[发明专利]基于密度直方图的机载LiDAR点云数据漏洞快速检测方法

说明书

本发明提供一种基于密度直方图的机载LiDAR点云数据漏洞快速检测方法，包括利用航飞测区边界数据对获取的大范围机载LiDAR点云数据进行分块；针对每一个分块点云数据，按照预设尺寸的规则格网进行划分，并统计落入每个格网内点云的数目，绘制点云分布的密度直方图；根据点云分布的密度直方图和预设的密度分割阈值，识别点云数据中密度较低的区域为候选漏洞区域；根据输入的水域边界数据，通过计算多边形间的重叠度进行匹配，从候选漏洞边界中过滤属于水域的边界，输出最后保留的候选漏洞区域边界为检测的漏洞区域边界结果。本发明克服了目前大规模机载点云数据漏洞人工检测效率低、点云漏洞边界难以准确估计的问题，提高了数据漏洞检测的自动化程度。

技术领域

本发明属于计算机视觉和激光扫描数据处理的交叉领域，尤其涉及机载激光扫描数据完整性检查与点云数据漏洞自动检测方法。

背景技术

机载LiDAR(激光雷达)技术是获取有关地表地形形态、地物(如建筑物、道路和树木等)高精度三维表面信息的新型测绘技术，能够获取大范围地表高精度的三维坐标信息。机载LiDAR技术获取的三维激光点云数据已经成为高精度数字高程模型(DEM/DSM)生产、大范围城市建筑物三维建模和植被冠层结构提取的重要数据源。三维点云在基础测绘制图、三维数字城市建设、高精度导航地图生产和森林资源调查等中都具有广泛应用。但是，由于树木、高大建筑物和山体遮挡，机载LiDAR点云数据中会存在一些局部的数据漏洞或孔洞。不完整的点云数据会严重影响点云数据后续分析及应用的质量，如影响高精度DEM/DSM的生产质量。由于机载点云数据一般覆盖范围较大，因局部遮挡造成的漏洞面积相比于整个数据范围而言较小，因此采用人工方式检查数据中的局部漏洞将非常耗时费力。所以，如何自动化地探测机载LiDAR点云数据中的数据漏洞对于点云数据质量的快速检查、数据漏洞填补和修测具有重要的意义。

目前，针对机载点云数据漏洞的研究工作主要集中在如何对点云数据漏洞进行修补。例如，陈志杨等(2005)较早地针对点云数据中空洞区域提出了一种具有自适应特性的数据补测算法。该算法以人工检测的漏洞边界为输入，然后提取该漏洞边界一定缓冲区范围内的点作为补测数据影响区域，进而以影响区域内的点位置信息为基准拟合曲面，最后依据拟合的曲面进行漏洞区域的补测。该方法虽然可以补测小范围的光滑表面漏洞，但是漏洞边界的获取需要人工从海量点云数据中进行识别，比较耗时费力。钟毅和林德静(2008)提出了一种基于移动最小二乘的点云空洞修补算法，该算法根据输入的点云空洞边界，利用空洞边界的点信心，采用移动最小二乘拟合最优曲面逼近空洞边界点，进而对曲面进行采样来修补点云漏洞。类似地，蒋刚(2009)提出了一种基于SVM和空间投影的点云空间修补方法，该方法是通过空投影将三维点云转换为二维数据，采用支持向量机做回归分析，获得缺失区域内的点云坐标。该方法虽然对点云漏洞进行修补，但是未对点云数据中漏洞的具体位置、范围、大小和边界信息进行提取，只适用于小范围的逆向工程中的点云数据漏洞修补，但对于大场景的机载LiDAR点云数据漏洞检测和修补具有一定局限。蔡香玉等人(2017)采样径向基神经网络来学习点云的分布特征，拟合隐式曲面，进而对点云空洞进行填补(预测)。此外，另有学者融合多源数据和建筑物的结构分布规律对点云漏洞进行填补。例如，罗德安等(2014)考虑到建筑物立面部件(如门窗、阳台等)的分布具有重复性的规律特征，提出了一种人工诱导的点云漏洞修补算法。该算法需要人工识别漏洞所在区域，通过半自动化交互方式进行数据填补。王果等人(2014)首先识别建筑物立面位置，然后通过重建扫描光线来识别数据中的漏洞，并对漏洞进行填补。但是，该方法仍然没有对点云漏洞的范围、形状和边界进行提取。李永强等人(2017)融合机载和车载的LiDAR点云数据进行建筑物里面空洞的填补，首先识别机载点云数据中的建筑物边界，进而基于该边界信息对机载和车载点云匹配，实现车载点云数据中建筑物里面空洞的填补。该方法将车载点云划分为网格，然后通过计算网格内点云数目与该网格理论点云数目的比值来判断该网格是否为需要填补的网格，没有识别和提取点云数据中空洞的范围和边界信息。Doria和Radke(2012)将图像处理中的图像修复方法应用到深度图像修复中，将点云首先转化为深度图像，然后对该深度图像进行修复，最后将修复后的深度图转换为点云来实现对原始点云数据中因为局部遮挡造成的数据空洞。