一种车载激光点云变化检测方法与流程

文档序号:33037885发布日期:2023-01-24 20:32阅读:16来源:国知局
一种车载激光点云变化检测方法与流程

1.本发明涉及点云变化检测领域,尤其是涉及一种车载激光点云变化检测方法。


背景技术:

2.道路是城市的骨架,城市道路由于受行道树遮挡,往往难以通过卫星影像的方式进行全面、细致的数据更新,变化情况是通过季度、年度的城市地形底图更新的方式,进行统一采集后对矢量数据进行更新管理,或在项目驱动下进行局部信息更新。道路全息测绘作为新型基础测绘体系建设的重要组成部分,能通过车载激光扫描技术,提供了快速获取更全、更精的地理空间数据的途径,满足高精度地图的需求,辅助智能交通、无人驾驶等领域的发展。
3.车载激光扫描获取的点云数据,由于点之间缺少拓扑关系,不易进行点云搜索和快速查找,并且不同车次的激光点云扫描过程中,同一地物的反射点也无法保持一致,所以直接变化检测的难度较大。目前常用的点云变化检测方法有先经过对象提取后进行变化检测,以及计算点云与现有三维模型之间的距离,找到变化较大的部分,还但是这些方法的结果只能对于点云数据的变化进行检测,变化的点云点分布散乱,不利于针对变化的结果进行分析处理,无法得到具体对象的点云数据变化。


技术实现要素:

