【技术实现步骤摘要】
本专利技术属于数字采矿，尤其涉及一种基于主成分分析的露天采场道路点云数据提取方法。
技术介绍
1、随着全球经济的不断发展和人工智能技术的成熟，无人驾驶车辆已经成为矿山运输领域的热门话题。与传统的人工驾驶车辆相比，无人驾驶车辆不仅可以提高运输效率，还可以实现无人监管、自动避让等功能，从而大幅降低交通事故发生率，促进矿山生产的安全性和高效性。然而，在使用无人驾驶车辆开展运输工作时，道路数据的精准和可靠性必须得到保证。现代采矿技术的不断进步和工业化的发展，随之而来的就是对采矿运输效率和安全性的严格要求。其中，道路数据的实时更新变得尤为重要。作为露天采场的重要基础设施之一，露天采场道路保障了矿山运输效率及矿山生产的安全性。道路数据是无人驾驶车辆进行自主导航和安全运输的重要元素，包括路况信息、路面高程、隧道口径、桥梁限载等信息。精准可靠的道路数据可以帮助无人驾驶车辆准确识别路面条件以及可能存在的障碍，从而更好地规划运输路线并提升安全性。
2、目前，道路数据的收集和更新主要有以下几种方式：一、航空摄影测量：该技术可以进行对地形、地貌、道路等数据的非接触式快速获取，具有精度高，效率高的优点，但需要相应的技术和设备支持，存在一定的技术和经济门槛。二、地基雷达及多目相机采集：虽然地面数据采集可以用于捕获大量的道路数据，这个过程需要投入大量的人力资源，并且操作复杂度高，因此效率相对较低。三、基于卫星遥感的地表变形监测和更新：利用卫星数据来追踪矿山运输道路的变化情况，能够对道路数据进行全面检测和更新。但需要一定的技术开发和数据处理，而且精
3、其中，航空摄影测量是一种高效且精准的道路数据更新方式，具有广泛的应用前景。通过激光雷达与可见光传感器组合，可快速获取道路状况和地形地貌等信息，得到高精度、立体化的道路数据。在实际场景中，航空摄影测量已经成功应用于矿山、城市、道路等场景的数据采集和更新中。
4、但目前现有的道路点云提取方法有基于数学方法提取道路、基于机器学习算法提取道路以及基于深度学习提取道路。在数学方法上多采用常量阈值间设定以及道路特征信息约束；在机器学习方面，多项点云特征间相互约束进而提取道路；在深度学习方面，通过数学模型及网络的构建进而提取道路。然而，上述方法研究对象绝大多数为城区及山区道路点云数据，露天采场道路的点云数据与城区或山区道路点云数据有很大的不同。一方面，露天采场道路为开放空间，通常没有路缘石或墙壁等固有的结构；另一方面，采场道路的表面可能存在较大的高差和不规则形状。通过上述方法提取露天采场道路点云数据时，难以取得较好的结果。
技术实现思路
1、针对现有存在的技术问题，本专利技术提供一种基于主成分分析的露天采场道路点云数据提取方法。
2、为了达到上述目的，本专利技术采取了一下技术方案包括：
3、一种基于主成分分析的露天采场道路点云数据提取方法，包括如下步骤：
4、本专利技术涉及一种基于主成分分析的露天采场道路点云数据提取方法，包括如下步骤：
5、s1、获取激光点云数据并对其进行点云预处理，再分割地面点云与非地面点云数据；
6、s101通过无人机搭载三维激光扫描仪对露天采场矿山进行三维激光扫描测量，获取该区域的激光点云数据。
7、s102对点云数据进行邻域检索，并根据检索结果对采场点云数据开展统计滤波与条件滤波进行点云降噪处理。
8、当我们对点云数据进行统计滤波算法时，对每个点的邻域进行统计分析，根据点与其邻近点的距离分布特征，去除一些不符合要求的异常点。整个过程会进行两次迭代。
9、在第一次迭代中，迭代步骤如下：
10、1.对于点云中的每一个点，找到该点的k近邻检索邻域；
11、2.计算每个点与它邻域的平均距离，结果满足高斯分布；
12、3.计算这些距离的均值μ和标准差σ，进而确定距离阈值dthreshold，其中均值μ、标准差σ、距离阈值dthreshold的表达式分别为：
