[發明專利]基于四旋翼無人機激光雷達系統的城市地形三維重建方法

有效

• 申請號: 201811344145.8
• 申請日: 2018-11-13
• 公開（公告）號: CN109459759B
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 吳晶華;王子建;王容川;葉曉東;孔令成;曾偉;張萍;宋戈;梁偉
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G01S17/89
• 分類號: G01S17/89;G01S19/42;G01S7/487;G01S7/493
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于四旋翼無人機激光雷達系統的城市地形三維重建方法，其特征是按如下步驟進行：

步驟1、數據獲取：

步驟1.1、利用四旋翼無人機上的機載GPS實時獲取自身RMC格式的定位信息集合并按照順序逐幀發送給地面基站用于存儲，其中任意第α條定位信息包括：第α個GPS時間戳RMC_α.timestamp，第α個經緯度RMC_α.position，第α個航向信息RMC_α.track；

步驟1.2、利用四旋翼無人機上的機載激光雷達獲取城市地形數據集合D并按照順序逐幀發送給地面基站用于存儲，其中任意第j條城市地形數據d_j包含：第j個點號d_j.PointID、第j個空間坐標點(x_j,y_j,z_j)、第j個調節時間d_j.adjustedtime、第j個方位角d_j.Azimuth、第j個距離d_j.Distance、第j個反射強度d_j.Intensity、第j個雷達通道d_j.Laser_id、第j個點時間戳d_j.timestamp；

步驟2、數據整合：

從所述城市地形數據集合D和定位信息集合中選取滿足式(1)的各條城市地形數據和定位信息，從而得到n個數據并構成數據集P_fit：

d_j.timestamp＝RMC_α.timestamp(1)

步驟3、坐標系轉換：

步驟3.1、利用式(2)將所述數據集P_fit中第i個數據中的空間坐標點(x_i,y_i,z_i)平移到第一條數據中的空間坐標點的坐標系中，從而得到平移后的第i個空間坐標點(x_i′,y_i′,z_i′)，進而得到平移后的n個空間坐標點：

式(2)中，T(t_x,t_y,t_z)表示平移矩陣，并通過第i條數據中的經緯度position獲得，i＝1,2,…,n；

步驟3.2、利用式(3)將所述數據集P_fit中平移后的第i個空間坐標點(x′_i,y′_i,z′_i)繞x軸進行旋轉，得到旋轉后的第i個空間坐標點(x″_i,y″_i,z″_i)，進而得到旋轉后的n個空間坐標點：

式(3)中，R_x(θ)表示旋轉角矩陣，并通過第i條數據中的航向信息track獲得；

將所述旋轉后的n個空間坐標點作為n個點云數據，并記為P＝{p₁,p₂,...,p_i,...,p_n}；其中，p_i表示旋轉后的第i個空間坐標點(x″_i,y″_i,z″_i)；

步驟4、點云去噪：

步驟4.1、利用閾值法獲得所述n個點云數據P_N中的無效點云數據并將所述無效點云數據清零，從而得到去除后的點云數據集；

步驟4.2、利用距離和數量雙約束的KNN算法來對所述去除后的點云數據集進行去噪和平順處理，得到去噪后的點云數據集；

步驟4.2.1、初始化m＝1，定義參數r；令表示去除后的點云數據集中的任意一點；

步驟4.2.2、利用KNN算法搜索處于以為球心，以r為半徑的第m個球內的近鄰點；

步驟4.2.3、如果第m個球內的近鄰點數少于所設定的閥值數量n，則表示任意一點為噪聲點并去除，再執行步驟4.2.5；否則執行步驟4.2.4；

步驟4.2.4、計算第m個球內所有點的重心O_m，并計算任意一點到重心O_i的距離dis(O_m,p_m)，如果dis(O_m,p_m)＜c×r，則不作處理，否則，利用式(4)將任意一點按概率和權重w向重心移動，得到移動后的第m個點

式(4)中，c和w是分別處于0到1之間的一個常數，d是隨機數閥值；

步驟4.2.5、將m+1賦值給m，m≥N是否成立，若成立，則表示得到去噪后的點云數據集，記為否則，返回步驟4.2.2；

步驟5、點云抽稀：

使用基于K-means++聚類的點云精簡算法對所述去噪后的點云數據集進行抽稀處理，得到抽稀后的點云數據；

步驟6、對所述稀后的點云數據可視化處理，從而得到城市地形的三維點云模型。

2.根據權利要求1所述的城市地形三維重建方法，其特征是：所述步驟5是按如下過程進行：

步驟5.1、定義變量v，并初始化v＝1；利用式(5)得到聚類中心的個數k；

式(5)中，M是點云總數量，g是一個比例系數，且為大于1的常數，ceil(·)表示向上取整函數；

步驟5.2、從去噪后的點云數據集中隨機選取第v個點c_v加入初始點集C；

步驟5.3、計算第m個點與第v個點c_v之間的距離平方S_m,v，從而得到M個點與所選取的點c_v之間的距離平方集合S_v＝{S_1,v,S_2,v,…,S_m,v,…,S_M,v}；

步驟5.4、從距離平方集合S_v中選取最大值所對應的點作為第v+1個點c_v+1并加入初始點集C；

步驟5.5、判斷v+1＞k是否成立，若成立，則執行步驟5.6；否則，返回步驟5.3；

步驟5.6、利用K-means算法對所述初始點集C進行聚類，得到k個聚類中心，記為C'＝{c′₁,c′₂,...,c′_v,...,c′_k}并作為抽稀后的點云數據集。