基于人工智能的无人机测绘点云数据偏移校正方法与系统与流程

本发明涉及无人机测绘、人工智能技术领域，具体涉及一种基于人工智能的无人机测绘点云数据偏移校正方法与系统。

背景技术：

现有技术中关于点云校正的研究多集中在畸变补偿校正、测量误差校正、系统误差校正，对承载雷达设备的车辆或飞行器的运动参数对点云精度影响的研究较少，而承载设备运动参数也影响着点云精度。无人机激光雷达测绘中，无人机的运动不仅会导致点云畸变，而且会导致点的三维坐标与实际空间三维坐标不符，无人机飞行过快或过慢都会导致点云空间坐标的误差。无人机飞行导致的点云空间坐标误差，即点云偏移，这种偏移在无人机速度发生变化时表现尤甚。因此，需要对无人机测绘点云数据的坐标偏移进行校正。

技术实现要素：

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于人工智能的无人机测绘点云数据偏移校正方法。

一种基于人工智能的无人机测绘点云数据偏移校正方法，该方法包括：

根据无人机测绘点云数据中的建筑点云边缘以及测绘边缘确定校正子区域及其精准测绘方向；

根据校正子区域的精准测绘方向拟合点云行直线，根据无人机飞行速度对点云行直线进行偏移校正。

进一步地，所述根据无人机测绘点云数据中的建筑点云边缘以及测绘边缘确定校正子区域及其精准测绘方向包括：

对点云数据的测绘边缘进行直线拟合，得到测绘边缘线段集合；

利用一侧测绘边缘线段划分测绘子区域，得到第一测绘子区域；利用另一侧测绘边缘线段划分测绘子区域，得到第二测绘子区域；

分别针对第一测绘子区域、第二测绘子区域执行以下操作：若测绘子区域内建筑点云的建筑边缘线段两两平行，则提取与精准建筑点云最小外接矩形重合的建筑边缘线段；若提取的建筑边缘线段延长线与相应的测绘边缘线段延长线的夹角符合预设条件，则将测绘子区域作为备选校正子区域；

确定备选校正子区域面积较大者为校正子区域，并将生成校正子区域的一侧测绘边缘线段所在方向作为精准测绘方向。

进一步地，所述划分测绘子区域包括：沿无人机粗糙测绘方向，利用测绘边缘线段端点向测绘区域内作垂线段，垂线段长度为无人机的测绘宽度，垂线段以及两侧测绘边缘线段组成的闭合区域即测绘子区域。

进一步地，所述预设条件为：夹角位于[90°-a,90°+a]或[-a,a]，a为角度常数。

进一步地，所述方法还包括：根据无人机测绘点云数据中树木点云的中心点分布，确定匀速树木点云组；若校正子区域包含任一匀速树木点云组，则根据匀速树木点云组从校正子区域内划分出匀速测绘区域，匀速测绘区域内所有点的偏移校正值相同。

进一步地，所述根据匀速树木点云组从校正子区域内划分出匀速测绘区域包括：过匀速树木点云组中位于两端的树木点云的中心点做与校正子区域精准测绘方向垂直的直线，两条直线与测绘边缘线段所围成区域为匀速测绘区域。

进一步地，所述根据无人机测绘点云数据中树木点云的中心点分布，确定匀速树木点云组包括：获取无人机测绘点云数据中树木点云最小外接矩形的中心点，将中心点分布均匀的树木点云组确定为匀速树木点云组。

进一步地，所述建筑点云的提取方法包括：对无人机测绘得到的点云高程数据进行阈值化分析，得到高程数据大于高程阈值的第一点云集合；对第一点云集合进行聚类得到若干个子集合，根据子集合内点的个数与高程数据离散程度筛选出粗糙建筑点云；据激光雷达数据的回波次数、回波强度离散程度，从粗糙建筑点云中筛选出精准建筑点云即为提取的建筑点云。

进一步地，树木点云的提取方法包括：根据子集合内点的个数与高程数据离散程度筛选出粗糙树木点云；据激光雷达数据的回波次数、回波强度离散程度，从粗糙树木点云中筛选出精准树木点云即为提取的树木点云。

一种基于人工智能的无人机测绘点云数据偏移校正系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。

本发明与现有技术相比，具有以下有益效果：

本发明利用聚类等人工智能分析技术对点云数据进行分析从而实现点云偏移的校正，结合建筑信息与测绘边缘信息得到精准测绘方向，提高了点云数据偏移校正精度。

附图说明

图1为本发明的方法流程图。

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，以下结合附图以及实施例，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。

