[0001] 本发明涉及地质灾害监测技术领域，具体是涉及一种用于地质灾害识别的激光雷达检测方法及系统。

[0002] 随着技术的发展，遥感技术、无人机摄影以及激光雷达技术都被运用在地质灾害的防治工作中，其中，激光雷达通过发射和接收激光脉冲生成高精度的三维点云数据，能够有效地扫描地貌。通过数据预处理、分类、生成数字高程模型和提取地形特征，为地质灾害的分析预测提供了支持。

[0003] 在现有的激光雷达地质灾害监测技术中，在应对一些复杂地形时，通常会利用无人机搭载激光雷达进行扫描，后续所有的地质分析识别都是基于获取的点云数据来进行的，因此点云数据的准确性十分重要。

[0004] 实际情况中，激光雷达生成的点云特点为“近密远疏”，即远距离的地貌特征会出现不具体的情况，而无人机在复杂地形上方作业时出于安全性考虑会在一定的高度进行，这就导致各个区域与激光雷达的距离是不统一的，尤其是在地形高度差较大的区域，这就导致某些区域的点云不够完整，通过后期处理提高点云质量又会出现偏离实际的问题，因此，提出了一种用于地质灾害识别的激光雷达检测方法及系统，旨在解决上述的问题。

[0065] 为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0066] 以下结合具体实施例对本发明的具体实现进行详细描述。

[0067] 如图1所示，本发明实施例提供了一种用于地质灾害识别的激光雷达检测方法，所述方法包括以下步骤：

[0068] S100，基于无人机搭载的激光雷达获取实时点云数据，所述无人机根据设定的参考航线飞行；

[0069] S200，基于实时点云数据生成三维模型；

[0070] S300，将所述三维模型和参考航线进行同步可视化并根据二者高度差对参考航线进行调整；

[0071] S400，基于调整后的参考航线进行点云数据的获取。

[0072] 需要说明的是，无人机搭载的激光雷达去扫描时，一般为无人机下方的一片区域，这些区域中相对于无人机来说有着远近的不同，在无人机高度固定的情况下，无人机正下方的区域对应的点云相较于远处的区域无疑更加密集，因此正下方区域生成的三维模型更加具体和准确，而远处的区域因为点云较为稀疏，其生成的三维模型只是具有一个大致的轮廓，地形、植被等只是展现出一种表面情况，虽然远处区域的点云不够完整，但是仍然可以用来对地形地貌进行分析，通过对地形地貌的轮廓进行计算来对无人机后续飞行路径进行调整是可行的。

[0073] 本发明实施例中，本发明通过无人机搭载激光雷达来对地质地貌进行扫描，利用获取的点云数据来建立地质地貌的三维模型，从而便于对地质灾害进行识别分析，出于飞行安全的考虑，无人机会按照设定的参考航线在一定的高度飞行，因为实际的地形都是起伏变化的，这就导致距离无人机较远的区域点云数据收集不全，这部分区域只会显示大概的地形，本发明特点在于，通过这些点云可以预先生成地形的三维模型，然后通过三维模型去预分析无人机与其的高度差，然后对无人机的参考航线在高度上进行调整，基于获取的实时点云数据能够对后续的航线进行规划调整，这种方式确保获取的点云的质量，进而能够有助于地形地貌的模型生成，更是有利于后续的地质灾害识别处理。

[0074] 如图2所示，作为本发明一个优选的实施例，所述基于实时点云数据生成三维模型的步骤，具体包括：

[0075] S201，将获取到的实时点云数据进行预处理；

[0076] S202，基于预处理后的实时点云数据进行点云分类，用于区分点云中包含的地面点以及非地面点；

[0077] S203，将实时点云数据进行网格化生成三维模型，并进行模型优化。

[0078] 本发明实施例中，将实时点云数据转化为三维模型是一个涉及多个步骤的过程，主要包括数据预处理、点云分类、网格化、模型优化等环节，如图3所示，对于实时点云数据的预处理的步骤主要包括：

[0079] S211，计算实时点云数据中每个点与邻域内点的距离分布，用于移出偏离的点；

[0080] S221，基于NDT算法将点云进行对齐；

[0081] S231，通过旋转和平移将点云调整对齐至同一个坐标系中；

[0082] S241，当实时点云数据来自多个传感器时，将所述实时点云数据合并成一个点云，并对重复点和重叠区域进行筛除。

[0083] 需要说明的是，一般来说实时点云数据中会包含一些误识别的点，这些点往往会呈现偏离点群的特征，不同的邻域代表着不同的地形特征，根据每个点与邻域内点的距离分布可以发掘出偏离的点，从而能够将其删除，避免产生后续的影响，这一过程便是对实时点云数据的去噪点处理，所述NDT算法将点云划分为多个体素，并在每个体素内用高斯分布来表示点云数据，从而实现点云的对齐，具体过程包括：

