一种车载LiDAR测量系统检校初值的获取方法及装置与流程

本发明涉及测量
技术领域：
，涉及一种车载lidar测量系统检校初值的获取方法及装置，特别涉及一种利用近景摄影测量技术获取车载lidar测量系统检校初值的方法及装置。
背景技术：
：车载激光雷达测量系统能快速精确的对道路路况做出监测，对移动测量的发展具有重要意义。随着车载lidar测量系统技术的成熟，其普及率也越来越高。为了确保车载lidar测量系统的准确性，需要定期对系统进行检校，即：要检校车载激光雷达测量系统各仪器间的位置关系。传统检校车载lidar测量系统的方法是使用全站仪进行测量；用全站仪测量得到的数据均匀、完整、具有很好的立体性。然而，全站仪的价格较为昂贵，且其扫描得到的数据具有缺少纹理信息、分辨率低等缺点。技术实现要素：鉴于上述问题，本发明提出了一种车载lidar测量系统检校初值的获取方法，利用近景摄影测量技术获取车载lidar测量系统检校初值，本方法简单易行，不单丰富了数据的纹理信息、提高了数据分辨率，而且还降低了作业成本。第一方面，本发明提供一种克服上述问题或者至少部分地解决上述问题的一种车载lidar测量系统检校初值的获取方法，包括：s11、利用近景摄影测量方式采集待检校车载lidar测量系统的二维图像；s12、对所述二维图像进行配准重建，生成相应的三维点云模型；s13、将所述三维点云模型进行拟合，获取所述检校车载lidar测量系统中各仪器间的位置数据。在一个实施例中，在将所述三维点云模型进行拟合前，所述方法还包括：将全站仪测量所述检校车载lidar测量系统的数据与所述三维点云模型数据进行比较；确定所述三维点云模型数据的精度小于全站仪的测量精度。在一个实施例中，对所述二维图像进行配准重建，生成相应的三维点云模型，包括：根据sfm重建算法将所述二维图像进行配准重建得到相应的三维点云模型。在一个实施例中，将所述三维点云模型进行拟合，包括：s101、选取种子点，并将其拟合为平面；所述种子点形状为方形；s102、扩展所述种子点，确定相关合格点参数以及距离阈值参数；s103、计算扩展点与平面p之间距离dis；s104、当所述距离dis小于预设阈值时，确定所述扩展点在平面上；s105、将确定的扩展点加入种子点，重新执行上述步骤s101～s105。第二方面，本发明还提供一种车载lidar测量系统检校初值的获取装置，包括：采集模块，用于利用近景摄影测量方式采集待检校车载lidar测量系统的二维图像；生成模块，用于对所述二维图像进行配准重建，生成相应的三维点云模型；拟合获取模块，用于将所述三维点云模型进行拟合，获取所述检校车载lidar测量系统中各仪器间的位置数据。在一个实施例中，所述装置还包括：比较确定模块，用于在将所述三维点云模型进行拟合前，将全站仪测量所述检校车载lidar测量系统的数据与所述三维点云模型数据进行比较；确定所述三维点云模型数据的精度小于全站仪的测量精度。本发明实施例提供的上述技术方案的有益效果至少包括：本发明实施例提供的一种车载lidar测量系统检校初值的获取方法，包括利用近景摄影测量方式采集待检校车载lidar测量系统的二维图像；对所述二维图像进行配准重建，生成相应的三维点云模型；将所述三维点云模型进行拟合，获取所述检校车载lidar测量系统中各仪器间的位置数据。该方法通过利用近景摄影测量技术获取测量系统的二维图像，使用三维重建将其拟合为点云模型，然后计算得出测量系统的空间属性。该方法简单易行，不单提高了数据精度，丰富了数据的纹理信息，还降低了作业成本，能够为车载lidar测量系统的检校提供良好的技术支撑。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1为本发明实施例提供的车载lidar测量系统检校初值的获取方法流程图；图2为本发明实施例提供的激光雷达测量系统的整体示意图；图3为本发明实施例提供的操作结果二维影像截图；图4为本发明实施例提供的点云数据截图；图5为本发明实施例提供的控制点点位中误差示意图；图6为本发明实施例提供的检核点点位中误差示意图；图7为本发明实施例提供的车载激光雷达测量系统的点云模型正面示意图；图8为本发明实施例提供的车载激光雷达测量系统的点云模型侧面示意图；图9为本发明实施例提供的三维点云模型进行拟合流程图；图10为本发明实施例提供的载lidar测量系统检校初值的获取装置框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本发明实施例提供的一种车载lidar测量系统检校初值的获取方法，参照图1所示，包括：s11、利用近景摄影测量方式采集待检校车载lidar测量系统的二维图像；s12、对所述二维图像进行配准重建，生成相应的三维点云模型；s13、将所述三维点云模型进行拟合，获取所述检校车载lidar测量系统中各仪器间的位置数据。