基于道路表面点云数据的fod检测方法
【专利摘要】本发明涉及三维点云图像物体检测技术，发明了一种从激光扫描设备获取的大量点云数据中自动检测跑道入侵异物的方法。本发明针对上述存在的问题，提供一种从激光扫描设备获取的大量点云数据中自动检测跑道入侵异物的方法。通过将激光扫描仪获取的点云数据转变为跑到坐标的点云数据，判断其中垂直方向上的物体数据大小，来判断是否为入侵异物。本发明设计了一套完整的数据处理和入侵异物检测的方法，且没有特殊的硬件设备要求，达到快速的、准确的、自适应能力强的跑道平面入侵异物检测的效果。
【专利说明】基于道路表面点云数据的FOD检测方法
【技术领域】
[0001]本发明涉及三维点云图像物体检测技术，发明了一种从激光扫描设备获取的大量 点云数据中自动检测跑道入侵异物的方法。
【背景技术】
[0002]在飞机起降过程中，跑道上存在的入侵异物(Foreign Object Debris, F0D)可能 对航班的安全造成重大的威胁。潜在的危害轻则损坏机身，重则造成空难，机毁人亡。因 此，为了确保航班的安全，入侵物必须及时被发现、识别，并根据其威胁等级做出相应的处 理。威胁航空安全的跑道入侵物可以小至3cm直径，在上千米长的跑道上使用人工排查的 方式，效率低下，且入侵物被忽略的可能性较高。因此使用一种自动化系统来高效准确地发 现并排除跑道入侵物，对机场的安全运行有重要意义。
[0003]现有的FOD自动检测设备使用的技术主要是图像技术和雷达技术。图像技术对可 见光的依赖较强。即便使用红外设备，受限制的因素，诸如分辨率、自动检测的准确率等，也 比较多，因此没有被广泛使用。相比之下，较为广泛使用的技术是雷达检测。探测器发射不 同波长的雷达波，根据回波信号判断异物的存在。但是雷达回波信号本身较复杂，直观度较 差。且易受杂波和二次反射等影响，准确度和精度都有限制。
[0004]激光扫描三维成像技术是一种在正在逐渐兴起的新技术，其使用大量的激光点探 测出物体表面的形状和反射强度，并生成物体表面的三维点云图像。应用在机场跑道环境 中，使用点距小于3cm的扫描生成的点云图像，可以无遗失地记录下跑道路面存在的FOD (包括任何出现在机场跑道不适当的位置或可能会损坏飞机或伤害机场工作人员和乘客的 物体:如松散的零件，路面上的碎片，饮食用品，建材，石头，沙子，行李，甚至野生动物)。但 是直接生成的点云数据并不能自动发现FOD (不能区别入侵物和道面)，因此需要一种方 法，能从大量的点云数据中检测FOD的存在并定位。
[0005]在机场飞机起降应用环境中，主要有三个方面的问题给检测方法提出了更高的要 求。首先，理想的方法应该在第一时间发现入侵物，入侵物停留的时间越长，造成损害的可 能性越大。其次，为了系统整体稳定有序运行，检测的结果不能遗漏跑道上存在的入侵物， 也不能过分强调不遗漏而出现过多的把安全误判成危险的错误。最后，室外环境不同于实 验室理想环境，地面并不是完美的平面，雾霾雨雪等天气可能带来能见度下降、路面环境变 化等问题在实际应用中必须面对。
【发明内容】
[0006]本发明所要解决的技术问题是:针对上述存在的问题，如手动平面寻找，手动感兴 趣区域选择，处理速度慢等问题，提供一种从激光扫描设备获取的大量点云数据中自动检 测跑道入侵异物的方法。通过将激光扫描仪获取的点云数据转变为跑到坐标的点云数据， 判断其中垂直方向上的物体数据大小，来判断是否为入侵异物。达到快速的、准确的、自适 应能力强的跑道平面入侵异物检测的效果。[0007]本发明采用的技术方案如下:
[0008]一种基于跑道点云数据的FOD检测方法包括:
[0009]步骤1:将激光扫描设备固定在工作位置，让扫描仪扫描面面对跑道，启动激光扫描设备获取点云数据；并通过RANSAC算法对跑道平面数据进行提取，区分跑道平面数据及其他数据；计算跑道平面参数；
[0010]步骤2:根据跑道平面参数计算出h、0 [和ew，根据激光扫描仪设备姿态参数 (l,w, h, 9 L, 9 ff, 9 H)生成三维变换矩阵T，根据三维变换矩阵T将扫描仪坐标系下的跑道平面原始点云数据(x，y，z)转换为跑道坐标系下的跑道坐标系点云数据(x’，y’，z’)；
[0011]步骤3:当某一物体直径z’>k进入跑道工作区，则判定当前物体为入侵异物，所述 k为最小异物阈值；当出现至少是个物体直径z’ >k时，则返回步骤1，计算并更新跑道平面参数，校正系统参数。
