一种基于车载三维激光扫描的桥梁线形测量方法

1.本发明涉及桥梁线形测量技术领域，具体涉及一种基于车载三维激光扫描的桥梁线形测量方法。


背景技术：

2.桥梁梁体线形测量是桥梁运维的一项重要内容，它能反映梁体变形、墩台沉降等桥梁运营阶段将遇到的问题，是桥梁几何状态检测的关键参量，对桥梁运营状态评价起着至关重要的作用。
3.传统的桥梁线形测量技术主要有几何水准测量、全站仪测量等，它们通过测量少数离散测点来获取桥梁线形，其拟合的平滑度取决于测点的布置密度，受限于测量时间和实施的方便程度，一般测点较少，因此不能很好地反映桥梁的连续线形，容易遗漏桥梁结构的病害。另外传统测量方法大多属于接触式测量，需要搬站、设站等操作，测量过程麻烦，测量时间长。对于大规模桥群结构长期健康监测，无论是从技术先进性，还是测量过程的便捷性，传统技术都很难做到快速、连续的线形检测。
4.车载移动测量技术是当今测绘界前沿科技之一，属于移动三维激光测量体系，是全球导航卫星系统(gnss)定位技术、惯性导航(ins)技术、数字摄影测量技术和激光扫描技术的结合体。其外业扫描测量过程简单，测量时间短，自动化程度高，获取的物体表面空间坐标数据丰富，具有很明显的优势。借助这些优势，本技术拟基于车载移动测量技术提供一种基于车载三维激光扫描的桥梁线形测量方法，实现桥梁线形的连续、快速、高精度检测，以解决现有技术中桥梁线形测量方式存在的不足。


技术实现要素：

5.本发明目的在于提供一种基于车载三维激光扫描的桥梁线形测量方法，旨在解决目前的桥梁线形测量方法存在测量时间长、自动化程度低、测量成果不连续的难题，具体技术方案如下：
6.一种基于车载三维激光扫描的桥梁线形测量方法，包括以下步骤：
7.步骤s1、基于车载三维激光扫描仪获取原始点云数据；
8.步骤s2、对原始点云数据进行分割处理，获得原始桥面点云数据；对原始桥面点云数据进行降采样，获得降采样后的桥面点云数据；
9.步骤s3、采用同样的数据分段方式，将降采样后的桥面点云数据和原始桥面点云数据均划分成多个数据段；以每个降采样后的数据段及其对应的原始数据段为处理对象执行步骤s4-步骤s6；
10.步骤s4、对降采样后的数据段应用点云法线滤波，剔除法线方向与竖直方向偏差大于法线偏差阈值k1的数据点；然后应用区域增长算法，将离散点云数据进行聚类，获得聚类处理后的多个区域集；根据各区域集质心点z轴坐标进行同一水平近似面点云的合并，得到多段水平近似面点云；
11.步骤s5、选取内点数量最大的水平近似面点云，利用最小二乘拟合求出该水平近似面点云的平面数学模型，基于此平面数学模型在原始数据段中提取出完整的桥面板上表面点云p
fi
；
12.步骤s6、对桥面板上表面点云p
fi
进行桥面板边界点云获取，识别出所有沿桥梁纵向的边界点云；根据所有沿桥梁纵向的边界点云在桥梁宽度方向的位置差异，识别出外侧边界线作为桥梁线形特征点；
13.步骤s7、整合每段桥面板上表面点云的桥梁线形特征点提取结果，得到完整的全桥线形特征点。
14.以上技术方案中优选的，所述步骤s3中数据分段具体是：对点云数据的x与y轴坐标进行主成分分析，获取第一主轴与第二主轴方向，将点云数据的x、y坐标沿主轴方向进行坐标转换，转换后第一主轴方向作为x方向，第二主轴方向作为y方向，计算转换后点云数据在第二主轴的最大值与最小值之差并将差值作为桥面宽度，将转换后点云数据沿第一主轴方向进行分段，分段长度设置为k倍桥面宽度，其中k＝2.0～2.5。
15.以上技术方案中优选的，所述步骤s4中，根据区域集质心点z轴坐标进行同一水平近似面点云的合并，具体是：
16.步骤a1、设置距离阈值k3，计算聚类处理后每个区域集的质心点z轴坐标；并将各区域集从1开始依次编号；设n＝1，m＝n+1，max为聚类处理后的区域集个数；
17.步骤a2、计算n与m号区域集的质心点z轴坐标差值的绝对值；
18.若绝对值大于等于距离阈值k3，则进入步骤a4；
19.若绝对值小于距离阈值k3，则将m号区域集并入n号区域集合中，并删去m号区域集，更新max＝max-1，使编号大于m的区域集编号减1，然后进入步骤a3；
20.步骤a3、若m小于max+1，再进入步骤a2；若m不小于max+1，执行步骤a5；
21.步骤a4、若m小于max，使m＝m+1，返回步骤a2；若m不小于max，则进入步骤a5；
