[发明专利]融合无人机LiDAR和高分影像的路面平整度监测方法

摘要

本发明公布了一种融合无人机LiDAR和高分辨率遥感影像的公路路面平整度监测方法，包括：对无人机获取的LiDAR点云和高分影像数据进行预处理；将高分影像的光谱特征与点云数据的多尺度几何特征进行融合构建有效特征变量集，从而实现路面点云与非路面点云的优化分类；进一步利用滤波分析得到较精确的路面点云数据；构建精细路面表面模型；采用IRI指数计算得到路面平整度。本发明有效克服了现有路面平整度监测方法效率低下、自动化程度低，不适于大范围全路段监测，只能获得极少数的道路纵剖面信息，无法全面反映路表面三维结构信息等缺陷；实用性强，可广泛应用于城市道路及其他低等级道路的平整度监测。

主权项

1.一种融合无人机LiDAR和高分辨率遥感影像的路面平整度监测方法，其特征是，基于低空无人机平台获取的LiDAR数据和高分辨率遥感影像，融合影像的光谱特征与LiDAR点云的多尺度几何特征构建分类特征集；再利用路面点云构建精细三维路面数字表面模型DSM，通过国际平整度指数计算方法，快速计算获得公路路面的平整度参数，结合地面验证数据进行路面平整度等级的评定，实现路面质量的快速监测与评估；具体包括如下步骤：1.1)首先利用集成LiDAR与多光谱相机的低空无人机遥感系统，获取LiDAR点云数据和高分辨率遥感影像数据；将所述LiDAR点云数据转换为.las文件格式；对LiDAR点云数据和遥感影像数据进行预处理，然后基于影像数据提取光谱特征；所述光谱特征的参数是反映地物类型差异的参数，包括：高分辨率影像的红、绿、蓝波段的灰度值；高分辨率影像的红、绿、蓝波段的灰度值之标准差；激光点云的反射强度值；1.2)将所述光谱特征融合到所述点云数据的属性中，对所述点云数据进行多尺度几何特征提取；将所得到的多尺度几何特征信息和光谱特征信息组合成点云分类特征变量集；所述多尺度几何特征包括局部粗糙度LDR、局部维度特征LDF和局部高程差LHD；所述局部粗糙度LDR是指点云中的某个参考点到该参考点所在的某个空间尺度下的邻域点所形成的最佳拟合平面的距离；所述局部维度特征LDF是指点云中的某个参考点与该参考点的邻域点之间在空间上是以一维、二维还是三维分布的特征度量值；所述局部高程差LHD是指点云中某个参考点与该参考点在某个空间尺度下的邻域点所构成的全体点集中，到达该点集所形成的最佳拟合平面的最大距离与最小距离之差；1.3)对所述点云分类特征变量进行去冗余和降维，包括特征子集的搜索过程和特征子集的评价过程，得到最优特征子集；特征子集搜索的策略为前向搜索，通过降维进行特征子集搜索；对特征子集中，当新加入的特征变量不仅与类别变量之间的相关性高，同时又与当前子集内部的特征变量之间的相关性较低时，获得最优特征子集；实现过程如下：1)建立两个集合形式的数据结构P和Q，P代表候选子集，Q代表最优子集，类别属性变量为Y，除类别属性外的其他属性为X＝{X₁,X₂,X₃,...,X_n}；将除Y外的其他特征变量添加到候选子集中，设置子集内部的相关性阈值为δ；2)如果进入步骤4)，否则循环读取X中的每个特征变量X_i，并按式(10)计算其与Y的相关性系数，找到其中与Y的相关性系数最大的特征变量X_c，并令δ＝max{corr(X_i,Y)}，X_i∈X，然后进入步骤3)；式(10)中，X_i、Y分别代表特征集X的第i个特征变量值和对应的类别属性值，分别代表特征集X的第i个特征变量的平均值和对应的类别属性的平均值，X_ij和Y_j分别代表第j个样本数据的第i个特征变量值和对应的类别属性值；3)将X_c与Q内的每个特征变量进行相关性评价，如果X_c与Q内的任意一个特征变量的相关性均小于δ，则将X_c添加到Q内，同时从P内删除该特征变量，否则直接从P内删除该特征变量，继续步骤2)；4)输出Q，得到最优特征子集，结束搜索；再选择合适的机器学习分类方法进行点云分类，进一步过滤和粗差纠正得到较为精准的道路点云数据；1.4)通过三维插值构建高精度的DSM；1.5)从得到的DSM模型数据中选取一系列纵剖面线，利用国际平整度指数IRI模型计算得到各剖面线对应的IRI值，并经过栅格化处理得到路面的IRI值的空间分布图；1.6)结合地面实测数据进行标定，对路面平整度区分不同的等级，表示路面质量从差到好的类型，实现对路面质量的遥感监测与评估。