[0012]所述步骤I区分跑道平面数据及其他数据，具体方式是:根据点云数据，采用 RANSAC算法，区分其中点云数据是跑道平面数据还是背景数据，其中输入参数中观测数据指的是扫描仪获取的点云数据，即序列离散的三位空间中的点；适用于数据的当前平面匹配模型，即激光扫描仪设备当前姿态下道面对应平面方程为aX+bY+cZ=l ;适用于模型的最少数据个数，即采样点数量范围是3到10 ;算法迭代次数范围是20到100 ;用于决定数据是否适应于模型的阀值t是Icm到10cm，即判定一个点是否在跑道平面上；判定模型是否适用于数据集的数据数目输出，即认为平面模型匹配良好所需最少匹配点的数量d范围在所有点数量的50%到80%，当当前点云数据和当前平面匹配模型距离小于t，则表示是跑道平面数据；否则，为背景数据。
[0013]所述步骤2具体步骤是:
[0014]步骤21:根据激光扫描仪设备参数(1，w，h, 0L, 0ff, 0 H)，L方向和W方向的移动距离(l，w，h)由已经由激光扫描仪设备的安装点确定，生成三维变换矩阵T:
【权利要求】
1.一种基于跑道点云数据的FOD检测方法，其特征在于包括: 步骤1:将激光扫描设备固定在工作位置，让扫描仪扫描面面对跑道，启动激光扫描设备获取点云数据；并通过RANSAC算法对跑道平面数据进行提取，区分跑道平面数据及其他数据；计算跑道平面参数； 步骤2:根据跑道平面参数计算出A、咚和根据激光扫描仪设备姿态参数(l,w,h,eL,9K.,&H)生成三维变换矩阵T，根据三维变换矩阵T将扫描仪坐标系下的跑道平面原始点云数据(HZ)转换为跑道坐标系下的跑道坐标系点云数据); 步骤3:当某一物体直径21 >k进入跑道工作区，则判定当前物体为入侵异物，所述k为最小异物阈值；当出现至少是个物体直径时，则返回步骤1，计算并更新跑道平面参数，校正系统参数。
2.根据权利要求1所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤I区分跑道平面数据及其他数据，具体方式是:根据点云数据，采用RANSAC算法，区分其中点云数据是跑道平面数据还是背景数据，其中输入参数中观测数据指的是扫描仪获取的点云数据，即序列离散的三位空间中的点；适用于数据的当前平面匹配模型，即激光扫描仪设备当前姿态下道面对应平面方程为aX+bY+cZ = I ;适用于模型的最少数据个数，即采样点数量范围是3到10 ;算法迭代次数范围是20到100 ;用于决定数据是否适应于模型的阀值t是Icm到10cm，即判定一个点是否在跑道平面上；判定模型是否适用于数据集的数据数目输出，即认为平面模型匹配良好所需最少匹配点的数量d范围在所有点数量的50%到80%,当当前点云数据和当前平面匹配模型距离小于t，则表示是跑道平面数据；否则，为背景数据。
3.根据权利要求1·所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤2具体步骤是: 步骤21:根据激光扫描仪设备参数(6#,1?,%,?) , L方向和W方向的移动距离U減' 由已经由激光扫描仪设备的安装点确定，生成三维变换矩阵T:
4.根据权利要求1至3之一所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤21中绕互轴的旋转角度4，有三种方法确定:(I)手动设定；(2)使用远距离激光扫描设备的检测系统会扫描到跑道边灯，满足 h>Pi?地表高度)的条件，快速滤出边灯数据，然后计算使所有边灯连线与H轴平行的转角％ ; (3)距离较近的道面检测设备会扫描到跑道路沿，然后计算使路沿与互轴平行的转角。
5.根据权利要求1至3之一所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤2中当前物体为入侵异物之后，还包括通过跑道平面应返回的激光强度值来判断物体尺寸判定，具体过程:对于检测出的入侵异物进行返回强度值判定，对于与跑道平面返回的强度值进行比较，当差值大于阈值X，则判定为异物。
6.根据权利要求1至3之一所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤2中当前物体为入侵异物之后，还包括通过入侵物体尺寸判定，具体过程是:根据入侵异物尺寸为种子点，采用区域生长算法，将相邻孤立的物体点合并，组成入侵异物区域；当入侵异物区域最小直径大于k，则判定为入侵异物，否则为干扰噪音。
7.根据权利要求1至3之一所述的基于跑道点云数据的FOD检测方法，其特征在于所述步骤2中当前物体为入侵异物之后，还包括通过入侵异物的表面曲率判定，具体步骤是:对于入侵异物结合附近相邻点，计算出该点处最大曲率^，若吣大于曲率阈值门限，所述曲率阈值门限取跑道路面最大曲率值的3倍，相邻范围半径是3-6cm。
【文档编号】G06F19/00GK103577697SQ201310560249
【公开日】2014年2月12日 申请日期:2013年11月12日 优先权日:2013年11月12日
【发明者】隋运峰, 钟琦, 李华琼, 杨晓嘉, 张中仅, 王雨果, 鄢丹青, 范丹 申请人:中国民用航空总局第二研究所