22.步骤a5、若n小于max-1，使n＝n+1，m＝n+1返回步骤a2；若n不小于max-1则结束循环。
23.以上技术方案中优选的，根据式(2)将点云数据的x、y坐标沿主轴方向进行坐标转换；
[0024][0025]
式(2)中：(xc,yc)
t
为沿主轴方向坐标转换后的点云数据的坐标，(x
p
,y
p
)
t
为转换前点云数据的坐标，为坐标转换矩阵，其中(a
f1
,a
f2
)
t
为第一主轴方向，(a
s1
,a
s2
)
t
为第二主轴方向。
[0026]
以上技术方案中优选的，步骤s5中，利用平面数学模型在原始数据段中先粗提取出点云合集p
co
，然后在点云合集p
co
中精提取出完整的桥面板上表面点云p
fi
。
[0027]
以上技术方案中优选的，粗提取点云合集p
co
具体是：设定距离阈值l1，根据式(9)计算原始数据段中数据点至平面数学模型p的距离，认为距离小于距离阈值l1的数据点属于桥面板上表面，以实现粗提取；
[0028][0029]
式(9)中，d(a,p)为数据点a到平面数学模型p的距离，xa、ya、za为转换后数据点a的坐标。
[0030]
以上技术方案中优选的，精提取完整的桥面板上表面点云p
fi
具体是：计算点云集合p
co
中数据点的法线与曲率，设定法线评价权重w，利用式(10)-式(12)计算综合距离评价指标d(a,p)，若d(a,p)小于距离阈值l1则认为数据点属于桥面板上表面，实现精确提取；
[0031]
wa'＝w(1-ca)
ꢀꢀꢀꢀ
(10)，
[0032]dn
(a,p)＝cos-1
(|na·np
|)
ꢀꢀꢀꢀ
(11)，
[0033]
d(a,p)＝|(1-wa')d(a,p)+wa'dn(a,p)|
ꢀꢀꢀꢀ
(12)，
[0034]
式(10)-式(12)中，ca为数据点a的曲率，wa'为考虑曲率影响的数据点a的法线评价权重，dn(a,p)为数据点a法线与平面数学模型p法线的偏差，na、n
p
分别为数据点a、平面数学模型p的单位法向量。
[0035]
以上技术方案中优选的，所述步骤s6中：利用角度准则算法处理桥面板上表面点云p
fi
，获取桥面板的边界点云；预定义直线模型，应用随机采样一致性算法识别出所有与x轴夹角小于k5且内点数量大于纵向边界点云最小内点阈值的边界直线点云作为沿桥梁纵向的边界点云，其中k5为与x轴偏差容许角度；根据沿桥梁纵向的边界点云在y轴方向的位置差异，识别出外侧边界线作为桥梁线形特征点。
[0036]
以上技术方案中优选的，所述直线模型如式(13)所示：
[0037][0038]
式(13)中，(a,b,c)
t
为直线单位方向向量；(a,b,c)为直线模型上一点的坐标。
[0039]
以上技术方案中优选的，根据式(14)计算每组沿桥梁纵向的边界点云与平面x＝0的交点y坐标值，取最大值与最小值对应的纵向边界点云作为桥梁线形特征点；
[0040][0041]
式(14)中，y
x＝0
为纵向边界点云与平面x＝0的交点y坐标值。
[0042]
应用本发明的技术方案，具有以下有益效果：
[0043]
本发明基于三维激光扫描获取桥梁线形，该方法属于非接触式测量，外业测量时间短，线形数据提取自动化程度高，测量结果分辨率高，测量线形连续，对于一公里长的长大桥梁，车载激光扫描仪的测量时间在12分钟以内，可应用于大规模桥群与长大桥梁的长期线形监测。
[0044]
本发明根据桥面板上表面点云数据特点，制定了一种桥梁线形特征点的全新提取方法，可实现基于车载三维激光点云数据的桥梁线形提取，实际应用时可根据此法编制相应程序，实现桥梁线形数据的快速提取。
[0045]
本发明利用降采样后的桥面点云数据进行内点数量最大的水平近似面点云提取，并利用最小二乘拟合求出该水平近似面点云的平面数学模型，基于此平面数学模型实现桥
面板上表面点云的粗提取，计算效率更高，能够更快地实现桥梁线形数据提取。
[0046]
本发明在建立平面数学模型之后，基于原始数据段提取出完整的桥面板上表面点云，然后再基于桥面板上表面点云进行桥面板边界点云获取；本发明基于原始的数据进行线形特征点获取，桥梁线形拟合的平滑度更好，能够更好的反映桥梁的线形。
[0047]
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