本发明提供一种基于人工智能的无人机测绘点云数据偏移校正方法，基于建筑点云和树木点云进行偏移校正的验证与实现。图1为本发明的方法流程图。下面通过具体实施例来进行说明。

实施例1：

一种基于人工智能的无人机测绘点云数据偏移校正方法，包括：根据无人机测绘点云数据中的建筑点云边缘以及测绘边缘确定校正子区域及其精准测绘方向；根据校正子区域的精准测绘方向拟合点云行直线，根据无人机飞行速度对点云行直线进行偏移校正。

本实施例中无人机采用行扫方式进行测绘得到点云数据。首先从测绘所得点云数据中提取建筑点云。建筑点云的提取方法包括：对无人机测绘得到的点云高程数据进行阈值化分析，得到高程数据大于高程阈值的第一点云集合；对第一点云集合进行聚类得到若干个子集合，根据子集合内点的个数与高程数据离散程度筛选出粗糙建筑点云集合；据激光雷达数据的回波次数、回波强度离散程度对粗糙建筑点云集合进行筛选，筛选所得建筑点云集合即为提取的建筑点云。需要说明的是，本发明中建筑点云集合是指集合内包括多个建筑点云，一个建筑点云表征一个建筑；树木点云集合同理。

具体地，先对点云高程数据进行阈值化处理，获取第一点云集合。需要注意的是，由于不同地理位置下同一地形的高程数据可能存在较大差异，因此本发明基于扫描速度和飞行速度确定一定时间段内的点云数据作为处理对象，设处理对象为初始点云集合，本实施例中时间段设置为30min。该步骤仅对点云的高程数据进行处理，需要说明的是本发明所述高程数据通过tof测距原理计算获取。所述高程数据具体指点云三维坐标中的z坐标。优选地，取初始点云集合中所有点z坐标均值的0.25倍作为阈值，进行阈值化处理，其中z坐标数值低于阈值的点从初始点云集合中剔除，得到第一点云集合进行后续处理。需要说明的是，此处阈值可根据实际实施场景调节。该步骤能够带来的好处：根据先验信息，即建筑物、树木等地形的高程信息要高于其他地形，基于此进行第一点云集合的划分，有利于减小计算量。

然后，通过点云分析模型对第一点云集合进行分析，获取粗糙建筑点云集合。本步骤基于先验信息，即通常情况下所提取第一点云集合中对应的地形主要包括建筑地形和树木地形。点云分析模型具体为：首先基于聚类方法进行对第一点云集合的聚类，得到若干个第一点云子集合。对于每个第一点云子集合，计算集合内点的z坐标的均方差σ1(z)，采用均方差的目的为表示离散程度；取集合内点的z坐标最大值max(z)，统计在[max(z)-d1,max(z)]区间内的点个数n1。当σ1(z)≤m1且n1≥m2时，判断该第一点云子集合为粗糙建筑点云集合，点云分析模型采用两个参数的原因在于，采用均方差主要区分建筑与树林地形。而对于非楼房建筑，其屋顶结构并不满足平整条件，因此，m1应设置稍大以确保该类型建筑的点云集合被正确划分，优选地，在本实施例中设置为3。m1设置稍大会造成部分单独树木点云被划分为建筑点云，因此设置m2目的是将该类错误剔除，优选地，m2为100。设置d1的目的为防止建筑屋顶特殊结构造成误判，优选地，d1在本实施例中设置为1.5m。需要说明的是，上述所设参数实施者可根据实际情况适当调整。

进一步地，根据粗糙建筑点云的回波次数muln、回波强度方差σ2(ein)确定精准建筑点云，所得精准建筑点云集合即为提取出的建筑点云集合。优选地，当muln＝1且σ2(ein)≤m3时，确认点云集合类别为建筑类别，即确定为精准建筑点云集合。该步骤基于先验信息，即建筑物回波次数通常为1，而树木的回波次数通常大于1，且建筑物回波强度分布较为稳定，树木回波强度分布较为离散，优选地，在本实施例中回波强度采用8bit，取m3为6。

