首页 >
论文范文 >
自然科学论文 >
自然科学综合论文 >
测绘学论文 >
基于可视化角计进行海量车载激光点云组织分析
摘要：车载移动测量系统是一种高精度、高速度的空间信息采集设备,由于获取的点云数据量大,海量车载激光点云的数据处理、三维建模和可视化面临挑战。考虑到车载激光点云沿采集线路逐行扫描形成的特点,提出了一种分块多层叠加型空间索引结构,对海量车载激光点云数据自动分块并建立LOD瓦片结构,实现海量车载激光点云数据的管理与动态调度。实验结果表明:该方法具有有效性和可行性。
加入收藏
1、引言
车载移动测量系统能够快速获取相关要素的三维空间坐标,具有采样密度高、点云分布密集等特点,正逐渐成为三维空间信息快速获取的主要手段之一,被广泛应用于城市规划、市政部件普查等领域。
吉信移动测量系统DCQ-MMS-X3是重庆市勘测院、重庆数字城市科技有限公司联合研制的新一代移动测量系统。经国家光电测距仪检测中心测试,该系统重复性精度为平面0.8cm,高程1.0cm;绝对精度为平面2.1cm,高程2.3cm。由于应用需求,移动测量系统高精度、高速度的特性不断增强,获取点云的数据量不断增加。例如,吉信移动测量系统每秒采集60万点,每小时可采集21.6亿点,成果采用Las1.2点格式3存储时,每小时成果达73GB。
海量车载激光点云给数据处理、三维建模和可视化带来挑战。解决该问题的核心方法是建立空间索引。常用的点云空间索引包括R树[1,2,3]、R*树[4]、四叉树[5,6]、双层四叉树[7]、叠加型金字塔结构[8]、八叉树[9,10]等;R树是三维模型常用的空间索引,由于允许叶子范围重叠,查询效率不高;四叉树和八叉树平衡性不好,存在不均衡的叶子,影响调度的一致性。
考虑到车载激光点云是沿采集线路逐行扫描形成的特点,本文提出一种分块多层叠加型空间索引结构,对海量车载激光点云数据自动分块并建立多层叠加型空间索引,实现海量激光点云数据的管理与动态调度。
2、分块多层叠加型空间索引
2.1点云瓦片
点云瓦片代表着可调度的最小单元。点云瓦片由一定数目的空间点构成,每一个空间点结构长度为20字节,以Little-Endian字节顺序存储,其结构体如表1所示:
空间点的20字节结构体布局表1导出到EXCEL
受内外存交互、网络传输等因素,点云瓦片有上限限制,每一个点云瓦片不宜超过1MB,以每个点20字节,压缩率为60%计算单一瓦片最多点数:
单一瓦片最多点数(上限)=1MB20B×160%=87381点
考虑到后续叠加型LOD瓦片构建,单一瓦片的点云数目宜为2N个点,本文取值216,即每一个点云瓦片包含65536点,每一个点云瓦片大小压缩后为768KB。
2.2加型LOD瓦片结构
多级LOD瓦片结构常用于地图瓦片。其中初级瓦片(最底叶子层瓦片)是具有原始影像分辨率(比例尺)的图像,随着瓦片层数的升高,图像通过重采样,使得涵盖内容逐渐增多而分辨率逐渐降低。
地图服务缓存常使用替代型瓦片结构,就是每一层瓦片拼接起来都包含地图的全部信息,各层之间是替代关系,只有比例尺或者分辨率的差异。例如ArcGISServer的地图缓存,是一个包含了不同比例尺下整个地图范围的地图切片集合;按照层级(Level)、行(Row)、列(Column)进行组织;切片格式为PNG/JPG等。
叠加型LOD瓦片结构是指每一层瓦片拼接起来都包含地图的部分信息,各层之间是叠加关系,所有瓦片叠加起来构成全部的地图信息。各层之间由于重采样频率和数据量的不同,形成的分辨率不同。对于海量点云,叠加型LOD瓦片结构具有结构紧凑,数据无冗余的特点。当视点距离点云中心较远时,采用较小层次细节显示,随着视点距离拉近,逐步增加点云的数量,提高点云的层次细节。
2.3点云块
通常,车载移动测量点云成果以不均匀的多个Las文件组成。每一个las是一段。在分块时,按照不同采集线路分别进行。点云块是点云调度、处理的单元,点云块大小要考虑叶子大小、叠加型LOD瓦片结构等因素。
本文使用64个叠加型瓦片作为一个点云块。其中,64个叠加型瓦片均是对该点云块的不重复采样,共享该点云块的几何中心、半径,以便调度。
2.4叠加型LOD瓦片结构构建方法
叠加型LOD瓦片结构构建流程如图1所示:
图1叠加型LOD瓦片构建流程
第一步,将连续存储的线路Las文件(单一Las文件可达10GB)按固定大小分块。考虑到点云沿采集路线逐行扫描的特点,形成的Las文件的点云点也是顺序存储的,是自然有序的,巨大Las文件的顺序分割也就是点云的线性(或者三维)空间化分割。因此,直接按照固定大小从前到后顺序进行分块切割即可,本文设定点云块的固定大小为64个点云瓦片。例如假设一条线路的点云文件共N个点,则点云块数NumBlock为:
