城区机载LiDAR数据与航空影像的自动配准

为解决机载LiDAR数据与航空影像集成应用中二者的配准问题,提出了一种机载LiDAR数据与航空影像配准的方法。首先,直接在LiDAR点云中提取建筑物3维轮廓线,通过将轮廓线规则化得到由两条相互垂直的直线段组成的建筑物角特征,并在航空影像上提取直线特征;然后,根据影像初始外方位元素将建筑物角特征投影到航空影像上,并采用一定的相似性测度在影像上寻找同名的影像角特征;最后,将角特征的角点当作控制点,利用传统的摄影测量光束法区域网平差解求影像新的外方位元素。解算过程中采用循环迭代策略。本方法的主要特点是,直接从LiDAR点云中提取线特征,避免了常规方法从距离图(或强度图)中提取线特征所产生的内插误差。通过与现有基于点云强度图的配准方法的对比实验表明,在低精度初始外方位元素的辅助下,本文方法能够达到较高的配准精度。     

Automatic Registration Between Low-Altitude LiDAR Point Clouds and Aerial Images Using Road Features

Among the many means of acquiring surface information, low-altitude light detection and ranging (LiDAR) systems (e.g., unmanned aerial vehicle LiDAR, UAV-LiDAR) have become an important approach to accessing geospatial information. Considering the lower level of hardware technology in low-altitude LiDAR systems compared to that in airborne LiDAR, and the greater flexibility in-flight, registration procedures must be first performed to facilitate the fusion of laser point data and aerial images. The corner points and edges of buildings are frequently used for the automatic registration of aerial imagery with LiDAR data. Although aerial images and LiDAR data provide powerful support for building detection, adaptive edge detection for all types of building shapes is difficult. To deal with the weakness of building edge detection and reduce matching-related computation, the study presents a novel automatic registration method for aerial images, with LiDAR data, on the basis of main-road information in urban areas. Firstly, vector road centerlines are extracted from raw LiDAR data and then projected onto related aerial images with the use of coarse exterior orientation parameters (EOPs). Secondly, the corresponding image road features of each LiDAR vector road are determined using an improved total rectangle-matching approach. Finally, the endpoints of the conjugate road features obtained from the LiDAR data and aerial images are used as ground control points in space resection adjustment to refine the EOPs; an iterative strategy is used to obtain optimal matching results. Experimental results using road features verify the feasibility, robustness and accuracy of the proposed approach.     

应用光照模型的交通车辆识别定位的高分辨率遥感方法

针对识别和定位路面上每辆汽车这一交通遥感图像处理的核心环节,提出一种解决方法。应用光照模型推导出路面、车辆(深浅两类)、汽车阴影在全色遥感影像中的亮度差异与亮度变化特征。以亮度差异为基础建立了能够将车辆区域从路面遥感图像中分割出来的图层分离算法。针对密集行驶的汽车因阴影相互覆盖而容易被误识别为一辆大型车的问题以及浅色车因深色车窗造成的识别结果割裂问题,利用亮度变化特征以及阴影、车窗与汽车的位置关系设计了车辆区域内的阴影和车窗干扰消除算法,通过闭运算实现了遥感图像中的汽车识别与定位。选用10幅交通遥感图像进行了测试,对浅色车的识别率大于92%,对深色车的识别率大于87%。     

利用低空视频检测道路车辆

针对背景像素的移动,提出了SURF特征稳像和光流法向量相结合的新方法来解决低空视频的道路车辆检测。首先,检测两帧图像的SURF特征;再用最近邻匹配得到两幅图像的匹配点对;随后结合RANSAC和最小二乘法计算全局运动参数向量,获得稳定的帧;最后,根据稳定的帧计算光流法向量,并检测出运动车辆。实验结果表明,基于SURF算子的图像稳像算法在不损失稳像精度的前提下,能够提高图像稳像算法的速度,所提方法能够有效地检测出运动车辆。     

共面约束的机载LiDAR IMU安置角误差自动检校方法

针对机载LiDAR数据处理中IMU安置角误差检校问题,该文提出一种基于共面约束的自动检校方法。从激光点云中自动提取尖顶房屋顶平面,并建立连接平面关系,基于激光脚点坐标计算公式和共面约束条件,通过平差解算得到IMU安置角误差参数。以Riegl Q780获取的数据进行实验,该方法检校结果与RiProcess软件提供的检校参数非常接近。经过误差改正后,相邻航线获取的点云可以很好地重合在一起。相对于人工选择特征地物进行IMU安置角误差检校,该方法可以大大提高检校的效率和可靠性。     

机载LiDAR系统及其在水利中的应用

机载LiDAR系统是一种主动式的对地观测系统,主要由中心控制单元、POS系统、激光扫描测距系统和数码相机组成。可以精确、快速地获取地面3维数据以及与其匹配的影像数据,从而生成高精度的4D产品。文中论述了LiDAR工作原理,介绍了机载LiDAR系统的组成,LiDAR数据的处理流程。最后,探讨了机载LiDAR系统在水利行业中的应用。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

机载LiDAR在高精度滩涂DEM制作中的关键技术分析

机载LiDAR可快速获取高密度的地表三维几何信息,具有全天候、主动观测、对地物间缝隙有一定穿透性等优点,在滩涂测绘中具有很大优势.本文对宁波市激光雷达滩涂测绘工作进行了经验总结,首先介绍机载LiDAR技术在滩涂测绘中的优势,然后在LiDAR数据处理基础上,重点分析高精度滩涂DEM制作的关键技术,最后对DEM产品进行精度评定。     