[0048]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0049]
图1是本发明基于车载三维激光扫描的桥梁线形测量方法流程图；
[0050]
图2是桥梁原始点云数据图；
[0051]
图3a是桥梁原始点云数据分割前的示意图；
[0052]
图3b是桥梁原始点云数据分割后的示意图；
[0053]
图4a是桥梁原始点云数据降采样之前的示意图；
[0054]
图4b是桥梁原始点云数据降采样之后的示意图；
[0055]
图5是点云数据分段示意图；
[0056]
图6a是水平近似面点云提取之前的示意图；
[0057]
图6b是水平近似面点云提取之后的示意图；
[0058]
图7a是桥面上表面点云提取之前的示意图；
[0059]
图7b是桥面上表面点云提取之后的示意图；
[0060]
图8是桥梁线形特征点提取效果图；
[0061]
图9是全桥线形提取结果图；
具体实施方式
[0062]
为了便于理解本发明，下面将对本发明进行更全面的描述，并给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0063]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0064]
实施例1：
[0065]
参见图1，一种基于车载三维激光扫描的桥梁线形测量方法，包括以下步骤：
[0066]
步骤s1、基于车载三维激光扫描仪获取原始点云数据；
[0067]
优选的，所述步骤s1具体是：车载三维激光集成设备获取载具gps位置信息、载具imu空间姿态信息与三维激光扫描数据，并利用式(1)解算出原始点云数据。
[0068][0069]
式(1)中：(x
p
,y
p
,z
p
)
t
为三维激光点的大地坐标系坐标数据，为当地水平坐标系到大地坐标系的旋转矩阵，为imu坐标系到当地水平坐标系的旋转矩阵，为激光扫描仪坐标系到imu坐标系的旋转矩阵，(x
l
，y
l
，z
l
)
t
为激光点在激光扫描仪坐标系中的坐标，为激光扫描仪中心在imu坐标系中的坐标，为imu中心在大地坐标系中的坐标。
[0070]
步骤s2、对原始点云数据进行分割处理，获得原始桥面点云数据；对原始桥面点云数据进行降采样，获得降采样后的桥面点云数据；
[0071]
优选的，利用开源点云处理软件手动对原始点云数据进行分割处理，剔除数据中大量与桥梁无关的点云数据，包括地面、树木、无关的建筑物等，留下完整的原始桥面点云数据；该分割处理是进行后续操作的前提，该分割操作的精细程度要求不高，花费的时间短，有助于后续步骤精确地提取出桥梁线形数据点。
[0072]
优选的，原始桥面点云数据降采样采用已成熟的体素化网格降采样技术，将点云三维空间进行体素划分，计算每个非空体素的质心代替体素内的所有点，实现点云降采样。
[0073]
步骤s3、采用同样的数据分段方式，将降采样后的桥面点云数据和原始桥面点云数据均划分成n个数据段；以每个降采样后的数据段及其对应的原始数据段为处理对象执行步骤s4-步骤s6；本领域人员可以理解，此处降采样后的数据段为桥面点云数据中的数据段，原始数据段为原始桥面点云数据中的数据段；
[0074]
优选的，数据分段时，对降采样后的桥面点云数据或原始桥面点云数据的x与y轴坐标进行主成分分析，获取第一主轴(大特征值对应的特征向量)与第二主轴方向(小特征值对应的特征向量)，将点云数据的x、y坐标沿主轴方向进行坐标转换，转换后第一主轴方向作为x方向，第二主轴方向作为y方向，计算转换后点云数据在第二主轴的最大值与最小值之差并将差值作为桥面宽度，将转换后点云数据沿第一主轴方向进行分段，分段长度设置为k倍桥面宽度，其中k＝2.0～2.5；
[0075]
所述数据分段的详细操作见式(2)-式(6)：
[0076][0077]
w＝y
cmax-y
cmin
ꢀꢀꢀꢀ
(3)，
[0078]
l＝kw(k＝2.0～2.5)
ꢀꢀꢀꢀ
(4)，
[0079][0080][0081]
式(2)-式(6)中：(xc,yc)
t
为沿主轴方向坐标转换后的点云数据的坐标，(x
p
,y
p
)
t
为
转换前点云数据的坐标，为坐标转换矩阵，其中(a
f1
