[发明专利]一种针对传统LiDAR滤波误差的快速修正方法

说明书

机载激光雷达测量是当前测绘技术中非常高效、精确的测量方式。其测量得到的数据需要经过滤波处理才能参与到后续使用。传统的滤波算法具有如下典型问题：1.时间复杂度高。2.难以适应复杂地形。3.难以处理数据空洞中的少量数据。本发明针对上述问题，提出一种针对各类算法滤波后残存误差点的快速修正方法。旨在以较低的时间开销提高滤波精度，属于智能算法优化领域。主要创新点包括：1、可适用于大多数常用滤波算法结果。2、采用曲线拟合构建地面曲线轮廓。3、结合拟合曲线坡度和初始阈值计算滤波阈值。4、在判断非地物点时将所有相似点纳入点集进行整体判断。

技术领域

本发明主要针对机载激光雷达测量LiDAR（Light Detection and Ranging，LiDAR）点云数据的滤波数据进行精度修正。涉及曲线拟合（curve fitting）、最小二乘法（Least Squares Method）、地物形态分析。旨在解决当前LiDAR点云数据滤波算法中由于适应性较差带来的精度误差问题，并用较低的时间代价换取更高的滤波精度，属于智能算法优化领域。

背景技术

地理国情的获取在民用、军用等领域都具有极其重要的作用。地理国情的各类信息可以通过各种空载、星载、车载和地面遥感测绘技术获取，但是传统的测绘手段难以实现大范围高精度的数据获取，并且容易受到天气、地形的影响，故存在很大的局限性。机载激光雷达测量技术以其经济、安全、高效和精度高等特点在现代测绘当中扮演着重要的角色，为地理国情监测提供强有力的技术支持。

LiDAR测量得到的点云数据（Point-Cloud Data）具有数据量庞大、密度不定、噪声复杂等性质，需要经过滤波处理（地面、非地面点区分）才能投入到后续使用。但是目前典型的滤波算法具有：适应性不高、时间复杂度高等缺点，导致其处理效率和可用度下降。所以，一种适应度强的点云数据滤波处理算法具有十分重要的地位。

目前常用的点云滤波算法有：数学形态学滤波、逐渐加密算法、基于表面的方法等。其中“数学形态学滤波”具有较低的时间开销和简单的算法结构，缺点是滤波精度较低，在复杂的地形条件下不具备较好的适应性。其典型的优化方式有如下几种：

1） Zhang(Keqi Zhang)于2003年提出“多尺度窗口迭代”的方法。该方法解决了传统形态学滤波中由于窗口尺寸设定不当而无法滤除大型地物的问题。

2） 马树发于2014年提出了一种新型窗口尺寸变化方法，其根据当前窗口下“开操作”的执行情况计算出一个值，并以该值作为窗口尺寸变化依据。该方法使滤波迭代次数减少，对时间复杂度进行了优化。

3） 王莎等于2017年提出自适应坡度的LiDAR点云形态学滤波，该方法在滤波过程中会根据不同坡度计算得出不同滤波阈值。该优化使原算法在平摊地形上精度更高，在一定程度上提高了对复杂地形的适应性。

以上优化方式使传统形态学滤波在精度、适应性、时间复杂度上均有了较大的提升。但以上算法仍然没有解决“传统数学形态学滤波算法”在复杂地形中的适应性，以及面对数据空洞可能造成的误差。使用以上方式优化后的数学形态学滤波算法在实际使用中仍然可能会出现将非地面点误判为地面点的情况。

“逐渐加密算法”具有较高的滤波精度，但缺点在于算法复杂度较高。目前典型的优化方式有如下几种：

1） Akel于2003年提出将点云格网化，再由格网点组成TIN，以区域块生长法进行区块合并。以区块的面积来区分地物和地面。

2） 吴军等于2016年提出一种融合形态学灰度重建与三角网分层加密滤波方法。该方法在进行三角网分层加密滤波之前先对地面可疑点进行标记，然后以非可疑点进行三角网加密滤波。该算法减少了需要迭代加密的点数，减少了算法的时间开销。

以上优化方式着重于提高“逐渐加密算法”的滤波精度，在提高了滤波精度的同时也增大了时间开销，在处理较为庞大的数据时效率低下。同时该算法在对数据空洞和复杂地形处理时也容易产生误判。