CN115840205B - 一种基于激光雷达技术的地形面积计量方法和系统 - Google Patents

Abstract

本发明涉及采用无线电波测量技术领域，具体涉及一种基于激光雷达技术的地形面积计量方法和系统，获取待测区域的点云数据；计算任意两点的距离；设定LOF算法中k的取值并记为初始值，计算每个点的局部离群点因子，对所有点进行聚类得到正常簇与异常簇，计算第一评价值；基于反射率将正常簇中的点划分为各个组，得到每个组的拟合曲面；基于拟合曲面计算第二评价值；根据第一评价值与第二评价值，计算最终评价值；根据最终评价值判定初始值是否为优选值；当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，根据优选值对应的正常簇获取待测区域的地形面积。本发明能够精准获取待测区域的地形面积。

Description

一种基于激光雷达技术的地形面积计量方法和系统

技术领域

本发明涉及采用无线电波测量技术领域，具体涉及一种基于激光雷达技术的地形面积计量方法和系统。

背景技术

激光雷达（LiDAR）技术是现有的遥感技术中少有的可以穿透植被冠层获取地面DEM的技术，通过激光雷达数据的建模，可提供数字高程模型等一系列包括高度、坡度、坡面、坡向在内的地形产品，可用于城市、森林、山地、海洋等各地类的三维地形模型建设。

激光雷达（LiDAR）技术的应用涉及面较为广泛，比如对地形面积的计算就是利用了激光雷达（LiDAR）技术，即通过对获取的点进行处理，得到目标地形对应的点，进而利用微积分方式计算目标地形的面积。但是这种方法在对获取的点进行处理时，仅仅通过传统的LOF算法去除掉获取的点中的噪声点，利用传统的LOF算法对获取的点进行去噪时，一般由相关技术人员人为设定L0F算法中k邻域的取值，也即k邻域的取值为固定值，一旦k邻域的取值不当，则无法去除掉获取的点中的所有噪声点，进而造成地形面积的计算不准确。因此如何确定k邻域的取值，能够去除掉获取的点中的所有噪声点，进而得到精准的地形面积计算结果为当前迫切需要解决的问题。

发明内容

为了解决上述LOF算法中k邻域的取值不当，导致无法去除掉获取的点中的所有噪声点，进而造成地形面积的计算不准确的技术问题，本发明的目的在于提供一种基于激光雷达技术的地形面积计量方法，所采用的技术方案具体如下：

获取待测区域对应的点云数据及每个点的反射率；所述点云数据以点的形式记录，包括至少两个点；根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离；设定LOF算法中k的取值并将其记为初始值，根据所述距离与初始值，计算每个点对应的局部离群点因子；

根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇；根据任意两点对应的距离计算所有点对应的特征因子，基于正常簇与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值；

基于反射率对正常簇中的点进行划分，得到各个组；对每个组中的点进行曲面拟合得到对应的拟合曲面；根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值；

根据第一评价值与第二评价值，计算初始值的最终评价值；设定阈值，根据最终评价值与阈值，判定初始值是否为优选值；当初始值为优选值时，根据正常簇获取待测区域的地形面积；当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，进而根据优选值对应的正常簇，获取待测区域的地形面积。

优选的，所述根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离的方法为：

空间位置坐标包括x轴、y轴以及z轴对应的值；计算任意两点在x轴对应的值的差值，记为第一差值；计算任意两点在y轴对应的值的差值，记为第二差值；计算任意两点在z轴对应的值的差值，记为第三差值，计算任意两点对应的反射率的差值，记为第四差值；将第一差值、第二差值、第三差值以及第四差值平方和开平方后的值作为任意两点对应的距离。

优选的，所述根据任意两点对应的距离计算所有点对应的特征因子，基于正常簇与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值的方法为：

将所有点中任意两点对应的距离的累加和作为所有点对应的特征因子；将正常簇与异常簇对应的中点的距离与所述特征因子的乘积，作为初始值的第一评价值。

优选的，所述根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇的方法为：

将局部离群点因子作为点的取值，利用K-means算法对所有点进行聚类，得到两个簇；计算每一个簇中所有点对应的局部离群点因子的平均值，将较大平均值对应的簇记为异常簇，将较小平均值对应的簇记为正常簇。

