基于车载激光点云数据的城市道路横坡和超高值计算方法技术

本发明专利技术公开了一种基于车载激光点云数据的城市道路横坡和超高值计算方法，包括：将原始点云数据重构为对齐的扫描格式网格；提出一种分层道路提取算法将包括周边建筑物、路灯和标牌在内的非地面点分离出去，包括高度直方图、平面划分及欧式聚类；建立点云空间索引，采用两步自适应高度阈值法去除包括道路上行驶的车辆、植被在内的地物点；采用基于虚拟格网的插值算法对点云空洞进行填补；按预设间距提取道路横断面，采用随机一致性抽样算法对高程和横向数值进行回归，求取横坡值。本发明专利技术能够在大量地物噪音存在的情况下，从高密度的激光点云数据中将道路部分完整提取出来，并计算出道路横坡和超高值，验算路段指标安全性。验算路段指标安全性。验算路段指标安全性。

Calculation method of urban road cross slope and superelevation based on vehicle mounted laser point cloud data

【技术实现步骤摘要】
基于车载激光点云数据的城市道路横坡和超高值计算方法


[0001]本专利技术属于交通安全分析
，尤其涉及一种基于车载激光点云数据的城市道路横坡和超高值计算方法。

技术介绍

[0002]横坡是道路几何设计的重要元素。它通常是在垂直于道路前进方向的平面上测量的，从最高的路面中心到两个边缘(在直线段上)或从外缘到内缘(在曲线上)。横坡测量通常是手工进行的。这些手工现场测量要求工程师将设备放置在路面上以获取横坡。图2显示，三位中国工程师正在使用数字水平仪测量已建成道路的横坡。此外，如果在测量点周围设置交通锥，将会影响交通。现场测量相对而言耗费时间和人工较大，且很难解决完成大尺度的道路横坡测量。因此，需要提出更自动化和高精度的方法。目前，移动激光扫描系统是一种新兴的、很有前途的测量技术，它集成了激光扫描仪、导航传感器(全球导航卫星系统(GNSS)和惯性测量单元(IMU))以及移动平台上的图像数据采集传感器(全景和数码相机)。通过连续的激光扫描，在装载点云的车辆沿着给定道路行驶时，收集到路面和路边设施上密集的点云。由于点云数据具有较高的准确性和丰富的信息包容性，广泛应用于路面、道路标记、行车线、道路裂缝、道路人孔等各类道路物体的检测和提取。
[0003]然而，尽管已有一些研究利用点云数据对横坡进行了评估，但仍有一些可改进的地方。本文讨论的噪音主要是非基础设施噪音，如车辆、行人和骑自行车的人，而不是由空气尘埃引起的噪音。理想情况下，当激光雷达发射的激光从路面反射回来时，可以获得路面的点云。而非基础设施噪声的存在使得发射的激光在半途在车辆表面反射回来，获取的点云为非基础设施点云，同时地面点云由于车辆遮挡出现孔洞。这些车辆噪声引起的非基础设施噪声和缺失点区域会对横截面的拟合产生不利影响。在低交通流量小时收集数据或合并多个数据集可以有效缓解噪音问题。然而，这两种措施可能会增加成本。因此，从嘈杂的点云数据中评估横坡是一种适用范围更广的方式，既可以减少在特定时间收集点云数据的需求，也可以减少数据收集的数量。
[0004]专利号为CN114170149A的专利技术中提及一种基于激光点云的道路几何信息提取方法，包括：对点云进行半径滤波和网格降采样以精简点云；考虑到路面点高程分布较为集中，且道路表面更为平滑，提取点云的高程特征与局部法向量特征用来区分地面点与非地面点；在地面点上使用区域生长法连接路面点，经过误删点恢复后得到完整的路面点云；最后根据采集车辆的轨迹信息，计算轨迹向量并切取道路横截面，使用最小二乘法获取道路的几何参数。本专利技术同时兼顾了提取精度和程序运行效率，可以全方面考虑不同道路环境下道路几何信息的自动化提取。但该专利技术需要借助车辆轨迹，也没有涉及大量地物噪音存在的情况的道路点云提取方法。

