【《车载LiDAR点云滤波预处理分析》3000字】

车载LiDAR点云滤波预处理分析目录TOC\o"1-3"\h\u29923车载LiDAR点云滤波预处理分析 1286621.1直通滤波 1253021.2统计离群点滤波 225201.3改进移动曲面拟合滤波 3原始车载LiDAR点云数据中存在着噪声点，会对后续的铁路轨顶点提取过程及结果产生不利的影响，因此需要对原始点云数据进行预处理以消除这些噪声点的影响。本章节首先采用直通滤波滤除三维点云周边的诸多无效点云，其次采用统计离群点滤波去除掉点云数据中稀疏的离群点，最后采用一种改进的移动曲面拟合滤波方法将包含铁路轨道区域的点云数据分离出来。1.1直通滤波通过车载LiDAR系统采集点云数据时，在采集过程中通常需要保证采集场景画面的完整性，激光雷达能够扫射到铁路沿线百米范围内的各类地物及基础设施，后续研究需要的有效数据主要为铁路轨道部分，而原始三维点云四周包含有铁路两侧大面积的地面、低矮植被、建筑物、护栏、电线杆等其他基础设施，这些都不是本文后续研究关注的重点，属于无效点云，需要将其进行滤除。本文采用的直通滤波方法[77]能够有效滤除这些无效点，提高后续点云数据处理的效率。直通滤波简言之就是通过设置参数，对原始点云数据指定坐标范围进行裁剪，有针对性的选择保留范围内或者范围外的点，对点云进行初步过滤。设原始点云为，，点云中的点用表示，，且，，。设定直通滤波的滤波坐标范围为滤除点，其中，，。经过直通滤波后的点云用表示，，点云中的点为，且，，。1.2统计离群点滤波激光扫描系统通常会采集到密度不均匀的点云数据集，还会形成一些稀疏的离群点和孤立点，本文采用统计离群点滤波去除这些噪声点。统计离群点滤波方法假设样本空间中的数据都符合某个分布或者数学模型，再根据模型采用不和谐检验（discordancytest）识别离群点，不和谐检验过程中需已知该分布中的参数知识（期望与方差）、样本空间数据集的参数知识（如假设的数据分布）以及期望的离群点数量[78]。统计离群点滤波的算法流程图如图3-2所示。统计离群点滤波是对数据集内各个点的邻域进行统计分析，并将那些不符合既定标准的点过滤掉。该方法通过计算每个点到它的所有邻近点的平均距离，假设计算的结果呈正态分布，其形状由标准差及均值决定，将平均距离在标准范围（由标准差及全局距离平均值定义）之外的点定义为离群点，并可将其从数据集中去除。具体地讲，假设三维点云中的点与其邻域中的个点之间的平均距离为，且服从数学期望为，方差为的正态分布，其中：（3-13）（3-14）当时，则认为点不是噪声点，对其进行保留，反之则剔除。图3-2统计离群点滤波算法流程图1.3改进移动曲面拟合滤波在1.1节中比较了现有的几类滤波方法，总结得出基于移动曲面拟合法的滤波方法比较适用于本文所研究的铁路车载LiDAR点云数据滤波。在提取铁路车载LiDAR点云数据中的钢轨点云之前，需要在滤波过程中滤除掉铁路轨道周边的电力线、电线杆、低矮植被和铁路沿线的护栏等部位的点云，并将地面点以及紧挨着地面的铁路轨道部分的点云数据保留下来。除此之外，搭载车载LiDAR系统的列车在行驶过程中加速或减速会使得点云出现缺失或者重叠现象；铁路两侧会存在有排水口之类的地物，这些地方的点云高程会低于铁路轨道面的高程，属于低位粗差点，需要对其提前进行剔除；铁路两侧存在低矮地物及各类基础设施，会遮挡住部分扫描区域，使得遮挡的区域缺失点云数据，遮挡的区域有时会凭空出现块状点云。这些噪声点会导致在移动曲面拟合滤波的过程当中，在种子点选取方面出现错误，无法选取可靠的种子点。