优选的，所述基于反射率对正常簇中的点进行划分，得到各个组的方法包括：

选取正常簇中的任意一点作为第一生长点，计算第一生长点与其设定邻域内的点对应的反射率的差值绝对值，设定差值阈值；当差值绝对值大于差值阈值时，对应的设定邻域内的点与第一生长点不进行合并；当差值绝对值小于等于差值阈值时，将对应的设定邻域内的点与第一生长点进行合并；并将对应的设定邻域内的点作为新的生长点，以此类推，直至新的生长点设定邻域内的点与新的生长点对应的反射率的差值绝对值均大于差值阈值时，得到第一生长点对应的组；

将第一生长点对应的组内的点从正常簇中剔除，得到第一点集，从第一点集中随机选取一点作为第二生长点，获取第二生长点对应的组；将第二生长点对应的组内的点从第一点集中剔除，得到第二点集，从第二点集中随机选取一点作为第三生长点，获取第三生长点对应的组；以此类推，得到各个组。

优选的，所述根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值的方法为：

在任意一个拟合曲面上随机选取一个点，计算该点与其设定邻域内的任意一个点对应的法向量的差异，进而计算该点与其设定邻域内的所有点对应的法向量的差异之和，记为该点的第一和值；计算任意一个拟合曲面上所有点的第一和值的累加和，并将其记为任意一个拟合曲面的第二和值；将任意一个拟合曲面的第二和值与任意一个拟合曲面上点的数量的比值，记为任意一个拟合曲面的第一比值，计算所有拟合曲面的第一比值的累加和，并将其记为第三和值，将第三和值与拟合曲面的数量的比值记为初始值的第二评价值。

优选的，计算该点与其设定邻域内的任意一个点对应的法向量的差异的方法为：将该点对应的法向量转为单位法向量，将该点设定邻域内的任意一个点对应的法向量转为单位法向量，计算两个单位法向量的欧氏距离，得到该点与其设定邻域内的任意一个点对应的法向量的差异。

优选的，所述根据第一评价值与第二评价值，计算初始值的最终评价值的方法为：所述最终评价值为第一评价值与第二评价值的比值。

优选的，所述根据正常簇获取待测区域的地形面积的方法为：

将正常簇对应的点输入神经网络模型中，输出待分析地形对应的点，对待分析地形对应的点进行曲面拟合，得到对应的拟合曲面并将其记为最终拟合曲面，采用微积分方式对最终拟合曲面进行积分，得到待测区域的地形面积。

本发明还提供了一种基于激光雷达技术的地形面积计量系统，包括处理器与存储器，所述处理器执行所述存储器存储的一种基于激光雷达技术的地形面积计量方法的程序。

本发明实施例至少具有如下有益效果：

本发明通过获取待测区域的点云数据；所述点云数据以点的形式记录，基于反射率与空间位置坐标，计算任意两点的距离；任意两点的距离的计算不再是传统意义上根据两点对应的空间位置坐标计算出的欧氏距离，而是加入了反射率元素，由于不同类型的障碍物对激光器的反射率是不一样的，因此加入反射率元素得到的距离能够更加准确地表征两点之间的差异，为后续步骤提供数据基础。设定LOF算法中k的取值并记为初始值，计算每个点的局部离群点因子，对所有点进行聚类得到正常簇与异常簇，根据正常簇与异常簇计算第一评价值；基于反射率将正常簇中的点划分为各个组，得到每个组的拟合曲面；基于拟合曲面计算第二评价值；根据第一评价值与第二评价值，计算最终评价值；根据最终评价值判定初始值是否为优选值；其中最终评价值对第一评价值与第二评价值进行了结合，能够更加全面的对初始值进行评价，避免了单一因素带来的局限性与片面性。当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，根据优选值对应的正常簇获取待测区域的地形面积。基于此，本发明能够自适应的获取LOF算法中k的取值，得到优选值，并利用优选值对应的正常簇获取地形面积，能够精准去除点云数据中的噪声点，解决了现有技术中L0F算法中k的取值为固定值，由于k的取值不当，导致无法去除掉获取的点中的所有噪声点的问题。因此本发明能够精准获取待测区域的地形面积。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明的一种基于激光雷达技术的地形面积计量方法实施例的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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。

