板桥桥梁点云的部件自动检测方法及系统与流程

本发明属于3d重建的工程应用领域，具体涉及一种板桥桥梁点云的部件自动检测方法及系统。

背景技术：

随着桥梁3d信息建模技术brim(bridgeinformationmodelling)的发展，全球基础设施市场已经为桥梁信息模型的广泛性应用做好了准备。桥梁信息模型为工程师提供了桥梁的数字化信息表达，可以在不同的平台上共享，并且在桥梁的整个生命周期内都可以使用。

但是，目前的基础设施项目中，使用这种建筑模型技术的非常少。由此看出，尽管目前采用激光扫描技术可以更快更好的收集点云数据，但是，由于现阶段还无法将点云数据自动转化成brim模型，brim模型的使用率还是较低，而人工建模非常耗时，目前已知运用最先进的建模软件手动生成brim模型所需时间是点云数据采集所需时间的十倍左右。

降低高速路桥模型生成的成本和时间至关重要。若解决了模型的自动化问题，brim即可成为高速路桥梁状况的数字化文件管理模式。为了确保高速路交通安全，高速路桥梁都会进行定期例行检查。以两年周期为限，每年仅美国和英国就需要进行超过30万次的桥梁检查。所以，自动化brim模型的生成技术有着巨大的市场需求，它可以大大减少人工从点云到brim模型的生成时间，从而促进桥梁资产管理的生产效率。

通常，从点云(pointclouddata，简称pcd)到生成brim模型分成两大步：

1.检测桥梁点云中的桥梁组件点集，并标记语义信息；

2.生成能够拟合桥梁组件点集的3d几何图形，并存储为国际化的工业标准格式(即industryfoundationclasses，简称ifc)。

可以看出，能够准确、全面的检测桥梁点云中的桥梁组件点集是生成brim模型的基础，然而该步骤目前主要是通过建模人员使用建模软件手动完成的，虽然现在已经有部分软件(如clearedge3d)已经可以自动检测隐含在点云中的建筑或工业部件(例如墙体，管道)的标准化3d几何形状了。但是，值得注意的是，自动检测是建立在人工切割的基础上的。即，建模人员需要首先手动切割好目标点云区域，再通过软件自动检测功能检测出此区域的3d形状。而这一手动切割的过程也很费时，特别是处理目标区域边界时，剪裁需特别小心。需要反复将点云在空间旋转，找好角度，才能将目标区域用2d边界框选定并切割，处理一座基本的公路桥pcd的桥梁部件检测任务平均需要几个小时才能完成。

目前，有许多研究试图自动化在pcd中检测物体这一过程，这些方法通常是通过将pcd先分割成表面图元再进行聚类，或者对表面图元所转换成的3d基本图形通过专家系统的一系列法则进行分类。然而，这些算法具有很高的约束要求，具有比较大的局限性。而真实的桥梁的pcd没有虚拟数据一般完美，桥梁部件的拓扑空间关系和真实的几何形状也往往比理想状态复杂得多，经过试验，这些基于表面的分割再聚类和基于规则的分类方法都只在具有严格约束条件的案例中表现良好，而在真实点云数据上的应用，表现都不尽人意。

因此，现在急需一种检测方法或系统能够解决上述现有技术的缺陷，实现可靠、快速检测。为此，很多研究者都做了尝试与深入研究，下面例举几个：

zhangetal.(2015)提出了一种基于sparsity的优化方法去探测真实桥pcd中的参数化表面图元块。但是这种方法只能处理平面物体，无法处理曲面。但是，zhangetal.(2015)的实验中显示，当桥墩区域的点云很稀疏，点密度过小时，这种方法无法检测到桥墩的表面图元块。

walsh等人(2013)提出了一种区域生长算法(rg)来检测点云中的物体。然而，在wals等人的实验中，这种方法并不能检测到墩帽与桥墩之间的边缘，点云分割最后是通过手动选择关键点来实现的。

dimitrov和golparvar-fard(2015)提出了一种升级的rg方法。这种方法可以检测曲面物体，并且当输入的pcd的没有严重的数据缺失或者稀疏问题的时候，它的性能非常好。但是，当出现数据缺失的情况时，该方法会出现过度分类的错误。

