大范围道面三维建模及平整度评估方法

本发明涉及道面性能评估领域，尤其涉及一种大范围道面三维建模及平整度评估方法。

背景技术：

1、机场道面是机场基础设施中至关重要的组成部分，是供飞机起降、滑行和停放的重要场所。道面平整度直接关系到飞机运行安全、乘客舒适度及机场运营效率，是衡量道面性能的关键指标之一。

2、然而，现有的道面平整度检测方法存在显著局限性：测量结果仅能反映道面沿单一方向的断面特征，难以实现全域平整度的评估；现有检测设备过度依赖高精度传感器，设备成本高且环境适应性较弱，致使测量结果的重复性和稳定性难以保证；传统检测流程繁琐、耗时较长，整体检测效率低下，难以满足机场高效运维的需求。

3、此外，在实际机场道面检测中，受限于拍摄距离和精度要求，单次采集的点云往往只能覆盖有限的局部区域。为获取更大范围乃至整个跑道的全域三维模型与平整度信息，必须将多个局部点云模型进行精确拼接与融合。但是，不同批次获取的点云在尺度、姿态和密度上可能存在显著差异，直接进行配准易陷入局部最优或失败。

技术实现思路

1、为了解决现有技术存在的问题，本发明提供一种大范围道面三维建模及平整度评估方法。

2、为此，本发明采用以下技术方案：

3、一种大范围道面建模及平整度评估方法，包括以下步骤：

4、s1，将待重建的大范围道面区域划分为若干个待拼接的子区域，对每个子区域进行多视角图像采集，进而进行三维重建，生成各子区域的表面模型，导出各子区域的点云数据；

5、s2，将第一个待拼接的子区域的点云数据作为源点云，第二个待拼接的子区域的点云数据作为目标点云，然后进行初始对齐得到初始对齐后的源点云；

6、s3，对所述和分别采用基于密度的空间聚类算法进行局部区域划分得到局部块，并将所有局部块的几何特征整合为局部特征列表；

7、s4，确定全局点云类型，生成全局自适应多尺度序列；基于所述局部特征列表，构建所述和各自的局部尺度映射表；

8、s5，基于所述全局自适应多尺度序列，对所述和分别执行图注意力网络引导的自适应采样，获得全局自适应多尺度序列中每个尺度下的下采样源点云和下采样目标点云；

9、s6，基于所述全局自适应多尺度序列、下采样源点云和下采样目标点云，执行由粗到精的多尺度点云配准，得到配准后的点云；

10、s7，识别s6配准后的点云中的空洞或缺失区域，引入gat置信度评估与局部自适应深度调整，采用泊松表面重建算法进行补全；

11、s8，采用增量式拼接策略，将s7得到的点云作为目标点云，将下一个待拼接子区域的点云数据作为源点云，执行步骤s2~s7相同的操作，得到完整的道面点云模型；

12、s9，在所述道面点云模型中，从一侧边缘开始，获取多组轮迹带样本数据，用于得到多轮迹综合平整度指数的计算公式，获取目标飞机的三条轮迹线的国际平整度指数，计算垂向分量、滚转分量和俯仰分量，进而得到多轮迹综合平整度指数的值。

13、上述步骤s2中：

14、所述源点云和目标点云之间具有部分重叠区域；

15、获得初始对齐后的源点云的过程如下：

16、计算初始变换矩阵：

17、，

18、其中，为尺度因子，为旋转矩阵，为平移向量；

19、分别计算所述源点云和目标点云的有向包围框，分别采用体积法、中值法和加权轴匹配法估计尺度因子，并取其平均值，得到最终的尺度因子；所述旋转矩阵，平移向量，其中，为源点云的中心，为源点云的主轴矩阵，为目标点云的中心，为目标点云的主轴矩阵；

20、对源点云施加变换，得到初始对齐后的源点云。

21、上述步骤s3的具体操作如下：

22、确认dbscan算法所需的邻域半径ε和局部聚类最小点数p；利用dbscan算法将点云中相互密度可达性高的点归为同一聚类，并赋予相同的正整数标签，而将无法归入任何聚类的孤立点标记为-1；将每个正整数标签对应的点集作为一个局部块，并将标签为-1的点视为噪声点；

