本發(fā)明屬于車載激光掃描點云數據處理技術領域。

背景技術：

車載移動激光測量系統(tǒng)作為一種先進的測量手段，在城市三維數據采集中的應用越來越廣，系統(tǒng)采集到的三維信息包括道路兩側的建筑物、樹木、電燈桿、電力線、橋梁以及道路路面等。桿狀地物是城市部件中最為普遍的設施，隨著智慧城市的快速發(fā)展，急需獲取更加全面、準確的桿狀地物空間位置信息。目前，對于激光點云中桿狀地物提取的研究，主要有聚類法與投影密度法，這兩種方法都基于整體的點云數據，易受點云數據中噪聲點的影響，方法適應性不高。如何更好地挖掘點云數據的形態(tài)特征，提高桿狀地物空間位置提取的精度和效率，仍然是目前的研究難點之一。

技術實現要素：

針對上述技術問題，本發(fā)明通過研究點車載激光掃描數據生成的基于點數的平面投影圖像，運用圖像處理的方式，結合桿狀地物的幾何形態(tài)與特征，提出了一種車載激光掃描點云中桿狀地物空間位置信息自動提取的方法，對桿狀地物進行提取，能夠從海量點云數據中快速、自動提取桿狀地物空間位置信息。

為了實現上述目的，本發(fā)明采用如下技術方案：

一種從車載激光掃描點云中自動提取桿狀地物空間位置的方法，包括如下步驟：

第一步，從車載激光掃描點云中，獲取局部范圍內桿狀地物在豎直方向上的空間分層點云數據，對空間分層點云進行平面投影，根據空間分層點云的范圍與平面坐標，將離散的激光點云投影到平面上，用單位像素中點云數量定義像素的亮度值，轉換成二維的圖像數據，并自動獲取最優(yōu)空間分層點云平面投影圖像；

第二步，對生成的最優(yōu)空間分層點云平面投影圖像進行閾值分割，去掉亮度低的點，即將點云數據中同一高度范圍數量較少的激光點去掉；

第三步，對閾值分割后的平面投影圖像進行直線檢測，去掉具有線特征的數據，即將點云數據中建筑物的墻壁數據去掉；

第四步，對圖像進行進一步提取，去掉不符合桿狀地物直徑特征的數據部分，得到桿狀地物投影圖像；

第五步，從桿狀地物投影圖像中，取每個桿狀地物區(qū)域的幾何中心，作為桿狀地物的空間位置定位點，并將其相對位置還原到三維點云中。

本發(fā)明的優(yōu)點是：

本發(fā)明根據激光點云數據，自動獲取空間分層數據，并自動選取最優(yōu)空間分層數據進行平面投影，通過分析桿狀地物的特征，對基于點數的平面投影圖像進行桿狀地物的提取，不易受數據噪聲點的影響，自動化程度高，更大程度上充分利用了點云數據的形態(tài)特征，達到了較好的提取效果。

附圖說明

圖1為本發(fā)明實施的流程圖；

圖2為自動獲取最優(yōu)空間分層點云投影圖像；

圖3為有較多不同高層點的分層點云投影圖像；

圖4為濾波后分層點云投影圖像；

圖5為桿狀地物的空間位置投影圖像。

圖2-圖5的投影圖像是由黑底白點圖像反轉得到的黑底白點圖像。

具體實施方式

本領域技術人員根據發(fā)明內容和實施的流程圖附圖1，即可對本發(fā)明進行實施。為了便于實施，下面對發(fā)明內容中的各個步驟作進一步詳細描述，詳細描述時給出了圖2-圖5的具體實例，實例僅以建筑物旁的兩個桿狀地物坐標空間位置的提取為例。

一，對發(fā)明內容第一步驟的詳細描述：

1、豎直方向空間分層點云自動提取

根據實際建筑物空間高度分布，首先對點云按照豎直方向整體分層，每2m分一個點云層，獲取局部范圍內在豎直方向上的一系列空間分層點云數據，設為l₁，l₂，l₃……l_N；

2、依次對每個點云層進行平面投影

以xy平面為投影面，z方向的負方向為投影方向，對激光點云進行投影，將建筑物、道路、桿狀地物等投影到投影坐標系下；

3、生成基于點數的平面投影圖像

根據當前點云范圍，設點云坐標為(X,Y,Z)，點云范圍為{X_min，Y_min,Z_min，X_max，Y_max，Z_max}，圖像的像素坐標為(x,y)，縮放精度為s，則點云坐標(X,Y,Z)對應圖像的(x,y)分別是：x＝(X-X_min)×s，y＝(Y-Y_min)×s；