,a
f2
)
t
为第一主轴方向，(a
s1
,a
s2
)
t
为第二主轴方向，w为桥面宽度，y
cmax
、y
cmin
分别为转换后点云数据在y轴方向的最大值与最小值，l为分段的长度，sn为分段后的第n段数据，x
cmax
、x
cmin
分别为转换后点云数据在x轴方向的最大值与最小值，为转换后pi的x轴坐标值，n为分段数量，[ ]为取整操作。数据分段时，若第n段点云数据在x轴方向的长度小于0.5倍桥面宽度，则将第n段点云数据并入第n-1段点云数据，并删除第n段数据。
[0082]
优选的，由于降采样后的点云数据数据量小，为了提升计算效率，可以先对降采样后的桥面点云数据进行数据分段，而原始桥面点云数据的分段则可以按降采样后的桥面点云数据的分段结果进行。
[0083]
本领域人员可以理解，所述步骤s2和步骤s3即为对原始点云数据的预处理。
[0084]
步骤s4、对降采样后的数据段应用点云法线滤波，剔除法线方向与竖直方向偏差大于法线偏差阈值k1的数据点；然后应用区域增长算法，将离散点云数据进行聚类，获得聚类处理后的多个区域集；根据各区域集质心点z轴坐标进行同一水平近似面点云的合并，得到多段水平近似面点云；
[0085]
所述步骤s4的具体步骤如下：
[0086]
步骤s4.1、预先设置法线偏差阈值k1，该阈值k1用于剔除法线方向不竖直的数据点；
[0087]
步骤s4.2、计算所有数据点的单位法线与曲率，利用式(7)计算数据点法线与竖直方向的偏差程度并与法线偏差阈值k1比较，剔除大于法线偏差阈值k1的数据点，剔除后的点云集设为p；
[0088][0089]
式(7)中，d(n
pi
)为单位法线与竖直方向的偏差程度，n
pi
为单位法线。
[0090]
步骤s4.3、为点云集p建立k维树(k-dimensional tree)表达，预先设置法线偏差阈值k2、曲率阈值、区域点云数量阈值和区域总集r，法线偏差阈值k2和曲率阈值用于控制区域生长进程，区域点云数量阈值用于剔除非平面点云，区域总集r用于容纳算法提取出的区域集；
[0091]
步骤s4.4、设置一种子点集s和一区域集rc，选择曲率最小的一个点加入到种子点集合中；
[0092]
步骤s4.5、选取一种子点，利用基于k维树的最近邻搜索算法寻找当前种子点的邻域点，检查邻域点是否曾被步骤s4.6处理，若有未曾被处理的邻域点则进入步骤s4.6，若所有邻域点都已经被处理则直接进入步骤s4.8；
[0093]
步骤s4.6、取一个未曾被处理的邻域点，先计算其法线与当前种子点的法线之间的夹角，若夹角小于法线偏差阈值k2则将该邻域点并入到当前区域集rc中；然后继续检查该邻域点的曲率，若该邻域点的曲率小于曲率阈值，则该邻域点还加入到种子点集s中；
[0094]
步骤s4.7、重复步骤s4.6，直至所有未曾被处理的邻域点都被步骤s4.6处理完毕；
[0095]
本领域人员可以理解，在步骤s4.6、步骤s4.7的处理下，区域集rc中的点不一定属于种子点集s中，而种子点集s中的点一定属于区域集rc；
[0096]
步骤s4.8、在种子点集合中删除当前种子点；
[0097]
步骤s4.9、选取种子点集s中的点作为种子点，重复进行步骤s4.5-s4.8，直到种子点集s为空集；此时，一个区域生长完成，将区域集rc加入到区域总集r中，并在点云集p中删除该区域集rc中的点；
[0098]
步骤s4.10、对点云集p中剩余的数据点重复步骤s4.4-步骤s4.9，直到遍历完所有点；
[0099]
步骤s4.11、检查每一个区域集的内点数量，剔除内点数量小于区域点云数量阈值的区域集；步骤s4.11处理后即获得聚类处理后的区域集；
[0100]
本领域人员可以理解，步骤s4.3-步骤s4.11即为本实施例中应用区域增长算法，将离散点云数据进行聚类，获得聚类处理后的多个区域集的操作方式；
[0101]
步骤s4.12、设置距离阈值k3，计算聚类处理后每个区域集rc的质心点z轴坐标；并将各区域集从1开始依次编号；设n＝1，m＝n+1，max为聚类处理后的区域集个数；
[0102]
步骤s4.13、计算n与m号区域集的质心点z轴坐标差值的绝对值；
[0103]
若绝对值大于等于距离阈值k3，则进入步骤s4.15；
[0104]
