下有益效果：
[0化3] -、所述基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法為智能化的檢測方法，不 僅具有快速、實(shí)時(shí)、高密度和高精度的特點(diǎn)，還能夠直接獲取物體的表面材質(zhì)及角度信息， 使重建的=維模型具有準(zhǔn)=維確幾何信息和真實(shí)感，方便對橋梁進(jìn)行檢測工作。
[0化4] 二、所述基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法中點(diǎn)云數(shù)據(jù)的自動(dòng)配準(zhǔn)十 分精確，能擬合橋梁面片，補(bǔ)充不完整數(shù)據(jù)，將粗掃描和細(xì)掃描數(shù)據(jù)有效結(jié)合，對橋梁=維 模型的構(gòu)建提供了高精準(zhǔn)度的數(shù)據(jù)。
【附圖說明】
[0055] 為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使 用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于 本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可w根據(jù)該些附圖獲得其它 的附圖，其中：
[0056]圖1是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法一種實(shí)施例的 整體流程圖；
[0化7]圖2是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一種實(shí)施例 步驟二的流程圖；
[0058] 圖3是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一種實(shí)施例 步驟S的流程圖；
[0059] 圖4是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一種實(shí)施例 步驟四的流程圖；
[0060] 圖5是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一種實(shí)施例 步驟五的流程圖；
[0061] 圖6是本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一種實(shí)施例 步驟六的流程圖。
【具體實(shí)施方式】
[0062] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。基于 本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[006引請參閱圖1，為本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一 種實(shí)施例的整體流程圖。所述基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法1主要服務(wù)于 橋梁檢測，可提供實(shí)時(shí)的真=維可視化模型，包括W下步驟：
[0064] S1、獲取車載LiDAR點(diǎn)云數(shù)據(jù)；
[00化]S2、點(diǎn)云數(shù)據(jù)均勻抽稀，減少數(shù)據(jù)量；
[0066] 由于點(diǎn)云數(shù)據(jù)的數(shù)量巨大，消耗內(nèi)存多且計(jì)算時(shí)間長，因此，要對點(diǎn)云數(shù)據(jù)進(jìn)行均 勻抽稀，W提高程序效率。本發(fā)明使用的是基于坡度的抽稀方法，數(shù)據(jù)處理效率好，能滿足 精度要求，其抽稀過程如下：
[0067] 請參閱圖2,為本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一 種實(shí)施例步驟二的流程圖。
[0068] S21、將點(diǎn)云數(shù)據(jù)的所有區(qū)域劃分為若干個(gè)大小一致的立方體；
[0069]S22、對某點(diǎn)A(Xa，y^，Za)找到對應(yīng)的立方體，若立方體不存在，則建立對應(yīng)的立方 體，計(jì)算該點(diǎn)到立方體中屯、的距離D，遍歷所有點(diǎn)；
[0070] S23、對每個(gè)立方體都找到距離其中屯、最近的點(diǎn)B(x。，y。，Z。）并儲存，舍棄其他點(diǎn)。
[0071] S3、計(jì)算點(diǎn)云數(shù)據(jù)的法向量和曲率及密度，濾除噪聲；
[0072] 首先計(jì)算點(diǎn)云數(shù)據(jù)的密度，然后W將法向量和曲率一起計(jì)算，最后根據(jù)法向量、密 度W及深度約束和深度差約束、數(shù)據(jù)特點(diǎn)等進(jìn)行去噪，其計(jì)算過程如下：
[007引請參閱圖3,為本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一 種實(shí)施例步驟=的流程圖。
[0074] S31、將點(diǎn)云數(shù)據(jù)所占空間分為若干立方體，并將點(diǎn)云數(shù)據(jù)與立方體相對應(yīng)，建立 索引關(guān)系；
