寸测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117706577A true CN117706577A (zh) | 2024-03-15 |
Family
ID=90148190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410110723.0A Pending CN117706577A (zh) | 2024-01-25 | 2024-01-25 | 基于激光雷达三维点云算法的船舶尺寸测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706577A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134989A (zh) * | 2024-04-30 | 2024-06-04 | 宁波朗达科技有限公司 | 一种基于云台自动追踪的广海域远距离船舶高度检测方法 |
-
2024
- 2024-01-25 CN CN202410110723.0A patent/CN117706577A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134989A (zh) * | 2024-04-30 | 2024-06-04 | 宁波朗达科技有限公司 | 一种基于云台自动追踪的广海域远距离船舶高度检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
| Zhu et al. | Facade reconstruction using multiview spaceborne TomoSAR point clouds | |
| Wang et al. | Modeling indoor spaces using decomposition and reconstruction of structural elements | |
| CN112347550B (zh) | 耦合式室内三维语义建图及建模方法 | |
| Melzer et al. | Extraction and modeling of power lines from ALS point clouds | |
| CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
| CN110663060B (zh) | 一种用于表示环境元素的方法、装置、系统、以及车辆/机器人 | |
| JP6935847B2 (ja) | 合成開口レーダ画像解析システム、合成開口レーダ画像解析方法および合成開口レーダ画像解析プログラム | |
| Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| CN113066162A (zh) | 一种用于电磁计算的城市环境快速建模方法 | |
| CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
| Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
| CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN117706577A (zh) | 基于激光雷达三维点云算法的船舶尺寸测量方法 | |
| CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 | |
| CN112712062A (zh) | 基于解耦截断物体的单目三维物体检测方法和装置 | |
| Hebel et al. | Pre-classification of points and segmentation of urban objects by scan line analysis of airborne LiDAR data | |
| CN117437147A (zh) | 一种浅水域单光子点云的去噪方法 | |
| CN115272897A (zh) | 一种无人机测量悬索桥主缆线形的方法及系统 | |
| Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
| Tiwari et al. | Damage Detection and Virtual Reconstruction of Built Heritage: An Approach Using High-Resolution Range and Intensity Data | |
| Dierenbach et al. | Next-Best-View method based on consecutive evaluation of topological relations | |
| Griffioen | A voxel-based methodology to detect (clustered) outliers in aerial lidar point clouds |
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 |