全息测绘视域下城市道路测绘的质量控制研究

薛豪杰

(广东龙泉科技有限公司,广东 广州 510000)

0 引 言

不同于传统测绘由人工测量、标注的数据获取方式,城市道路全息测绘在获取数据时一般采用车载三维激光扫描技术,车载三维激光扫描技术的数据采集效率较高、采集速度较快、采集精度较高,利用车载三维激光扫描技术获取的数据可满足高精度城市道路地图的需求。全息城市道路测绘改变了传统测绘数据制作工艺和测绘成果的形式,在数据制作工艺流程中利用内业处理逐渐取代了高强度的人工外业作业,将传统二维的测绘图件成果转变为三维的道路模型。并通过三维激光扫描、全景影像获取更加全面的道路地理要素,在保留原有的道路边线地形要素的基础上,增加了道路上的交通标示、斑马线、路灯、摄像探头、绿化情况等要素,还可以对各要素进行材质、限值信息、归属等社会经济属性的拓展。全息道路测绘成果突破了传统道路地图的比例尺分级概念,采用道路要素精度分级的方式,采用针对性道路要素精度分级可满足不同的应用需求,完成对城市道路附属部件、城市部件、城市道路上交通标志的高精度控制。通过对城市道路的全息测绘,利用三维模型将道路现状信息可视化制作的高精度地图可应用于无人驾驶、智能交通控制、车道级定位导航等领域,可满足智慧城市建设需求,因此提高城市道路测绘的质量具有重要意义。

1 城市道路全息测绘技术分析

车载三维激光扫描技术是激光测距技术、惯性技术、图像摄影技术以及GPS技术的集成[1]。城市道路全息测绘流程如图1所示。

图1 全息测绘流程图

在测绘时,车辆以相对恒定的速度行驶,三维激光扫描仪在移动的过程中采用脉冲式测距方式,通过激光照射被测物时发生的漫反射,通过激光由发生器到接收器的飞行时间得到被测物与三维激光扫描仪的距离,并在三维激光扫描仪的空间坐标系中表示出被测物的点坐标形成点云数据,通过对点云数据进行预处理,筛选出高精度的点云数据,并进行要素提取,当存在数据缺失时则通过外业补测、调整的方式进行综合调绘。并与车载摄影设备获得的具有RGB信息的全景影像进行匹配,制作彩色的道路全要素地形点云图[2]。全要素地形数据图图2所示。

图2 全要素地形数据图

利用扫描的数据制作单体化倾斜模型,再通过影像数据将纹理映射到模型上,形成逼真的道路全要素三维模型,可将城市道路上的所有要素通过结构件的形式表示出来[3]。全要素实景模型图如图3所示。

图3 全要素实景模型图

2 质量控制方向分析

根据对全息测绘原理及流程的分析可知,影响测绘质量的因素分为两大部分,质量控制可从两方面进行,控制测绘流程的标准性以及控制测绘成果的准确性,测绘整体流程较为复杂,流程的标准程度受测绘人员主观因素影响较大,本文不予分析。控制测绘成果的准确性的主要方式是对成果质量进行检查,通过质量检查找出测绘中的不足之处进行修改和调整。本文从成果质量控制中的质量检查方向出发,分析全要素地形数据、全要素实景模型质量检查方式、内容以及成果出现的质量问题[4]。

全要素地形数据检查可分为内业检查和外业检测,其中内业检查主要通过将模型、点云数据和影像资料进行叠加处理。利用从多角度、多方式的叠加处理,检查模型制作、影像拍摄时模型的正确性、取舍的合理性、要素完整性以及点云数据处理中选取数据的准确性。对于存在的地形要素缺失、漏项、属性错误以及表达错误等进行标注,为后续的处理提高处理依据及处理方式。而外业检测主要是采用实地检测,对监测物、点进行打点、量边等作业进行数据精度校验,并对内业检查分析时出现的疑点问题进行实地重新巡检、排除。

全要素实景模型检查方式与全要素地形数据检查方式原理相同,通过将模型、影像资料进行叠加处理,验证数据来源的准确性和完整性,模型制作时空间坐标系选取的正确性,模型构件物名称的正确性,以及纹理映射的清晰性、重复性。对道路模型中存在的道路部件单体化错误、缺失漏项、纹理映射贴图与实景不符合、映射图像扭曲、贴图拼接不当等问题进行标注,并利用内、外业检测方式结合的方式,校验模型的几何精度。

3 质量控制方法研究

从控制点质量控制出发,完成点云数据纠偏提高点云精度,进而提高全要素地形数据准确性,使建立的全要素实景模型更加贴合实际,精准度更高。本文通过进行测绘实验,分析道路测绘中影响控制点有效性的因素,以及对控制点的优化方法,并通过实验验证优化后检查点精度,验证纠正后的点云数据完整性。