车载lidar测量系统，也可称为车载激光雷达测量系统，主要由激光扫描仪、pos系统(包括gps和imu组成)、测速计等组成。其中激光扫描仪主要采用二维激光扫描仪，获取360度内扫描到物体的坐标点，通过车辆前进获取车辆行驶路线两侧的三维数据。从测量的原理来说，车载lidar主要采用测角(根据设置参数，扫描仪匀速扫描可以得到每个脉冲在扫描仪坐标系下的角度)和测距(根据激光脉冲发射返回时间差计算扫描中心到被测点的距离)，通过角度和距离来求得扫描仪坐标系下坐标点；通过实时pos数据经过坐标转换即可得到测区内物体wgs84坐标下的坐标点，因为作业效率非常高，得到的数据即称为点云数据。目前根据工程实践经验，车载lidar在测量条件良好的情况下，测量精度高程5cm左右，平面10cm左右，测量距离可以达到道路两旁300m。为了确保车载lidar测量系统的准确性，需要定期对系统进行检校，即：要检校车载激光雷达测量系统各仪器间的位置关系。本实施例中，使用近景摄影测量技术，来获取车载lidar测量系统的检校初值。首先使用相机获取目标对象的二维影像图片，对获取的二维影像图片进行配准重建得到目标对象的三维点云模型，将重建出的三维点云模型进行拟合，即可运算得到各仪器间的位置关系。首先使用相机获取车载lidar测量系统的二维图像，对获取的二维图像进行配准重建得到车载lidar测量系统的三维点云模型，将重建出的三维点云模型进行拟合，即可运算得到各仪器间的位置关系。本方法简单易行，不单丰富了数据的纹理信息、提高了数据分辨率，而且还降低了作业成本。在一个实施例中，通过sfm算法重建三维模型：通过近景摄影测量的方法获取车载激光雷达测量系统各仪器间的位置关系，关键在于如何利用高分辨率、高重叠度的二维影像图片进行三维点云配准。sfm重建算法是从二维影像图片中恢复三维模型的有效方法。sfm算法可以凭借二维影像图片通过迭代的算法来得到目标对象的三维点云信息。其具体过程如下：本质矩阵的得到：e＝ktfk(1)由本质出发将e向奇异值分解：e＝udvt，其中由于存在各种误差，故：重新得到本质矩阵：获得相机的外参数候选值r,t:其中由公式(1)-(6)重建空间点的三维坐标，即生成点云数据:x＝0(7)。sfm算法具有成本较低，操作简单，能获得高密度真彩色的渲染点云数据，且此算法对于影像的获取位置、尺度以及拍摄的焦距没有要求，可十分方便的得到高质量、高精度的三维点云数据。在一个实施例中，为了验证利用近景摄影测量技术获取车载lidar测量系统检校初值的误差小于全站仪的测量数据的误差，根据近景摄影测量技术获取的数据，将其生成的点云数据与全站仪测量得到的数据相比较。在车载激光雷达测量系统的周围布置大量反射片，比如使用高精度全站仪扫描反射片，获取反射片中心点的坐标。激光雷达测量系统的整体图如图2所示。测定完全部反射片中心点坐标后，将其数据导出并整理。比如使用高分辨率相机来获取车载激光雷达测量系统的二维影像图片。试验中，将相机放置在以车载激光雷达测量系统作为圆心、半径为2米的半圆周上进行拍摄。拍摄高度分三次调整，分别对应车载激光雷达测量系统的底部、中部、顶部。拍摄得到的二维影像图片须具有高分辨率、高重叠度，才能进行通过配准实现三维重建。在得到车载激光雷达测量系统的二维影像图片后，需要将其导入摄影测量解算软件进行处理。具体操作流程为：在“工作流程”列表中，选择“添加照片”，并选中所有得到的二维影像图片。将图片导入后，同样在“工作流程”列表中，点击“对齐照片”选项。在页面左下角“地面控制”选项下，导入csv格式的全站仪数据，此时在页面左边会得到成排的“标记”；然后在导入的二维影像图片上，选中能被清楚地观察到的反射片中心点，放置该点对应的坐标标记。操作结果如图3所示。对所有二维影像图片均执行此操作后，再次对齐照片，并依次进行“建立密集点云”、“生成网格”和“生成纹理”操作，即得到配准后的三维点云数据。为了检验得到的车载激光雷达测量系统的三维点云数据，要进一步处理点云数据。点选出反射片中心点，这里可根据显示的中心点坐标来确认；选择全部的反射片中心点后，将其导出。操作结果如图4所示。将全部的点分为两类：控制点和检核点。控制点为提前输入全站仪坐标来验证点云模型准确性的点，检核点为纯通过近景摄影测量方式得到的点。表1控制点表表1是通过两种方法测量得到的控制点坐标。