1.本发明涉及自然资源遥感和测绘科学技术领域，特别涉及一种无人机载大厚度激光点云地面点分类方法。
背景技术：2.智慧城市旨在实现城市信息化、数字化，提高资源利用率，优化城市管理和改善居民生活，涵盖城市的交通、经济、民生、环境、安防等领域。智慧城市对我国正在进行的现代化城市建设具有重要意义。数字地形三维模型是智慧城市数字底座。目前，数字地形三维建模，使用机载激光扫描技术是最优的解决方案。由于空域和隐蔽区域的问题，无人机载激光扫描作为大飞机平台的有效补充，技术已经日趋成熟。
3.机载激光扫描(lidar)是整合全球卫星定位系统(gnss)和惯性测量装置(imu)技术系统，激光扫描仪搭载在飞机上，可以获得城市大面积地物的三维坐标和其他有关信息。对于道路数据采集lidar传感器发射的激光脉冲能部分穿透树冠遮挡，直接获取高精度三维点云数据，辅助同时采集的影像可以对点云赋色。三维点云数据经过分类、聚类等后处理，可以生成不同地物的数字高程模型(dem)和数字地表模型(dsm)。但是目前高精度的设备多为进口且价格昂贵，低端的设备采集的点云较厚，精度不高。本发明针对低端激光扫描设备采集的点云较厚问题，提出一种地面激光点抽取和分类方法，使其能够完成地表精确分类，并与其他高精度点云数据融合，扩大低端激光扫描设备适用范围。
技术实现要素：4.本发明针对现有技术中的不足，提供一种无人机载大厚度激光点云地面点分类方法，主要解决无人机载大厚度激光点云地面点分类精度的效率不高的问题，而建立一套分类地表点云的技术方法。数据分类成果，有利于与其他高精度点云数据融合，扩大低端激光扫描设备适用范围。
5.为实现上述目的，本发明采用以下技术方案：
6.一种无人机载大厚度激光点云地面点分类方法，包括以下步骤：
7.s1：数据获取与分析；包括收集无人机载激光雷达点云数据，并分析数据的每条航带重叠部分是否有分层现象，同名地物是否有位置错开现象；若出现“分层”或“错开”现象，则进行纠正处理；
8.s2：对步骤s1处理的点云进行中间点抽取，以抽取出大厚点云中的中间部分；
9.s2.1：近似平面点云的选择集提取；即对步骤s1处理后的点云中，将区域中高程变化波动大的点云进行滤除，并将符合条件的点云进行保留构成近似平面点云的选择集；
10.s2.2：针对选择集中的点云数据，划分出多个细小分块，并计算各个细小分块的点云重心；
11.s2.3：拟合曲面；即以各个细小分块的点云重心为采样数据，采用最小二乘曲面拟合方法拟合局部曲面，对于不在拟合曲面上的采样点，强制采样点映射到曲面对应的平面
位置上，进而得出拟合曲面；
12.s2.4：中间激光点抽取；即针对步骤s1处理后的激光点云数据，将其与步骤s2.3所拟合曲面进行比对，筛选出拟合曲面上下一定范围内的点云数据，进而达到抽取大厚点云中的中间点云部分的目标；
13.s3：对步骤s2抽取的点云进行分类，筛选出属于地表的点云数据。
14.为优化上述技术方案，采取的具体措施还包括：
15.进一步地，步骤s1中所述的若出现“分层”或“错开”现象，则进行纠正处理的具体内容为：
16.对于“分层”现象，根据“各层”激光点同名特征点的高程值求取平均值，再对“各层”的激光点高程值，用其与平均值之间的差值进行改正，以消除“分层”现象；
17.对于“错开”现象，根据“错开”激光点同名特征点的位置坐标求取平均值，再对各“错开”的激光点位置坐标值，用其与平均值之间的差值进行改正，以消除“错开”现象。
18.进一步地，步骤s2.1的具体内容为：
19.s2.1.1：点云的格网化；根据步骤s1处理后的加载点云在xoy平面坐标分量的最小值 (xmin，ymin)、最大值(xmax，ymax)，按照指定的步长生成二维格网；
20.s2.1.2：统计格网内点云的最大高程差，如果高程差大于预先设定的阈值，则认为该格网内的点云高低起伏波动大，予以滤除；相反地，予以保留；
21.s2.1.3：汇总保留下来的点云，构成近似平面点云的选择集。
22.进一步地，步骤s2.2的具体内容为：
23.s2.2.1：数据集的分块；针对步骤s2.1选择集中的点云数据，计算在y轴上的最大值、最小值，并自定义分块间隔，用“(最大值-最小值)/分块间隔”公式计算出分块个数，从y 坐标的最小值开始分块；