技术实现思路

[0005]解决的技术问题：本专利技术针对现有技术中的不足，提供一种基于车载激光点云数
据的城市道路横坡和超高值计算方法，能够在大量地物噪音存在的情况下，从高密度的激光点云数据中将道路部分完整提取出来，并计算出道路横坡和超高值，验算路段指标安全性。
[0006]技术方案：
[0007]一种基于车载激光点云数据的城市道路横坡和超高值计算方法，所述道路横坡和超高值计算方法包括以下步骤：
[0008]S10，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格；
[0009]S20，采用基于高度直方图、基于k近邻的滤波和基于欧氏距离的聚类技术分割道路点云，将包括周边建筑物、路灯和标牌在内的非地面点分离出去，得到完整的道路点云；
[0010]S30，建立点云空间索引，在此基础上采用两步自适应高度阈值法去除包括道路上行驶的车辆、植被在内的地物点；
[0011]S40，采用基于虚拟格网的插值算法对点云空洞进行填补，以获得完整的道路点云；
[0012]S50，按预设间距提取道路横断面，对于每个提取的横断面，采用随机一致性抽样算法对高程和横向数值进行回归，求取横坡值；将计算得到的横坡值与规范横坡值对比，确定不合规范的横坡及超高值所处位置。
[0013]进一步地，步骤S10中，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格的过程包括以下步骤：
[0014]S11，对原始激光点云数据进行坐标转换，根据原始激光点云数据与轨迹数据的对应关系，将点云重构为扫描格式网格；
[0015]S12，利用稳健局部加权回归算法对点云坐标转换中的多个参数进行平滑处理，扭直道路点云中的曲线段，且所有道路点云处于相似的高程范围。
[0016]进一步地，步骤S11中，将点云重构为扫描格式网格的过程包括以下步骤：
[0017]S111，使用每个激光点的时间戳将所有激光点划分为扫描线，每条扫描线都有相应的轨迹点；令T{T1，T2...T
k
...T
n
|1≤k＜n，k，n∈N
+
}为轨迹点的集合，S{S1，S2...S
k
...S
n
|1≤k＜n，k，n∈N
+
}为轨迹点对应的扫描线的LiDAR点集；
[0018]S112，对于第k条扫描线，令T
k
为轨迹向量的起点，T
k+1
为轨迹向量的终点，正向向量表示为以T
k
为原点，以为X
′
轴，建立局部三维坐标系，Y
’
轴沿水平方向与X
′
轴正交，Z
’
轴垂直于X
’‑
Y
’
平面向上的向量；利用坐标变换矩阵，将测地线点变换为X
′
Y
′
Z
′
空间中的局部点：
[0019][0020]式中：是轨迹点T
k
的坐标；(x
k y
k z
k
)
T
是用大地坐标系描述的S
k
的点坐标；(x
′
k y
′
k z
′
k
)
T
是用局部坐标系描述的S
k
的点坐标；β
k
是X轴和大地平面的夹角；γ
k
是向量和X轴的夹角；
[0021]将原始点云被转换为扫描模式格网，起始间隔d；β
k
和γ
k
利用相邻路径点的坐标计
算得到：
[0022][0023]进一步地，步骤S20中，所述得到完整的道路点云的过程包括以下步骤：
[0024]S21：采用高度直方图方法对高于路面的地物进行滤除，对点云进行重构时，将所有点的高程值范围按0.2m的间距等分，得到各范围点的数量、索引以及纵坐标为点数量的直方图，找到最高的条段对应的高程值范围，保留高程值在此高程值范围附近的点；