接着，根据无人机测绘点云数据中的建筑点云边缘以及测绘边缘确定校正子区域及其精准测绘方向。

进行偏移校正首先需要确定精准测绘方向，只有确定了精准测绘方向，才能确定点云应该沿哪个方向校正。在无人机测绘过程中，由于环境、地形等影响，导致点云数据不完整或精度降低，从而导致点云测绘边缘不可信。为了保证点云测绘边缘的可信度，本发明结合建筑点云对点云测绘边缘进行验证。

具体地，对点云数据的测绘边缘进行直线拟合，得到测绘边缘线段集合。直线拟合时，需要设置相应的内点数目，以平衡拟合得到的直线的精度、以及拟合得到的直线的数量。利用一侧测绘边缘线段划分测绘子区域，得到第一测绘子区域；利用另一侧测绘边缘线段划分测绘子区域，得到第二测绘子区域。划分测绘子区域的方式为：沿无人机粗糙测绘方向，利用测绘边缘线段端点向测绘区域内作垂线段，垂线段长度为无人机的测绘宽度，垂线段以及两侧测绘边缘线段组成的闭合区域即测绘子区域。

分别针对第一测绘子区域、第二测绘子区域执行以下操作：若测绘子区域内建筑点云的建筑边缘线段两两平行，则提取与精准建筑点云最小外接矩形重合的建筑边缘线段；若提取的建筑边缘线段延长线与相应的测绘边缘线段延长线的夹角符合预设条件，则将测绘子区域作为备选校正子区域；其中，所述预设条件为：夹角位于[90°-a,90°+a]或[-a,a]，a为角度常数。确定备选校正子区域面积较大者为校正子区域，并将生成校正子区域的一侧测绘边缘线段所在方向作为精准测绘方向。关于角度常数a，实施者可以根据无人机扫描参数进行调整。同时，为了提高精准测绘方向的判断精度，方便实施，在此给出一种优选地实施方式，角度常数a满足以下条件：其中，a0为角度初始值，b0为角度变量基准值，ρ0为平均扫描角间隔基准值，fov为视场角范围，f0为视场角基准值，ρ为平均扫描角间隔，a0、b0、f0、ρ0、α、β为常数参数，优选地，分别为3、3、55、8、1/3、2/3。上述角度常数条件基于视场角、平均扫描角间隔生成不同扫描参数下的角度阈值，提高了备选校正子区域的筛选精度以及精准测绘方向的精度，进一步提高了点云偏移校正的精度。

最后，根据校正子区域的精准测绘方向拟合点云行直线，根据相邻点云行直线之间的距离确定无人机飞行速度，根据无人机飞行速度对点云数据进行偏移校正。

获取各校正子区域的精准测绘方向后，首先需要根据精准测绘方向拟合点云行直线，将属于一行的点提取出来，然后根据校正子区域对应的偏移校正值对提取出的一行的点进行校正。针对特定校正子区域，在拟合点云行直线时，该校正子区域内点云行直线的方向为与精准测绘方向垂直的方向，通过ransac方法进行拟合。需要拟合的点云行直线条数与无人机扫描次数相同。

本发明中，基于无人机初始位置建立基准坐标系，无人机在飞行过程中通过投影变换将实时采集的点云变换至基准坐标系。在不考虑高程的影响下，无人机在匀速飞行模式下，点云坐标偏差基本一致，无人机速度发生变化时，点云坐标偏差会发生变化，因此，进行偏移校正还需要确定无人机飞行速度。一种实施方式是通过惯性测量单元以及差分gps提供无人机速度的变换情况。但是由于设备精度以及采样周期等影响，所得速度变化情况精度不高，另一种实施方式是直接基于点云数据属性分析无人机的速度变化情况。

对于一校正子区域内，获取其中某一点云行与其两邻近行之间的距离d1和d2，设采样间隔为t，则速度表征值

根据映射函数将速度表征值映射到实际飞行速度。实际飞行速度通过imu单元获取，需要说明的是，仅在函数拟合时才需要imu数据。速度映射关系可以通过映射表实现，具体通过统计速度表征值与实际飞行速度的数据对实现。速度映射关系也可以通过多组速度数据进行曲线拟合，采用最小二乘法，获取映射函数v′＝f(v)。需要说明的是，点云行间隔除了与飞行速度有关，还与飞行高度有关，本实施例中前述映射函数以及映射表中数据对均指代相同高度下的映射关系。

