[發(fā)明專利]融合無人機(jī)LiDAR和高分影像的路面平整度監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 201710257172.0
• 申請日: 2017-04-19
• 公開（公告）號: CN107092020B
• 公開（公告）日: 2019-09-13
• 發(fā)明（設(shè)計(jì)）人: 張顯峰;高仁強(qiáng);孫權(quán)
• 申請（專利權(quán)）人: 北京大學(xué)
• 主分類號: G01S17/88
• 分類號: G01S17/88;G01S17/02;G01C11/00;G01C11/04
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 黃鳳茹

1.一種融合無人機(jī)LiDAR和高分辨率遙感影像的路面平整度監(jiān)測方法，其特征是，基于低空無人機(jī)平臺獲取的LiDAR數(shù)據(jù)和高分辨率遙感影像，融合影像的光譜特征與LiDAR點(diǎn)云的多尺度幾何特征構(gòu)建分類特征集；再利用路面點(diǎn)云構(gòu)建精細(xì)三維路面數(shù)字表面模型DSM，通過國際平整度指數(shù)計(jì)算方法，快速計(jì)算獲得公路路面的平整度參數(shù)，結(jié)合地面驗(yàn)證數(shù)據(jù)進(jìn)行路面平整度等級的評定，實(shí)現(xiàn)路面質(zhì)量的快速監(jiān)測與評估；具體包括如下步驟：

1.1)首先利用集成LiDAR與多光譜相機(jī)的低空無人機(jī)遙感系統(tǒng)，獲取LiDAR點(diǎn)云數(shù)據(jù)和高分辨率遙感影像數(shù)據(jù)；將所述LiDAR點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為.las文件格式；對LiDAR點(diǎn)云數(shù)據(jù)和遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，然后基于影像數(shù)據(jù)提取光譜特征；

所述光譜特征的參數(shù)是反映地物類型差異的參數(shù)，包括：高分辨率影像的紅、綠、藍(lán)波段的灰度值；高分辨率影像的紅、綠、藍(lán)波段的灰度值之標(biāo)準(zhǔn)差；激光點(diǎn)云的反射強(qiáng)度值；

1.2)將所述光譜特征融合到所述點(diǎn)云數(shù)據(jù)的屬性中，對所述點(diǎn)云數(shù)據(jù)進(jìn)行多尺度幾何特征提??；將所得到的多尺度幾何特征信息和光譜特征信息組合成點(diǎn)云分類特征變量集；

所述多尺度幾何特征包括局部粗糙度LDR、局部維度特征LDF和局部高程差LHD；所述局部粗糙度LDR是指點(diǎn)云中的某個(gè)參考點(diǎn)到該參考點(diǎn)所在的某個(gè)空間尺度下的鄰域點(diǎn)所形成的最佳擬合平面的距離；所述局部維度特征LDF是指點(diǎn)云中的某個(gè)參考點(diǎn)與該參考點(diǎn)的鄰域點(diǎn)之間在空間上是以一維、二維還是三維分布的特征度量值；所述局部高程差LHD是指點(diǎn)云中某個(gè)參考點(diǎn)與該參考點(diǎn)在某個(gè)空間尺度下的鄰域點(diǎn)所構(gòu)成的全體點(diǎn)集中，到達(dá)該點(diǎn)集所形成的最佳擬合平面的最大距離與最小距離之差；

1.3)對所述點(diǎn)云分類特征變量進(jìn)行去冗余和降維，包括特征子集的搜索過程和特征子集的評價(jià)過程，得到最優(yōu)特征子集；

特征子集搜索的策略為前向搜索，通過降維進(jìn)行特征子集搜索；對特征子集中，當(dāng)新加入的特征變量不僅與類別變量之間的相關(guān)性高，同時(shí)又與當(dāng)前子集內(nèi)部的特征變量之間的相關(guān)性較低時(shí)，獲得最優(yōu)特征子集；實(shí)現(xiàn)過程如下：

1)建立兩個(gè)集合形式的數(shù)據(jù)結(jié)構(gòu)P和Q，P代表候選子集，Q代表最優(yōu)子集，類別屬性變量為Y，除類別屬性外的其他屬性為X＝{X₁,X₂,X₃,...,X_n}；將除Y外的其他特征變量添加到候選子集中，設(shè)置子集內(nèi)部的相關(guān)性閾值為δ；

2)如果進(jìn)入步驟4)，否則循環(huán)讀取X中的每個(gè)特征變量X_i，并按式(10)計(jì)算其與Y的相關(guān)性系數(shù)，找到其中與Y的相關(guān)性系數(shù)最大的特征變量X_c，并令δ＝max{corr(X_i,Y)}，X_i∈X，然后進(jìn)入步驟3)；

式(10)中，X_i、Y分別代表特征集X的第i個(gè)特征變量值和對應(yīng)的類別屬性值，分別代表特征集X的第i個(gè)特征變量的平均值和對應(yīng)的類別屬性的平均值，X_ij和Y_j分別代表第j個(gè)樣本數(shù)據(jù)的第i個(gè)特征變量值和對應(yīng)的類別屬性值；

3)將X_c與Q內(nèi)的每個(gè)特征變量進(jìn)行相關(guān)性評價(jià)，如果X_c與Q內(nèi)的任意一個(gè)特征變量的相關(guān)性均小于δ，則將X_c添加到Q內(nèi)，同時(shí)從P內(nèi)刪除該特征變量，否則直接從P內(nèi)刪除該特征變量，繼續(xù)步驟2)；

4)輸出Q，得到最優(yōu)特征子集，結(jié)束搜索；

再選擇合適的機(jī)器學(xué)習(xí)分類方法進(jìn)行點(diǎn)云分類，進(jìn)一步過濾和粗差糾正得到較為精準(zhǔn)的道路點(diǎn)云數(shù)據(jù)；

1.4)通過三維插值構(gòu)建高精度的DSM；

1.5)從得到的DSM模型數(shù)據(jù)中選取一系列縱剖面線，利用國際平整度指數(shù)IRI模型計(jì)算得到各剖面線對應(yīng)的IRI值，并經(jīng)過柵格化處理得到路面的IRI值的空間分布圖；

1.6)結(jié)合地面實(shí)測數(shù)據(jù)進(jìn)行標(biāo)定，對路面平整度區(qū)分不同的等級，表示路面質(zhì)量從差到好的類型，實(shí)現(xiàn)對路面質(zhì)量的遙感監(jiān)測與評估。