(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210136111.X (22)申请日 2022.02.15 (71)申请人 广州维智数字 孪生智能信息科技有 限公司 地址 510000 广东省广州市天河区天河北 路886号5层5 03号、 504号、 510号 (72)发明人 杨光　李卫红　刘树功　张可文　 黄程　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/13(2017.01) G06T 17/00(2006.01)G06K 9/62(2022.01) G01B 11/24(2006.01) G06V 10/774(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) (54)发明名称 基于激光扫描的深度追 踪识别方法 (57)摘要 本申请提供基于激光扫描的深度追踪识别 方法， 包括： 基于水渠 险情的历史数据限定重点 扫描区域， 具体包括： 获取并处理水渠 险情的历 史数据、 根据历史数据对水渠断面的扫描区域进 行划分； 利用三维激光扫描仪获取水渠断面限定 区域的点云数据； 扫描 得到点云数据中的异常数 据； 根据扫描中的异常数据识别险情类型； 基于 异常数据及险情类型进行动态跟踪； 分析异常点 云数据生 成险情警报信息。 该系统的有益效果包 括： 不需要检测人员实地监测， 提高了监测的安 全性， 动态 监控保证下水道或水渠出现险情时能 够及时发现而且能够识别是哪种类型的险情及 险情的具体位置， 最后有选择性的扫描和存储数 据节省了系统大量的内存， 保证系统运行的高效 性。 权利要求书4页 说明书8页 附图2页 CN 114693729 A 2022.07.01 CN 114693729 A 1.一种基于 激光扫描的深度追踪识别方法， 其特 征在于， 包括： 基于水渠险情的历史数据限定重点扫描区域： 获取并处理水渠险情的历史数据、 根据 历史数据对水渠断面的扫描区域进行划分； 利用三维激光扫描仪获取 水渠断面限定区域的点云数据； 扫描得到点云数据中的异常数据： 水 上水下扫描数据修 正、 获取异常点云数据集； 根据扫描中的异常数据识别险情类型： 水渠中异物检测及类型识别、 水渠自身形态变 化监测、 监测水渠的异常水流 量； 基于异常数据及险情类型进行动态 跟踪： 异物的动态监测、 异常水流 量的动态监测； 分析异常点云数据生成险情警报信息 。 2.根据权利要求1所述的方法， 其特征在于， 所述基于水渠险情的历史数据限定重点扫 描区域， 包括: 获取并处 理水渠险情的历史数据； 根据历史数据对水渠断面的扫描区域进行划分。 3.根据权利要求2所述的方法， 其特征在于， 所述获取并处理水渠险情的历史数据， 包 括： 获取水渠断面险情的历史数据； 其中， 所述历史数据包括险情类型及其点云数据、 各类 险情发生的次数、 险情发生的位置 分区， 以及分区内的具体位置坐标； 所述位置 分区包括水 渠断面的顶部、 左右侧面、 底部以及水面； 提取所述历史数据中不同险情的特征， 建立标准险情矩阵， 行向量为各位置分区， 列向 量为险情特 征， 统计所述历史数据表中各位置分区发生险情的类型、 次数。 4.根据权利要求2所述的方法， 其特征在于， 所述根据历史数据对水渠断面的扫描区域 进行划分， 包括： 将水渠断面划分为预设的若干区域： 将所述位置分区划分为预设数目的大小相等的子区域； 对上述子区域中的历史数据进行聚类处 理； 所述历史数据根据其分区内的具体位置坐标划分到相应的子区域中； 获取风险模型， 所述历史数据作为所述风险模型的训练数据被分为高风险、 中风险和 无风险区域； 对于待处 理的点云数据， 将其预处 理为与所述 风险模型的训练数据特 征相同的数据； 根据所述风险模型， 确定所述预处理数据 是否符合所述高风险区域的特征， 若是， 则确 定该子区域属于高风险区域； 对所有位置分区的所有子区域进行上述处理并将同一位置分区内相邻的同风险区域 进行合并； 其中， 高风险和中风险区域作为待扫描区域， 无风险区域 为非扫描区。 5.根据权利要求1所述的方法， 其特征在于， 所述利用三维激光扫描仪获取水渠断面限 定区域的点云数据， 包括: 根据扫描划分设定三维激光扫描仪的扫描范围， 并利用三维激光扫描仪对水渠断面进 行扫描； 其中， 所述 三维激光扫描仪包括： 支座组件、 设置在所述支座组件上方的旋转驱动组件、 激光传感器旋转组件、 设置在所 述支座组件上方的GPS定位组件、 设置在所述激光传感器旋转组件上的激光传感器及设置权　利　要　求　书 1/4 页 2 CN 114693729 A 2在所述支座组件下 方的控制箱组件； 所述旋转驱动组件用于驱动所述激光传感器旋转组件旋转； 所述控制箱组件通过电缆与所述旋转驱动组件及激光传感器连接； 获取所需的点云数据： 对高风险区域和中风险区域进行扫描、 对无风险区域不扫描， 以 及对高风险区域和中风险区域设定不同的扫描周期； 根据历史数据的更新对扫描周期进行动态调整： 根据实 际情况设定扫描周期， 高风险 区域设定较短的扫描周期， 中风险区域设定较长的扫描周期； 每次扫描获取的点云数据都计入历史数据对所述历史数据进行 更新； 若历史数据进行更新后改变了对风险区域的判定结果， 则根据 更改后的所述判定结果 对该区域的扫描周期进行调整。 6.根据权利要求1所述的方法， 其特征在于， 所述扫描得到点云数据中的异常数据， 包 括: 对标准的、 无险情的水渠进行扫描， 获取标准点云数据集； 所述标准点云数据集包括水 上扫描的数据和水 下扫描的数据； 对水上水下扫描数据修 正， 包括： 对获取的点云数据进行 预处理， 得到预处 理后的点云数据； 在对所述预处 理后的点云数据进行边 缘识别得到若干个边 缘点； 一次连接各个所述 边缘点， 得到水 上水下的分界线以及水渠边界线； 根据水上水下的分界线将所述 点云数据分为水 上和水下两部分； 将标准点云数据集 也做上述处 理， 得到水 上和水下扫描获取的水渠边界线； 将标准点云数据集得到的水渠边界线与待修正的点云数据进行比较， 若有偏移则获取 每个对应位置坐标的偏移量； 将所述偏移量进行求和平均处 理得到最终的修 正量对位置坐标进行修 正； 获取异常点云数据集， 包括： 将标准点云数据集作为样本集， 提取 数据的反射强度信息、 坐标 数据作为特 征值； 通过决策树算法训练数据点预测模型， 将待处理的点云数据输入到上述预测模型中， 输出正常的点云数据集； 在原始的点云数据基础上去除正常的点云数据集得到点云数据中的异常数据。 7.根据权利要求1所述的方法， 其特征在于， 所述根据扫描中的异常数据识别险情类 型， 包括: 水渠中的异 物检测及类型识别： 所述异物检测主要包括漂浮物和鼠害监测， 将所述异常点云数据映射生成距离图象以 及反射强度图象； 根据所述距离图像以及 反射强度图像对所述异常点云数据进行点云分割聚类， 得到多 个点云区域； 对各点云区域进行特征提取， 由提取的特征向量进行分类以识别出目标， 包括： 训练老 鼠的目标检测模型； 将提取的特征向量输入到目标检测模型， 输出识别结果为鼠害； 提取水 上水下分界线附近的预设范围内点云数据的特征值与标准点云数据集进行对比判断是否 有异常数据存在； 若 有则输出识别结果 为漂浮物；权　利　要　求　书 2/4 页 3 CN 114693729 A 3