[0075]S32、將空間所有點(diǎn)對應(yīng)的立方體建立Kd-tree，樹結(jié)構(gòu)中的每個(gè)結(jié)點(diǎn)對應(yīng)了一個(gè) K維區(qū)域；
[0076]S33、計(jì)算密度；計(jì)算過程如下：
[0077] 確立中屯、點(diǎn)，利用Kd-tree法捜索距離中屯、點(diǎn)最近的K個(gè)點(diǎn)，建立k-鄰域，若鄰域 附近點(diǎn)云分布密集則用中屯、點(diǎn)的平均密度代替，若密度較小，保留部分點(diǎn)，點(diǎn)的取舍主要根 據(jù)與中屯、點(diǎn)的距離，
[007引 P=Ps犯igX^屯-，
[0079] Pscale=N化g/(Nn郵-1)2，
[0080] 式中，D表示點(diǎn)到中屯、點(diǎn)的距離，N"g表示初始設(shè)定的鄰域點(diǎn)個(gè)數(shù)，Nneig表示鄰域中 點(diǎn)的個(gè)數(shù)。
[0081] S34、計(jì)算法向量和曲率；計(jì)算過程如下；
[0082] 每個(gè)中屯、點(diǎn)與其k-鄰域擬合平面，設(shè)局部擬合平面F(x，y，Z)的方程為：
[0083]F(x,y,z) =ax+by+cz+d=0,
[0084] 式中的a,b，c，d由鄰域數(shù)據(jù)點(diǎn){(Xi，yi，Zi)，i= 1，2, . . .，k}通過線性方程組來 確定，由k-鄰域所有點(diǎn)組成線性方程；
[0085] 且根據(jù)最小二乘法，誤差方程如下：
[0086] AX=L,
[0087]式中，A代表系數(shù)陣，X代表改正數(shù)，L為常數(shù)項(xiàng)，由協(xié)方差矩陣cov(A)求解曲率和 法向量，解求協(xié)方差矩陣的特征值矩陣為入，
[00能]n(Xi)=(入 7，入8，入 9)t，
[0089] R(Xj) =3XA3/ (入1+ 入2+ 入3),
[0090] 式中n(Xi)表示法向量，R(Xi)表示曲率。
[0091] S35、點(diǎn)云數(shù)據(jù)噪聲濾除。
[0092] 激光掃描獲取數(shù)據(jù)過程中存在一定的噪聲，對后續(xù)的面片提取會(huì)造成干擾，其計(jì) 算過程如下：
[009引設(shè)定密度闊值Pm"，若某點(diǎn)密度Pi>Pm"，則將該點(diǎn)存儲，遍歷所有點(diǎn)云數(shù)據(jù)，舍 棄噪聲點(diǎn)云數(shù)據(jù)；
[0094] 設(shè)定最大深度闊值ZcU，若某點(diǎn)Z值Zdi>Zdm"，則認(rèn)為該點(diǎn)為噪聲點(diǎn)，舍去；
[0095] 對存儲的點(diǎn)云進(jìn)行分析，將點(diǎn)的法向量和曲率對應(yīng)存儲，得到去噪后的點(diǎn)云數(shù)據(jù)。
[0096] S4、點(diǎn)云數(shù)據(jù)配準(zhǔn)，主要包括預(yù)配準(zhǔn)和精配準(zhǔn)兩個(gè)過程；
[0097] 對經(jīng)過預(yù)處理的兩個(gè)點(diǎn)云數(shù)據(jù)集P和Q(二者有一定的重疊區(qū)域）進(jìn)行配準(zhǔn)，其計(jì) 算過程如下：
[009引請參閱圖4,為本發(fā)明提供的基于車載LiDAR點(diǎn)云數(shù)據(jù)的橋梁S維重建方法的一 種實(shí)施例步驟四的流程圖。
[0099] S41、預(yù)配準(zhǔn)；
[0100]該配準(zhǔn)過程為了得到可靠的初始估計(jì)值，使用了基于點(diǎn)云模型表面幾何特征的配 準(zhǔn)算法，通常選取的幾何特征對象包括點(diǎn)、線、面，本發(fā)明中選取點(diǎn)特征進(jìn)行配準(zhǔn)W估算初 始旋轉(zhuǎn)矩陣R和平移向量T，其計(jì)算過程如下：
[0101]S411、在點(diǎn)云數(shù)據(jù)集P中隨機(jī)選擇N個(gè)點(diǎn)，記為Bp;
[0102]S412、在點(diǎn)云數(shù)據(jù)集Q中計(jì)算出與P對應(yīng)的N個(gè)點(diǎn)，一一映射，記為B。；
[0103]S413、根據(jù)映射點(diǎn)估算旋轉(zhuǎn)矩陣R和平移向量T，計(jì)算過程如下：
[0104] 定義相似性差函數(shù)d(Vp，V。)，表示Bp中某點(diǎn)與Q中所有點(diǎn)的距離，找到最小距離 點(diǎn)，
[0105]
[0106] 式中，t為設(shè)定的闊值，S(Vp，V。）表示相似度的測度，整個(gè)Bp與B。的相似度可W表 示為：
[0110] 其中，fi(Pi)描述Bp某點(diǎn)的特征，mk(Pi，Pj)描述點(diǎn)對（Pi，Pj)的特征，wf，Wf'表 示權(quán)重，
和S。化，B。）的值越高表明 Bp，B。的相似度越大。
[0111] 不斷的迭代計(jì)算，使得S。炬p，B。）值越大，迭代次數(shù)達(dá)到給定的最大值Itm"或者前 后兩次S。炬P，B。）值相差小于給定的差值限，停止迭代，將Bp，B。中的點(diǎn)一一映射排序儲存， 估算出Bp