24.s2.2.2：计算细小分块数据的重心点；对于每一分块数据，继续用规则正方形进行细分形成细小分块，并用xyz三个坐标值分别求平均值的方法计算出每一个细小分块内所有点云的重心点坐标，记为pi点。
25.进一步地，步骤s2.4的具体内容为：
26.s2.4.1：确定需要抽取的点云厚度；根据原始点云数据噪声水平和最终成果要求，确定抽取点的点云厚度：为1cm-2cm之间；
27.s2.4.2：确定要抽取的激光点；以步骤s1处理后的激光点作为原始点集，以其中的每个点为中心，采用kd树的搜索方法，以一定的搜索半径在拟合曲面上的重心点集中进行搜索，按照确定的需要抽取的点云厚度值，将拟合曲面上下位于厚度阈值范围内的点分离出来，点的类别标记设为2，厚度阈值范围外的点类别标记设为1；
28.s2.4.3：点云输出；根据原始点集的空间顺序，逐一点搜索完成后，将处理完成后的点云按照设定的类别标记进行输出，其中输出文件中类别为2的点云是抽取出来的点，类别为 1的点云还保持原来状态。
29.进一步地，步骤s3的具体内容为：
30.s3.1：临时归类；把步骤s2中抽取到的点分类到一个临时的类别中，例如第m类，后面的步骤需要基于这些点进行再分类；
31.s3.2：将第m类作为源类，采用平面拟合方法进行进一步分类，筛选出疑似地面点
的数据和非地面点的数据，并将疑似地面点的数据放入到n类，后面的步骤需要基于这些点进行再分类；
32.s3.3：将第n类作为源类，采用渐进三角网算法进行进一步分类，筛选出地面点的数据和非地面点的数据，并将地面点的数据放入到o类，同时将步骤s3.2以及步骤s3.3中筛选出的非地面点的数据放入到p类中，以此完成无人机载大厚度激光点云地面点的分类。
33.本发明的有益效果是：无人机载的激光扫描设备，是车载和大机载等设备的有效补充。但是在生产过程中发现，即使在铺装路面，无人机载低端激光扫描设备采集的点云厚度也有 20cm以上。这样的精度，不能满足道路竣工测量、高精度地形测量的要求。本发明提出的地面激光点抽取和分类方法，可以抽取出较厚点云的中间部分点，并分类地表和构建曲面，使其能够完美表达地表起伏。使无人机载低端激光扫描设备能够应用在道路竣工测量、高精度地形测量等高精测量中。相比使用高端设备，节约了设备成本，扩大低端激光扫描设备适用范围。使用无人机搭载低端激光扫描系统技术，比现行的技术方法可以节省大量的人力工作，生成的地表模型的精度与高精度设备的相当，且生产效率可以提高2倍以上。
附图说明
34.图1是本发明整体设计方案流程示意图。
35.图2是本发明高程渲染示意图；其中(a)为按高程渲染图，(b)为道路局部放大按高程渲染图。
36.图3是本发明界面点云示意图；其中(a)为在全域图中显示截面的位置，(b)为显示截面抽取点(颜色较深)和保留点(颜色较浅)的具体分布，以及截面点云的厚度。
37.图4是本发明分类结果示意图；其中(a)为透视图显示平面拟合方法分类结果(构tin 显示)；(b)为显示渐进三角网方法分类结果(构tin显示)。
具体实施方式
38.现在结合附图对本发明作进一步详细的说明。
39.根据图1所示的方法流程，以“基于大疆l1激光扫描的数字地表精细建模”项目为应用实例，对本发明进一步阐明：
40.第一步，数据获取与分析。收集到大疆l1无人机载激光雷达点云数据，为南京市江宁区数据，航飞高度为100m，采集到的激光点云图见图2。数据航飞时间为2021年12月6日，分辨率约为每平方米260个点，共20557015个点。如图2(a)为按高程渲染图，2(b)为道路局部放大按高程渲染图。分析数据的每条航带重叠部分没有分层现象，同名地物位置也没有错开现象。可以进行下一步操作。
41.第二步，点云中间点抽取。根据第一步搜集的合格数据，创建算法，抽取较厚点云的中间部分。第二步包括如下子步骤：
42.(1)近似平面点云的选择集提取。该步骤主要是将某一指定大小区域中高程变化波动较大的点云滤除，具体做法如下：
①
点云的格网化。根据加载点云在xoy平面坐标分量的最小值(xmin，ymin)、最大值(xmax，ymax)按照指定的步长生成二维格网；
②
统计格网内点云的最大高程差。如果高程差大于预先设定的阈值(设为0.3m)，则认为该格网内的点云
高低起伏波动较大，予以滤除；相反地，予以保留；
③
汇总保留下来的点云，构成近似平面点云的选择集。
43.(2)计算点云重心。具体步骤为：
①