xiong等人(2013)针对这些在真实点云数据中常见的问题提出了一个学习范式方法来检测建筑物pcd中的遮挡平面。然而，他们的方法不能直接应用在桥梁部件点云探测中，因为桥梁pcd与建筑物pcd有很大不同，桥梁pcd不像建筑物pcd的遮挡和缺失点存在一定的模式(如门窗的位置布局存在一定模式)。

schnabel等人(2007)使用ransac算法在pcd中随机采集最小样本来检测其中隐含的基本形状(5种基本形状:平面，球体，圆柱体，圆锥体和圆环体)。但是由于ransac的计算成本过高，无法用来检测隐含的复杂的几何图形。而大多数桥梁组件的形状不能用基本几何形状概括，故ransac方法不适用于桥梁pcd中组件的检测。

riveiro等人(2016)使用特定的约束条件将砖石桥梁pcd分类成表面。但是，他们的算法基于直方图，这对点云的数据质量要求很高，性能很敏感。真实桥梁的pcd通常会存在数据缺失和分布稀疏的问题，这导致由点密度生成的直方图很容易判断出错。故这种算法很难推广到大型公路桥梁。

ma等人(2017)利用桥梁部件的空间关系知识和形状特征对桥梁三维实体模型进行分类。但首先，这种方法的输入是一个桥梁模型，并非桥梁pcd；其次，该方法假设这个桥梁模型是在网格系统中进行开发的，由理想的几何形状构成的，且两个3d组件之间的成对关系是在一个完美的条件下定义的。但真实桥梁通常具有不同的横向、纵向的曲度，桥面的厚度(横截面形状)也很可能不一致，这导致ma等人的方法无法切实可行。

而利用其他的方法，如基于大量数据的机器学习方法，利用表面特征来训练多类分类器，分类器将桥的组件标签分配给表面基元。然而，将这些基于大量数据的机器学习方法应用到桥梁组件检测上存在两大问题：第一、缺乏大量的真实桥梁pcd来训练一个好的分类器，第二、计算负担太高。

综上，上述研究工作都是致力于通过生成表面图元来分割pcd，但这些基于面的方法在点云数据存在有缺失点和稀疏方面的问题时，表现不如人意。然而，由于桥梁自带横向，纵向的曲度，因此很难将上述的现有方法应用到真实的桥pcd上。桥的部件的几何图形看似简单但其实很复杂，它们是通过水平直线或曲线对齐，垂直立面和不同的横截面来定义的。少量关于桥梁部件分类的研究也只有在严格的约束条件下才能展现出好的性能，它们要么将一个理想化的桥梁模型作为输入来推断组件的语义，要么用一个由一些基本形状训练出的分类器在一个虚拟桥梁点云数据集上进行测试。

专利方面，cn106886659a提出一种基于激光扫描和云计算平台来进行钢结构桥梁虚拟拼接和检查误差的方法。cn1057018621a提出一种对地物(包括桥梁)点云的关键点提前方法，以减少工作量。这两个专利均没有针对桥梁部件识别和检测。cn106777680a提出一种用对现有桥梁进行扫描和人工制作bim模型的方法。它也没有实现桥梁模型的自动建模过程。

因此，目前还没有一种有效可行的方法能在真实的桥梁pcd中检测桥梁组件。

技术实现要素：

本发明为了解决上述问题，提出了一种板桥桥梁点云的部件自动检测方法及系统，本发明利用鲁棒的自上而下启发式对点云中桥梁主要部件进行检测，绕过了现有技术中由点生成面的阶段，而是直接获取了自带语义标签的点云切割点集。