x、y、z为通过全站仪测量得到的中心点三维坐标，命名为全站仪坐标；x、y、z为通过近景摄影测量方式处理得到的中心点三维点云坐标，命名为摄影测量坐标。要检验摄影测量坐标的精确度，需要把它与全站仪坐标相比较。将全站仪坐标作为真值，摄影测量坐标作为观测值，计算差值。首先计算每个控制点的点位中误差。公式如下：点位中误差计算结果如图5。得到点位中误差，我们就能计算全部控制点坐标的标准差。计算标准差的公式如下：计算可得，控制点摄影测量坐标的标准差为0.7mm。表2检核点表表2是通过两种方法测量得到的检核点坐标。同理根据上述公式计算检核点的点位中误差以及标准差。检核点点位中误差结果如图6所示，检核点标准差为0.9mm。查询可得，zt-15r全站仪无棱镜精度为3mm，大于摄影测量坐标的标准差，这证明了摄影测量坐标的精确性。要得到车载激光雷达测量系统各仪器间的位置关系，需要对三维点云数据进行拟合处理。车载激光雷达测量系统的点云模型如图7-8所示。本实施例中，证明近景摄影测量方法的精确性，将近景摄影测量方法得到的坐标数据与全站仪相比较。将全站仪测量得到的坐标数据视为真值，近景摄影测量的坐标数据视为观测值，来计算点位中误差以及标准差。经过检验，使用近景摄影测量方法获取的坐标数据的标准差在0.7mm以内，小于全站仪的精度。这表明使用近景摄影测量方法获取的车载激光雷达测量系统的三维点云模型是精确的、有效的。在一个实施例中，要从复杂散乱的点云数据中，将仪器轮廓进行拟合处理，是一件非常繁重且耗时的任务，本实施例中采用基于ransac改进的算法进行平面特征提取。将所述三维点云模型进行拟合，包括：s101、选取种子点，并将其拟合为平面；所述种子点形状为方形；s102、扩展所述种子点，确定相关合格点参数以及距离阈值参数；s103、计算扩展点与平面p之间距离dis；s104、当所述距离dis小于预设阈值时，确定所述扩展点在平面上；s105、将确定的扩展点加入种子点，重新执行上述步骤s101～s105。球面特征提取首先选取种子点，种子点形状为方形，并将其拟合为平面，然后扩展种子点；确定相关合格点参数以及距离阈值参数，计算种子点与平面p之间距离dis，然后比较距离dis与阈值大小关系，判定dis小于阈值的扩展点在平面上，判定距离dis小于阈值的点在平面上，反之则为平面外的点。将判定成功的扩展点加入种子点，重新执行上述步骤，具体流程如图9所示。其中：阈值与点云精度有关，一般取2毫米。将拟合出的立方体的各个平面拼接在一起，计算其顶点坐标，再通过距离公式运算，即可计算出立方体中心点坐标。如表3所示。表3仪器中心点坐标点号xyza0.1877.0262.612b0.1997.0132.050c0.1816.9141.651参照图8所示，其中a为gps天线，b为惯性导航系统，c为三维激光扫描仪。得出结果，ab两点距离s1＝0.562，bc两点距离s2＝0.411，ca两点距离s3＝0.968。即完成车载激光雷达测量系统检校初值的计算。本发明提供的车载lidar测量系统检校初值的获取方法，通过近景摄影测量的技术获取测量系统的二维图像，使用sfm算法三维重建将其拟合为点云模型；然后计算得出测量系统的空间属性，即获得了检校车载lidar测量系统中各仪器间的位置数据。通过比较两种方法测量空间固定坐标的差值大小对利用二维影像图片进行三维重建的方法进行了有效的验证。可知使用近景摄影测量的方式测量易获取高分辨率、高重叠度二维影像图片的目标对象是有效的，可在未来测量事业中推广使用。基于同一发明构思，本发明实施例还提供了一种车载lidar测量系统检校初值的获取装置，由于该装置所解决问题的原理与一种车载lidar测量系统检校初值的获取方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。第二方面，本发明还提供一种车载lidar测量系统检校初值的获取装置，参照图10所示，包括：采集模块21，用于利用近景摄影测量方式采集待检校车载lidar测量系统的二维图像；生成模块22，用于对所述二维图像进行配准重建，生成相应的三维点云模型；拟合获取模块23，用于将所述三维点云模型进行拟合，获取所述检校车载lidar测量系统中各仪器间的位置数据。在一个实施例中，所述装置还包括：比较确定模块24，用于在将所述三维点云模型进行拟合前，将全站仪测量所述检校车载lidar测量系统的数据与所述三维点云模型数据进行比较；确定所述三维点云模型数据的精度小于全站仪的测量精度。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12