数据集的分块。该步骤主要是为后续的多线程处理提供支持，分块的依据是：经第(1)步处理后保留下来的近似平面点云的选择集，计算其在 y轴上的最大值、最小值，用“(最大值-最小值)/分块间隔”公式计算分块个数，从y坐标的最小值开始分块(本数据集分块的间隔为5m)；
②
计算分块数据的重心点。对于每一块数据，继续用规则正方形进行细分(细分间隔设为0.5m)，并计算每一个细分块内所有点云的重心点，记为pi点。
44.(3)拟合曲面。获取到区域内所有重心点后，以此为采样数据，采用最小二乘曲面拟合方法拟合局部曲面。对于不在拟合曲面上的采样点，强制采样点映射到曲面对应的平面位置上。
45.(4)中间激光点抽取。具体步骤为：
①
确定抽取点云厚度。根据原始点云数据噪声水平和最终成果要求，确定抽取点的点云厚度，一般为1cm-2cm之间，本次确定为1.5cm。
②
确定原始点集中的点是否抽取。以原始点集中的每个点为中心，采用kd树的搜索方法，以一定的搜索半径(1.5cm)在曲面上的重心点集中进行搜索。按照设定的抽取点云厚度(1.5cm) 将位于厚度阈值范围内的点分离出来，点的类别标记设为2，厚度阈值范围外的点类别标记设为1。
③
点云输出。根据原始点的空间顺序，逐一点搜索完成后，将处理完成后的点云按照设定的类别标签进行输出。输出文件中类别为2的点云是抽取出来的点，类别为1的点云还保持原来状态。图3(a)在全域图中显示截面的位置，在道路上用两个横杆表示；3(b) 显示截面抽取点(颜色较深)和保留点(颜色较浅)的具体分布，上下两条线的距离表示点云的厚度，经过量测，点云厚度有20cm。
46.第三步，激光点云地表点分类。根据抽取出中间激光点数据，进行较厚激光点云的地表点分类。第三步包括如下子步骤：
47.(1)临时归类。把抽取到的中间点分类到一个临时的类别中，例如第8类。后面的步骤需要基于这些点分类。
48.(2)第8类作为源类，用平面拟合方法分类。平面拟合方法分类规则目的是对点进行分类，而形成局部的平面。平面公差的设置决定了点与拟合平面的匹配程度，这设定为0.2m。用平面拟合方法分来出的疑似地面点放在一个临时类中，例如第31类，后面的步骤需要基于这些点分类。图4(a)透视图显示平面拟合方法分类结果(构tin显示)，图中可见有许多建筑被错分。
49.(3)第31类作为源类，用渐进三角网算法分类。渐进三角网点分类算法是通过反复建立地表三角网模型的方式分离出地表面上的点。该算法在开始时选择一些低点，认为它们是位于地表面上。通过“最大建筑物”参数来控制初始点的选择，设定建筑物的最大边长是60 米。算法应用选择的低点建立初始模型，这一初始模型的三角形大多数低于地面，只有最高点接触到地表。然后，算法通过反复加入新的激光点开始向上扩建模型，每个加入的点使模型更加贴近地表。“迭代距离”参数设定为1.4m，“迭代角”参数定为88度。分类好的结果放在地表类里(通常是第2类)图4(b)显示渐进三角网方法分类结果(构tin显示)，图中可见地表分类完好。
50.(4)总结归类。把之前设定的临时类里的点云归类到默认类中。第31类的点分类到
第 8类，之后把第8类的点分类到第1类(默认类)。
51.综上，通过以上步骤(第一步到第三步)，就完成了无人机载大厚度激光点云地面点分类，地面点放在第2类中，其他非地面点放在默认类(第1类)中。该分类成果为后续的精细分类提供数据基础。
52.需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
53.以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
技术特征：1.一种无人机载大厚度激光点云地面点分类方法，其特征在于，包括以下步骤：s1：数据获取与分析；包括收集无人机载激光雷达点云数据，并分析数据的每条航带重叠部分是否有分层现象，同名地物是否有位置错开现象；若出现“分层”或“错开”现象，则进行纠正处理；s2：对步骤s1处理的点云进行中间点抽取，以抽取出大厚点云中的中间部分；s2.1：近似平面点云的选择集提取；即对步骤s1处理后的点云中，将区域中高程变化波动大的点云进行滤除，并将符合条件的点云进行保留构成近似平面点云的选择集；s2.2：针对选择集中的点云数据，划分出多个细小分块，并计算各个细小分块的点云重心；s2.3：拟合曲面；即以各个细小分块的点云重心为采样数据，采用最小二乘曲面拟合方法拟合局部曲面，对于不在拟合曲面上的采样点，强制采样点映射到曲面对应的平面位置上，进而得出拟合曲面；s2.4：中间激光点抽取；即针对步骤s1处理后的激光点云数据，将其与步骤s2.3所拟合曲面进行比对，筛选出拟合曲面上下一定范围内的点云数据，进而达到抽取大厚点云中的中间点云部分的目标；s3：对步骤s2抽取的点云进行分类，筛选出属于地表的点云数据。