为了实现上述目的，本发明采用如下技术方案：

一种板桥桥梁点云的部件自动检测方法，包括以下步骤：

获取板桥桥梁的点云数据，将桥梁的桥面中轴线与全局坐标系中设定的基准坐标轴尽量对齐；

沿基准坐标轴方向对对齐后的桥梁点云数据集合进行切片，利用边界框对每个切片进行界定，根据每个边界框的高度大小，将各个桥梁点云数据划分为桥墩集群和桥面组件集；

沿基准坐标轴的垂直方向对桥墩集群进行切片，利用边界框对每个切片进行界定，根据每个边界框的高度大小，将各个桥墩集群数据划分为桥墩区域集群和桥面组件集；

利用桥面的中空区域特征进行特征提取，分别提取桥墩顶部以及桥面组件集内的墩帽集，将两部分合并为完整的墩帽，得到识别后的桥墩、桥面和/或墩帽部件。

进一步的，利用主成分分析法，大致将桥面的中轴线与全局坐标系的基准坐标轴对齐，去除干扰因素数据。

进一步的，对对齐的桥梁点云数据切片时，切片的厚度为常量，切片数量与桥梁长度成正比关系，当切片过程中存在由于局部点丢失造成的空切片或者仅有一个单点的切片时，则将该切片视为与其最接近的非空和非单点切片之间的切片。

进一步的，如果某切片的边界框的高度大于阈值时，该切片内的点属于桥墩集群，否则属于桥面组件集。

优选的，该阈值为比例系数与桥梁点云数据的z轴坐标最大差值的乘积，所述比例系数为桥面组件集的厚度与整座桥的高度比。

进一步的，每块桥墩集群可以被看成是整座桥的缩小版，沿着基准坐标轴的垂直方向进行切片，如果满足某切片的边界框的高度大于第二阈值时，则该切片内的点属于桥墩区域集，否则，属于桥面组件集。

优选的，所述第二阈值为第二比例系数与每块桥墩集群z轴坐标的最大差值的乘积，第二比例系数为桥面厚度与桥墩区域集群的高度比。

进一步的，根据桥面的横向倾斜度的最大值确定桥面上表面区域的上、下限，确定桥面上表面点所在的区域，移除桥墩区域集中桥面上表面的点，得到桥墩集合。

进一步的，如果在桥墩集合中，只有一个桥墩区域集被检测到，并且这个桥墩区域集的宽度与它所在的桥墩集的宽度差值小于设定值，则这个桥墩集拥有单个类墙体的整体桥墩，不需要墩帽。

进一步的，提取桥墩集合顶部的一部分作为检测数据源集合，对其生成三角网，并对每一个小三角形计算任意两条向量边的矢量积，计算对应小三角形的法线，如果有几乎垂直朝上或朝下的法线集被检测到并且这些法线聚集在设定的阈值附近，将这些法线对应的小三角形的点并同在检测数据源集合中位于其以上的点，属于桥面组件，否则，属于墩帽组件。

进一步的，将桥面组件集合进行平面投影，生成密度直方图，对密度直方图的投影空白区域进行聚类，对聚类后的每一块桥面组件进行切片，若切片的高度大于第三阈值，则切片内的点属于墩帽区域；否则，切片内的点属于桥面组件集，对提取出来的墩帽区域去除上表面的点，接着通过三角网法线来提取墩帽集。

优选的，第三阈值为第三比例系数与每块桥面组件z轴坐标的最大差值的乘积，第三比例系数为比例系数与第二比例系数的比值。

一种板桥桥梁点云的部件自动检测系统，包括：

数据采集单元，被配置为获取板桥桥梁的点云数据，将桥梁的桥面中轴线与全局坐标系中设定的基准坐标轴尽量对齐；

第一分类单元，被配置为沿基准坐标轴方向对对齐后的桥梁点云数据集合进行切片，利用边界框对每个切片进行界定，根据每个边界框的高度大小，将各个桥梁点云数据划分为桥墩集群和桥面组件集；

第二分类单元，被配置为沿基准坐标轴的垂直方向对桥墩集群进行切片，利用边界框对每个切片进行界定，根据每个边界框的高度大小，将各个桥墩集群数据划分为桥墩区域集群和桥面组件集；

部件提取单元，被配置为利用桥面的中空区域特征进行特征提取，分别提取桥墩顶部以及桥面组件集内的墩帽集，将两部分合并为完整的墩帽，得到识别后的桥墩、桥面和/或墩帽部件。