请参阅图1，其示出了本发明一个实施例提供的一种基于激光雷达技术的地形面积计量方法的步骤流程图，该方法包括以下步骤：

步骤1，获取待测区域对应的点云数据及每个点的反射率；所述点云数据以点的形式记录，包括至少两个点；根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离；设定LOF算法中k的取值并将其记为初始值，根据所述距离与初始值，计算每个点对应的局部离群点因子。

具体地，通过激光雷达扫描装置获取待测区域对应的点云数据，以点的形式记录；点云数据是指在一个三维坐标系统中的一组向量的集合，即点云数据包括至少两个点。本实施例中这些点来自激光雷达扫描装置的LIDAR传感器，所以每个点均具有其对应的反射率，反射率表示在该位置中障碍物反射多少激光光束的量度，不同类型的障碍物对激光器的反射率是不一样的；例如，汽车、人、道路对激光器的反射率是不一样的。

一般情况下，在获取待测区域对应的点云数据之后，对获取的点云数据进行处理，得到地形对应的点，进而利用微积分方式计算地形的面积。

然而在获取点云数据时，由于待测区域环境的复杂、云层干扰以及设备干扰会产生大量的与地形面积的计算不相关的点，即噪声点，如若不对噪声点进行剔除，使得噪声点参与了地形面积的计算，则会导致获取的地形面积的结果不准确，与真实的地形面积出现较大偏差；所以为了获取真实的地形面积，需要对获取的点云数据进行除噪处理，即去除噪声点。

由于噪声点的产生因素众多，使用一般的去噪算法无法将点云数据中的全部噪声点进行平滑或去除，比如均值滤波算法、双边滤波算法；因此本发明为了最大程度的减少噪声点带来的干扰，结合噪声点的特征，即噪声点大多以离群点的方式存在，故本发明通过使用离群点检测算法LOF算法对获取的点云数据进行去除噪声点。LOF算法在使用时，一般由相关技术人员人为设定LOF算法中k邻域的取值，也即k邻域的取值为固定值，一旦k邻域的取值不当，则无法去除获取的点中的所有噪声点，基于此，本发明通过不断变换k邻域的取值，并计算其对应的最终评价值，通过最终评价值判定k邻域的取值是否为优选值，本发明能够自适应获取k邻域的取值，从而更加精准地去除点云数据中的噪声点。

在得到待测区域对应的点云数据之后，根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离，具体为，空间位置坐标包括x轴、y轴以及z轴对应的值；计算任意两点在x轴对应的值的差值，记为第一差值；计算任意两点在y轴对应的值的差值，记为第二差值；计算任意两点在z轴对应的值的差值，记为第三差值，计算任意两点对应的反射率的差值，记为第四差值；将第一差值、第二差值、第三差值以及第四差值平方和开平方后的值作为任意两点对应的距离。任意两点对应的距离用公式表示为：

其中，

表示点i与点j对应的距离，/>

表示点i的空间位置坐标，/>

表示点j的空间位置坐标，/>

表示点i对应的反射率，/>

表示点j对应的反射率，

表示第一差值，/>

表示第二差值，/>

表示第三差值，/>

表示第四差值。

点i与点j对应的距离

表征的是点i与点j的差异，距离的取值越大，差异越大，说明点i和点j越不相似，越有可能为噪声点，反之，距离的取值越小，差异越小，说明点i和点j越相似，越不可能为噪声点；点i与点j对应的距离的计算不再是传统意义上根据两点对应的空间位置坐标计算出的欧氏距离，而是在计算欧氏距离的基础上加入反射率元素，形成点i与点j对应的距离的计算公式，若用传统意义上的欧氏距离表征两点之间的差异，由于反射率并未参与欧氏距离的计算，当两个点对应的反射率具有较大差异，而两个点的欧氏距离很小时，此时，欧氏距离会将两个点判定为极为相似，而事实情况并非如此，所以传统意义上的欧氏距离并不能准确表征两个点之间的差异。因为不同类型的障碍物对激光器的反射率是不一样的，基于此，加入反射率元素得到的距离能够更加准确地表征两点之间的差异，为后续步骤提供数据基础。