23、获取每个局部块的几何特征，包括沿三轴的延伸长度和体积、密度、平均曲率和平面性；若局部块内点数过少，则曲率与平面性均设为0；

24、将所有局部块的几何特征整合为局部特征列表。

25、上述步骤s4中确定全局点云类型的过程如下：

26、分别计算初始对齐后的源点云和目标点云的边界框尺寸、体积、密度、pca特征值以及平均曲率，并分别确定各自的线性度、平面性、球形度；依据初始对齐后的源点云的线性度、平面性、球形度及密度判定全局点云类型，类型包括线性型、平面型、球状型、稠密型、稀疏型和复杂型。

27、上述步骤s4中生成全局自适应多尺度序列的过程如下：

28、分别计算初始对齐后的源点云和目标点云的最大延伸长度与，取两者中的较小值计算基准全局尺度：；

29、根据所述全局点云类型设定最大尺度层数kmax：密集型的kmax=5；稀疏型的kmax=3；平面型、线性型、球型和复杂型的kmax=4；

30、在生成全局自适应多尺度序列的过程中，初始化当前尺度scur=sbase，相邻尺度之间的比例因子为固定值γ=2，将当前尺度除以比例因子snext=scur/γ，依次生成候选尺度，当已达到最大尺度层数kmax或当前尺度下采样后点数低于预设最小点数阈值时，停止生成；

31、生成后，需验证每个尺度的有效性，对点云按该尺度体素下采样，若点数不少于每个尺度下采样后要求保留的最少点数阈值，则保留，否则舍弃，得到最终的全局自适应多尺度序列s，s={s1, s2,…, sj…,sk}，其中，s1 >s2>...>sk，j=1,2，...，k，k为尺度层数。

32、上述步骤s4中构建所述和各自的局部尺度映射表的过程如下：

33、对于s3中划分的每个局部块，首先计算其基准局部尺度sblock_base，然后根据局部特征列表中记载的局部块的几何特征进行尺度调整：

34、若局部块曲率kblock>0.3，则局部尺度sblock=sblock_base/2；

35、若局部块平面性pblock>0.7，则局部尺度sblock=sblock_base×2；

36、若局部块密度ρblock>10000，则局部尺度sblock=sblock_base/1.5；

37、若局部块密度ρblock<1000，则局部尺度sblock=sblock_base×1.5；

38、否则sblock=sblock_base；

39、按点的索引顺序构建一维数组作为局部尺度映射表，其中，若点云中的点属于某一局部块，则其赋值为该局部块的最终尺度，若为噪声点，则赋予其所有局部块尺度的平均值。

40、上述步骤s5中对所述和分别执行图注意力网络引导的自适应采样的过程如下：

41、对点云进行预处理：统计滤波移除离群点，剔除明显偏离主结构的噪声点；

42、构建局部图结构：对于点云中的每个点，基于k近邻算法搜索其邻域点，以各点为节点，以各点与邻域点的连接关系为边，构成局部图结构；基于自适应半径估计每个点的法向量，将每个点的三维坐标与法向量拼接成六维特征向量，作为节点特征；

43、将局部图结构输入所述图注意力网络，提取每个点的深度特征向量hi和注意力权重；

44、基于所述全局自适应多尺度序列s={s1, s2,…, sj…,sk}，对每个尺度sj独立执行以下采样操作：

45、对初始对齐后的源点云与目标点云分别进行体素均匀下采样，体素大小取当前全局尺度sj，获得均匀采样点集；

46、分别保留初始对齐后的源点云与目标点云中注意力权重wi大于预设阈值的点，并进行空间去重，去重半径设为r=0.5sj，得到特征密集点集；

47、将所述均匀采样点集与特征密集点集合并，并以体素大小0.8sj进行体素滤波，去除重叠点，得到最终的该尺度的采样点云；

48、通过上述操作，对每个尺度sj，输出该尺度下的下采样源点云和下采样目标点云以及对应的gat特征矩阵、和注意力权重向量、。

49、上述步骤s6的具体操作如下：

50、设置累积变换矩阵的初始值为单位矩阵i，对于当前尺度sj，执行以下操作：

51、（1）基于该尺度下的下采样源点云和下采样目标点云，根据所述局部尺度映射表，分别生成、中各点所在区域的局部尺度，动态设定构建该点的快速点特征直方图的所需的搜索半径；

52、（2）根据所述搜索半径，分别提取下采样源点云和下采样目标点云中各点的快速点特征直方图描述子ffpfh，然后分别与各点对应的深度特征向量h按设定融合权重α进行加权融合，得到融合特征向量ffused=α·h+（1-α）·ffpfh；对所述融合特征向量ffused进行零均值单位方差归一化；