与现有技术相比，本发明的有益效果为：

1、本发明完全绕过了由点生成面的阶段，而是直接获取了自带语义标签的点云切割点集。

2、本发明解决了现有的通过生成表面图元来分割的方法存在的数据有缺失点和稀疏方面的问题，保证了数据的完整性；

3、本发明结合板桥的特点，基于板桥桥梁固有的拓扑结构约束，能在真实的桥梁pcd中检测桥梁组件。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明的具体流程示意图；

图2为本发明的数据准备步骤的流程示意图；

图3(a)为本发明的桥墩集群和桥面组件集的检测步骤中沿x轴进行切片示意图；

图3(b)为本发明的桥墩集群和桥面组件集的检测步骤中各类切片示意图；

图3(c)为本发明的桥墩集群和桥面组件集的检测步骤中3d边框中2d平面示意图；

图4(a)为本发明的桥墩区域集群在桥墩集群内的检测步骤中桥面组件集和桥墩集群示意图；

图4(b)为本发明的桥墩区域集群在桥墩集群内的检测步骤中桥面组件集和桥墩区域集群示意图；

图5为墩帽的检测的流程示意图；

图6为桥墩区域集群中桥面上表面点的范围示意图；

图7为墩帽的检测示意图；

图8(a)-图8(f)为从桥面组件集内提取墩帽组件示意图；

图9(a)和图9(b)为获得的墩帽部分合并成一根完整的墩帽示意图；

图10为具体实施例中10座高速路桥的点云数据示意图；

图11为最后的检测结果示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

如背景技术中提到的，目前，有许多研究试图自动化在pcd中检测物体这一过程，这些方法通常是通过将pcd先分割成表面图元再进行聚类，或者对表面图元所转换成的3d基本图形通过专家系统的一系列法则进行分类。值得注意的是，这些基于表面的分割再聚类和基于规则的分类方法都只在具有严格约束条件的案例中表现良好。在真实点云数据上的应用，表现都不尽人意。因为真实的桥梁的pcd没有虚拟数据一般完美，桥梁部件的拓扑空间关系和真实的几何形状也往往比理想状态复杂得多。

本发明基于真实桥梁的点云数据，并考虑实际情况所含有的难点，提出了一种可靠且有效的自上而下的方法来检测实际pcd中的主要桥梁部件。

神经科学的研究表明，当人类观察一个真实世界的场景时，可以迅速地对其进行理解并做出非常准确的判断，这都基于我们拥有丰富的知识和对特定场景的期望。这种高于此场景信息，对做出判断的影响，叫做“自上而下”的影响。

受上述神经科学研究的启发，本发明提出了一种模拟建模者的智能的检测方法，运用桥梁专业知识，对pcd中的目标对象进行自动检测。这种方法突破了现有桥梁建模方法的瓶颈。通过实验证明，本发明不需要先将点转化为表面图元，而是直接将桥梁部件的点集从pcd中分割出来并对其进行语义标记。

自动化点云物体检测主要分为两个任务：点云切割和点云分类。对于桥梁点云部件检测来说，即首先要将桥pcd分割成互不相交的点云集(点云切割)。然后对这些点云集标注语义(点云分类)。对pcd的切割方式通常是采用自下而上的方法，即从单个的点到表面图元或者表面图元块，再聚类表面图元并进行语义标注。而大多数对pcd的分类方式通常采用的是自上而下的方法，即运用人类知识(如物体的空间关系、上下文等)来检测隐含在pcd中的物体，或者在无语义的几何模型中推断组件的语义。

如图1所示，本发明针对高速路板桥类型的点云部件检测。板桥类型在英国是最重要和最主要的高速路桥梁类型。即便造型简单，但没有一座板桥的三维轴对齐是平行于空间全局坐标轴的。板桥的主要部件有：桥面，桥墩和墩帽(如果存在的话)。所以，此发明，即自动检测板桥点云数据中的桥面，桥墩和墩帽。

本发明基于板桥桥梁固有的拓扑结构约束，完全绕过由点生成表面基元的阶段，直接得到切割好的带语义标签的板桥部件点云集。

首先进行数据准备工作，高速路桥根据其实际在高速路上的安置位置，会在三维空间里任意座落。即便看似大致对齐全局坐标系，但由于自身自带曲度，现实中，没有一座桥跟全局坐标系完全对齐。为了后面算法的可行性，首先利用主成分分析法，即pca大致将桥面的中轴线与全局坐标系的x轴对齐(图2)。并且高速路桥的点云会有很多噪音，比如现场的交通，植被和树木等。需要将这些不相关的数据去除。