單位像素內點的亮度是落在單位像素內點云個數的亮度疊加，設每有一個點云轉換成(x,y)，該點亮度值增加30％；

遍歷所有點云數據，計算其對應的平面投影圖像坐標，并進行亮度疊加，得到最優(yōu)空間所有點云層基于點數的平面投影圖像，從而生成N個平面投影圖像：

4、自動獲取最優(yōu)空間分層點云

對生成的N個平面投影圖像進行粗略的塊狀區(qū)域外接圓檢測，計算外接圓直徑，選取有較多直徑接近實際桿狀地物直徑的平面投影圖像，作為最優(yōu)空間分層點云投影圖像，進行下一步的桿狀地物提取。

圖2示出了其中一個最優(yōu)空間分層點云投影圖像，圖像中含有多個桿狀地物點云投影圖像，其中離上邊建筑物最近的桿狀地物像素點有P1和P2。

為了證明本發(fā)明的準確性，將P1和P2投影到投影坐標系下得知，P1坐標(509170.2306，3985536.5028，75.0464)，P2坐標(509173.3905,3985537.3584,74.6881)，轉換成平面投影圖像后坐標為P1’坐標為(293,161)，P2’坐標為(354,181)。

二，對發(fā)明內容第二步驟的詳細描述：

用現有自適應閾值的方法對如圖2所示的最優(yōu)空間分層點云投影圖像進行閾值分割，即通過計算像素點周圍區(qū)域的加權平均，然后減去一個常數來得到自適應閾值，對得到的平面投影圖像進行閾值分割，得到亮度較大的區(qū)域。

如圖3所示，P1’與P2’所在位置亮度較大，因此被很好的保留了下來。這部分區(qū)域即對應點云中垂直于xy平面的單位范圍內有較多不同高層點的數據，符合桿狀地物垂直方向上有較多點的特征。

三，對發(fā)明內容第三步驟的詳細描述：

對閾值分割后的圖像進行直線檢測，去掉圖像中明顯有線特性的部分，將這些部分置為背景色，實際三維點云數據中的建筑物墻壁等對桿狀地物提取結果的影響。

如圖4所示，將圖3所示的圖像排除掉建筑物墻壁影響后，就可得到如圖4所示的圖像。

四，對發(fā)明內容第四步驟的詳細描述：

對排除掉建筑物墻壁影響后的圖像中亮度大的部分進行局部區(qū)域生長，提取出每一塊亮度大的區(qū)域，對這些區(qū)域進行濾波：首先提取單塊區(qū)域邊界，如果該區(qū)域邊界圓形度小于0.2，則該區(qū)域偏線條狀，不符合桿狀地物的特征，排除；再提取單塊區(qū)域，計算最小外接圓的直徑，轉換成點云數據中的距離，如果該數據遠小于或遠大于實際桿狀地物直徑，則不符合桿狀地物的特征，將其排除；再判斷n個相鄰桿狀地物的距離是否符合實際桿狀地物的間距，符合則保留，否則刪除。

如圖5所示，將如圖4所示的圖像濾波后，最終得到圖5所示桿狀地物投影圖像。

五，對發(fā)明內容第五步驟的詳細描述：

1、計算桿狀地物中心點

對于桿狀地物投影圖像剩余的區(qū)域，提取區(qū)域的邊界，求其最小外接圓的圓心，作為桿狀地物的中心點；

2、將桿狀地物中心點坐標轉換成點云坐標

桿狀地物點坐標設為(x,y)，則對應的點云坐標(X,Y,Z)為：X＝x/s+X_min，Y＝y(tǒng)/s+Y_min，Z方向坐標取對點云進行空間分層時Z方向的中間值；求出的(X,Y,Z)即為桿狀地物的空間位置。

如圖5所示，將圖4所示圖像中P1和P2中心點坐標P1’(293,162)與P2’(354,179)，轉換成點云坐標如下：

P1’(509170.2535,3985536.5059,75.0235)；

P2’(509173.2149,3985537.4218,75.0235)。

上述轉換成的點云坐標與投影到投影坐標系中的坐標，兩者基本一致，證明本發(fā)明方法可以應用到實際桿狀地物的提取中來。