然后设定LOF算法中k的取值并将其记为初始值，本实施例中将初始值设置为5，在实际操作过程中，实施者可根据实际情况进行调整；根据所述距离与初始值，计算每个点对应的局部离群点因子。局部离群点因子为公知技术，仅对其进行简要说明。

局部离群点因子表征的是各点为离群点的程度，程度越高，说明该点越有可能为离群点，也即该点越有可能为噪声点，局部离群点因子的计算公式如下：

其中，

表示点p的局部离群点因子，/>

表示点p的第k（k=5）距离邻域，

表示点p的第k（k=5）局部可达密度，/>

表示点o的第k（k=5）局部可达密度，点o为点p的邻域点，/>

表示属于符号。进而得到每个点对应的局部离群点因子。

点p的第k局部可达密度与点o的第k局部可达密度的计算方法一致，且点的第k局部可达密度的计算为公知技术，不再赘述。

步骤2，根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇；根据任意两点对应的距离计算所有点对应的特征因子，基于正常簇与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值。

具体地，根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇的方法为：将局部离群点因子作为点的取值，利用K-means算法对所有点进行聚类，由于点云数据中包括正常点与噪声点，因此本实施例得到两个簇，分别对应正常点组成的簇和噪声点组成的簇，计算每一个簇中所有点对应的局部离群点因子的平均值，将较大平均值对应的簇记为异常簇，将较小平均值对应的簇记为正常簇；即异常簇对应噪声点组成的簇，正常簇对应正常点组成的簇。

根据任意两点对应的距离计算特征因子，基于正常簇与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值，具体为，将所有点中任意两点对应的距离的累加和作为所有点对应的特征因子；特征因子用公式表示为：

，式中，/>

表示特征因子，/>

表示点i与点j对应的距离，/>

表示点的数量。进而将正常簇与异常簇对应的中点的距离与所述特征因子的乘积，作为初始值的第一评价值，第一评价值用公式表示为：

，式中，/>

表示初始值的第一评价值，/>

表示特征因子，/>

表示正常簇与异常簇对应的中点的距离；正常簇与异常簇对应的中点的距离的计算公式与任意两点对应的距离的计算公式相同，不再赘述。

需要说明的是，正常簇与异常簇对应的中点的距离

表征的是正常簇与异常簇对应的中点的差异，该差异越大，则说明通过初始值计算的各点对应的局部离群点因子越能够准确地将点云数据中的正常点与噪声点进行区分，在后续操作时能够得到精准的地形面积。即初始值选取的越好，那么，初始值的第一评价值的取值越高，正常簇与异常簇对应的中点的距离与第一评价值呈现正相关关系；特征因子表征的是所有点的整体差异，整体差异越大，说明通过初始值计算的各点对应的局部离群点因子越能够准确地将点云数据中的正常点与噪声点进行区分，即初始值的选取越好，初始值的第一评价值的取值越高，特征因子与第一评价值呈现正相关关系。

步骤3，基于反射率对正常簇中的点进行划分，得到各个组；对每个组中的点进行曲面拟合得到对应的拟合曲面；根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值。

所述基于反射率对正常簇中的点进行划分，得到各个组的方法包括：

选取正常簇中的任意一点作为第一生长点，计算第一生长点与其设定邻域内的点对应的反射率的差值绝对值，设定差值阈值；人为设置差值阈值以及设定邻域的大小，本实施例中差值阈值的取值为0.3，设定邻域的大小为3*3*3，实施者可根据实际情况调整差值阈值以及设定邻域的大小，例如设定邻域的大小为5*5*5。当差值绝对值大于差值阈值时，对应的设定邻域内的点与第一生长点不进行合并；当差值绝对值小于等于差值阈值时，将对应的设定邻域内的点与第一生长点进行合并；并将对应的设定邻域内的点作为新的生长点，以此类推，直至新的生长点设定邻域内的点与新的生长点对应的反射率的差值绝对值均大于差值阈值时，停止合并，得到第一生长点对应的组；基于上述描述得知，本实施例基于区域生长算法得到第一生长点对应的组，其中第一生长点对应区域生长算法中的起始生长点，差值绝对值小于等于差值阈值对应区域生长算法中的生长条件，第一生长点指向第一生长点的设定邻域（3*3*3）内的点的方向对应区域生长算法中的生长方向，区域生长算法为公知技术，具体过程不再赘述。

