轨道交通变形监测中一种点云降噪处理的算法

发布时间：2022-02-17 18:54

　　随着三维激光扫描技术的不断发展,将其应用于城市轨道交通变形监测中弥补传统监测手段的不足,受到越来越多的关注。三维激光扫描获取的点云数据中往往含有大量噪声,影响建模与监测精度和效率。文章研究了噪声点的处理算法并进行了实例验算,结果表明,依据测距值突变的飞点识别算法和依据三维Delaunay三角网构网的加权平滑滤波算法能有效进行点云噪声的识别和剔除,保证点云数据的准确性。 

【文章来源】：城市勘测. 2020,(06)

【文章页数】：4 页

【部分图文】：

平滑墙面原始点云数据

图1 平滑墙面原始点云数据上述两类误差对后续三维特征提取和变形分析的影响严重。但是轨道交通的激光扫描数据量巨大,即使单站扫描的激光点个数也能达到百万级,而且单点随机噪声几乎难以观察发现,靠人工判读识别和剔除这些噪声基本上是难以完成的。

实验数据来源于2019年广东佛山某地铁隧道部分点云数据,设备选用的是美国Trimble公司的TX8扫描仪。点云数据整体长约 50 m,宽和高不超过 10 m,点数为 12 487 354个,平均点间隔约为 2 mm。为了保证外业采集点云数据的完整性和精确性,提高数据处理工作效率,根据目标点与其邻近点的测距值变化的幅度及满足变化幅度邻近点的数量设计了基于测距值突变的三角网过滤法自动识别和剔除“飞点”;针对单点随机误差设计了不损失几何特征的快速三维高斯滤波算法。这两种算法运用C#和Matlab编程实现,直接应用于实验采集的点云数据,保证在轨道交通变形分析前不再含有“飞点”和随机噪声。基于测距值突变的三角网过滤“飞点”的算法描述为:假设一个非空点云pts,设定测距之差的阈值pt_s和邻近点数阈值pt_n,定义Filtred和UnFiltred两个数组分别记录被过滤点和未被过滤点,“飞点”识别算法流程如图3所示。

【参考文献】：
期刊论文
[1]激光点云的隧道数据处理及形变分析[J]. 黄帆,李维涛,侯阳飞,吴廷,王解先.  测绘科学. 2019(05)
[2]三维激光扫描技术在地铁隧道变形监测中的应用[J]. 张明智,张明栋.  城市勘测. 2018(03)
[3]多级移动曲面拟合的自适应阈值点云滤波方法[J]. 朱笑笑,王成,习晓环,王濮,田新光,杨学博.  测绘学报. 2018(02)
[4]基于三维激光扫描技术的隧道检测技术研究[J]. 王令文,程效军,万程辉.  工程勘察. 2013(07)
[5]基于约束Delaunay三角网的道路网自动综合的研究[J]. 白冰,杨甲,曹学伟.  测绘与空间地理信息. 2012(07)
[6]几种滤波算法在声纳图像处理中的比较分析[J]. 雷毅,谢静.  四川兵工学报. 2012(06)
[7]基于TIN的LIDAR点云过滤算法[J]. 毛建华,何挺,曾齐红,李先华.  激光杂志. 2007(06)

博士论文
[1]机载激光雷达点云数据处理与建筑物三维重建[D]. 曾齐红.上海大学 2009



本文编号：3629931