文摘
实现数字化的交通基础设施元素,使三维数字表示的物理设施,提出了一种多级道路三维反向建模方法基于道路车辆激光扫描得到的点云数据系统。首先,基于每个目标结构的分布特征在路上场景和建模要求,细节层次(LOD)建模规范设计,每一个层次的数据格式和所需的功能是定义。接下来,所需的三维特征参数建模从车辆中提取点云数据。最后,连续四边形算法重建的道路模型,算法重建的拓扑结构关系交集模型,实例化放样技术用于重建杆状的目标模型,基于三维建模平台。这种方法允许快速逆向重建三维道路模型与不同LOD层次。的点云数据两个部分的城市道路不同的斜坡和一段高速公路建模并与原车载激光点云数据。不同层次的模型的数据量随细度递减模型,和LOD1水平模型与点云数据的相似性最高,约为92.17%。LOD2的相似性和LOD3依次下降,分别为82.91%和75.25%。为持平或起伏的公路,距离最近的点的整体精度不同级别的道路模型和点云数据比10厘米,显著高于传统的手工建模。结果表明,车辆移动激光扫描技术的快速实现数据的建模提供了新的三维逆向重建大规模的交通基础设施。 Automatic modeling technology can effectively improve modeling efficiency, reduce data redundancy, and ensure model quality.
1。介绍
随着中国经济建设的不断发展,交通公路建设取得了很大的成就。根据交通运输行业发展统计公报,2021年全国公路总里程528.07万公里。大纲中的数字交通运输部发布的开发计划,显然指出的要素的充分和完整的数字化交通基础设施应该意识到,和三维数字化物理设施应该意识到。的前提下减少数据冗余和确保质量的模型,三维逆向重建的快速实现大规模的交通基础设施已成为一个研究热点。
目前,最常见的道路三维模型创建BIM模型在设计阶段,这是广泛应用于设备管理、能源性能分析,项目规划,和其他方面1- - - - - -3]。然而,创建BIM模型在设计阶段往往不符合实际施工情况,不能支持后续管理服务。与此同时,一些股票公路网络也缺乏BIM设计数据。因此,有必要开展逆向三维快速重建的道路基础设施和建立一个新的数字基地道路基础设施。
三维激光扫描技术已广泛应用于高精度数字地图建设、语义分割道路整个场景中的对象,和其他领域4- - - - - -6)由于其精度高的优点,速度快、非接触、快速获取准确的三维空间信息的测量对象。目前,该方法使用道路三维激光扫描点云的测量也相对成熟。同时提供道路三维坐标信息,强度信息,和回声信息,它能有效区分不同目标的道路上并提供高精度和道路三维高密度基本数据减少。
一些学者进行了相关研究道路特征提取,基于道路三维激光扫描数据的特点。方等。7)提出了一个关注汽车激光点云模型线分类地图基于空间上下文信息。注意机制是构建基于几何、拓扑结构和空间结构的动态更新节点特性,实现精细分类和向量提取。一条路车载激光点云的边界提取方法提出了基于离散点蛇(8),实现了提取道路边界不同形状在各种复杂的城市环境。MultiPointCloud,此外,现有LiDAR360 TopoDOT,和其他软件还可以实现三维目标特征提取的道路,它提供了一个新的好的数据支持公路自动化建模(9]。它解决了问题,离散点云本身没有语义信息(10,11],它不能基于点云数据的空间坐标和其他属性,如强度和颜色达到语义理解,认可的结构化语义,和分类信息。然而,有相对较少的研究3 d快速提取的特征数据的重建。Elberink [12)提出了一种自动的3 d建模方法对于复杂道路交换基于机载点云数据结合二维地形图数据自动获取三维拓扑对象。王等人。13)使用2 d GIS道路中心线数据生成三维道路网络模型,但是它需要数据精度高和适应性强的道路与特定的波动或宽度变化。看台et al。14生成的道路模型,基于GIS的数据。它可以生成一个道路网根据道路轴和生成多级道路不同宽度根据定制的材料。Wilkie et al。15)提出了一种有效的方法提高路线图从GIS数据库。它可以快速创建一个3 d道路模型一致的几何和拓扑结构,提供重要的交通道路特性模拟。虽然上述两种方法可以快速生成道路模型的帮助下简单点线路特点,模型的精度较低。除此之外,一般适应性起伏的道路或复杂路口不是忽略。
