鐵路測繪中機載LiDAR關鍵技術的應用

發(fā)布日期：2019-07-31 00:00 瀏覽量：10850

近年來機載LiDAR漸漸趨向于商業(yè)化應用，不管是數字線劃圖DLG、數字高程模型DEM產品的生成，都發(fā)揮其明顯優(yōu)勢。值得注意的是，現行鐵路測繪實際中對于該技術的應用，仍存在利用人工解譯問題，技術應用效果并不明顯，所以考慮做好LiDAR點云數據提取，提高測繪水平。因此，本次研究對鐵路測繪中機載LiDAR關鍵技術的應用研究，具有十分重要的意義。

一、關于機載LiDAR的介紹

關于LiDAR，主要指一種用于主動對地觀測的系統，用于地面物體三維目標的測量，將許多先進技術包括慣性測量單元IMU/DGPS差分定位技術、計算機技術、激光測距技術等引入其中，能夠滿足高時空分辨率地球空間信息的獲取。

由于機載LiDAR數據獲取后，通過相應的軟件處理，由等高線圖、數字地面模型DTM形成，這在傳統常規(guī)地面測量技術、攝影測量方法應用下很難實現，因此被逐漸引入測繪領域中。國外對于該技術的應用起步較早，我國近年來也逐漸在機載LiDAR技術應用方面不斷突破，如三維城市建模、環(huán)境監(jiān)測、地形測繪中技術應用均較為廣泛。

二、機載LiDAR點云數據提取與處理

1、數據預處理

鐵路測繪領域中，LiDAR技術應用下，以往存在依托于人工解譯、人工提取方法，自動化水平較低。對此，研究中考慮借助LiDAR點云數據，獲取鐵路地物信息，包括地物形狀特征，以及影像紋理、光譜與灰度信息，做到信息自動提取。

從機載LiDAR點云數據具體處理流程看，主要表現為：

①點云數據經過濾波處理后，將與慣性測量系統、GPS系統數據結合，做各點云三維目標的計算；

②將系統中粗差點、誤差等檢測去除，引入自適應TIN方法，進行地面點與非地面點的濾波分離；

③引入Krig－ing插值方式，進行DEM構建。該流程實現后，便可根據提取處理后的點云數據，做數字表面模型DSM構建，此時僅需將DEM由DSM去除，便能達到地物高度信息獲取的目標，一般將該模型叫做nDSM，通過該模型的應用，許多如植被、建筑物信息被提取中，地形所帶來的影響被消除。

2、鐵路要素提取

具體從鐵路測繪信息要素提取方面研究，提取的內容主要包括：

①建筑物信息提取。在nDSM模型運用下，強調對高度閾值進行設置，一般保持較小，使建筑物完整性得以保證。例如，鐵路沿線中由較多農村房舍分布，高度較低，所以可保持1m閾值。需注意房屋陰影易有被錯分情況，通常房頂由較高亮度值，而陰影亮度值較低，此時要求利用航空影響波段均值使陰影消除。

同時，考慮到機載LiDAR應用下盡管高度信息獲取準確，然而在獲取地物邊界信息房方面精確度較差，所以技術應用中考慮借助光譜信息，對房屋邊緣信息的獲取進行改進。

②植被信息提取。實際做植被信息提取中，要求計算綠度指數，假定對航空影像藍、綠、紅波段分別以B、G、R表示，以Greenness表示綠度指數，有Greenness=G/(R+G+B)，部分研究中提及，在非植被、植被綠度指數上，可設定為0.34閾值。將nDSM模型引入，借助其高度信息差異，可進行農作物、灌叢、喬木林地的區(qū)分。

③鐵路區(qū)域信息提取。鐵路測繪中，整個沿線地形特征復雜，如有平原、山區(qū)等，可利用對比分割圖像，做鐵路地形特征的識別。

三、機載LiDAR與RANSAC算法結合下的高密度點云數據提取

1、激光點云信息提取

為提高機載LDAR技術應用效果，本次研究中提及將RANSAC算法引入，主要將特征數據、高程信息、掩膜圖像等進行結合，分類軌道信息并提取。具體實踐中要求進行軌道特征屬性的構建，明確鐵軌信息精確提取中的約束條件，如區(qū)域坡度較小、鐵軌相比道床有一定高度。此時，做激光點云分類，整個流程為：

①鐵路點云的確定，取0.5m為半徑，進行最低點的搜索，做高差計算；

②利用DEM完成坡度計算，取計算結果作為軌道信息提取中的閾值。具體對鐵路掩膜區(qū)域中軌道點進行判斷，有相應的要求，其一為高差△h介于0.15m與0.4m之間，空間區(qū)域坡度為15°以下。這樣通過分類點云，可將其中許多人工物體分離，使軌道目標對象更容易確定。

2、鐵路橫斷面數據提取分析

鐵路測繪中，測量鐵路橫斷面的目的在于進行地形起伏情況的判斷，許多工程項目開展中，如橋涵設計、路基檢查、邊樁放樣等，均需將橫斷面圖作為基礎。具體進行數據提取中，提取參數包括路基高程、路基寬度、路基邊坡高度等。引入機載LiDAR技術，借助DEM實現鐵路橫斷面數據的提取，在此基礎上分析橫斷面幾何特征。如在坡度數據分析中，主要可將最大變化率反映出來，通過計算特征點擬合直線斜率，獲取最終結果。實際提取分析中，一般也強調引入曲線二階導數，點為零的位置便為曲線拐點，亦可理解為坡向線、路面交叉點為拐點。在明確該拐點后，便可做路基寬度、邊坡坡度的統計。

3、軌道數據提取

軌道數據提取中，在引入機載LiDAR技術的同時，需配合RANSAC算法，完成提取過程，且該過程中要求借助TLS，即最小二乘法獲取相應的擬合曲線，使最終提取的結果更加準確，整個提取過程中，首先要求得以數據點對鐵路軌道進行擬合，若為鐵路所有點，需歸屬到內部點范疇中。在此基礎上進行模型的確定，如圓弧模型或直線模型，為各內部點選擇最優(yōu)擬合模型。模型確定后，將所有數據中的內部點去除，計算剩余點云，便能達到提取軌道數據的目標。

綜上所述，機載LiDAR技術應用是當前提高鐵路測繪水平的關鍵性保障。實際應用該技術中，應正確認識該技術實現的原理，使其在鐵路測繪中優(yōu)勢充分發(fā)揮出來，具體實踐中，將該技術引入，主要通過機載LiDAR點云數據提取與處理、機載LiDAR與RANSAC算法結合下的高密度點云數據提取實現，如在點云數據處理方面強調數據與處理以及鐵路要素的提取，而高密度點云數據包含激光點云數據匪類、橫斷面數據以及軌道數據的提取等，可推動鐵路測繪水平的進一步提高。