基于数据自身的无人机激光点云精度自评估方法

本发明涉及无人机激光扫描的点云数据处理、精度评估，具体涉及一种基于数据自身的无人机激光点云精度自评估方法。

背景技术：

1、无人机激光扫描系统在无人机平台中集成gnss、ins、相机、激光扫描仪等传感器，可在无人机的飞行过程中高效地获取地物的三维空间和属性信息。无人机激光扫描系统在测绘、林业、水利等众多的行业和领域得到广泛应用，是目前最重要的地理空间信息获取技术之一。

2、无人机激光扫描系统中的gnss、ins、激光扫描仪等传感器均有其自身的测量精度，同时无人机激光点云的精度还受到扫描入射角、地物属性和地物表面状况的影响，因此使用无人机激光扫描系统所获取的激光点云的精度通常难以与理论预测一致，而在应用中通常需要确切的无人机激光点云精度指标，且不同的应用通常需要不同精度的三维激光点云，因此确定/评定无人机激光点云的精度必不可少。

3、现有的评定无人机激光点云精度的方法包括一下几种：

4、(1)基于理论模型预测的无人机激光点云精度评定方法。该方法采用无人机激光扫描系统定位方程，结合gnss、ins、激光扫描仪等传感器的理论定位精度，通过误差传播定律，理论上估计所获取的激光点云的精度。如may和toth 2007年提出了“pointpositioning accuracy of airborne lidar systems:a rigorous analysis”，考虑机载激光扫描系统中的主要潜在误差源，根据误差传播定律，建立了严密的机载激光扫描系统的理论定位精度模型，评估机载激光扫描系统能够达到的理论定位精度。邹双朝等2015年提出了“顾及光束入射角的点云点位精度评定模型研究”，在考虑各传感器误差的基础上，顾及光束入射角，建立了点云定位精度评定理论模型。

5、(2)基于外部参考(控制点、靶标点、正射影像)数据的无人机激光点云精度评定方法。该类方法以外部控制点、靶标点、正射影像等数据作为外部参考，通过无人机激光点云与外部参考数据之间同名点坐标的比较，评估无人机激光点云的精度。如张跃2020年提出了“基于ransac-tls的机载lidar精度评定关键技术研究”，通过建立检校场并在检校场中布设靶标的方式评估地面三维激光点云的测量精度。如骆生亮2019年提出了“机载lidar点云数据质量检查内容及方法研究”，在外业实地中使用网络rtk测量平面点坐标评估机载激光点云的精度。宫岩2020年提出了“机载lidar点云数据质量检查方法”，通过比较点云中建筑物的角点等特征点与建筑物角点的实际坐标评估机载激光点云的精度。陶鹏杰等2019年提出了“利用高精度dlg进行机载lidar点云精度评定研究”，利用高精度数字线画图(dlg)作为几何参考评定机载激光点云的精度。

6、(3)通过拟合点云中的平面并根据残差评估点云的精度。如孙德勇等2021年提出了“地面三维激光扫描点云平面拟合精度测试与分析”，对使用地面三维激光扫描仪获得的数据中的平面数据进行拟合并通过拟合精度建立颜色、材质、距离、入射角、粗糙度等因素与扫描精度之间的关系。田茂义等2018年提出了“国产机载双频激光雷达对地定位精度评价”，通过拟合平面评定国产双频激光雷达的定位精度。

7、基于理论模型预测的无人机激光点云精度评定方法可以预估特定无人机激光扫描系统的理论定位精度，但该类方法仅仅考虑各传感器的理论定位精度，未顾及gnss信号失所、天气原因导致的无人机震动等对无人机激光点云精度的影响，因此该类方法评估的定位精度仅仅作为某一型号无人机激光扫描系统定位精度的参考，无法作为特定架次无人机激光点云的精度指标。

8、基于控制点、靶标点、正射影像、数字线画图等外部参考数据的无人机激光点云精度评定方法能够稳定可靠地评定无人机激光点云的精度，是目前最常用的无人机激光点云精度评定方法，但该类方法需要在野外测量控制点，甚至需要布设靶标点，即使采用正射影像、数字线画图等获得参考数据也需要人工的从这些数据中提取控制点，工作量大，效率低，难以自动化完成。

9、通过拟合点云中的平面并根据残差评估点云的精度通常能够自动化完成，但是并不是所有的无人机激光点云中都存在面状地物，对于不存在面状地物的场景，该类方法无法使用；即使存在面状地物，大部分时候面状地物的分布仅局限于某一个或少量几个地方，无法满足精度评定中均匀分布的原则，难以全面的评估整个无人机激光点云的精度。