针对上述问题,本文设计一种道路目标细节层次(LOD)模型重建基于车辆激光点云数据的结构分布特征目标场景的必经之路。根据重建所需的特征数据提取模型,实现三维逆向建模的细节。
2。路LOD模型设计
2.1。地面物体的特征描述
道路场景是复杂和多样化,涉及几何位置、形状特点,地面多个对象的关系。因此,在道路模型重建之前,有必要路上分解成独立的模型对象,确定每个目标的特征数据。地面特性主要包括数据的空间分布特征和几何结构特征目标(16]。空间特征包括地面物体的整体分布在三维场景,地面物体的地理位置和方向,以及对象之间的拓扑关系。表面几何形状的几何特征是各种地理实体,如大小、结构等具体功能如表所示1。
2.2。LOD模型设计和特征提取
2.2.1。LOD模型设计
传统的三维数据模型抽象空间空间几何对象分为四个类型,即点、线、面,和身体,很少有概念的多层次细节。与3 d模型的广泛应用,越来越复杂场景的真实性能对系统的硬件和软件构成挑战的表现,也有更高的人力需求,物质资源和其他成本。很难建立一个通用的LOD模型与一系列的尺度,以满足不同的应用需求。可行的方法是设计一个特定的应用程序需求的特定的LOD模型(17]。
建立LOD模型的关键问题是确定合理水平的详细内容,包括的详细级别,精度和建模方法。在不同的BIM标准,建设信息通常是组织一个分层结构。在城市地理标记语言(CityGML)标准的所有模型可以分为五个不同级别的一致性细节(LOD),和细节的水平的提高,我们可以得到关于几何和主题的更多细节。它不仅可以显示城市的图形外观模型还考虑语义表达式(18]。城市三维地理信息模型数据标准将模型划分为LOD1-4四个水平。LOD1级别是超细模型的精细程度最高,LOD4水平框架模型的精细程度是最低的。模型分为三种类型:表现细节模型的性能,主要模型性能和标准模型性能三种。然而,并没有详细描述的细节在现有标准。
因此,结合道路目标结构的分布特征和实际的建模要求,本文设计一种multidetail水平造型规范道路。模型分为代理模式,标准模型,模型细节。根据结构完整性的整体模型,详细级别分为LOD1, LOD2,和LOD3水平,对应于三个离散模型的道路网络模型、道路粗糙模型,路好模型。多级点云特征的提取和建模规则获得的数据对需求形成减少不必要的顶点和补丁冗余,减少模型数据,有效地支持道路三维模型的快速造型在不同级别的细节。效果如图1。
其中,LOD3水平要求最高的模型的细度,细度的同时确保单个模型大小,考虑整个道路场景的结构完整性。因此,每个目标模型需要详细的模型性能,适用于精细管理和分析的一个道路。LOD2层减少单个模型的粒度大小和整体模型结构完整性,保持路面的详细模型,人行道,在LOD3层和公共绿地,但略低于模型粒度大小,与人行道、护栏、标志、指示牌、路灯适合3 d可视化道路在较大的场景。LOD1水平精度最低,只保留了路面的三个主要特性,抑制石头,人行道上LOD2水平,适用于道路模型的三维可视化在大规模路网级别。此外,根据在不同的LOD模型表现水平,所需的结构数据建模进一步澄清,如节点间距、主要结构、详细结构,和其他参数。LOD模型的详细设计如表所示2。
2.2.2。特征提取
为了实现道路空间特性的一次性提取数据和各种生产需求,最好有必要提取特征数据结构在路上场景基于点云数据处理软件,建立特色数据库,输出各种目标的特性数据标准化建模数据预处理后3 d激光扫描数据。
根据每个目标的结构特征数据提取需求的道路,有必要对车辆三维激光扫描数据进行预处理,包括点云去噪、点云分割、点云的力量增强,等。然后提取各种特征数据点云的基础上,主要分为点目标,目标,和表面的目标。点目标主要包括支撑杆和街头路标的灯柱。有必要提取空间位置、方位和高度信息和存储信息在GIS矢量点层数据。线目标主要包括道路边界,绿带和人行道上边界,路边,等。有必要提取三维的边界线,目标高度,和其他信息并将其保存在GIS矢量线层数据。目标主要包括表面轮廓标记线和标签。封闭的线被收集在三维场景中,通过将它转换为表面提取数据,并保存在GIS矢量表层数据。效果如图2。最后,根据不同的LOD需求,GIS矢量数据输出为结构建模特性数据支持自动建模。
图中,白色的矢量线的边界表面特性,道路标记的轮廓线,和招牌的轮廓;蓝色代表各种类型的支持棒和绿色代表各种类型的设备。
3所示。自动建模的关键技术
3.1。连续四边形路面重建