53、（3）利用注意力权重向量、，分别筛选下采样源点云和下采样目标点云中权重高于预设阈值τw的点参与后续匹配，剔除低置信度点；

54、（4）基于零均值单位方差归一化后的融合特征向量，采用随机采样一致性算法对下采样源点云和下采样目标点云进行粗配准，得到当前尺度粗配准变换矩阵；

55、（5）以为初始变换，对下采样源点云和下采样目标点云执行点到面的迭代最近点icp算法，得到当前尺度的精配准变换矩阵；

56、（6）更新累积变换矩阵：

57、对于第一个尺度j=1，累积变换矩阵更新为ticp(1)，对于其他尺度，更新累积变换矩阵为：；

58、所有尺度循环结束后，得到最终的累积变换矩阵；

59、以最小尺度sk的一半再次分别对初始对齐后的源点云与目标点云进行下采样，然后以为初始值执行一次icp，得到最终变换矩阵；

60、计算完整配准矩阵；

61、对源点云施加最终变换，得到配准后的点云。

62、上述步骤s7的具体操作如下：

63、（1）通过dbscan密度聚类提取主连通域，选择点数最多的聚类作为主连通域，剔除点云中其余聚类及噪声点；

64、（2）基于自适应半径估计每个点的初始法线，将坐标与法线拼接为六维向量，输入预训练的gat网络，输出为置信度得分；所述gat网络与s5中的图注意力网络结构相同，输出不同，不共享权重；

65、（3）采用泊松重建算法生成三角网格：

66、在重建过程中，根据所述局部尺度映射表，识别局部尺度小于全局平均尺度0.8倍的细节密集区域；对所述细节密集区域，将泊松重建八叉树深度增加1至2层，以恢复高频几何细节；同时利用置信度对重建网格进行密度加权修剪，置信度越高的顶点采用更宽松的阈值；置信度低的顶点采用更严格的阈值，以剔除不可靠区域；

67、（4）对重建的三角网格进行局部尺度自适应的拉普拉斯平滑，对其中的细节密集区域减少迭代次数，填补封闭孔洞，最后均匀采样，得到补全后的点云。

68、上述步骤s9中：

69、所述多轮迹综合平整度指数的公式如下：

70、，

71、式中，α，β，γ为权重系数，v为垂向分量；r为滚转分量，p为俯仰分量；

72、设il、ic、ir分别为目标飞机的左主轮迹带、前轮迹带、右主轮迹带的国际平整度指数iri；

73、所述垂向分量v公式为：

74、，

75、所述滚转分量r公式为：

76、，

77、所述俯仰分量p公式为：

78、，

79、所述权重系数α，β，γ通过以下操作获得：

80、在s8所得完整的道面点云模型中，以固定横向间距为步长，从跑道一侧边缘开始，获取多组轮迹带样本数据，每组数据包含中、左、右三条轮迹线的高程，其横向位置根据目标飞机的主轮距d确定，中间轮迹带对应前起落架轨迹线，左、右轮迹带分别代表左右主起落架轨迹，间距均为d/2；使用profaa计算每条轮迹线的iri，计算得到的每组数据的三个分量v、r、p作为自变量，基于三条轮迹带的完整高程序列，计算得到的全尺寸飞机平整度指数fari作为因变量；对进行回归拟合，通过最小二乘法估计各分量的权重系数α，β，γ，得到最终的多轮迹综合平整度指数计算公式；

81、在使用时，获取目标飞机的三条轮迹线iri，计算垂向分量、滚转分量和俯仰分量，代入多轮迹综合平整度指数计算公式，得到多轮迹综合平整度指数。

82、与现有技术相比，本发明具有以下有益效果：

83、1. 本发明通过全局几何类型驱动的自适应多尺度策略、图注意力网络引导的混合采样与特征融合，以及置信度加权的泊松重建，实现了道面点云的高精度配准与高质量补全，显著提升了配准鲁棒性、关键细节保持能力和重建完整性。

84、2. 本发明以左、中、右三条轮迹带的国际平整度指数（iri）为输入，构造垂向、滚转、俯仰分量，并通过回归拟合标定权重系数，提出多轮迹综合平整度指数（mtcri）。该方法克服了传统单一测线iri无法反映飞机多模态振动的局限，实现了对机场道面更全面、客观的评估。