[0084] ①体素的划分

[0085] 根据点云的密度和分辨率来决定体素的大小，然后根据已经确定大小的体素将点云的空间划分成多个体素，每个体素内都包含有若干个点；

[0086] ②高斯分布的计算

[0087] 计算每个体素内点的高斯分布参数，高斯分布参数包括均值μ和协方差矩阵Σ，需要说明的是，对于每个体素内的点集{p1,p2,p3,…pn,}计算均值μ，所述均值对于每个体素内的点集计算协方差矩阵Σ，所述协方差矩阵

[0088]

[0089] ③匹配

[0090] 将源点云中的每个点投影到最近的体素，并计算该点在高斯分布中的概率，所述概率可以通过现有高斯分布概率计算公式来实现；

[0091] ④计算变换

[0092] 根据上述的高斯分布中的概率计算源点云相对于目标点云的梯度，再使用梯度下降的方法更新变换矩阵，使得源点云更加接近目标点云。

[0093] NDT算法通过将点云划分为多个体素，并在每个体素内用高斯分布来表示点云数据，从而实现点云的对齐，NDT算法对点云的密度和分布更加鲁棒，适用于点云密度不均匀的情况。

[0094] 如图4所示，作为本发明一个优选的实施例，将所述三维模型和参考航线进行同步可视化并根据二者高度差对参考航线进行调整的步骤，具体包括：

[0095] S301，基于所述三维模型以及参考航线进行同步性的可视化处理；

[0096] S302，参照无人机的位置数据、参考航线的航向以及取样范围标准将三维模型划分为近部取样区域和远部待测区域，所述取样范围标准为三维模型中按照参考航线的方向选取设定跨度的模型数据，所述设定跨度根据无人机的位置、点云的密度以及无人机的高度标准得到；

[0097] S303，基于远部待测区域的三维模型和与其对应的参考航线的区间得到高度差分布集；

[0098] S304，根据高度差分布集对区间内的参考航线进行高度调整。

[0099] 本发明实施例中，所述三维模型是根据实时点云数据来建立的，而参考航线因为是预先设定，二者都由具体的数据构建而成的，因此可以将二者进行可视化处理，并且二者会在同一个模型内，所述无人机的位置数据、参考航线的航向以及取样范围标准，无人机的位置数据是表示当前状态下所处的位置，而参考航线的航向也说明了激光雷达下一步需要扫描测量的区域，激光雷达的点云获取是具有“近密远疏”的特点，因此当激光雷达的位置确定后，激光雷达获取的点云只有一定范围内的数据是可用的，因为远处区域的点云十分稀疏，无法形成具体的模型，因此所述近部取样区域便是可以获取点云数据的区域，而远部待测区域的点云是无法作用于后续的质灾害识别用的模型中，但是这些远部待测区域的点云可以用来识别这些区域内的大致地形，这就为后续的无人机飞行的路径分析提供了基础。

[0100] 如图5所示，作为本发明一个优选的实施例，所述基于远部待测区域的三维模型和与其对应的参考航线的区间得到高度差分布集的步骤，具体包括：

[0101] S313，根据远部待测区域的三维模型对参考航线进行截取；

[0102] S323，将截取的参考航线投影至远部待测区域的三维模型中得到引导线，所述引导线沿远部待测区域的地形轮廓分布；

[0103] S333，选取引导线中的拐点并在截取的参考航线中选取对应的参考点；

[0104] S343，计算各个拐点与对应参考点之间的高度差得到高度差分布集。

[0105] 本发明实施例中，所述参考航线是与三维模型相对应，通过远部待测区域可以确定需要调整的参考航线的区间，所述引导线是分布在模型的轮廓上，而每个拐点都是地形轮廓变化的位置，而参考点是在原有的航线上的，通过高度差的计算能够判断这个高度距离是否在无人机的安全飞行范围内，从而确定了无人机的调整方向，总而言之，当无人机的高度降低后，下方区域获取的点云是更加密集的。

