基于MMS的公路DLG制图工厂

摘要：介绍了MMS系统在公路勘测中应用的优点，同时给出MMS数据后处理成图的难点，及其解决的方案。通过计算机集群与算法置信度叠加方式完成了点云数据的分割、分类、识别、最终成为DLG图。从而实现点云到DLG图的全自动化处理过程，为MMS在带状勘察中扫除了应用障碍。

关键词：MMS 激光点云 DLG 公路勘测

中图分类号：P2 文献标识码：A 文章编号：1672-3791（2012）08（c）-0025-02

公路MMS系统是一种基于汽车为载体的快速摄影测量系统，将激光测距仪、激光扫描仪、全球导航卫星系统、惯性测量单元、距离测量单元以及CCD相机等传感器集成于一体，利用激光测距原理和近景摄影测量原理，能够快速扫描公路周边场景得到三维点云数据的技术，具有作业速度快，外业工作量小、测量精度高、测量数据量大、自动化程度高、最大限度真实地反映沿路带状地表情况等特点。如何快速把点云转化为现有的勘察、设计、施工可用的DLG图是点云应用与现有业务流程对接，产生价值的的关键，本文在滨湖mms系统采集的点云基础之上，探讨了构建DLG制图大数据处理工厂的流程和关键技术。

1 滨湖MMS点云数据获取系统

武汉滨湖电子有限责任公司隶属于中国兵器装备集团公司，是一家大型电子装备研制生产的高新技术企业。多年来一秉持“军民结合，寓军于民”发展战略，由于其军品领域和测绘行业具备同源特征，将其军用技术有机应用于测绘行业，一直是滨湖电子着力于测绘仪器装备的目标。公司通过自主研发，实现了MMS的系统设计、产品集成、技术开发、基础工艺平台建设。

本车集成高精度的POS与激光扫描仪系统与全景相机，可以进行RBG彩色点云采集。

2 公路行业的应用现状

20多年来，经济的快速发展使我国公路建设取得了令世人瞩目的巨大成就，与此同时我国公路建设的模式正在发生巨大改变，由原来的平坦宜建的东部地区转移到复杂难筑的西部地区，由新建公路向老路的改扩建转变，由国内建设向国际市场进军。这些新形势也带来新问题，地形上山峦起伏、峡谷深邃、地貌复杂，道路设计上平面曲折、纵坡起伏、横坡深峻、地质条件复杂，建设条件艰巨、工程难度大、技术要高，工期越短。特别是我们在国际市场上承接的项目很多都是第三世界国家，这些国家的安全环境复杂，如果派驻大量测绘人员到实地勘测，安全保安成本就很高，而且不能保证万无一失，一旦有极端势力蓄意勒索或者部族冲突，加上我国的巨大国际影响力，很容易被这些第三方势力选为攻击目标，除了巨大的经济损失外，还会造成很恶劣的政治影响。所以这些新发展态势要求公路勘察设计部门必须寻求新的技术支撑体系。

MMS（移动测量制图系统）的出现，正为这些问题的提供了恰当的解决方案。其同步采集高精度激光点云和高分辨率数码影像数据，与地理信息技术结合，在公路建设中具有广泛的用途。将该技术应用在道路勘测设计中，可以降低成本，减轻外业人员劳动强度，提高成图精度和勘测技术含量，有效缩短线路工程勘测设计周期，并且大幅度提高内业工作效率。

3 dlg制图工厂组成

点云应用是带动MMS成功的关键。现在点云采集回来以后展示效果是非常出色的，各个生产单位也都非常有感性的认识，从原来从标尺棱镜测独点到现在点云，的确是质的飞跃。一个共识是点云未来可以成为某些勘察、设计、规划等软件直接利用的数据源，但目前点云的应用，特别是与现在生产系统的对接，成为目前一个大家关注的焦点，特别是转化为DLG图，就可以使点云直接为现有的测绘生产服务了。现有的点云成图软件大多以手工交互为主来生产DLG图，效率还不是太高，有的软件甚至采集一个坐标点，需要从很多不同视图来相互定位才能确认一个点的位置，由于从点云中人工采集的不便，测量成图的工作量，变成外业工作量降低了，内业工作量上升的局面，致使点云的后处理应用上，很多单位不敢大步前进。

因为点云是一定蕴含着完整的空间信息的，所以面对这么大数据量的点云数据，提取DLG图，属于典型的大数据挖掘领域，而大数据生产和挖掘目前算法逐步成熟，综合上述情况，我院对于点云数据加工，组建了专业团队，针对点云到DLG的自动转换中的难点进行攻关，取得了具有生产价值的解决方案LasAuto。