NumBlock=[N64×65536]=[N4194304]
第二步,对每一个Las点云块构建叠加型LOD瓦片。针对每一个点云块,构建共计L0-L5的固定层级的叠加型LOD瓦片结构。每隔64个点进行采样。每64个点的层级分布如图2所示:
图2叠加型LOD瓦片对每64个点的采样分布图
以第一块Block001为例,各个瓦片的采样规则描述如表2所示:
叠加型LOD瓦片的采样规则表2
注意到,这种采样方式实际上是一种二叉树的细化方式,由于每一个瓦片大小相同,而数目逐层向下倍增,因此每一层的数据量是上一层的两倍。按照每一瓦片65536点,每64个瓦片是一个点云块,每个点云块包含点数为65536×64=4194304(4M个点)。根据叠加型LOD瓦片结构,形成树形空间索引,包括L0级主瓦片列表、各级瓦片中心、半径信息等。考虑到最后一个点云块可能少于4194304个点,甚至少于64个点,在构建最后一个点云块的瓦片时,特别注意按上述瓦片采样序号的越界问题,如果超过了本瓦片的最大点索引,则该点无效,不属于该瓦片,即瓦片可以根据实际,包含少于65536个点;每一个点云块生成的LOD瓦片数也可能少于64个。
3、海量点云组织与可视化
3.1点云文件瓦片生成
基于python实现叠加型LOD瓦片。核心代码如下:
defgenerate_tile(block_points,level,no,sample_index_of_64):
tile_points=[]
num_tile_points=int(len(block_points)/64)
forjinrange(num_tile_points):#j范围:[0,num_tile_points)
tile_points.append(block_points[j*64+sample_index_of_64])
#处理最后一个点
ifnum_tile_points*64+sample_index_of_64<len(block_points):
tile_points.append(block_points[num_tile_points*64+sample_index_of_64])
write_tile(tile_points)
3.2点云组织
本文采用自主研发的GKF非关系型数据库[11],充分顾及点云成果建库后变化少的特点,使用键值结构存储点云块、点云瓦片和要素信息,实现了显示数据与要素数据的分离。数据库各个实体的结构如图3所示:
图3海量点云数据库存储结构
3.3瓦片调度
三维地理信息系统中常用的动态调度有两种,一种是PIXEL_SIZE_ON_SCREEN,基于物体渲染时在屏幕上的像素范围大小而决定,像素范围越大,表示该物体需要越多的细节展示;像素范围越小,甚至是1个像素,表示该物体需要越少的细节展示;这种方式常用于倾斜摄影实景模型的调度中。
第二种动态调度方式是DISTANCE_FROM_EYE_POINT,基于物体到当前视点(相机)的距离而决定,距离越近,表示该物体需要越多的细节展示;距离越远,甚至远到不可见,表示该物体需要越少的细节展示;这种方式常用于三维城市模型的调度中。
根据调度结果,两种动态调度方式的效果是等同的,在选择需要加载的瓦片层级时,均考虑了瓦片本身的大小以及到当前视点的距离(物体渲染时在屏幕上的像素范围大小是当前视锥体结合瓦片大小、物体到当前视点的距离动态计算的)。考虑到瓦片大小均一,易于实现,本文采用第二种动态调度方式,记瓦片半径为r,当瓦片中心到视点的距离为d,则动态调度规则如表3所示:
叠加型LOD瓦片的动态调度规则表3
3.4要素可视化
在点云瓦片解析时,将点云坐标xyz解析为顶点数据VertexArray,将点云强度Intensity、颜色rgb合并解析为第一个颜色数据ColorArray,将类别Classification、要素id合并解析为第二个颜色数据SecondaryColorArray;并以POINTS图元进行渲染。
