基于MMS的公路DLG制圖工廠

胡傳文

摘要：介紹了MMS系統(tǒng)在公路勘測中應用的優(yōu)點，同時給出MMS數(shù)據(jù)后處理成圖的難點，及其解決的方案。通過計算機集群與算法置信度疊加方式完成了點云數(shù)據(jù)的分割、分類、識別、最終成為DLG圖。從而實現(xiàn)點云到DLG圖的全自動化處理過程，為MMS在帶狀勘察中掃除了應用障礙。

關鍵詞：MMS激光點云DLG公路勘測

中圖分類號：P2 文獻標識碼：A 文章編號：1672-3791（2012）08（c）-0025-02

公路MMS系統(tǒng)是一種基于汽車為載體的快速攝影測量系統(tǒng)，將激光測距儀、激光掃描儀、全球導航衛(wèi)星系統(tǒng)、慣性測量單元、距離測量單元以及CCD相機等傳感器集成于一體，利用激光測距原理和近景攝影測量原理，能夠快速掃描公路周邊場景得到三維點云數(shù)據(jù)的技術，具有作業(yè)速度快，外業(yè)工作量小、測量精度高、測量數(shù)據(jù)量大、自動化程度高、最大限度真實地反映沿路帶狀地表情況等特點。如何快速把點云轉化為現(xiàn)有的勘察、設計、施工可用的DLG圖是點云應用與現(xiàn)有業(yè)務流程對接，產(chǎn)生價值的的關鍵，本文在濱湖MMS系統(tǒng)采集的點云基礎之上，探討了構建DLG制圖大數(shù)據(jù)處理工廠的流程和關鍵技術。

1濱湖MMS點云數(shù)據(jù)獲取系統(tǒng)

武漢濱湖電子有限責任公司隸屬于中國兵器裝備集團公司，是一家大型電子裝備研制生產(chǎn)的高新技術企業(yè)。多年來一秉持“軍民結合，寓軍于民”發(fā)展戰(zhàn)略，由于其軍品領域和測繪行業(yè)具備同源特征，將其軍用技術有機應用于測繪行業(yè)，一直是濱湖電子著力于測繪儀器裝備的目標。公司通過自主研發(fā)，實現(xiàn)了MMS的系統(tǒng)設計、產(chǎn)品集成、技術開發(fā)、基礎工藝平臺建設。

本車集成高精度的POS與激光掃描儀系統(tǒng)與全景相機，可以進行RBG彩色點云采集。

2公路行業(yè)的應用現(xiàn)狀

20多年來，經(jīng)濟的快速發(fā)展使我國公路建設取得了令世人矚目的巨大成就，與此同時我國公路建設的模式正在發(fā)生巨大改變，由原來的平坦宜建的東部地區(qū)轉移到復雜難筑的西部地區(qū)，由新建公路向老路的改擴建轉變，由國內(nèi)建設向國際市場進軍。這些新形勢也帶來新問題，地形上山巒起伏、峽谷深邃、地貌復雜，道路設計上平面曲折、縱坡起伏、橫坡深峻、地質(zhì)條件復雜，建設條件艱巨、工程難度大、技術要高，工期越短。特別是我們在國際市場上承接的項目很多都是第三世界國家，這些國家的安全環(huán)境復雜，如果派駐大量測繪人員到實地勘測，安全保安成本就很高，而且不能保證萬無一失，一旦有極端勢力蓄意勒索或者部族沖突，加上我國的巨大國際影響力，很容易被這些第三方勢力選為攻擊目標，除了巨大的經(jīng)濟損失外，還會造成很惡劣的政治影響。所以這些新發(fā)展態(tài)勢要求公路勘察設計部門必須尋求新的技術支撐體系。

MMS（移動測量制圖系統(tǒng)）的出現(xiàn)，正為這些問題的提供了恰當?shù)慕鉀Q方案。其同步采集高精度激光點云和高分辨率數(shù)碼影像數(shù)據(jù)，與地理信息技術結合，在公路建設中具有廣泛的用途。將該技術應用在道路勘測設計中，可以降低成本，減輕外業(yè)人員勞動強度，提高成圖精度和勘測技術含量，有效縮短線路工程勘測設計周期，并且大幅度提高內(nèi)業(yè)工作效率。