13、
14、
15、dthreshold＝μ±k·σ
16、式中(xi，yi，zi)为检索点邻域坐标，di为检索点邻域内每点距检索点的欧氏距离，k为标准差乘数。
17、在第二次迭代中，根据距离阈值剔除平均距离大于阈值的点，实现降噪处理。
18、s103采用随机降采样对降噪后露天采场点云进行降采样处理，点云随机降采样决定是否删除检索点的方法是通过在[0,1]区间内生成一个随机数r，并与选择的采样比率sr进行比较。
19、
20、点云随机降采样可被视为一个二元过程，即对于每一个点，它有两种状态：保留和删除。状态间的转换是由概率控制的。对于每个点来说，在[0,1]区间内生成一个随机数其实就是为该点生成一个概率值，如果这个概率值小于采样比率，该点就会被保留，否则就会被删除。
21、s104通过点云布料滤波分离地面点云与非地面点云，分离地面点云并提取，分离时首先应定义基础公式：
22、
23、式中，x表示模拟“布料”t时刻所处位置，fext(x,t)表示“布料”外部驱动因素(“布料”所受重力、碰撞等因素)，fint(x,t)表示布料内部驱动因素(粒子间相互排斥吸引状态)。粒子间的相互排斥吸引状态，经由实际驱动时先行假设只有外部因素fext(x,t)，而内部因素fint(x,t)为0，求取得：
24、
25、式中δt为时间步长，m为粒子重量(m＝1)，g为常量，在模拟“布料”反转后表面上采用内部粒子fint(x,t)对粒子形成约束。在内部因素约束的过程中，任意两个相邻粒子如果都可运动，则反向运动同等距离；如果其中一个粒子可移动而另一粒子固定，则运动可移动粒子；如果两粒子位于同一高度平面，则不对其进行操作。粒子运动位移量由下式计算：
26、
27、式中为粒子位移量；b为常量，为的相邻粒子，则为标准化到垂直方向的单位向量(0，0，1)t。
28、s105在s104提取的地面点云基础上，对其进行坡度滤波，获取平稳姿态下地面点云数据，剔除坡面点云数据，根据格网化坡度阈值计算，筛选出符合要求的地面点云数据。
29、s2、根据国家标准矿山路宽以及kd-tree检索邻域点集宽度初步判别检索点；
30、s201基于厂矿道路设计规范gbj 22-87建立路宽w1约束阈值，进而确定地面点云数据采用kd-tree检索时的检索半径r1，经由r1获取检索点邻域点集。
31、s202针对邻域点集采用主成分分析(pca)获取邻域点集宽度。对邻域点集归一化，随后计算其协方差矩阵的特征值与特征向量，然后将特征值排序，投影点集到对应向量方向上并作差，最终计算得邻域点集宽度w。
32、s203将邻域点集宽度w与路宽w1约束阈值相对比，进行初次宽度判别，然后将低于阈值w1的检索点进本文档来自技高网...
【技术保护点】
1.这种基于主成分分析的方法用于提取露天采场道路点云数据，具有以下步骤：
2.根据权利要求1中描述的自动化提取方法，其中所述的步骤S1具备以下特点：
3.根据权利要求1所述的自动化提取方法，步骤S105的执行流程如下所述：
4.根据权利要求2所述的自动化提取方法，步骤S2的实施包括以下步骤：
5.根据权利要求2所述的自动化提取方法，步骤S202的执行流程如下所述：
6.换句话说，根据权利要求3所述的自动化提取方法，步骤S3的执行包括以下操作：
【技术特征摘要】
1.这种基于主成分分析的方法用于提取露天采场道路点云数据，具有以下步骤：
2.根据权利要求1中描述的自动化提取方法，其中所述的步骤s1具备以下特点：
3.根据权利要求1所述的自动化提取方法，步骤s105的执行流程如下所述：
...【专利技术属性】
技术研发人员：蒋长春，姚毅，李旖晴，
申请(专利权)人：成远矿业开发股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。