不同飞行速度对应不同的偏移校正值。根据飞行速度对应的偏移校正值对点云行直线内的点进行偏移校正。偏移校正值与速度的对应关系可以通过映射表实现，也可以通过映射函数实现。根据飞行速度、偏移校正值拟合函数l＝f(v′,z)，具体地，通过多组数据采用最小二乘法进行拟合，所得l即为偏移校正值。进一步地，无人机在飞行时，在飞行方向以及垂直于飞行方向上都可能产生偏移，因此，需分别拟合两个方向上的映射函数来得到相应的偏移校正值。此外，偏移校正值受探测物体高度影响，根据飞行速度、物体高程值以及偏移校正值拟合函数l＝f(v′,z)，同样通过多组数据采用最小二乘法进行拟合，z为高程值。获取到校正值，点云行直线中的点根据其校正值进行偏移校正。

对于未划分至校正子区域内的点，可获取其相邻两个校正子区域精准测绘方向与基准坐标系x轴方向的两个夹角，获取两个夹角的均值，设夹角均值对应的直线斜率为k1，获取以k2作为参考斜率进行两校正区域之间的点云行直线的拟合，进行速度表征值的计算。

实施例2：

本实施例提供一种基于人工智能的无人机测绘点云数据偏移校正方法。基于实施例1，本实施例利用树木点云数据提高点云偏移校正的效率。在城市地形测绘中，道路两旁的树木形状、尺寸接近，且分布均匀，故本发明基于道路两旁的树木点云初步确定无人机的运动模式，从而确定匀速测绘区域。

一种基于人工智能的无人机测绘点云数据偏移校正方法还包括：根据无人机测绘点云数据中树木点云的中心点分布，确定匀速树木点云组；若校正子区域包含任一匀速树木点云组，则根据匀速树木点云组从校正子区域内划分出匀速测绘区域，匀速测绘区域内所有点的偏移校正值相同。根据无人机测绘点云数据中树木点云的中心点分布，确定匀速树木点云组包括：获取无人机测绘点云数据中树木点云最小外接矩形的中心点，将中心点分布均匀的树木点云组确定为匀速树木点云组。具体地，获取各外接矩形的对角线交点坐标即为树木点云外接矩形中心点，k为第k个树木点云。当相邻中心点距离组成的距离序列没有离群值(即相邻中心点之间的距离基本一致)，则判断无人机为匀速飞行模式在树木点云区域基本处于匀速飞行状态。该处匀速判断基于先验信息为：在不考虑高程影响时，在匀速飞行模式下，点云坐标的偏移量基本相同，因此获取的相邻坐标之间的距离仍相同，采用相同校正值进行校正即可。

根据匀速树木点云组从校正子区域内划分出匀速测绘区域包括：过匀速树木点云组中位于两端的树木点云的中心点做与校正子区域精准测绘方向垂直的直线，两条直线与测绘边缘线段所围成区域为匀速测绘区域。

树木点云的提取方式为：首先，对于不满足σ1(z)≤m1且n1≥m2的第一点云子集合，通过地形筛选出道路两旁的点云集合，作为粗糙树木点云集合。接下来，通过粗糙树木点云集合类别与激光雷达数据获取的类别进行验证，用于确保点云集合类别的准确性。该步骤的目的将粗糙树木点云集合类别与激光雷达数据进行验证，确保点云集合类别的准确性，能够带来的好处：通过上述点云分析模型所得结果仍不可避免的存在一定误差，而通过回波数据进行地形类别分析也存在一定的误差，通过从不同属性分析地形类别的方法互相验证，获取较为准确的点云集合类别，以避免后续点云偏移校正时出现较大误差。验证方式具体为：对于任一个粗糙树木点云，确定点云内各点的回波次数和回波强度，统计回波次数muln和回波强度的均方差σ2(ein)，其中n代表第n个点云集合，当muln>1且σ2(ein)>m3时，该点云类别为树木类别；所述验证方式基于先验信息，即建筑物回波次数通常为1，而树木的回波次数通常大于1，且建筑物回波强度分布较为稳定，树木回波强度分布较为离散，在本发明中回波强度采用8bit，取m3为6。若粗糙树木点云类别与激光雷达回波数据验证类别一致，则该粗糙树木点云类别即作为提取的树木点云。

实施例3：

本实施例提供一种系统实施例。一种基于人工智能的无人机测绘点云数据偏移校正系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现基于人工智能的无人机测绘点云数据偏移校正方法的步骤。

以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。