[0106] 如图6所示，作为本发明一个优选的实施例，所述根据高度差分布集对区间内的参考航线进行高度调整的步骤，具体包括：

[0107] S314，根据所述无人机的高度标准对高度差分布集进行筛选得到异常数据，所述异常数据为高度差分布集中大于无人机的高度标准的高度差数据；

[0108] S324，计算所述高度差数据与无人机的高度标准的差值得到差值分布集；

[0109] S334，根据所述差值分布集对区间内的参考航向对应位置的高度进行调整，使得无人机在参考航线调整后对应的位置获取的点云数据密度大于原有的途径所获取的点云数据密度。

[0110] 本发明实施例中，所述高度标准需要进行预先测试的，通过无人机搭载的激光雷达来地貌的点云数据，同时对无人机的高度进行调整，但要保证无人机的安全高度，确保获取的点云数据最为完整，从而能够发掘出参考航线中高度适用的点，该点也对应着所述异常数据，为了便于阐述，进行举例说明，例如需要对一处复杂地形进行地质灾害识别，那么首先需要采集到这片区域的点云数据，而搭载有激光雷达的无人机为了安全飞行，会在一定高度上进行水平飞行采集，这种方式获取点云更加简单，但实际情况中，这片区域内可能存在河谷、沟壑等地形特征，这些区域与无人机的距离大大增加，这就可能会影响到点云的质量，而本发明便预先采集到这些地形特征，然后针对性的调整无人机的飞行高度，使得无人机在经过这些区域时能够主动地降低飞行高度，从而能够保证获取的点云数据的完整性。

[0111] 如图7所示，本发明实施例还提供了一种用于地质灾害识别的激光雷达检测系统，所述系统包括：

[0112] 实时点云获取模块100，基于无人机搭载的激光雷达获取实时点云数据，所述无人机根据设定的参考航线飞行；

[0113] 点云建模模块200，基于实时点云数据生成三维模型；

[0114] 分析模块300，用于将所述三维模型和参考航线进行同步可视化并根据二者高度差对参考航线进行调整；

[0115] 点云数据收集模块400，基于调整后的参考航线进行点云数据的获取。

[0116] 本发明实施例中，本发明通过无人机搭载激光雷达来对地质地貌进行扫描，利用获取的点云数据来建立地质地貌的三维模型，从而便于对地质灾害进行识别分析，出于飞行安全的考虑，无人机会按照设定的参考航线在一定的高度飞行，因为实际的地形都是起伏变化的，这就导致距离无人机较远的区域点云数据收集不全，这部分区域只会显示大概的地形，本发明特点在于，通过这些点云可以预先生成地形的三维模型，然后通过三维模型去预分析无人机与其的高度差，然后对无人机的参考航线在高度上进行调整，基于获取的实时点云数据能够对后续的航线进行规划调整，这种方式确保获取的点云的质量，进而能够有助于地形地貌的模型生成，更是有利于后续的地质灾害识别处理。

[0117] 如图8所示，作为本发明一个优选的实施例，所述点云建模模块200包括：

[0118] 数据预处理单元201，用于将获取到的实时点云数据进行预处理；

[0119] 点云分类单元202，基于预处理后的实时点云数据进行点云分类，用于区分点云中包含的地面点以及非地面点；

[0120] 模型生成优化单元203，用于将实时点云数据进行网格化生成三维模型，并进行模型优化。

[0121] 如图9所示，作为本发明一个优选的实施例，所述分析模块300包括：

[0122] 可视化单元301，基于所述三维模型以及参考航线进行同步性的可视化处理；

[0123] 模型划分单元302，用于参照无人机的位置数据、参考航线的航向以及取样范围标准将三维模型划分为近部取样区域和远部待测区域，所述取样范围标准为三维模型中按照参考航线的方向选取设定跨度的模型数据，所述设定跨度根据无人机的位置、点云的密度以及无人机的高度标准得到；

[0124] 高度差分析单元303，基于远部待测区域的三维模型和与其对应的参考航线的区间得到高度差分布集；

[0125] 航线调整单元304，用于根据高度差分布集对区间内的参考航线进行高度调整。

[0126] 如图10所示，作为本发明一个优选的实施例，所述高度差分析单元303包括：

[0127] 航线截取子单元313，用于根据远部待测区域的三维模型对参考航线进行截取；

[0128] 航线处理子单元323，用于将截取的参考航线投影至远部待测区域的三维模型中得到引导线，所述引导线沿远部待测区域的地形轮廓分布；

[0129] 点选取子单元333，用于选取引导线中的拐点并在截取的参考航线中选取对应的参考点；

[0130] 点计算统计子单元343，用于计算各个拐点与对应参考点之间的高度差得到高度差分布集。

[0131] 以上仅对本发明的较佳实施例进行了详细叙述，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

[0132] 应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[0133] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0134] 本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。