[0025]S22：采用几何范围划定的方式对道路两侧的设施进行滤除，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车载激光点云数据的城市道路横坡和超高值计算方法，其特征在于，所述道路横坡和超高值计算方法包括以下步骤：S10，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格；S20，采用基于高度直方图、基于k近邻的滤波和基于欧氏距离的聚类技术分割道路点云，将包括周边建筑物、路灯和标牌在内的非地面点分离出去，得到完整的道路点云；S30，建立点云空间索引，在此基础上采用两步自适应高度阈值法去除包括道路上行驶的车辆、植被在内的地物点；S40，采用基于虚拟格网的插值算法对点云空洞进行填补，以获得完整的道路点云；S50，按预设间距提取道路横断面，对于每个提取的横断面，采用随机一致性抽样算法对高程和横向数值进行回归，求取横坡值；将计算得到的横坡值与规范横坡值对比，确定不合规范的横坡及超高值所处位置。2.根据权利要求1所述的基于车载激光点云数据的城市道路横坡和超高值计算方法，其特征在于，步骤S10中，对点云数据进行预处理，将原始点云数据重构为对齐的扫描格式网格的过程包括以下步骤：S11，对原始激光点云数据进行坐标转换，根据原始激光点云数据与轨迹数据的对应关系，将点云重构为扫描格式网格；S12，利用稳健局部加权回归算法对点云坐标转换中的多个参数进行平滑处理，扭直道路点云中的曲线段，且所有道路点云处于相似的高程范围。3.根据权利要求2所述的基于车载激光点云数据的城市道路横坡和超高值计算方法，其特征在于，步骤S11中，将点云重构为扫描格式网格的过程包括以下步骤：S111，使用每个激光点的时间戳将所有激光点划分为扫描线，每条扫描线都有相应的轨迹点；令T{T1，T2...T
k
...T
n
|1≤k＜n，k，n∈N
+
}为轨迹点的集合，S{S1，S2...S
k
...S
n
|1≤k＜n，k，n∈N
+
}为轨迹点对应的扫描线的LiDAR点集；S112，对于第k条扫描线，令T
k
为轨迹向量的起点，T
k+1
为轨迹向量的终点，正向向量表示为以T
k
为原点，以为X
′
轴，建立局部三维坐标系，Y
′
轴沿水平方向与X
′
轴正交，Z
′
轴垂直于X
′‑
Y
′
平面向上的向量；利用坐标变换矩阵，将测地线点变换为X
′
Y
′
Z
′
空间中的局部点：式中：是轨迹点T
k
的坐标；(x
k y
k z
k
)
T
是用大地坐标系描述的S
k
的点坐标；(x
′
k y
′
k z
′
k
)
T
是用局部坐标系描述的S
k
的点坐标；β
k
是X轴和大地平面的夹角；γ
k
是向量和X轴的夹角；将原始点云被转换为扫描模式格网，起始间隔d；β
k
和γ
k
利用相邻路径点的坐标计算得到：
4.根据权利要求1所述的基于车载激光点云数据的城市道路横坡和超高值计算方法，其特征在于，步骤S20中，所述得到完整的道路点云的过程包括以下步骤：S21：采用高度直方图方法对高于路面的地物进行滤除，对点云进行重构时，将所有点的高程值范围按0.2m的间距等分，得到各范围点的数量、索引以及纵坐标为点数量的直方图，找到最高的条段对应的高程值范围，保留高程值在此高程值范围附近的点；S22：采用几何范围划定的方式对道路两侧的设施进行滤除，重构点云，通过划定感兴趣区域的方式，去除区域路侧的离群点，得到初步划定的道路点云；S23：对初步划定的道路点云，建立K近邻点云索引，计算所有点云的平均距离；遍历所有点云，查找每个查询点附近K个最近邻点，计算查询点与其的K个近邻的平均距离；若任意一个查询点的近邻点平均距离大于所有点云平均距离，则将该查询点标记为离群点；待所有点遍历完成后，剔除道路点云中所有离群点；S24：对剔除过离群点的道路点云，将所有点的欧几里得距离小于给定阈值的点云组成一个集群，该阈值按经验确定为所有点平均距离的两倍；完成聚类后，点云中所有点都有一个集群标签，将点的数量最多的集群定义为道路点云，按标签将其分割出来。5.根据权利要求1所述的基于车载激光点云数据的城市道路横坡和超高值计算方法，其特征在于，步骤S30中，所述多步自适应高度阈值地物滤除的过程包括以下步骤：S31，建立虚拟格网，将离散三维点云所在的平面区域用格网先划分为众多大小一致的虚拟格网，各虚拟格网相当于点云空间的一个子空间容器，每个激光点必将落入其中一个格网内；S32，遍历所有格网，查找格网内高程的最低值z
′
min
，计算格网内点云高程的平均值z
′
mean
，计算出高程波动参数δ
z
...

【专利技术属性】
技术研发人员：程建川，刘佳玲，张家钰，
申请(专利权)人：东南大学，
类型：发明
国别省市：