若绝对值小于k3，则将m号区域集并入n号区域集合中，并删去m号区域集，更新max＝max-1，使编号大于m的区域集编号减1，然后进入步骤s4.14；
[0105]
步骤s4.14、若m小于max+1，再进入步骤s4.13；若m不小于max+1，执行s4.16；
[0106]
步骤s4.15、若m小于max，使m＝m+1，返回步骤s4.13；若m不小于max，则进入步骤s4.16。
[0107]
步骤s4.16、若n小于max-1，使n＝n+1，m＝n+1返回步骤s4.13；若n不小于max-1则结束循环。
[0108]
本领域人员可以理解，步骤s4.12-步骤s4.16即为本实施例中根据各区域集质心点z轴坐标进行同一水平近似面点云的合并的操作方式，此处的合并逻辑是：
[0109]
(1)先将聚类处理后的区域集从1开始进行编号；
[0110]
(2)选取编号最小的一个区域集作为对比区域集，剩下的作为合并区域集，将合并区域集逐个与对比区域集计算质心点z轴坐标差值的绝对值，将差值小于距离阈值k3的合并区域集合并至对比区域集中，将合并后的区域集和对比区域集作为水平近似面，若不存在能与对比区域集合并的合并区域集，则将对比区域集作为水平近似面；
[0111]
(3)在去除水平近似面之后的区域集中，按照编号顺序继续执行上述操作(2)；若剩余的区域集不存在可以合并的对比区域集和合并区域集时，将剩下的区域集分别作为水平近似面。
[0112]
步骤s5、选取内点数量最大的水平近似面点云，利用最小二乘拟合求出该水平近似面点云的平面数学模型，基于此平面数学模型在原始数据段中提取出完整的桥面板上表面点云p
fi
；
[0113]
所述步骤s5具体过程如下：
[0114]
步骤s5.1、预定义平面数学模型，选取内点数量最大的水平近似面点云，使用最小二乘拟合求出该水平近似面点云的平面数学模型p为：
[0115]
p:ax+by+cz＝d
ꢀꢀꢀꢀ
(8)，
[0116]
式(8)中，(a,b,c)
t
为平面数学模型的单位法向向量，d/c为平面数学模型的z轴截距(c≠0)。
[0117]
步骤s5.2、粗提取点云合集p
co
：设定距离阈值l1，根据式(9)计算原始数据段中数据点至平面数学模型p的距离，认为距离小于距离阈值l1的数据点属于桥面板上表面，实现粗提取；
[0118][0119]
式(9)中，d(a,p)为数据点a到平面数学模型p的距离，xa、ya、za为转换后数据点a的坐标。
[0120]
步骤s5.3、精提取完整的桥面板上表面点云p
fi
：计算点云集合p
co
中数据点的法线与曲率，设定法线评价权重w，利用式(10)-式(12)计算综合距离评价指标d(a,p)，若d(a,p)小于距离阈值l1则认为数据点属于桥面板上表面，实现精确提取；
[0121]
wa'＝w(1-ca)
ꢀꢀꢀꢀ
(10)，
[0122]dn
(a,p)＝cos-1
(|na·np
|)
ꢀꢀꢀꢀ
(11)，
[0123]
d(a,p)＝|(1-wa')d(a,p)+wa'dn(a,p)|
ꢀꢀꢀꢀ
(12)，
[0124]
式(10)-式(12)中，ca为数据点a的曲率，w为法线评价权重，wa'为考虑曲率影响的数据点a的法线评价权重，dn(a,p)为数据点a法线与平面数学模型p法线的偏差，na、n
p
分别为数据点a、平面数学模型p的单位法向量，d(a,p)为综合距离评价指标。
[0125]
步骤s6、对桥面板上表面点云p
fi
进行桥面板边界点云获取，识别出所有沿桥梁纵向的边界点云；根据所有沿桥梁纵向的边界点云在桥梁宽度方向的位置差异，识别出外侧边界线作为桥梁线形特征点；
[0126]
所述步骤s6具体过程如下：
[0127]
步骤s6.1、利用角度准则(angle criterion)算法处理桥面板上表面点云p
fi
，获取桥面板的边界点云(具体如何使用angle criterion算法获得桥面板的边界点云为本领域的公知常识，本实施例中不再详细说明)；
[0128]
步骤s6.2、预定义直线模型，预设纵向边界点云最小内点阈值、距离阈值k4和与x轴偏差容许角度k5；所述直线模型如式(13)所示：
[0129][0130]
式(13)中，(a,b,c)
t
为直线单位方向向量，(a,b,c)为直线模型上一点的坐标。
[0131]