为了解决困难问题的高度控制,大错误,和低效率的手工建模的路面,本部分旨在分析路面模型的数据结构,实现路面不同的LOD层次的自动建模。道路平面对齐结构和道路高程信息相结合,和简单的三维道路线形是由边缘线和中心线的道路。路面的连续四边形重建和曲线的平滑方法。
连续四边形重建过程分组构造四边形网格的三维点数据两边的道路和连接顺序根据闭合四边形规则。如图3的外边缘点上下道路是存储在数组中一个和B,分别。上面的数据行作为一个例子。首先,创建样条线的起点我= 1,点一个[1],一个[2],B[2]B[1]连接成一个四边形,我=我+ 1。然后依次遍历剩下的点,直到完成最后一组数据四边形连接;最后,样条线转换成可编辑多边形和实际路面材料。向下的路重建的原理是一样的,向上的路。
曲面建模的道路或公路路口,弯曲的地区可能会有卡涩现象。为了提高模型的视觉效果,本文的数据篡改路边线和中心线弯曲空间的解决循环参数实现平滑弯曲的道路。如图4,一个,b,c三个点在中心线弯曲;O是圆的中心空间的三个点;R空间圆的半径;α1,α2,α3三个方位角度的中心O中线点一个,b,c分别;和十字点之间一个,b,c加密的插值点在圆曲线上(见算法1)。
具体的平滑算法如下:
|
3.2。拓扑结构的重建的十字路口
3.2.1之上。三维线性交叉设计
智能交通和高精度导航应用程序服务,有必要准确地提取road-connected十字路口道路数字化和中断在路角。路十字路口通常包括T形路口,Y形十字路口,十字路口。在公路工程设计规范,道路交叉口通常由平直的马路很是方便,弯曲的道路,quasi-triangles。这些组件的设计的关键是中间的车道行驶。在此基础上,本文设计一个十字路口分割和重建结构为基本结构的道路三维线性重建。
如图5,十字路口的中心点O,一个,B,C,D相交的中心点,常见的直路,然后呢一个,b,c,d道路冲突点。一个,一个,B被视为圆上的三个点O′为中心,和O′为半径,由曲线相连形成一个圆形曲线AB。点相同的属性都是相同的。十字路口I-VIII分为八个部分,其中部分I-IV三角形区域包围圆曲线和两条直线,和部分V-VIII是四节弯曲的道路。
飞机的结构T形路口,Y形路口,十字形交叉口是相似的。T电流-电压型交叉分为五部分。地区我是直路;第二和第三区域三角地区;和地区IV和V是弯曲的道路。Y形路口I-VI分为六个部分。地区I, II, III是弯曲的道路,和地区IV, V和VI三角地区。
3.2.2。拓扑结构关系的重建
根据三维的线性结构设计三个十字路口,每个十字路口分为几个弯曲的道路一个,三角形的面积B和笔直的道路上C和加工,分别如图6(一)。十字路口的四个一个区域和四B地区,T十字路口由两个一个,两个B,一个C地区和Y十字路口包括三个一个和三个地区B地区,如图6 (b)。三角地区B由径向连续三角重建方法重建。首先,内弯的坐标点的数据都存储在数组中一个。从起点开始我= 1,三分一个(我),一个(我+ 1],O依次连接来获得一个封闭的三角形区域。然后我=我+ 1,反过来,遍历剩余的数据点到一个(n−1),一个(n),而O三分完成三角形连接,实现交叉模型重建。
(一)
(b)
具体算法步骤如下(参见算法2):
|
3.3。三维放样技术
3.3.1。线性模型放样建模
限制、护栏和其他线性分散目标的拓扑关系,垂直路面,与矩形或圆形的部分在垂直方向和总体方向随路面的起伏。为了避免手动交互捕获错误的节点的问题导致返工,线性模型基于特征线的放样建模技术和本地单体研究实现目标的快速重建。这种重建方法重复2 d身体沿着3 d对象或整体式模型参考线,可以设置不同路段在不同的形状。使用线性放样技术可以实现大量的线性模型的快速建设,从而更好地适应数据重建和处理的弯曲和坡道的位置。摘要部分的抑制线性目标是用作放样的二维形状,和道路的外缘用作放样参考路径自动构建目标模型。边缘裁切角自动调整,以使模型更现实,确保模型和路面之间的无缝连接。原理图所示7。
具体算法步骤如下(参见算法3):
|
3.3.2。单一模型的建模实例
虚线地面物体,如路灯,路灯等迹象,首先,构造模型的设施、设备和基于目标特征的数据结构。然后,批量复制和旋转进行基于三维坐标X,Y,Z和方位α。最后,实际的纹理贴图给每个符号,原理如图8。
具体算法步骤如下(参见算法4):
|
4所示。实验和分析
4.1。建模的应用场景