3.1 制图数据工厂基础设施

由于点云本身数据量就非常巨大，同时点云基本是以离散状态存在，不具备天然的拓扑关系，导致其算法都需要大量的内存与CPU资源，同时每个算法都不是全功能的可以解决所有的地物信息提取问题，在LasAuto确认具有可信度的地物前，一般都是以至少两种算法达到置信度后，才予以确认。所以在自动处理点云过程中，需要的内存与CPU资源就远远突破单机所能承受的。为了能够达到生产价值的解决方案，采用了集群方案（如图2）。

3.2 制图流程

3.2.1 数据融合识别地物

数据融合是指传感器的数据在一定准则下加以自动分析、综合以完成所需的决策和评估而进行的信息处理过程。利用传感器所获取的关于对象和环境全面、完整信息，主要体现在融合算法上。因此，选择合适的融合算法。对于传感器系统来说，信息具有多样性和复杂性，因此，对信息融合方法的基本要求是具有鲁棒性和并行处理能力。一般来说信息融合有层次结构，本文所用方法为特征层融合，是指不同的特征数据源进行识别的结果进行融合如图3所示，传感器提供从观测数据中提取的有代表性的特征，这些特征融合成单一的特征向量，然后运用模式识别的方法进行处理。

3.2.2 生产不同种类Level1待处理数据（图4）

对于车采数据，需要经过初步的预处理才能进入正式的数据分类识别流程，预处理主要是依据POS系统的数据，结算点云中个点的实际位置，同时需要通过过滤器消除统计上的失败点，为下一步算法处理提供良好的概率分布环境，为了加快点云数据的计算过程，还需要对点云进行空间索引化，这里主要以三维的KD树来建立。沿着车行方向，对于点云进行均匀切割方面生产线分布式加工数据。

3.2.3 生产不同种类Level2数据（图5）

Level2数据生产目的主要是从原始数据衍生出不同特征空间的数据，以便于下一步对于特征提取提供数据来源，主要是帧化的点云、DSM-Z、DSM-I，以及原始数据的金字塔，特别要说明的是原始数据也暗含在Level2数据中，很多算法，比如PCA实施的时候是以原始数据为特征空间的。

3.2.4 层次化的目标分类数据（图6）

目标的内容是层次化的，主要是先区分点云中地面点云构成，并分化为路面与其他地面，后者可用来生成等高线，地面上，采用欧式生长分割后用PCA特征化出 体、线、面特征，然后采用在不同空间提取特征，进行融合决策的方法，把1∶1000地形图图式中出现的地物进行循环侦测，找到各个地物。

4 手工干预后处理

生产完毕DLG图后，根据系统会给出分类取样的置信度高低，作业人员将置信度低于阀值的点云空间位置调出，然后添加“视觉提示”模型，对比生成的DLG数据，检验是否通过，如果不能通过，需要作业员手工补绘出相应位置的地物。由于有了“视觉提示”模型，手工补绘也会很容易。

5 具体案例

某公路设计院一起做200公里左右的国道改扩建工程中的应用，使用LasAuto作为内业处理的解决方案，生成的一块MinLas的DLG图（如图7）。

6 结论

基于滨湖MMS采集的点云数据，经过LasAuto生产线后可以自动生成带状DLG图，解决了目前点云采集后处理作业的内业工作量过大的问题，为点云在公路行业中的应用提供比较完备的内业解决方案。下一步的改进工作主要是一个是细化分类器，针对不同地物进行试验与监督分类，找到具有极高置信度的分类器，入库。第二是针对不同地理区域的植被、建筑物等尝试建立监督或非监督分类，提高属性赋值的自动化。第三是优化分类器的执行效率，减小成图时间。

参考文献

[1] 王耀南，李树涛.多传感器信息融合及其应用综述[J].控制与决策，2001，16（5）：518-521.

[2] 李圣怡，吴学忠，范大鹏.多传感器融合理论及在智能制造系统中的应用[M].长沙：国防科技大学出版社.

[3] 张梅，张祖勋.基于微分不变量和区域增长法的深度图分割[J].计算机工程，2008，24（19）：15-17.

[4] 曾齐红，毛建华，李先华，等.机载激光雷达点云的阶层式分类[J].测绘科学，2008，33（1）：103-105.

[5] 王金亮，陈联君.激光雷达点云数据的滤波算法述评[J].遥感技术与应用，2010，25（5）：632-637.

[6] 代明睿，张晓鹏，李红军.基于高噪声深度图像的树木模型重建[J].中国体视学与图像分析，2010，15（2）：109-114.

[7] 庞旭芳，宋展.基于点云的谷脊线特征提取算法研究[J].先进技术研究通报，2010，4（7）：33-38.

[8] 黄磊，卢秀山，陈传法.基于激光扫描仪数据的建筑物立面特征信息提取[M].测绘科学，2006，31（6）：141-142.