步骤s6.3、根据预定义的距离阈值k4和与x轴偏差容许角度k5，应用随机采样一致性算法于桥面板边界点云中识别一组与x轴(即桥梁纵向)夹角小于k5的边界直线点云(具体如何使用随机采样一致性算法获得与x轴夹角小于k5的边界直线点云为本领域的公知常识，本实施例中不再详细说明)；
[0132]
步骤s6.4、检查s6.3中识别的边界直线点云内点数量，当内点数量大于纵向边界点云最小内点阈值时，则将该边界直线点云作为沿桥梁纵向的边界点云，并从桥面板边界
点云中剔除该部分点云，再进入步骤s6.3；当识别的边界直线点云内点数小于或等于纵向边界点云最小内点阈值时，则认为所有沿桥梁纵向的边界点云识别完毕；
[0133]
需要说明的是，本领域人员知晓，由于随机采样一致性算法的自身特性，该算法每次执行识别出的均为当次识别对象中内点数量最大的边界直线点云；
[0134]
步骤s6.5、根据沿桥梁纵向的边界点云在y轴方向的位置差异，识别出外侧边界线作为桥梁线形特征点，具体是：
[0135]
根据式(14)计算每组纵向边界点云的直线模型与平面x＝0的交点y坐标值，取最大值与最小值对应的纵向边界点云作为桥梁线形特征点；
[0136][0137]
式(14)中，y
x＝0
为纵向边界点云与平面x＝0的交点y坐标值。
[0138]
步骤s7、整合每段桥面板上表面点云的桥梁线形特征点提取结果，得到完整的全桥线形特征点，具体是：
[0139]
根据式(15)将每段桥面板上表面点云的桥梁线形特征点还原到原始坐标系，然后合并还原后的每段桥梁线形特征点得到完整的全桥线形特征点；
[0140][0141]
式(15)中：(xc,yc)
t
为沿主轴方向坐标转换后的点云数据的坐标，(xr,yr)
t
为还原后点云数据的坐标，为步骤s3中的坐标转换矩阵。
[0142]
本实施例还提供了上述基于车载三维激光扫描的桥梁线形测量方法的具体应用案例，具体如下：
[0143]
该应用案例中需要快速测量某全长为834m的铁路连续梁桥线形，相关点云数据处理技术均由c++计算机语言结合point cloud library(pcl)开源编程库实现，采用基于车载三维激光扫描技术的桥梁线形快速测量方法如下：
[0144]
采集外业数据：在桥下设置车载三维激光扫描仪gps基站，并于桥梁铁轨上装载小型轨道车与车载三维激光扫描仪集成设备，设置载具时速为5公里每小时，获取全桥点云数据。该案例中使用的设备是武汉夕睿光电技术有限公司的轨道移动三维激光测量系统(rmms)，原始点云数据解算后如图2所示。
[0145]
原始数据预处理：对原始点云数据进行预处理，应用cloudcompare点云数据处理软件，手动分割原始点云，得到全桥桥面点云数据，手动分割前后对比见图3a和图3b；应用pcl的voxelgrid类实现体素化网格降采样算法处理桥面点云数据，减小点云数据量，降采样前后数据对比见图4a和图4b；编制主成分分析算法，对降采样后的桥面点云的x与y轴坐标进行主成分分析，获取第一主轴与第二主轴方向，将桥面点云的x与y轴坐标沿主轴方向坐标转换后，计算桥面数据沿着第二主轴方向的最大值与最小值之差并作为桥面宽度，将降采样后的桥面数据沿第一主轴方向进行分段，分段长度设置为2倍桥面宽度，同时对降采样前的桥面点云做主轴方向一致和分段长度相同的分段操作，具体操作方式见步骤s3，分段效果见图5。对每段桥面点云执行水平近似面点云提取、桥面板点云提取和桥梁线形特征
点提取操作。
[0146]
水平近似面点云提取：应用pcl的normalestimation类计算点云法线与曲率，检查所有点云法线方向与竖直方向的偏差，剔除偏差大于法线偏差阈值k1的数据点，法线滤波操作具体见步骤s4.1-s4.2。利用pcl的regiongrowing类实现区域增长算法，将离散点云数据进行聚类，并利用pcl的compute3dcentroid函数计算聚类处理后每个区域集的质心点z轴坐标，合并处理后得到多段水平近似面点云，水平近似面点云提取前后对比见图6a和图6b；
[0147]
桥面板点云提取：按式(8)预定义平面数学模型，用最小二乘拟合内点数量最大的水平近似面点云，求出点云模型参数；粗提取桥面板上表面点云：设定距离阈值l1，按式(9)计算未进行降采样的原始数据段中数据点至平面数学模型的距离，取距离小于距离阈值l1的数据点属于桥面板上表面；精提取桥面板上表面云：计算粗提取点云集的法线与曲率，设定法线评价权重w，按式(10)-式(12)计算综合距离评价指标d(a,p)，d(a,p)小于距离阈值l1则认为数据点属于桥面板上表面，桥面板上表面点云提取前后对比见图7a和图7b。
