车载激光点云道路边界提取的Snake方法

针对车载激光点云中道路边界提取困难,自动化程度低的问题,提出一种基于离散点Snake的车载激光点云道路边界提取方法。不同于传统基于图像建立Snake,本文直接基于离散点建立Snake模型。先利用伪轨迹点数据,确定初始轮廓位置,参数化不同类型的道路边界初始轮廓;然后基于离散点构建适合多类型道路边界的Snake模型,定义模型内部、外部和约束能量,通过能量函数最小化推动轮廓曲线移动到显著道路边界特征点处,实现不同道路边界的精细提取。本文试验采用3份不同城市场景的车载激光点云数据验证本文方法的有效性,道路边界提取结果的准确率达到97.62%,召回率达到98.04%,F1-Measure值达到97.83%以上,且提取的道路边界结果与软件交互提取的结果有较好的吻合度。试验结果表明,本文方法能够修正噪声、断裂等数据质量对道路边界提取的影响,能够实现各类复杂城市环境中不同形状道路边界的提取,具有较强的稳健性和适用性。     

融合车载LiDAR点云和全景影像的道路标线自动提取方法

针对传统人工方式、人机交互方式提取公路标线成本高、效率低的问题,本文提出了融合车载LiDAR点云和全景影像数据,使用SCGA-Net网络提取并矢量化道路标线的方法,以解决车载LiDAR点云采集过程中因车辆遮挡、道路修补等造成的数据缺失问题。试验表明,该方法道路标线的提取率和正确率均优于仅使用LiDAR点云提取标线的方法,可有效地提升自动驾驶所依赖的高精地图的生产效率。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。     

结合全景影像的车载点云空洞修复方法研究

针对单一利用点云数据修复空洞而缺乏真实性的问题,提出了一种结合全景影像的车载点云空洞修复方法。该方法首先探讨了基于全景球共线方程的车载点云与全景影像精配准,然后构建了三角格网提取点云空洞范围,针对全景影像变形问题,采用了球面透视模型进行纠正,最后研究了基于SIFT算法的区域种子点密集增长算法,利用前方交会法生成填补点云。实验表明,该方法生成的填补点云具有真实性和完整性,将填补点云与原始点云融合,实现了车载点云空洞修复。     

车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统（MMS）激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。     

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点。本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云。通过对两种典型路段进行试验分析表明,该方法用于提取城市道路边界点云效果较好,精确性与稳健性高,对今后道路边界线的提取起到借鉴作用。     

利用多元LBP特征自动提取城市道路边界

车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑.为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP3种改进算子;构建多元LBP特征语义识别模型...     

车载激光扫描数据的结构化道路自动提取方法

车载激光扫描系统获取的结构化道路环境(城市道路/高速公路)点云数据量大、目标复杂,难以有效提取出道路的点云.本文通过分析扫描线上激光点云的空间分布和统计特征,提出一种适用于结构化道路环境的道路点云自动提取方法.在Optech公司提供的两份车载激光扫描点云数据中,道路提取结果的完整率、准确率、提取质量相应地超过94.92％、95.80％和91.13％.通过定量和定性的试验分析,该方法不仅适应于有固定道路宽度的规则道路提取,同样适用于无固定宽度的非规则道路提取.     

车载全景影像与激光点云融合生成彩色点云方案

针对车载全景影像与激光点云数据融合的研究不足的现状,文章给出了一种适合球面全景影像的车载彩色点云生成方案:由车载POS数据及系统标定参数可获得全景影像的外方位元素,依据影像的采集视角选择激光点最佳的关联影像,然后以球面投影为成像模型获得激光点在影像上的颜色属性值,进而获得彩色点云数据;并对融合的误差进行了讨论与分析。经过融合后的彩色点云几何精度高、目视效果好,使两种数据源的优势得到了有效的结合。实验结果验证了这种方法的可行性和准确性。     

结合全景影像的车载街景点云数据增强方法

提出了一种结合全景影像的车载街景点云数据增强方法,首先结合基于密度的聚类方法 DBSCAN(density-based spatial clustering of applications with noise)分割算法和地物典型特征实现点云数据的分类及单体目标提取;然后对单体目标点云,通过构不规则三角网(triangulated irregular network,TIN),逐一进行缺失区域检测及相应边缘提取;最后提出了基于全景影像局部仿射变换的区域增长密集匹配方法,用于生成缺失空洞区域的真实三维点,实现点云数据的增强。实验表明,该方法能够实现车载街景点云数据缺失区域的填补,且点云增强的结果真实、可靠。     

车载激光扫描数据分类支持下的路面数据提取

车载激光扫描系统可以快速采集道路及两旁的建筑物、植被、电杆等地物的点云数据,而点云数据的分类提取是车载激光扫描系统应用的关键。本文选用全景激光移动测量系统获取的激光点云数据,分析了路面点云数据的特征,采用渐进格网法进行了路面点云数据的提取研究;通过试验区的实例验证,取得了较好的分类效果。     