技术实现思路

1、本发明旨在提供一种无需外部参考数据，能够全自动完成、逐点评估无人机激光点云的精度，并能够真实的反应无人机激光点云的精度的无人机激光点云精度评估方法。

2、本发明所提出的基于数据自身的无人机激光点云精度自评估方法的评估流程包括以下步骤：

3、(1)输入点云

4、输入点云为至少包含x,y,z坐标的无人机激光点云数据。

5、(2)逐点半径邻域搜索

6、根据输入的点云数据建立八叉树结构，对于输入点云中的每一个点p(x,y,z)，基于八叉树结构获得以p(x,y,z)为球心，半径为r的球范围之内的邻域点，记为n(p)。

7、(3)逐点计算法向量

8、计算点p(x,y,z)的法向量，首先通过下式计算得到点p及其半径为r的球范围之内的邻域点n(p)的几何中心坐标：

9、

10、上式中，k为点p半径为r的球范围之内的邻域点n(p)的数量，xi为点p及其半径为r的球范围之内的邻域点n(p)的坐标，为几何中心坐标。

11、获得点p及其半径为r的球范围之内的邻域点n(p)的坐标、几何中心坐标后，根据下式计算3×3的协方差矩阵s：

12、

13、对3×3的协方差矩阵s进行奇异值分解(svd分解)，获取其三个特征值λ1、λ2、λ3(λ1≥λ2≥λ3≥0)及其对应的特征向量e1、e2、e3，其中e3即为点p的法向量，记为n。

14、(4)逐点圆柱邻域搜索

15、以点p为中心，以过p点与法向量n平行的直线为轴构造圆柱，圆柱的半径为r、高度为h，搜索圆柱范围内的点，获得点p的圆柱邻域点，记为c(p)。

16、在c(p)的搜索过程中，采用八叉树结构加速搜索过程。从八叉树的根节点开始，采用深度优先搜索方法进行搜索，如果节点与圆柱体不相交，则无需继续搜索子节点，如果节点与圆柱体相交，则继续搜索子节点直到叶子节点。对于与圆柱体相交的叶子节点，采用下式所述方法代入点的x,y,z坐标进行计算，逐点判断点是否在圆柱体内：

17、

18、上式中，q为需要测试是否在圆柱范围内的点，p1为圆柱底面的中心点，p2为圆柱顶面的中心点，r为圆柱的半径。

19、(5)逐点估计点云的精度

20、将点p的圆柱邻域点c(p)投影到圆柱中轴线上。

21、投影后，以点p的投影p为坐标原点，各投影点到p点的距离为d，则可计算各投影点到p点的距离的均值：

22、

23、上式中，n为点p的圆柱邻域点c(p)的点数，di为c(p)中第i个点投影到圆柱中轴线以后的点距离点p的投影p点的距离，m为投影距离的均值。

24、再通过下式评估点p的精度：

25、

26、对于输入点云中的每一个点，均采用步骤(1)～(5)中的方法评估其精度，获得输入点云的逐点精度评估结果。

27、(6)输出带精度的点云，可按照精度值的大小对点云进行可视化，直观的展示点云各处的精度，也便于进行无人机激光点云的质量检查；对于符合精度标准的点云可直接用于后续的处理和生产，对于不符合精度标准的点云，可通过控制点校正等方法提高点云精度以满足精度要求。

28、与现有技术相比，本发明具有以下优点：

29、(1)与基于理论模型预测的无人机激光点云精度评定方法相比，本发明方法能够评定特定数据的实际精度，评定结果中不仅包含gnss、ins、激光扫描仪等传感器测量误差的影响，同时顾及了gnss信号失锁、扫描几何等因素的影响。

30、(2)与基于控制点、靶标点、正射影像等外部参考数据的无人机激光点云精度评定方法相比，本发明方法无需外部控制数据，效率高，能够全自动完成。

31、(3)与通过拟合点云中的平面并根据残差评估点云精度的方法相比，本发明方法对场景地物要求更低，不要求具有平面地物。

32、(4)本发明所述方法能够逐点评估无人机激光点云的精度，按精度进行可视化后，能够直观的显示各处点云的精度，对于满足精度要求的点云，可直接用于后续的生产处理，对于不满足精度要求的点云，可采用控制点纠正等方法提高点云的精度。本发明为无人机激光点云的质量检查提供了一个简便、无需外部数据的方案。