第一步：步桥墩集群和桥面组件集的检测

如图3(a)-图3(c)此过程中，输入数据是完整的对齐的桥梁点云数据pcddn＝{pi:i＝1,2,…,n},其中每个点被定义为pi＝(xi,yi,zi)^t，输出是桥墩集群和桥面组件集(αm＝{αm}和αm^c)。为了初步区分桥墩集群和桥面组件集，采用切片法(图3)。首先沿着x轴对dn进行切片，切片厚度设为δ常量，j为切片数量，切片数量与桥梁长度成正比关系。sx＝{sj<x>:j＝1,2,…,j}表示切片，dj为切片内的点dj＝{pji}＝{pi|sj<x>}。如在切片过程中遇到由于局部点丢失造成的空切片或者仅有一个单点的切片则运用以下方法来处理：如果或者|dj|＝1,那么其中，是sj<x>与最接近的非空和非单点切片之间的切片的计数。

切片完成后，每个切片都用3d边界框界定，skj<x>是每片切片的3d边框的中间平面，桥墩集群与桥面组件集具有明显不同的高度几何特征，利用rangej<z>来表示3d边界框的高度，运用以下方法来区分桥墩集群和桥面组件集：

如果满足rangej<z>>ρ1|max{zi}-min{zi}|(条件1)，则判定sj<x>切片内的点属于桥墩集群αm，否则属于桥面组件集αm^c。其中ρ1是桥面组件集的厚度与整座桥的高度比。

第二步，桥墩区域集群在桥墩集群内的检测

该步骤的输入是第一步的输出，即桥墩集群αm，输出是桥面组件集和桥墩区域集群βmp＝{βmp|αm}，其中(图4)。每块桥墩集群αm可以被看成是整座桥的缩小版，故第2步的检测程序与第1步相同，只是第二2是对αm沿着y轴进行切片，所得切片为sy＝{sj<y>|αm}，2d平面为skj<y>。如果满足rangej<z>>ρ2|max{zi}-min{zi}|(条件2)，其中{zi是每块桥墩集群αm的点的z坐标值，则切片sj<y>内的点属于桥墩区域集，否则，属于桥面组件集。其中ρ2为桥面(包括墩帽)厚度与桥墩区域集群的高度比。如果一个桥墩集群αm不带有墩帽，则ρ2＝ρ1，否则，ρ2>ρ1。

第三步，墩帽的检测

这一步的目标是检测墩帽，如图5所示，分别简要展示了在墩帽是否存在下的输出数据情况。

1.第3.1步移除上层桥面上表面

这一步的输入是第2步的输出，即桥墩区域集群βmp。这一步的目标的是利用桥面的中空区域特征将βmp中表示桥面的上表面的点移除。由于激光扫描只能针对物体的外表面进行数据点采集，物体的内部没有可视性。所以，通常来说，桥面都存在一个普遍特征，即有一定的中空区域，这个区域也是板桥桥面的大致厚度区域。

桥面在设计和现场施工过程中，都会带有一定的倾斜度。横向倾斜度的最大值为5％(1/20)(如图6所示)。为了保证能选中所有桥面上表面的点，所以桥面上表面区域的下限应该是5％wβmp，其中wβmp是桥墩区域集βmp的宽，桥面上表面区域的上限应该是λmax＝ρ1hβmp，其中hβmp是βmp的高。设δλ为桥面上表面点所在的区域，可以推导出其范围是：其中ρ3a是桥面厚度与桥的高度比的估计值。移除βmp中桥面上表面的点，即＝δλ区域的点后，βmp剩下的部分为pdmp，即{pdmp|βmp}。