在这篇文章中,两组点云扫描数据在不同场景下获得的车辆移动测量系统用于实验。实验数据的平均点距5 - 10厘米。如图9,路1的点云数据包含6312383分;道路相对平坦;如图10,路2的点云数据包含4449024点,这是一个陡坡,斜率是大约4%,如图11,路3的点云数据包含2591106点,这是高速公路部分。
道路三维激光扫描数据导入到多源点云过滤等预处理,数据处理软件和所需的特征数据提取高精度和高密度的激光点云数据。然后基于3 ds Max开发平台,使用该方法,LOD3水平道路模型自动建立,并选择两个角度来显示重建的效果。实验表明,该方法可以快速重建一个平坦的道路场景,也适用于道路与一定的斜率。重建率是100%。结果如图12- - - - - -14。
为了进一步验证该方法的可行性,根据道路LOD模型的详细规则表2基于道路1点云数据中提取结构化特性数据,使用连续四边形路面重建,十字路口拓扑结构关系重建和3 d版本技术方法,在LOD1道路目标模型、LOD2 LOD3分别建立了水平。下的模型比较线框模型和实际模型,如图15。
4.2。建模质量评价
为了验证模型的准确性,顶点的数量,边缘,多边形和三角形的模型中计算不同级别的细度实验,和具体的统计数据如表所示3。LOD1层次模型的精度最高,LOD2 LOD3水平模型顶点数,边数依次减少,精度也减少了。
除了详细的统计模型的特点,本文使用的豪斯多夫距离方法(19)计算过滤后的点云数据之间的相似性和路1模型在不同的水平。统计结果如图16。计算后,当模型细度水平LOD3,最近的点的距离5818年,数据点的点云路123号1在±10厘米之间,占总数的92.17%的点云。当模型细度水平LOD2,最近的点的距离5233597数据点在±10厘米之间,占点云数的82.91%;LOD1模型精度时,最近的点的距离4750068数据点在±10厘米之间,占75.25%的点云的数量。总的来说,最近的点之间的距离三级模型和点云数据基本上控制在±10厘米。LOD3水平与点云数据模型的相似性最高,和LOD1 LOD2相似性依次降低。
5。结论
在本文中,一个快速3 d反向建模方法提出了基于车载激光扫描的道路。这种方法是基于各种各样的道路三维激光扫描数据的特点和设计道路目标特定的LOD模型重建细节规范。点云处理软件的帮助下,这一过程从离散点云数据没有语义信息来实现结构化特性数据。最后,道路三维模型与不同级别的细度迅速建立。与现有的研究相比,本文应用道路车辆激光扫描数据的数字化建设交通基础设施和道路目标提出了一种新的LOD概念模型,用于精确表达式,按需定制和个性化服务的应用程序。本文提出的三个关键建模技术可以实现高精度自动重建的道路模型,适应不同类型的道路场景,并提供一个可行的技术路线实现full-element和完整的数字化的交通基础设施。然而,也有一些局限性,特别是以下几点:(1)本研究中探索的道路交叉口和重建算法只集中在3个简单的和受欢迎的交叉类型,不考虑额外的道路复杂结构的深度。此外,当路口和人行道上共同分享,结位置必须共享,重建数据格式是非常必要的。为了解决这个问题,地形重建算法可以包含在未来的工作中,和十字路口道路网络模型可以自动生成基于交叉功能结构数据,提高重建的效率。(2)实例化重建算法的点目标检测的研究只适用于目标相同规范的设施和设备,和分组重建需要不同类型的设施,从而影响建模效率。 To address this issue, we may incorporate the model size scaling technique into future research, allowing us to fully utilize the feature structure data, automatically scale the model, and restore a more realistic and detailed road scene.
数据可用性
一些必要的研究数据可以披露。如果有必要,请发送电子邮件(电子邮件保护)。
的利益冲突
作者宣称没有利益冲突。
确认
本研究在一定程度上支持的重点科技项目2020年在交通运输业(2020 zd3021),部分支持由中国国家自然科学基金(42001414),在一定程度上支持中国的山东省自然科学基金(ZR2019BD033),部分支持的山东省重点研发项目(2019 jzzy010429)。