2.根据权利要求1所述的一种无人机载大厚度激光点云地面点分类方法，其特征在于，步骤s1中所述的若出现“分层”或“错开”现象，则进行纠正处理的具体内容为：对于“分层”现象，根据“各层”激光点同名特征点的高程值求取平均值，再对“各层”的激光点高程值，用其与平均值之间的差值进行改正，以消除“分层”现象；对于“错开”现象，根据“错开”激光点同名特征点的位置坐标求取平均值，再对各“错开”的激光点位置坐标值，用其与平均值之间的差值进行改正，以消除“错开”现象。3.根据权利要求1所述的一种无人机载大厚度激光点云地面点分类方法，其特征在于，步骤s2.1的具体内容为：s2.1.1：点云的格网化；根据步骤s1处理后的加载点云在xoy平面坐标分量的最小值(xmin，ymin)、最大值(xmax，ymax)，按照指定的步长生成二维格网；s2.1.2：统计格网内点云的最大高程差，如果高程差大于预先设定的阈值，则认为该格网内的点云高低起伏波动大，予以滤除；相反地，予以保留；s2.1.3：汇总保留下来的点云，构成近似平面点云的选择集。4.根据权利要求1所述的一种无人机载大厚度激光点云地面点分类方法，其特征在于，步骤s2.2的具体内容为：s2.2.1：数据集的分块；针对步骤s2.1选择集中的点云数据，计算在y轴上的最大值、最小值，并自定义分块间隔，用“(最大值-最小值)/分块间隔”公式计算出分块个数，从y坐标的最小值开始分块；s2.2.2：计算细小分块数据的重心点；对于每一分块数据，继续用规则正方形进行细分形成细小分块，并用xyz三个坐标值分别求平均值的方法计算出每一个细小分块内所有点云的重心点坐标，记为pi点。5.根据权利要求1所述的一种无人机载大厚度激光点云地面点分类方法，其特征在于，步骤s2.4的具体内容为：
s2.4.1：确定需要抽取的点云厚度；根据原始点云数据噪声水平和最终成果要求，确定抽取点的点云厚度：为1cm-2cm之间；s2.4.2：确定要抽取的激光点；以步骤s1处理后的激光点作为原始点集，以其中的每个点为中心，采用kd树的搜索方法，以一定的搜索半径在拟合曲面上的重心点集中进行搜索，按照确定的需要抽取的点云厚度值，将拟合曲面上下位于厚度阈值范围内的点分离出来，点的类别标记设为2，厚度阈值范围外的点类别标记设为1；s2.4.3：点云输出；根据原始点集的空间顺序，逐一点搜索完成后，将处理完成后的点云按照设定的类别标记进行输出，其中输出文件中类别为2的点云是抽取出来的点，类别为1的点云还保持原来状态。6.根据权利要求1所述的一种无人机载大厚度激光点云地面点分类方法，其特征在于，步骤s3的具体内容为：s3.1：临时归类；把步骤s2中抽取到的点分类到一个临时的类别中，例如第m类，后面的步骤需要基于这些点进行再分类；s3.2：将第m类作为源类，采用平面拟合方法进行进一步分类，筛选出疑似地面点的数据和非地面点的数据，并将疑似地面点的数据放入到n类，后面的步骤需要基于这些点进行再分类；s3.3：将第n类作为源类，采用渐进三角网算法进行进一步分类，筛选出地面点的数据和非地面点的数据，并将地面点的数据放入到o类，同时将步骤s3.2以及步骤s3.3中筛选出的非地面点的数据放入到p类中，以此完成无人机载大厚度激光点云地面点的分类。
技术总结本发明公开了一种无人机载大厚度激光点云地面点分类方法，包括如下步骤：第一步，无人机载激光雷达(LiDAR)点云数据数据获取与分析；第二步，抽取较厚点云的中间部分点，并识别出其中的“中间点”；第三步，根据“中间点”把较厚点云自动分类出地面点。该分类成果为后续的精细分类提供数据基础，使其能够与高等级设备采集的数据屁匹配。采集的数据屁匹配。采集的数据屁匹配。
技术研发人员：韩文泉 韩昌宝 陈年青 叶菲
受保护的技术使用者：南京市测绘勘察研究院股份有限公司
技术研发日：2022.07.25
技术公布日：2022/11/1