2.第3.2步桥墩顶部的墩帽的检测

这一步的输入是3.1步得到的pdmp，输出是墩帽集群{pc|pdmp}。其目标是检测墩帽的存在性，如果存在，再将它们进行切割。

第1种情况：

如果在一个桥墩集αm中，只有1个桥墩区域集βmp被检测到(条件3)，并且这个桥墩区域集的宽度与它所在的桥墩集的宽度大致一样(条件4):

如果其中βm＝{βm1,βm2…βmp}，那么，这个桥墩集αm拥有单个类墙体的整体桥墩，这种情况，根据桥梁专业知识，不需要墩帽。

第2种情况：

如果在1个桥墩集αm中，不止1个桥墩区域集βmp被检测到，即||βm||>1；或者只检测到单个桥墩区域集||βm||＝1，但它的宽度大大小于它所属的桥墩集αm,即这两种时候，这个桥墩集αm或许有也或许没有墩帽。这种情况更复杂，需要进一步检测。

上述两种情况的详细分析过程为：

桥梁知识已知，墩帽一定是位于桥墩上方的，所以为了简化问题，只用提取pdmp顶部的一部分(即顶部ρ2(％))进行墩帽检测，即可。将这一部分命名为它应该包含有部分桥面组件的底部点，墩帽(如果存在墩帽)和一小部分桥墩。对生成三角网，并对其中每一个小三角形计算任意两条向量边的矢量积，由此求得此小三角形的法线。

设，为三角网的法线集，其中是每一个小三角形的法线。如果有几乎垂直朝上或朝下的法线集被检测到，条件

并且这些法线聚集在ρ1(max{zi}-min{zi})附近，其中{zi}是桥墩区域集βmp内的点的z值集合，那么将这些法线对应的小三角形的点(即特征点)并同在中位于这些特征点以上的点，分类为桥面组件集。如果不满足，那么这些处于更低的方向向上或者向下在ρ2(max{zi}-min{zi})的点属于墩帽组件。否则，如果有几乎垂直朝上或朝下的法线集被检测到在位于较低位置，即位于ρ2(max{zi}-min{zi})附近，那么将这些特征点并同中余下部分分类为墩帽。

按照以上步骤，遍历集合{pdmp}。这样一来，在获得墩帽集群{pc|pdmp}的同时也得到了桥墩集群{pier|pdmp}。

3.第3.3步桥面组件集内的墩帽检测

3.2步如果检测到了墩帽的存在，那么意味着，墩帽也一定存在于第2步的输出结果中(见图4(b))。所以第3.3步的目标是，在3.2检测到有墩帽的前提下，将存在于的墩帽部分提取出来。

对于其中1个先将其投影到yz平面，并沿着y轴生成密度直方图。密度直方图是在等宽的单元区间里的内统计落在该区间的点数。由于在第2步中已经切割出了桥墩区域集βmp,所以这部分点不会计算在密度直方图里。由图8(b)中所示，的yz平面投影有明显的空白区域。密度直方图通过这些空白，很容易被聚类。这样一来，也相应被聚类。将聚类后的每一块桥面组件命名为γm(p+1)。接下来对γm(p+1)沿x轴切片，并判断切片的高度rangej<z>>ρ3b|max{zi|γm(p+1)}-min{zi|γm(p+1)}|，其中如果是，则切片内的点属于墩帽区域；否则，切片内的点属于桥面组件集。接下来的步骤跟3.1和3.2步类似，将提取出来的墩帽区域去除上表面的点，接着通过三角网法线来提取墩帽集。图9(a)展示了3.2和3.3步输入结果的一个例子。最后，将这两步的结果合并成一根完整的墩帽(图9(b))。

在具体实例中，使用farofocus3dx330激光扫描仪采集了英国剑桥郡周围10座高速公路桥梁的点云数据。这些桥梁的gps位置如图10所示。其样本量是目前世界上最大的。

首先，进行调参。即分别在第1步和第2步的点集中进行网格搜索，找到最佳参数。网格查询后结果取95％置信区间后，接下来ρ3b的值由推导得出，ρ3a＝0.28.接下来，运用最佳参数对整个系统的性能进行评估。图11展示了最后的检测结果，具体评估性能数据参见表格1和表格2。

表格1.基于结构组件的方法性能测试

表格2.宏观均值评估所提出的方法

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。