渲染方式使用GLSL语言进行设定,主要渲染模式包括:①RENDER_BY_INTENSITY,由点云强度进行渲染,以每一个点的强度值为灰度颜色,呈现黑白色结果;②RENDER_BY_RGB,由点云色彩进行渲染,以每一个点的色彩值为颜色,呈现彩色结果;③RENDER_BY_HEIGHT,由点云z值高程进行渲染,将每一个点的高程映射为一种渐变颜色,呈现分层设色结果;④RENDER_BY_CLASSIFICATION,由点云类别进行渲染,将每一个点的类别映射为一种颜色,呈现要素分离渲染的结果;⑤HIGHLIGHT_FEATURE,由指定的点云类别和要素id进行高亮渲染,将特定要素的每一个点的类别映射为一种高亮颜色,呈现要素高亮渲染的结果。
3.5要素拣选
将屏幕鼠标点视为从视点(相机)出发的三维射线,与要素元数据形成的RTree索引进行求交,得出以距离视点(相机)距离排序的要素拣选列表;进而对每个要素,按照要素对应的类别和要素序号进行高亮显示。
4、实验与分析
4.1实验环境
本文的试验场景为重庆某区域10条采集线路的集合,点云Las成果共计75.3亿点,250GB。硬件配置情况为:服务器端为ThinkServerRD650,CPU为IntelXeonE5-26302.2GHz,内存为128GB,硬盘为3.6TB硬盘,操作系统为WindowsServer2008R2,网络为千兆局域网;客户端硬件配置为Inteli7-7700K,4.2GHzCPU,NVIDIAGTX1070显卡(8GB显存),16GB内存;利用本文方法,在vs2010环境下使用64位C++进行开发,实现点云分块,并构建叠加型LOD瓦片结构。
4.2实验与分析
(1)叠加型LOD与替代型LOD的对比
使用叠加型LOD与替代型LOD组织方法,构建点云瓦片并进行比较,结果如表4所示:
两种LOD构建方法比较表4导出到EXCEL
结果表明,叠加型LOD由于没有重复,不会重采样生成冗余数据,特别适合海量无结构的点云组织,比替代型LOD节省49.6%的空间。
(2)运行效率测试
使用叠加型LOD与替代型LOD组织方法,对运行效率进行测试,结果如表5所示:
运行效率测试表5导出到EXCEL
结果表明,在不同距离下,两种LOD方法的场景窗口点数相近,由于叠加型LOD由于没有重复,减少了一半IO操作,使得场景帧率比替代型LOD高。而从叠加型LOD横向看,距离较近时,可展示点数较少,帧率为47fps,远处的不同距离下场景窗口点数基本保持恒定,帧率稳定在30fps。
(3)运行结果
本文支持多种点云渲染模式,如图4所示:
图4点云渲染模式
5、结语
针对车载移动测量点云生成沿线路前进并逐行扫描的特点,本文提出了分块多层叠加型空间索引,实现了海量车载激光点云的组织和调度。实验结果表明,本文方法是可行的和有效的。下一步的工作是提升最远距离和最近距离的调度效率,支持更多渲染模式等。
参考文献:
[1]龚俊,朱庆,张叶廷等.顾及多细节层次的三维R树索引扩展方法[J].测绘学报,2011,40(2):249～255.
[2]赵馨逸,黄向东,乔嘉林等.基于不均匀空间划分和R树的时空索引[J].计算机研究与发展,2019,56(3):666～676.
[3]彭宝江,钟若飞,孙海丽等.面向DEM构建的点云四叉树和R树混合索引研究[J].应用科学学报,2018,36(4):644～654.
[5]付仲良,胡玉龙,翁宝凤等.M-Quadtree索引:一种基于改进四叉树编码方法的云存储环境下空间索引方法[J].测绘学报,2016,45(11):1342~1351.
[6]王振武,吕小华,韩晓辉.基于四叉树分割的地形LOD技术综述[J].计算机科学,2018,45(04):34~45.
[7]陈驰,王珂,徐文学等.海量车载激光扫描点云数据的快速可视化方法[J].武汉大学学报·信息科学版,2015,40(9):1164~1168.
[8]曾祥钊,李传荣,张正等.面向海量点云快速显示的叠加型金字塔索引结构研究[J].遥感技术与应用,2015,30(3):534~539.
[9]姚顽强,郑俊良,陈鹏等.八叉树索引的三维点云数据压缩算法[J].测绘科学,2016,41(7):18~22.
[10]龚俊,柯胜男,朱庆等.一种八叉树和三维R树集成的激光点云数据管理方法[J].测绘学报,2012,41(4):597~604.
[11]李锋,向泽君,王俊勇等.三维城市模型自适应调度方法[P].中国,ZL201410157366.X,2014-04-18.
李锋,詹勇,龙川.海量车载激光点云组织与可视化研究[J].城市勘测,2020(01):93-97.
基金:2018年度重庆市科委技术创新与示范重大主题专项项目(cstc2018jszx-cyztzxX0015).