将第一生长点对应的组内的点从正常簇中剔除，得到第一点集，从第一点集中随机选取一点作为第二生长点，获取第二生长点对应的组；将第二生长点对应的组内的点从第一点集中剔除，得到第二点集，从第二点集中随机选取一点作为第三生长点，获取第三生长点对应的组；以此类推，得到各个组。至此，正常簇中的所有点均具有与其对应的组。

得到各个组之后，根据每个组中各点对应的空间位置坐标，利用最小二乘法对每个组中的点进行曲面拟合得到对应的拟合曲面。其中利用最小二乘法进行曲面拟合为公知技术，不在本发明的保护范围内，不再赘述。

根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值，具体为，在任意一个拟合曲面上随机选取一个点，计算该点与其设定邻域内的任意一个点对应的法向量的差异，进而计算该点与其设定邻域内的所有点对应的法向量的差异之和，记为该点的第一和值；计算任意一个拟合曲面上所有点的第一和值的累加和，并将其记为任意一个拟合曲面的第二和值；将任意一个拟合曲面的第二和值与任意一个拟合曲面上点的数量的比值，记为任意一个拟合曲面的第一比值，计算所有拟合曲面的第一比值的累加和，并将其记为第三和值，将第三和值与拟合曲面的数量的比值记为初始值的第二评价值。

初始值的第二评价值用公式表示为：

其中，

表示初始值的第二评价值；/>

表示拟合曲面的数量；/>

表示第/>

个拟合曲面上点的数量；/>

表示点h与其设定邻域内的所有点对应的法向量的差异之和，也即点h的第一和值；/>

表示第/>

个拟合曲面的第二和值；/>

表示第/>

个拟合曲面的第一比值；/>

表示第三和值。其中，设定邻域的大小为3*3*3，实施者可根据实际情况进行调整。

本实施例中的点为点云数据的表现形式，法向量是点云数据中各点的重要属性之一。众多点云算法的实施都基于精确的法向量估计，例如许多表面重建算法、点云分割算法、点云去噪算法以及特征描述算法等，本实施例不再一一阐述；点对应的法向量的获取方法为公知技术，不再赘述。

上述中计算该点与其设定邻域内的任意一个点对应的法向量的差异的方法为：将该点对应的法向量转为单位法向量，将该点设定邻域内的任意一个点对应的法向量转为单位法向量，计算两个单位法向量的欧氏距离，得到该点与其设定邻域内的任意一个点对应的法向量的差异。单位法向量表示一个有向线段，计算两个单位法向量之间的欧氏距离，其实就是计算两个点之间的欧氏距离，表征的是两单位法向量之间角度的差异。则点h与其设定邻域内的所有点对应的法向量的差异之和

的计算公式为：

其中，

表示点h与其设定邻域内的所有点对应的法向量的差异之和；/>

表示点h设定邻域内的点的数量；/>

表示点h的法向量/>

对应的单位法向量的空间位置坐标；/>

表示点h设定邻域内的第d个点的法向量/>

对应的单位法向量的空间位置坐标；由于本实施例中设定邻域的大小为3*3*3，所以L的取值为26。

需要说明的是，基于反射率对正常簇中的点进行划分，得到各个组，每个组都能拟合得到对应的拟合曲面，相当于将所有点对应的拟合曲面划分为多个较小的拟合曲面，较小的拟合曲面上各点之间的内在联系更为紧密，也即较小的拟合曲面上各点之间的相似性更高。若此时的初始值选取的较好，能够精准地将点云数据中的正常点与噪声点划分出来，那么，在对正常簇中的点进行划分，得到各个组时，对应的组的数量应该较少，也即拟合曲面的数量较少，这是因为若此时的初始值能够精准地将点云数据中的正常点与噪声点划分出来，对于正常簇中的所有点而言，正常点的占比较多，相应的组的数量应该较少。同理，由于正常点的占比较多，那么拟合曲面上各点与其设定邻域内的点对应的法向量的差异较小。本实施例的差异用两法向量对应的单位法向量的欧氏距离进行表征，因此，初始值的第二评价值的取值越小，表征此时的初始值选取的较好，能够精准地将点云数据中的正常点与噪声点划分出来。

