一、技术领域
本发明涉及城市部件测量领域，特别是一种城市部件自动化测量方法。
二、技术背景
数字化城市管理实现了城市管理从粗放、随意向规范、精确和科学管理的转变。作为数字化城市管理必备的基础数据，城市部件如供水、供电、供热、交通路灯、路牌以及消防设施等需要进行精细调查与量测，并进行编码管理。作为传统的城市部件调查与测量方法，主要是采用人工外业、地形图数字化以及激光雷达点云人工拾取等方式建立城市部件数据库。这种城市部件数据库建立方式主要存在如下问题：
①采用人工测量的方式需要投入大量的人力资源，工作效率低下，工作量大，测量与调查的周期长，成本投入高。
②城市现有大比例尺地形图要素更新周期长，数据更新存在滞后于现状建设，采用地形图数字化时数据仍然需要现场进行补查与修测，需要投入较大的人力。
③人工拾取激光点云数据采集城市部件时，生产效率与周期长，人工判读特别是测量城市部件时对于位置测量主观随意性较大，精度无法保证。
④后期城市部件数据的更新与维护需要按照格网划分投入专业人员进行维护与跟踪，但是每个作业人员的所管理维护的片区小，整个城市需要安排的运营人员过于庞大。
因此，如何建立快速的城市部件精确测量与快速更新方法，是提高数字化城市运营与维护管理极待解决的问题。
三、发明的内容
为了提高城市部件数字化管理与维护的效率，本发明的目的是以车载激光雷达测量技术为基础，建立城市部件高效率测量的一种自动化方法，提高城市部件测量与数据维护的效率。
本发明的目的是这样实现的：采用全自动化计算方法，对车载激光雷达测量系统所获取的三维激光点云数据进行分类、城市部件位置、高度测量，从而建立 城市部件数据更新与维护自动化系统，该方法包括如下步骤：
数据获取：获取道路两侧的高密集度的点云、近景影像数据；
点云滤波处理：进行激光点云滤波处理，将城市部件点云数据与地面、建筑物、树木等其它物体的点云进行分离；
同一物体的点云归类：通过模糊聚类算法进行点云分类，将属于同一个物体的点云进行归类；
建立物体中心几何点：将归类成一个物体的点云数据，通过规则几何形状模拟优化计算出在平面的几何中心位置，该位置作为物体的中心几何点。
一种城市部件自动化测量方法，其中，所述点云数据模糊聚类算法如下：使用模糊聚类算法对点云进行分类，应用数学模型目标函数进行聚类计算，根据聚类准则计算最小J(U，V)，将点云数据按地物的归属进行分类。
一种城市部件自动化测量方法，其中，所述几何形状拟合优化计算方法如下：每个地物进行分类采用圆形、矩形、椭圆形、等边三角形等二维方程f(x，y)＝0的方法，对于空间点单个地物地面零点以上一定高度以内的所有离散点(确保点云数在20个以上)进行模拟，计算其所有点模拟的最小误差值数学模型②δ＝∑δi＝∑f(xi，yi)，式中(xi，yi)为每一个激光点在平面上的投影坐标的点位值；取求得最小点位误差值δi作的方程作为拟合图形，并计算该图形方程的中心点位置，作为该地物测量的实际点位值。
这种城市部件化测量方式具有如下优点：
①外业工作量少，生产效率提高。通过车载激光扫描的方式可以将外业测图环境转变为内业生产环境，大大降低了减少了人员投入，降低了劳动强度，同时也提高了生产效率。
②精度高，城市部件自动化提取与位置测量，减少了人为操作的误差，可以提高点位测量的精度，保障了数据的质量。
③更新快速，可以提高数字化城市管理后期运营维护的人员投入和成本。
四、附图说明
图1为本发明实施例中提供的一种城市部件自动化测量方法的流程示意图
五、具体实施方式
图1为本实施例提供的一种城市部件自动化测量方法的流程示意图，如图1所示，该方法如下步骤：
数据获取：获取道路两侧的高密集度的点云、近景影像数据；
点云滤波处理：进行激光点云滤波处理，将城市部件点云数据与地面、建筑物、树木等其它物体的点云进行分离；
同一物体的点云归类：通过模糊聚类算法进行点云分类，将属于同一个物体的点云进行归类；
建立物体中心几何点：将归类成一个物体的点云数据，通过规则几何形状模拟优化计算出在平面的几何中心位置，该位置作为物体的中心几何点。
具体实施例中，所述点云数据模糊聚类算法如下：使用模糊聚类算法对点云进行分类，应用数学模型目标函数进行聚类计算，根据聚类准则计算最小J(U，V)，将点云数据按地物的归属进行分类。
具体实施例中，所述几何形状拟合优化计算方法如下：每个地物进行分类采用圆形、矩形、椭圆形、等边三角形等二维方程f(x，y)＝0的方法，对于空间点单个地物地面零点以上一定高度以内的所有离散点(确保点云数在20个以上)进行模拟，计算其所有点模拟的最小误差值数学模型②δ＝∑δi＝∑f(xi，yi)，式中(xi，yi)为每一个激光点在平面上的投影坐标的点位值；取求得最小点位误差值δi作的方程作为拟合图形，并计算该图形方程的中心点位置，作为该地物测量的实际点位值。
下面以一个具体实施案例进行说明：
采用车载平台，集激光雷达设备、数码相机、差分GPS和陀螺仪平台于一体，利用激光扫描和数字摄影技术，获取道路两侧的高密集度的点云、近景影像数据；通过计算机点云处理工具进行激光点云滤波处理，将城市部件点云数据与地面、建筑物、树木等其它物体的点云进行分离；对于分离出来的城市部件点云影像数据，通过模糊聚类算法进行点云分类，将属于同一个物体的点云归到同一类中；将归类成一个物体的点云数据，通过规则几何形状模拟优化计算出在平面的几何中心位置，该位置作为物体的中心几何点。
通过安置在车载平台上的激光雷达扫描仪，在道路行进过程中获取两侧的高密集度和高精度的激光影像点云和影像数据，通过差分解算和坐标系统转换获得高精度绝对坐标的点位数据。
采用激光点云数据处理工具，通过使用激光点云平面拟合的过滤算法，将地面与其它物体的点云进行分离；然后根据特征算法，将建筑物、树木的点云与城市部件的点云进行分离，剩余的点云数据就是城市部件的点云影像数据。
使用模糊聚类算法对点云进行分类，应用数学模型①目标函数进行聚类计算，根据聚类准则计算最小J(U，V)，将点云数据按地物的归属进行分类。
每个地物进行分类采用圆形、矩形、椭圆形、等边三角形等二维方程f(x，y)＝0的方法，对于空间点单个地物地面零点以上一定高度以内的所有离散点(确保点云数在20个以上)进行模拟，计算其所有点模拟的最小误差值数学模型②δ＝∑δi＝∑f(xi，yi)，式中(xi，yi)为每一个激光点在平面上的投影坐标的点位值。取求得最小点位误差值δi的方程作为拟合图形，并计算该图形方程的中心点位置，作为该地物测量的实际点位值。
取得每个地物的最高点位P0和最低点位P1，P0为该地物所有点的Z值最大者，P1为该地物所有点位的Z值最小者，通过数学模型③H＝Zmax-Zmin求得该地物的高度，作为该部件的高度属性值。
根据同区域的影像数据进行人工判读，判断每一个地物类别归属，并写入数据库。