分享：
泛在测绘被定义为用户在任何地点、任何时间，认知环境与人产生关系时使用和构建地图的活动和能力[1]。泛在测绘服务于近乎实时定位的大众行业，时空位置信息是这类应用的数据基础，除了专业的测绘数据，一些非专业的包含空间位置的众包数据也逐步成为测绘行业应用的重要数据来源。
2023-10-30
近年来，随着无人机、大数据、人工智能等技术的发展，快速、高精度的空间大数据处理模式已被广泛应用。摄影测量作为空间大数据的重要采集方式自然存在大量社会需求，同时这对摄影测量人才的数量和技术也提出了更高的要求。基于此，高校对于摄影测量人才的培养也必须顺应社会需求发展，即在摄影测量学课程设计方面需要进行改革和创新。
2023-09-05
房产测量主要是利用测绘技术和方法，采集和表达房屋物权的有关信息，为房屋产权、产籍和物业管理、房地产开发利用、交易、征收税费及城镇规划建设提供数据和资料。随着我国经济不断发展，城镇居民住宅逐渐增多，对房产测量的精度与效率提出了更高的要求。本文针对目前房产测量的局限性，提出了利用三维激光扫描技术实现大面积房产测量平面图绘制的方法。
2023-08-30
为促进无人机航测技术在电网工程建设中的应用，分析了无人机摄影测量系统的组成、特点、应用范围与作业流程，介绍了其在电网工程建设中的应用，包括在线路规划与地形图测量、电网应急救灾、电力巡线、电力线上异物处理中的应用。但受技术因素的影响，无人机在空中运行过程中仍然存在姿态不稳定、飞行时间偏短、航拍面积较小等问题。
2022-04-08
现阶段民用基础地理信息数字成果可以通过转换、融合的方式，生产出满足军方使用的成果数据，但这种方法耗时长，成本高。从推进双方成果深度融合的角度出发，应从标准化的视角，建立标准化融合工作机制，构建军民通用的测绘地理信息标准体系，推动基础类标准的融合，尝试成果类标准的研制。推进军民基础地理信息数字成果及标准融合有利于统筹军民测绘力量。
2022-01-21
在智慧城市这一概念提出之后，三维GIS技术的应用越来越充分，也达到了更好的实践效果。三维GIS是当下和未来GIS技能发展趋势的主要方向，它使空间信息不再局限于二维平面内。文章从三维空间数据库模型、物联网、三维可视化、互联网＋GIS等方面对三维GIS技术及其在智慧城市中应用进行综合分析，为城市管理提供了新思路。
2021-12-25
作为国民经济和社会发展支柱型产业之一，矿业起到基础性的支撑作用。作为矿山开采的基础条件，测绘质量提升属于行业重点探究的一个课题。无人机属于现阶段一种新颖的数据采集载体，与传统人工方式相比，存在着工作质量高、效率高、操作简单、机动性高等相关特点[1]。同时，无人机测绘技术将地面的地物、地貌空间具体状况体现出来，能够满足大比例尺成图要求。
2021-12-16
促使智慧城市智能服务的领域不断延伸。智慧城市建设具有系统性和复杂性，其涵盖电力工程、交通工程、经济建设等多个方面[1]。因此，通过在智慧城市测绘中应用地理信息系统，构建信息联通平台，能够在很大程度上突破地理条件和环境因素的影响，为城市建设服务提供有效的数据支撑，使智能化服务更加符合社会发展的需求。
2021-12-15
土地资源调查管理是政府的主要工作内容之一，高效的土地调查与管理，有利于实现土地资源的合理分配和高效利用，缓解我国土地资源短缺的压力。遥感技术以宏观、综合、动态、快速、准确的优势为国土资源管理与调查提供了先进的探测与研究手段，通过遥感技术可以获取高质量可靠的土地信息，为相关部门后续的土地规划利用奠定基础，实现国家土地资源的信息化、智能化管理。
2021-12-15
随着信息化进程与城市规划设计速度的不断加快，我国的城市建设已经向着＂智慧城市＂的方向进行发展。＂智慧城市＂已经成为当前我国城市建设的目标之一，为了更好地实现这一目标，必须要合理利用当下相关信息化技术与设备，不断推进我国城市化发展进程。在对国土空间进行规划的过程中，利用先进的信息测绘技术以及定位系统，可不断提高国土空间规划的科学性与准确性。
2021-12-15
人气：2953
人气：2279
人气：2270
人气：2268
人气：2225
我要评论
期刊名称：测绘科学
期刊人气：5361
主管单位：国家测绘地理信息局
主办单位：中国测绘科学研究院
出版地方：北京
专业分类：科学
国际刊号：1009-2307
国内刊号：11-4415/P
邮发代号：2-945
创刊时间：1976年
发行周期：月刊
期刊开本：大16开
见刊时间：一年半以上
影响因子：0.713
影响因子：0.000
影响因子：0.000
影响因子：1.236
影响因子：0.000
科普杂志阅读、期刊信息查询、论文下载、文献查询、原创文章检测等多项服务。
服务热线
您的论文已提交，我们会尽快联系您，请耐心等待！
你的密码已发送到您的邮箱，请查看！
2020-06-04
180
上传者：管理员