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种获取对象级别的点云变化的车载激光点云变化检测方法。
5.本发明的目的可以通过以下技术方案来实现:
6.一种车载激光点云变化检测方法,包括以下步骤:
7.获取同一范围的两期点云,所述两期点云包括前一期点云和后一期点云,生成分别与同一范围的两期点云对应的八叉树;
8.遍历后一期点云的八叉树,计算得到第一指定级别的每个八叉树方框内的点云间的豪斯多夫距离;
9.基于点云的原有标量信息,生成新的标量属性,将所述豪斯多夫距离逐一赋值给每个新的标量属性;
10.遍历新的点云标量的八叉树,计算得到第二指定级别的每个八叉树方框内差值标量的均值,所述第二指定级别与第一指定级别相同,基于所述差值标量的均值和点云密度筛选八叉树方框,得到有变化的八叉树方框;
11.遍历每个有变化的八叉树方框中的所有点,计算得到每个有变化的八叉树方框的中心点;
12.基于有变化的八叉树方框的中心点,通过均值偏移优化有变化的八叉树方框,在json文件中存储优化后的有变化的八叉树方框信息;
13.获取有变化的八叉树方框选择指令,基于所述有变化的八叉树方框选择指令筛选
优化后的有变化的八叉树方框,得到八叉树框选结果,根据框选结果更新json文件中的有变化的八叉树方框信息;
14.采集并存储八叉树框选结果的点云矢量信息,更新点云变化数据库。
15.进一步地,所述第二指定级别的每个八叉树方框内差值标量的均值的表达式为:
[0016][0017]
其中,dm表示第m个八叉树中的豪斯多夫距离均值,dhi表示第i个点的豪斯多夫距离,n表示八叉树方框内点的总数。
[0018]
进一步地,基于所述差值标量的均值和点云密度筛选八叉树方框具体为:
[0019]
若差值标量的均值不小于预配置的第一阈值,则筛选该差值标量的均值对应的八叉树方框为差异八叉树方框;
[0020]
遍历差异八叉树方框中所有的点,计算得到差异八叉树方框中每个点的指定邻域空间内的点云密度,若点云密度不小于预配置的第二阈值,则筛选该点云密度对应的差异八叉树方框为有变化的八叉树方框。
[0021]
进一步地,所述第一阈值为0.8,所述第二阈值为0.2。
[0022]
进一步地,所述第一指定级别的每个八叉树方框内的点云间的豪斯多夫距离的表达式为:
[0023]
h(a,b)=max
a∈a
{min
b∈b
{d(a,b))}
[0024]
其中,a和b分别是前一期点云和后一期点云第一指定级别的八叉树方框内的点集,d(a,b)为a和b之间的欧氏距离,h(a,b)为a和b之间的豪斯多夫距离。
[0025]
进一步地,所述通过均值偏移优化有变化的八叉树方框具体为:
[0026]
根据有变化的八叉树方框的中心点在指定区域计算均值偏移量,
[0027]
迭代计算均值偏移量,获得均值偏移最终的聚类中心,基于聚类中心确定优化后的有变化的八叉树方框。
[0028]
进一步地,所述均值偏移量的具体计算式为:
[0029][0030]
其中,x为中心点,xi为第i个样本点,n为样本点的总数,sh为以x为中心的半径为h的球体,k为sh中的样本点总数,mh(x)作为x的偏移均值向量;
[0031]
进一步地,所述获取同一范围的两期点云的具体为:对同一区域的两期点云进行范围规整,通过点云的裁剪与拼接,得到同一范围的两期点云。
[0032]
进一步地,所述有变化的八叉树方框信息包括有变化的八叉树方框的中心点、八叉树级别、八叉树尺寸、点云名称、检测时间、变化检测相关的另一期点云名称。
[0033]
与现有技术相比,本发明具有以下有益效果:
[0034]
(1)比较传统的测量结果,变化的点云分布散乱,本发明采用八叉树方框的方式将变化的点云数据划分出各个方框,识别出各个方框的对象,得到对象级别的点云数据变化,有利于之后对于点云数据的处理和应用。
[0035]
(2)对于识别出的八叉树方框筛选出变化较大的八叉树方框,并采用均值偏移进
一步定位八叉树方框,得到变化差异大,对象清晰的八叉树方框,同时可以通过人为输入有变化的八叉树方框选择指令,对八叉树方框进行选择,进而得到灵活、准确、易于处理的八叉树点云方框。
附图说明
[0036]
图1为本发明的流程图;
[0037]
图2为两期点云对比示意图;
[0038]
图3为点云生成八叉树示意图;
[0039]
图4为豪斯多夫距离信息的赋值结果示意图;
[0040]
图5为有变化的八叉树方框筛选结果示意图;
[0041]
图6为优化的有变化的八叉树方框结果示意图;
[0042]
图7为八叉树框选结果示意图。
具体实施方式
[0043]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
[0044]
本实施例提供一种车载激光点云变化检测方法,如图1所示,步骤包括:
[0045]
s1、首先将同一区域的前一期点云和后一期点云进行范围规整,通过点云的裁剪与拼接,确保其外包围盒的一致性,得到同一范围的两期点云。同一范围的两期点云如图2所示。
[0046]
s2、对s1形成的两个同一范围的两期点云,分别生成八叉树。
[0047]
s3、对s2生成的两期点云对应的八叉树,计算得到第一指定级别的每个八叉树方框内的点云间的豪斯多夫距离,并且将豪斯多夫距离赋值给点云的标量字段。两期点云对应的八叉树如图3所示。
[0048]
s3的具体步骤包括:
[0049]
s3.1:遍历后一期点云的八叉树,与前一期点云进行对比计算,依次计算第一指定级别下两个点云对应八叉树框内的豪斯多夫距离(hausdorffdistance),该距离是度量空间中两个子集之间的距离,它将度量空间的非空子集本身转化为度量空间,具体计算式为:
[0050]
h(a,b)=max
a∈a
{min
b∈b
{d(a,b)}}
[0051]
其中,a和b分别是前一期点云和后一期点云第一指定级别的八叉树方框内的点集,d(a,b)为a和b之间的欧氏距离,h(a,b)为a和b之间的豪斯多夫距离。
[0052]
利用此公式可以计算获得八叉树框为单位的点云距离计算值
[0053]
s3.2:在点云原有标量信息的基础上,生成新的标量属性,将s3.1计算获得的豪斯多夫距离信息逐一赋值在每个点新生成的标量属性中。豪斯多夫距离信息的赋值结果如图4所示。
[0054]
s4、针对s3中指定的第一八叉树级别,统计八叉树方框差值标量的均值,通过差值标量的均值和点云密度筛选八叉树方框,得到有变化的八叉树方框,记录每个有变化的八叉树方框的中心点坐标。
[0055]
s4的具体步骤包括:
[0056]
s4.1:遍历新的点云标量的八叉树,计算得到第二指定级别的每个八叉树方框内差值标量的均值,第二指定级别与第一指定级别相同,差值标量的均值的具体计算式为:
[0057][0058]
其中,dm表示第m个八叉树中的豪斯多夫距离均值,dhi表示第i个点的豪斯多夫距离,n表示八叉树方框内点的总数。
[0059]
s4.2:基于:差值标量的均值筛选八叉树方框,若差值标量的均值不小于预配置的第一阈值,则筛选该差值标量的均值对应的八叉树方框为差异八叉树方框。
[0060]
在一些实施例中,预配置的第一阈值为0.8。
[0061]
s4.3:遍历差异八叉树方框中所有的点,计算得到差异八叉树方框中每个点的指定邻域空间内的点云密度,若点云密度不小于预配置的第二阈值,则筛选该点云密度对应的差异八叉树方框为有变化的八叉树方框。基于点云密度的筛选可以去除对于点云密度普遍较小的八叉树方框,可以去除树叶、树枝的点云变化。
[0062]
在一些实施例中,预配置的第二阈值为0.2。
[0063]
s4.4:遍历有变化的八叉树方框内的所有点,计算有变化的八叉树方框的中心点,有变化的八叉树方框筛选结果如图5所示。
[0064]
s5、基于有变化的八叉树方框的中心点,通过均值偏移优化有变化的八叉树方框,在json文件中存储优化后的有变化的八叉树方框信息。优化的有变化的八叉树方框结果如图6所示。
[0065]
s5的具体步骤包括:
[0066]
s5.1:基于有变化的八叉树方框的中心点,在指定区域内计算均值偏移量,均值偏移量的具体计算式为:
[0067][0068]
其中,x为中心点,xi为第i个样本点,n为样本点的总数,sh为以x为中心的半径为h的球体,k为sh中的样本点总数,mh(x)作为x的偏移均值向量。
[0069]
迭代计算均值偏移量,获得均值偏移最终的聚类中心,基于聚类中心确定优化后的有变化的八叉树方框,从而去除相邻较近的八叉树方框。
[0070]
s5.2:将s5.1所得的有变化的八叉树方框的中心点进行记录,存储在json文件中,文件中存储点云名称、检测时间、变化检测相关的另一期点云名称,以及所有自动识别得到的变化框中心、八叉树级别、八叉树尺寸等信息。
[0071]
s6、在人机交互平台加载点云,通过交互的方式进行框选结果最终核查,并读取相关json格式的变化框信息。获取有变化的八叉树方框选择指令,基于有变化的八叉树方框选择指令筛选优化后的有变化的八叉树方框,得到八叉树框选结果,根据框选结果更新json文件中的有变化的八叉树方框信息。八叉树框选结果如图7所示。
[0072]
s7、对八叉树框选结果内点云进行矢量信息采集,并且存储入数据库,进行数据的局部更新。
[0073]
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1