3DLG制圖工廠組成

點云應用是帶動MMS成功的關鍵?，F(xiàn)在點云采集回來以后展示效果是非常出色的，各個生產(chǎn)單位也都非常有感性的認識，從原來從標尺棱鏡測獨點到現(xiàn)在點云，的確是質(zhì)的飛躍。一個共識是點云未來可以成為某些勘察、設計、規(guī)劃等軟件直接利用的數(shù)據(jù)源，但目前點云的應用，特別是與現(xiàn)在生產(chǎn)系統(tǒng)的對接，成為目前一個大家關注的焦點，特別是轉化為DLG圖，就可以使點云直接為現(xiàn)有的測繪生產(chǎn)服務了?，F(xiàn)有的點云成圖軟件大多以手工交互為主來生產(chǎn)DLG圖，效率還不是太高，有的軟件甚至采集一個坐標點，需要從很多不同視圖來相互定位才能確認一個點的位置，由于從點云中人工采集的不便，測量成圖的工作量，變成外業(yè)工作量降低了，內(nèi)業(yè)工作量上升的局面，致使點云的后處理應用上，很多單位不敢大步前進。

因為點云是一定蘊含著完整的空間信息的，所以面對這么大數(shù)據(jù)量的點云數(shù)據(jù)，提取DLG圖，屬于典型的大數(shù)據(jù)挖掘領域，而大數(shù)據(jù)生產(chǎn)和挖掘目前算法逐步成熟，綜合上述情況，我院對于點云數(shù)據(jù)加工，組建了專業(yè)團隊，針對點云到DLG的自動轉換中的難點進行攻關，取得了具有生產(chǎn)價值的解決方案LasAuto。

3.1 制圖數(shù)據(jù)工廠基礎設施

由于點云本身數(shù)據(jù)量就非常巨大，同時點云基本是以離散狀態(tài)存在，不具備天然的拓撲關系，導致其算法都需要大量的內(nèi)存與CPU資源，同時每個算法都不是全功能的可以解決所有的地物信息提取問題，在LasAuto確認具有可信度的地物前，一般都是以至少兩種算法達到置信度后，才予以確認。所以在自動處理點云過程中，需要的內(nèi)存與CPU資源就遠遠突破單機所能承受的。為了能夠達到生產(chǎn)價值的解決方案，采用了集群方案（如圖2）。

3.2 制圖流程

3.2.1 數(shù)據(jù)融合識別地物

數(shù)據(jù)融合是指傳感器的數(shù)據(jù)在一定準則下加以自動分析、綜合以完成所需的決策和評估而進行的信息處理過程。利用傳感器所獲取的關于對象和環(huán)境全面、完整信息，主要體現(xiàn)在融合算法上。因此，選擇合適的融合算法。對于傳感器系統(tǒng)來說，信息具有多樣性和復雜性，因此，對信息融合方法的基本要求是具有魯棒性和并行處理能力。一般來說信息融合有層次結構，本文所用方法為特征層融合，是指不同的特征數(shù)據(jù)源進行識別的結果進行融合如圖3所示，傳感器提供從觀測數(shù)據(jù)中提取的有代表性的特征，這些特征融合成單一的特征向量，然后運用模式識別的方法進行處理。

3.2.2 生產(chǎn)不同種類Level1待處理數(shù)據(jù)（圖4）

對于車采數(shù)據(jù)，需要經(jīng)過初步的預處理才能進入正式的數(shù)據(jù)分類識別流程，預處理主要是依據(jù)POS系統(tǒng)的數(shù)據(jù)，結算點云中個點的實際位置，同時需要通過過濾器消除統(tǒng)計上的失敗點，為下一步算法處理提供良好的概率分布環(huán)境，為了加快點云數(shù)據(jù)的計算過程，還需要對點云進行空間索引化，這里主要以三維的KD樹來建立。沿著車行方向，對于點云進行均勻切割方面生產(chǎn)線分布式加工數(shù)據(jù)。