车载激光雷达点云与全景影像的自动配准

针对激光雷达点云数据缺乏纹理信息的问题,该文提出一种基于互信息的车载激光雷达点云与全景影像配准方法。该方法使用统一的球面全景成像模型,引入互信息作为相似性测度,将车载激光雷达点云生成的深度图与信息提取后的全景影像进行配准,实现配准参数的自动、高精度解算。同时,对车载激光雷达点云与全景影像配准的精度进行评定与分析。实验结果表明,车载点云与全景影像的配准方案是可行的,具有较高的配准精度。     

基于车载LiDAR的交通标线自动提取方法研究

针对自动驾驶技术对高精度道路信息实时存储分析的需求日渐增大、道路点云数据冗余离散的问题,本文提出了一种从车载LiDAR点云数据中自动提取道路面、分类并矢量化交通标线的有效方法。首先,将点云数据中的非地面点滤除;其次,基于载体车辆的行车轨迹线生成伪扫描线实现道路面的提取;然后,构建一系列二维点云参考影像,利用点云强度等特征信息检测交通标线边界像素点及坐标,并去除离群值对交通标线进行分类细化;最后,对本文方法提取与传统方法提取的交通要素进行对比,实验结果表明,本文提取方法的准确度及效率都有了一定的提升。     

车载全景影像与激光点云数据配准方法研究

全景影像与激光点云的高精度配准是车载移动测量系统中多传感器数据集成处理的关键环节。本文针对车载多面阵拼接全景影像与激光点云的配准问题, 提出了一套高精度的数据配准方法。通过高密度的静态激光点云解算每个面阵CCD在激光扫描仪坐标系下的外标定参数, 以实现单张CCD影像与激光点云在扫描仪坐标系下的配准, 在全景拼接过程中全景影像与单张CCD影像精确的映射关系已知, 利用扫描仪坐标系、POS坐标系及WGS-84坐标系间的转换关系即可获得全景影像与激光点云在物方坐标系下的动态、高精度的配准参数。试验表明该数据配准方法精确可靠、适用性强, 能满足基于全景影像与激光点云数据融合的城市道路竣工、部件采集、目标提取、三维重建等高精度量测应用需求。     

基于车载激光点云的道路病害提取技术研究

相较于传统摄影测量及人工视觉检测道路病害的方法,车载移动测量系统具有实时、动态、高精度和高密度等优点,它可以大面积、高分辨率、快速地获取目标地物的三维空间信息。本文采用车载移动测量系统作业,进行沿线激光点云数据采集以及全景影像数据采集,应用Vsurmap后处理测图软件的单、双全景采集功能对道路病害进行提取。     

基于罗德里格矩阵的车载激光点云与全景影像配准研究

提出一种基于罗德里格矩阵的车载激光点云与全景影像的配准算法,该方法利用车载GPS/IMU获取全景影像投影中心的初始位置,并采用共线条件方程描述全景投影中心、全景影像像点和同名激光点云间的几何关系,最后基于罗德里格矩阵变化法实现配准参数的解算。试验结果表明,本文提出的车载点云与全景影像的配准方法计算简单,并具有较高的配准精度。     

面向复杂山地的机载LiDAR与无人机影像融合应用

本文针对LiDAR点云与无人机影像数据特征的优缺点,利用LiDAR点云与无人机DOM影像融合,将影像数据光谱信息赋给LiDAR点云数据,使其不仅具备精准的空间结构信息,还能得到清晰的纹理信息。为验证融合数据应用的可行性与数据提取的准确性,对融合前后的点云数据进行地面点提取与DEM构建。试验表明：将无人机影像的光谱信息赋给LiDAR点云数据,可以实现LiDAR点云数据从四维度表达到七维度的拓展,融合后点云数据具有清晰的纹理信息,地物类型判读更加容易,地面点分离完整;通过DEM模型的对比分析,融合后点云数据构建的DEM模型表达更加接近真实地表。研究结果为多源点云数据的深化应用提供了一定的技术方法支持作用。     

利用车载LiDAR点云数据提取城市道路规则多边形

随着自动驾驶高精地图的发展，准确高效地提取道路规则多边形成为必要。本文以苏州市某城市快速路为研究对象，通过使用徕卡车载激光移动测量系统获得城市道路点云数据，观察了解车载点云数据各类属性信息，根据观察结果组合利用点云数据高差、点云灰度差值、点云强度差值，在此基础上再利用网格密度法实现道路规则多边形的提取，然后通过对目标的矢量化得到三维矢量规则多边形。最后对提取的矢量化结果进行精度评定。试验结果表明：该方法在提取道路规则多边形方面能得到较好的结果且能满足高精地图需求。