第二评价值表征的是所有组对应的拟合曲面的整体崎岖程度，整体崎岖程度越高，拟合曲面的平滑性越不好，说明正常簇中正常点的占比越低，初始值的选取越不好。两单位法向量之间的欧氏距离表征的是两单位法向量之间角度的差异，根据角度的差异计算第二评价值，用于表征拟合曲面的整体崎岖程度，能够形象具体地对初始值进行评价。

步骤4，根据第一评价值与第二评价值，计算初始值的最终评价值；设定阈值，根据最终评价值与阈值，判定初始值是否为优选值；当初始值为优选值时，根据正常簇获取待测区域的地形面积；当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，进而根据优选值对应的正常簇，获取待测区域的地形面积。

具体地，最终评价值为第一评价值与第二评价值的比值，最终评价值的计算公式为：

，式中，/>

表示初始值的最终评价值；/>

表示初始值的第一评价值；/>

表示初始值的第二评价值；将第一评价值与第二评价值进行结合，得到最终评价值，能够更加全面的对初始值进行评价，避免了单一因素带来的局限性与片面性。由于第一评价值的取值越高，表明初始值的选取越好，第二评价值的取值越高，表明初始值的选取越不好，即第一评价值与初始值的最终评价值呈现正相关关系，第二评价值与初始值的最终评价值呈现负相关关系，基于此，得到初始值的最终评价值的计算公式。

进一步地，为了便于判定初始值是否为优选值，对最终评价值进行归一化处理，使其取值在区间

之间，然后设定阈值，本实施例中阈值的取值为0.7，实施者可根据实际情况进行调整，归一化处理为公知技术，不再赘述。

然后比较最终评价值与阈值的大小，当最终评价值大于阈值时，则判定初始值为优选值；当最终评价值小于等于阈值时，则判定初始值不为优选值。

当初始值为优选值时，根据正常簇获取待测区域的地形面积，具体为，将正常簇对应的点输入神经网络模型中，输出待测区域中的待分析地形对应的点；神经网络模型的作用为分类，本实施例使用Resnet神经网络，Resnet神经网络在使用之前，需要对其进行训练，训练时对应的标签为：人为将正常簇中待分析地形对应的点标记为1，将正常簇中除待分析地形之外的其他区域对应的点标记为0，训练时的损失函数使用交叉熵损失函数。Resnet神经网络的具体训练过程为现有公知技术，不再赘述。对待分析地形对应的点进行曲面拟合，本实施例采用最小二乘法进行曲面拟合，得到对应的拟合曲面并将其记为最终拟合曲面，采用微积分方式对最终拟合曲面进行积分，得到待测区域的地形面积。

当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，进而根据优选值对应的正常簇，获取待测区域的地形面积。本实施例将预设数值的取值设定为1，在实际操作过程中，实施者可对其进行适当调整。

需要说明的是，根据优选值对应的正常簇获取待测区域的地形面积的方法与根据初始值对应的正常簇获取待测区域的地形面积的方法一致，不再赘述。

本发明还提供了一种基于激光雷达技术的地形面积计量系统，包括处理器与存储器，处理器执行存储器存储的一种基于激光雷达技术的地形面积计量方法的程序，由于一种基于激光雷达技术的地形面积计量方法的具体实施方式已在上述步骤1至步骤4中详细给出，不再过多赘述。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于激光雷达技术的地形面积计量方法，其特征在于，该方法包括以下步骤：

获取待测区域对应的点云数据及每个点的反射率；所述点云数据以点的形式记录，包括至少两个点；根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离；设定LOF算法中k邻域的取值并将其记为初始值，根据所述距离与初始值，计算每个点对应的局部离群点因子；

根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇；根据任意两点对应的距离计算所有点对应的特征因子，基于正常簇对应的中点与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值；

基于反射率对正常簇中的点进行划分，得到各个组；对每个组中的点进行曲面拟合得到对应的拟合曲面；根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值；

根据第一评价值与第二评价值，计算初始值的最终评价值；设定阈值，根据最终评价值与阈值，判定初始值是否为优选值；当初始值为优选值时，根据正常簇获取待测区域的地形面积；当初始值不为优选值时，则将初始值增加预设数值，以此类推，直至增加后的初始值为优选值时停止，进而根据优选值对应的正常簇，获取待测区域的地形面积。