3.2.3 生產(chǎn)不同種類Level2數(shù)據(jù)（圖5）

Level2數(shù)據(jù)生產(chǎn)目的主要是從原始數(shù)據(jù)衍生出不同特征空間的數(shù)據(jù)，以便于下一步對于特征提取提供數(shù)據(jù)來源，主要是幀化的點云、DSM-Z、DSM-I，以及原始數(shù)據(jù)的金字塔，特別要說明的是原始數(shù)據(jù)也暗含在Level2數(shù)據(jù)中，很多算法，比如PCA實施的時候是以原始數(shù)據(jù)為特征空間的。

3.2.4 層次化的目標分類數(shù)據(jù)（圖6）

目標的內(nèi)容是層次化的，主要是先區(qū)分點云中地面點云構成，并分化為路面與其他地面，后者可用來生成等高線，地面上，采用歐式生長分割后用PCA特征化出 體、線、面特征，然后采用在不同空間提取特征，進行融合決策的方法，把1∶1000地形圖圖式中出現(xiàn)的地物進行循環(huán)偵測，找到各個地物。

4手工干預后處理

生產(chǎn)完畢DLG圖后，根據(jù)系統(tǒng)會給出分類取樣的置信度高低，作業(yè)人員將置信度低于閥值的點云空間位置調(diào)出，然后添加“視覺提示”模型，對比生成的DLG數(shù)據(jù)，檢驗是否通過，如果不能通過，需要作業(yè)員手工補繪出相應位置的地物。由于有了“視覺提示”模型，手工補繪也會很容易。

5具體案例

某公路設計院一起做200公里左右的國道改擴建工程中的應用，使用LasAuto作為內(nèi)業(yè)處理的解決方案，生成的一塊MinLas的DLG圖（如圖7）。

6結論

基于濱湖MMS采集的點云數(shù)據(jù)，經(jīng)過LasAuto生產(chǎn)線后可以自動生成帶狀DLG圖，解決了目前點云采集后處理作業(yè)的內(nèi)業(yè)工作量過大的問題，為點云在公路行業(yè)中的應用提供比較完備的內(nèi)業(yè)解決方案。下一步的改進工作主要是一個是細化分類器，針對不同地物進行試驗與監(jiān)督分類，找到具有極高置信度的分類器，入庫。第二是針對不同地理區(qū)域的植被、建筑物等嘗試建立監(jiān)督或非監(jiān)督分類，提高屬性賦值的自動化。第三是優(yōu)化分類器的執(zhí)行效率，減小成圖時間。

參考文獻

[1] 王耀南，李樹濤.多傳感器信息融合及其應用綜述[J].控制與決策，2001，16（5）：518-521.

[2] 李圣怡，吳學忠，范大鵬.多傳感器融合理論及在智能制造系統(tǒng)中的應用[M].長沙：國防科技大學出版社.

[3] 張梅，張祖勛.基于微分不變量和區(qū)域增長法的深度圖分割[J].計算機工程，2008，24（19）：15-17.

[4] 曾齊紅，毛建華，李先華，等.機載激光雷達點云的階層式分類[J].測繪科學，2008，33（1）：103-105.

[5] 王金亮，陳聯(lián)君.激光雷達點云數(shù)據(jù)的濾波算法述評[J].遙感技術與應用，2010，25（5）：632-637.

[6] 代明睿，張曉鵬，李紅軍.基于高噪聲深度圖像的樹木模型重建[J].中國體視學與圖像分析，2010，15（2）：109-114.

[7] 龐旭芳，宋展.基于點云的谷脊線特征提取算法研究[J].先進技術研究通報，2010，4（7）：33-38.

[8] 黃磊，盧秀山，陳傳法.基于激光掃描儀數(shù)據(jù)的建筑物立面特征信息提取[M].測繪科學，2006，31（6）：141-142.