测绘区域选取上海市嘉定区,并将测绘分为两个区域,其中1号区域建筑物较多,道路较为复杂,人流量以及车流量较高,属于相对复杂的城市道路环境。其中2号区建筑物较为稀疏,道路构建单一,周围多为农田,人流量以及车流量较低,属于相对简单的城市道路环境,两个区域具有一定的代表性,可以提高为验证实验的精准性。区域位置如图4所示。

图4 测绘区域位置图

3.1 测绘过程

通过对两个区域的车流量进行调查,并结合城市地图,确定区域中车流量最小时为早上7点之前及晚上11点之后,测绘时确定测绘时间为早4点到早6点,通过避开车流量高峰期,可以减少因车辆遮挡导致的点云长距离缺失情况的发生。利用车载激光雷达进行扫描测绘,为满足点云密度要求,车辆尽量保持 30 km/h的速度匀速前进。1区域测绘路线全长 15 km,测绘时间为 40 min,2区域测绘路线全长 25 km,测绘时间约为 80 min。除道路中间设置隔离带进行双向扫描外,道路均采集一次。在1区域共设置160个控制点,在2区域共设置130个控制点,为避免影响交通以及提高数据获取精度,本次在控制点设置时主要选取人行斑马线、道路转弯处以及面积、色差明显的车道分割线处,设置时避免了存在遮挡的角点。

3.2 数据处理

使用CGO等有关软件,结合静态基站数据、GPS导航信息等对获取的车载数据进行轨迹解算,并生成车载扫描轨迹POS文件,使用POSPac移动测图软件对POS轨迹进行预处理,修复轨迹中存在的扭曲跳变问题,使整个轨迹更加平滑。将修复后的POS轨迹文件与测绘采集的数据进行解算,利用CoPre软件解算原始点云和照片信息,并将控制点匹配到点云数据中的对应点。通过控制点匹配完成POS数据纠偏,提高点云数据的精度[5]。

3.3 因素分析及优化

在数据处理中控制点与点云匹配时,对控制点的有效性进行检查。利用对空间坐标系中点坐标值进行差分的方法,将控制点与其点云中匹配点进行坐标值查分,获取△X、△Y、△Z差值数据。以2倍中误差设定限值,平面精度限值为 0.14 m、高程精度限值为 0.1 m。通过对异常点的筛选,出现以下2种情况:

(1)控制点坐标与匹配点差值较大

第一种是控制点坐标与匹配点差值较大,如表1所示。

表1 控制点与匹配点精度差值表

该类异常点的坐标与点云数据中坐标的差值较大,说明在测绘时原始点云质量较差,在实地调查重新获取数据后发现,该控制点布设区域遮挡情况较为严重,且卫星信号较弱,获取数据时可能会出现延迟误差。而且控制点之间的距离较大,设置控制点的特征不明显,控制点匹配时容易产生错误,从而导致该类数据异常。通过对控制点进行调整、剔除纠正后,重新测量控制点后,精度差值如表2所示。

表2 控制点纠正后精度差值表

(2)控制点出现连续的高程异常

第二种是控制点出现连续的高程异常,如表3所示。

表3 连续高程值异常数据表

该类异常点的坐标与点云数据坐标高程值相差较大,呈现连续性,且△X、△Y差值较小且符合限值要求,表明遮挡情况、信号强度未对数据的精度造成影响,应为设备系统误差产生,因此通过重新测量高程值,分析该现象出现的原因应为仪器的参数出现设置错误,经参数调整后,纠正后的精度差值如表4所示。

表4 高程值纠正后控制点精度差值表

(3)优化处理后控制点精度

经对控制点影响因素的分析可知,为保证点云数据的精度,应检查所有控制点与其匹配点的差值,保证不同控制点在同一段点云上的差值小于 0.1 m,且需要重复扫描的路段最少要设置1个共同控制点用来验证重访点云相对精度。当同一段点云上仅有两个控制点且出现差值超过 0.1 m限值导致点云发生形变时,应对控制点进行纠正,通过外业校验的方式对控制点进行位置优化。当同一段点云上存在过多的控制点时,需要通过差值比较对存在的异常控制点进行筛选,通过外业工作对控制点进行校验优化,必要时可剔除。经对控制点优化后,各区域控制点的精度情况如表5所示。

表5 纠正后各区域控制点的精度情况表

由表5可知,经优化后的控制点精度均满足平面精度以及高程精度要求。并将纠正后的点云数据导入QTmodeler中进行处理,通过点云图层可视化检查点云数据的完整性。经处理后发现,点云图层不存在错位分层、扭曲变形等情况,获得的道路测绘质量可以满足要求。

4 结 语

本文通过对道路全息测绘的原理及流程分析出发,进行质量控制方向的分析,由于质量控制中对流程规范性控制受测绘人员主观因素影响较大,因此本文确定对成果质量进行控制的质量控制方向。从对控制点进行优化处理的角度出发,通过对控制点进行优化处理,提高点云数据的精度,提高全息测绘视域下城市道路测绘的质量。本文的控制点优化方法可以提高点云数据的精度、全要素地形数据的准确性以及全要素实景模型的精准度,可提高城市道路全息测绘的质量。