2.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据任意两点对应的空间位置坐标以及任意两点中每个点的反射率，计算任意两点对应的距离的方法为：

空间位置坐标包括x轴、y轴以及z轴对应的值；计算任意两点在x轴对应的值的差值，记为第一差值；计算任意两点在y轴对应的值的差值，记为第二差值；计算任意两点在z轴对应的值的差值，记为第三差值，计算任意两点对应的反射率的差值，记为第四差值；将第一差值、第二差值、第三差值以及第四差值的平方和开平方后的值作为任意两点对应的距离。

3.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据任意两点对应的距离计算所有点对应的特征因子，基于正常簇对应的中点与异常簇对应的中点的距离与所述特征因子，计算初始值的第一评价值的方法为：

将所有点中任意两点对应的距离的累加和作为所有点对应的特征因子；将正常簇与异常簇对应的中点的距离与所述特征因子的乘积，作为初始值的第一评价值。

4.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据局部离群点因子对所有点进行聚类，得到正常簇与异常簇的方法为：

将局部离群点因子作为点的取值，利用K-means算法对所有点进行聚类，得到两个簇；计算每一个簇中所有点对应的局部离群点因子的平均值，将较大平均值对应的簇记为异常簇，将较小平均值对应的簇记为正常簇。

5.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述基于反射率对正常簇中的点进行划分，得到各个组的方法包括：

选取正常簇中的任意一点作为第一生长点，计算第一生长点与其设定邻域内的点对应的反射率的差值绝对值，设定差值阈值；当差值绝对值大于差值阈值时，对应的设定邻域内的点与第一生长点不进行合并；当差值绝对值小于等于差值阈值时，将对应的设定邻域内的点与第一生长点进行合并；并将对应的设定邻域内的点作为新的生长点，以此类推，直至新的生长点设定邻域内的点与新的生长点对应的反射率的差值绝对值均大于差值阈值时，得到第一生长点对应的组；

将第一生长点对应的组内的点从正常簇中剔除，得到第一点集，从第一点集中随机选取一点作为第二生长点，获取第二生长点对应的组；将第二生长点对应的组内的点从第一点集中剔除，得到第二点集，从第二点集中随机选取一点作为第三生长点，获取第三生长点对应的组；以此类推，得到各个组。

6.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据拟合曲面的数量、拟合曲面上点的数量、拟合曲面上各点与其设定邻域内的点对应的法向量的差异，计算初始值的第二评价值的方法为：

在任意一个拟合曲面上随机选取一个点，计算该点与其设定邻域内的任意一个点对应的法向量的差异，进而计算该点与其设定邻域内的所有点对应的法向量的差异之和，记为该点的第一和值；计算任意一个拟合曲面上所有点的第一和值的累加和，并将其记为任意一个拟合曲面的第二和值；将任意一个拟合曲面的第二和值与任意一个拟合曲面上点的数量的比值，记为任意一个拟合曲面的第一比值，计算所有拟合曲面的第一比值的累加和，并将其记为第三和值，将第三和值与拟合曲面的数量的比值记为初始值的第二评价值。

7.根据权利要求6所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，计算该点与其设定邻域内的任意一个点对应的法向量的差异的方法为：将该点对应的法向量转为单位法向量，将该点设定邻域内的任意一个点对应的法向量转为单位法向量，计算两个单位法向量的欧氏距离，得到该点与其设定邻域内的任意一个点对应的法向量的差异。

8.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据第一评价值与第二评价值，计算初始值的最终评价值的方法为：所述最终评价值为第一评价值与第二评价值的比值。

9.根据权利要求1所述的一种基于激光雷达技术的地形面积计量方法，其特征在于，所述根据正常簇获取待测区域的地形面积的方法为：

将正常簇对应的点输入神经网络模型中，输出待分析地形对应的点，对待分析地形对应的点进行曲面拟合，得到对应的拟合曲面并将其记为最终拟合曲面，采用微积分方式对最终拟合曲面进行积分，得到待测区域的地形面积。

10.一种基于激光雷达技术的地形面积计量系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的如权利要求1-9中任一项所述的一种基于激光雷达技术的地形面积计量方法的程序。

Images