[0148]
桥梁线形特征点提取：利用pcl的boundaryestimation类实现angle criterion算法进行桥面板边界点云提取；按式(13)预定直线模型，应用随机采样一致性算法识别所有与x轴夹角小于k5且内点数量大于纵向边界点云最小内点阈值的边界直线点云作为沿桥梁纵向的边界点云，按式(14)计算每组纵向边界点云直线模型与平面x＝0交点的y坐标值，取最大值与最小值对应的边界点云作为桥梁线形特征点，每段桥面点云的线形特征点提取效果见图8。
[0149]
数据整合：坐标系还原后，整合每段桥面板上表面点云的线形特征点提取结果，得到完整的全桥线形提取结果，全桥线形提取结果见图9。
[0150]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于车载三维激光扫描的桥梁线形测量方法，其特征在于，包括以下步骤：步骤s1、基于车载三维激光扫描仪获取原始点云数据；步骤s2、对原始点云数据进行分割处理，获得原始桥面点云数据；对原始桥面点云数据进行降采样，获得降采样后的桥面点云数据；步骤s3、采用同样的数据分段方式，将降采样后的桥面点云数据和原始桥面点云数据均划分成多个数据段；以每个降采样后的数据段及其对应的原始数据段为处理对象执行步骤s4-步骤s6；步骤s4、对降采样后的数据段应用点云法线滤波，剔除法线方向与竖直方向偏差大于法线偏差阈值k1的数据点；然后应用区域增长算法，将离散点云数据进行聚类，获得聚类处理后的多个区域集；根据各区域集质心点z轴坐标进行同一水平近似面点云的合并，得到多段水平近似面点云；步骤s5、选取内点数量最大的水平近似面点云，利用最小二乘拟合求出该水平近似面点云的平面数学模型，基于此平面数学模型在原始数据段中提取出完整的桥面板上表面点云p
fi
；步骤s6、对桥面板上表面点云p
fi
进行桥面板边界点云获取，识别出所有沿桥梁纵向的边界点云；根据所有沿桥梁纵向的边界点云在桥梁宽度方向的位置差异，识别出外侧边界线作为桥梁线形特征点；步骤s7、整合每段桥面板上表面点云的桥梁线形特征点提取结果，得到完整的全桥线形特征点。2.根据权利要求1所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，所述步骤s3中数据分段具体是：对点云数据的x与y轴坐标进行主成分分析，获取第一主轴与第二主轴方向，将点云数据的x、y坐标沿主轴方向进行坐标转换，转换后第一主轴方向作为x方向，第二主轴方向作为y方向，计算转换后点云数据在第二主轴的最大值与最小值之差并将差值作为桥面宽度，将转换后点云数据沿第一主轴方向进行分段，分段长度设置为k倍桥面宽度，其中k＝2.0～2.5。3.根据权利要求1所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，所述步骤s4中，根据区域集质心点z轴坐标进行同一水平近似面点云的合并，具体是：步骤a1、设置距离阈值k3，计算聚类处理后每个区域集的质心点z轴坐标；并将各区域集从1开始依次编号；设n＝1，m＝n+1，max为聚类处理后的区域集个数；步骤a2、计算n与m号区域集的质心点z轴坐标差值的绝对值；若绝对值大于等于距离阈值k3，则进入步骤a4；若绝对值小于距离阈值k3，则将m号区域集并入n号区域集合中，并删去m号区域集，更新max＝max-1，使编号大于m的区域集编号减1，然后进入步骤a3；步骤a3、若m小于max+1，再进入步骤a2；若m不小于max+1，执行步骤a5；步骤a4、若m小于max，使m＝m+1，返回步骤a2；若m不小于max，则进入步骤a5；步骤a5、若n小于max-1，使n＝n+1，m＝n+1返回步骤a2；若n不小于max-1则结束循环。4.根据权利要求2所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，根据式(2)将点云数据的x、y坐标沿主轴方向进行坐标转换；
式(2)中：(x
c
,y