因此，本文对传统的移动曲面拟合滤波方法做了一些改进，主要是将邻域卷积和加入到初始种子点的选取以及虚拟种子点的构造过程当中，以此来提升种子点选取的可靠性，并降低非地面点被误分为地面点的概率，除此之外，在格网内待定点与拟合曲面的高差阈值判定中，加入了自适应阈值的判定准则，能够有效避免过度滤波或者滤波不足的情况。该方法的基本原理是先确定一个固定大小的区域，该区域可用公式（3-15）所示一个简单的二次曲面去逼近拟合表达，并在该区域范围内选取相邻的若干个格网内高程值最低的点作为种子点，基于种子点求解出对应二次曲面方程的未知参数值，对二次曲面模型表达式进行拟合，作为数字地面参考模型及判断依据，对格网中所有的待定点进行判断，待定点同拟合曲面的高差在一定阈值范围内则判定为地面点，否则判定为非地面点。(3-15)式中，为曲面中第i点的坐标值，为曲面未知参数，求解这6个未知参数至少需要6个已知点。总的误差表达式为：(3-16)若要使误差最小，则转换为求极值的问题。分别计算误差对各个未知参数的偏导，并令偏导表达式为0，分别计算出6个参数值，其表达式为：(3-17)具体操作流程为：1)首先确定点云数据的区域边界，基于水平坐标划分规则格网，找出测区内原始点云各点坐标、的最大值及最小值、、、；2)根据区域内点坐标的最值，按照边长为d将该区域网格化，分成个格网，其中：(3-18)式中，格网边长d的选择应大于区域内最大的地物尺寸。（a）建立规则格网（b）种子点选取图3-3格网建立及种子点选取示意图3)格网建立完成后，统计格网内部的点数，由于铁路轨道区域中的点具有高度连续性，并且距离激光扫描设备越近点密度越大，可根据格网大小设定阈值n，若格网中的点数小于n，则将格网设置为零，这样能显著提高后续计算效率；4)选取格网内的种子点，后续研究目的为提取铁路轨顶点，而轨道区域范围内具备高程相似的特性，基于这一特性，在格网内选取一个最低点z，再根据周围邻域格网来判定点z是否可以作为种子点，如图3-3所示。将点z与所在格网周围8个邻域方向上格网内的高程最低点进行卷积和计算：(3-19)式（3-19）中：为初始选取的种子点高程值，为周围邻域格网内高程最低点的高程值。对设定阈值为，当时，可以将该点作为地面种子点以直接参与曲面方程的拟合。当时，则计算相邻8个格网内种子点的高程平均值，如公式（3-20），并将该值作为初始种子点的高程值，不改变原始平面坐标值，就产生了一个虚拟的种子点，如图3-4所示，设置一个虚拟种子点，将所在格网的中心坐标值作为的平面坐标，将其周围方格内种子点高程平均值作为其高程值。虚拟种子点参与求解各曲面参数值。再遍历各个格网内所有待选种子点，若格网周围没有8个邻域方向上的格网，则根据实际格网数进行邻域卷积和的计算与处理。通过邻域卷积和的计算与取值，可以解决因遮挡造成轨道面点云缺失，而将非地面点误分成地面点的情况。同时，对于格网内存在的排水口等低于轨道面的点也可以进行删除。(3-20)图3-4虚拟种子点示意图5)计算二次曲面参数确定拟合曲面。利用同样的方式，在其他相邻8个格网内分别选取一个种子点，此时共有9个种子点可用来参与二次曲面拟合，将这9个种子点的三维坐标代入公式（3-15）计算得到二次曲面方程的6个未知参数，将该二次曲面作为局部范围内参考的地面模型；6）设定阈值对轨道面点云进行滤波。用作高差判定的阈值大小与研究区域内的地形起伏情况有关，地形起伏较大的区域需设置较大的阈值，反之需要较小的阈值，阈值计算方法如式（3-18），即所谓自适应阈值。(3-18)式中，和为当前计算格网内的高程最大值和最小值，经多次试验得出值取0.1时就能很好地表述格网内的地面高差情况，根据工作需求滤除阈值范围之外的地物点，实现对点云数据的滤波。根据步骤5）得到的拟合曲面对各点进行判断，若待定点到拟合曲面的距离小于设定阈值，则判定该点是地面点，