c
)
t
为沿主轴方向坐标转换后的点云数据的坐标，(x
p
,y
p
)
t
为转换前点云数据的坐标，为坐标转换矩阵，其中(a
f1
,a
f2
)
t
为第一主轴方向，(a
s1
,a
s2
)
t
为第二主轴方向。5.根据权利要求1所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，步骤s5中，利用平面数学模型在原始数据段中先粗提取出点云合集p
co
，然后在点云合集p
co
中精提取出完整的桥面板上表面点云p
fi
。6.根据权利要求5所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，粗提取点云合集p
co
具体是：设定距离阈值l1，根据式(9)计算原始数据段中数据点至平面数学模型p的距离，认为距离小于距离阈值l1的数据点属于桥面板上表面，以实现粗提取；式(9)中，d(a,p)为数据点a到平面数学模型p的距离，x
a
、y
a
、z
a
为转换后数据点a的坐标。7.根据权利要求6所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，精提取完整的桥面板上表面点云p
fi
具体是：计算点云集合p
co
中数据点的法线与曲率，设定法线评价权重w，利用式(10)-式(12)计算综合距离评价指标d(a,p)，若d(a,p)小于距离阈值l1则认为数据点属于桥面板上表面，实现精确提取；w
a
'＝w(1-c
a
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)，d
n
(a,p)＝cos-1
(|n
a
·
n
p
|)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)，d(a,p)＝|(1-w
a
')d(a,p)+w
a
'd
n
(a,p)| (12)，式(10)-式(12)中，c
a
为数据点a的曲率，w
a
'为考虑曲率影响的数据点a的法线评价权重，d
n
(a,p)为数据点a法线与平面数学模型p法线的偏差，n
a
、n
p
分别为数据点a、平面数学模型p的单位法向量。8.根据权利要求1所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，所述步骤s6中：利用角度准则算法处理桥面板上表面点云p
fi
，获取桥面板的边界点云；预定义直线模型，应用随机采样一致性算法识别出所有与x轴夹角小于k5且内点数量大于纵向边界点云最小内点阈值的边界直线点云作为沿桥梁纵向的边界点云，其中k5为与x轴偏差容许角度；根据沿桥梁纵向的边界点云在y轴方向的位置差异，识别出外侧边界线作为桥梁线形特征点。9.根据权利要求8所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，所述直线模型如式(13)所示：式(13)中，(a,b,c)
t
为直线单位方向向量；(a,b,c)为直线模型上一点的坐标。
10.根据权利要求8所述的基于车载三维激光扫描的桥梁线形测量方法，其特征在于，根据式(14)计算每组沿桥梁纵向的边界点云与平面x＝0的交点y坐标值，取最大值与最小值对应的纵向边界点云作为桥梁线形特征点；式(14)中，y
x＝0
为纵向边界点云与平面x＝0的交点y坐标值。

技术总结
本发明提供了一种基于车载三维激光扫描的桥梁线形测量方法，包括原始点云数据获取、原始数据预处理、水平近似面点云提取、桥面板上表面点云提取和桥梁线形特征点提取等过程；本发明基于原始数据段提取出完整的桥面板上表面点云，然后再基于桥面板上表面点云进行桥面板外侧边界点云获取。基于原始的数据获取连续的线形特征点，拟合的桥梁线形平滑度更好，能够反映桥梁的连续线形。本发明基于三维激光扫描获取桥梁线形，该方法属于非接触式测量，外业测量时间短，线形数据提取自动化程度高，测量结果分辨率高，测量线形连续，可应用于大规模桥群与长大桥梁的长期线形监测。规模桥群与长大桥梁的长期线形监测。规模桥群与长大桥梁的长期线形监测。


技术研发人员：左湘龙 魏晓军 何旭辉 开大龙
受保护的技术使用者：中南大学
技术研发日：2023.04.20
技术公布日：2023/7/25