机载LiDAR技术支持下的荒漠地区1:10 000地形图测绘与研究——以内蒙古阿拉善地区为例

尝试应用机载LiDAR技术测绘1：10 000比例尺地形图3D（DLG、DEM、DOM）产品,给出了机载LiDAR测绘3D产品的技术流程,并选择荒漠地区作为试验区,验证了此种技术方法在荒漠地区测绘3D产品的可行性,分析了成果精度。试验证明,该方法可以满足荒漠区域的1：10 000比例尺3D基础数据生产要求,且具有外业工作量小、自动化程度高、成图快、高程精度高、受外界环境影响小等优点,同时也总结了该方法中有待完善之处。该方法为荒漠地区3D基础测绘数据获取提供了有益借鉴。     

Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection

The urban land cover mapping and automated extraction of building boundaries is a crucial step in generating three-dimensional city models. This study proposes an object-based point cloud labelling technique to semantically label light detection and ranging (LiDAR) data captured over an urban scene. Spectral data from multispectral images are also used to complement the geometrical information from LiDAR data. Initial object primitives are created using a modified colour-based region growing technique. Multiple classifier system is then applied on the features extracted from the segments for classification and also for reducing the subjectivity involved in the selection of classifier and improving the precision of the results. The proposed methodology produces two outputs: (i) urban land cover classes and (ii) buildings masks which are further reconstructed and vectorized into three-dimensional buildings footprints. Experiments carried out on three airborne LiDAR datasets show that the proposed technique successfully discriminates urban land covers and detect urban buildings.     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

机载激光雷达航带平差实验研究——基于参数模型和地面控制点数据

机载激光雷达测量获取的地表点云数据在经过预处理解算后仍会残余部分航带性系统误差,因此,在利用点云数据生成DEM等相关数字产品之前,必须检查并改正这部分航带性系统误差.以此为主要目标,选择“十二参数模型”进行航带平差,总结航带平差的一般技术流程,并对航带平差过程中是否引入地面控制点的结果进行对比分析.结果表明,引入地面控制点进行航带平差,数据的内外部精度均得到有效改善.     

车载联合机载LiDAR点云数据的建筑物立面精细分割

从数据量庞大且散乱的车载LiDAR点云中分割出建筑物立面数据是一项繁琐而艰巨的工作。本文提出一种结合机载LiDAR点云的车载LiDAR点云建筑物立面分割方法。该方法在空-地点云严格配准的基础上,从机载LiDAR点云中分割出每栋建筑物的顶部点云,提取建筑物顶部外轮廓线并进行规则矢量化处理,设置轮廓线缓冲区实现立面点云的粗分割;再采用基于稳健特征值的平面拟合法对单栋建筑物的每个立面进行去噪滤波,实现建筑物立面的精细分割。试验结果证明了该算法对城市场景中车载LiDAR点云处理的有效性。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

机载LiDAR数据逐航带平差与航带区域网平差对比

机载LiDAR系统获取的点云数据在经过预处理解算后仍会残余部分系统误差,因此,在利用点云数据生成DEM等相关数字产品之前,必须检查并改正这部分系统误差。以此为主要目标,本文对机载LiDAR数据的逐航带平差与航带区域网平差展开研究,并以Microsoft Visual Studio 2008 C++为开发平台、基于实测数据对比了两者在完成多航带构成的测区平差时的精度,结果表明:机载LiDAR数据的航带区域网平差方法相较于LZD算法可有效降低逐航带平差导致的误差累积,精度更高。     

利用层间连接和平滑策略重建屋顶三维模型

面向数字城市和智慧城市建设急需城市建筑三维模型支撑的需要,本文基于机载LiDAR数据,以“顾及平整性的屋顶面片分割—屋顶层间连接—三维模型重建”为脉络,提出了一种采用层间连接和平滑策略的建筑屋顶三维模型重建方法。在屋顶面片提取过程中,充分顾及了屋顶面片的平整性;并在屋顶面片平整基础上,提出层间连接点的概念,以实现高效、快速的模型重建工作。试验部分,本文从屋顶面片重建完整率与正确率、重建几何精度及建筑物高程对于重建的影响3个方面作了较为详尽的评价与分析,并在国际摄影测量与遥感学会标准数据集支撑下,与国际同行进行试验对比。试验结果表明,建筑屋顶重建的完整率和正确率分别达到90%和95%;在偏移距离评价方面,平均偏移距离和标准差最优分别达0.05 m和0.18 m。因此,本文方法可有效完成建筑屋顶三维模型重建,重建模型准确度高、完整性好。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

The effect of leaf-on and leaf-off forest canopy conditions on LiDAR derived estimations of forest structural diversity

Forest structural diversity metrics describing diversity in tree size and crown shape within forest stands can be used as indicators of biodiversity. These diversity metrics can be generated using airborne laser scanning (LiDAR) data to provide a rapid and cost effective alternative to ground-based inspection. Measures of tree height derived from LiDAR can be significantly affected by the canopy conditions at the time of data collection, in particular whether the canopy is under leaf-on or leaf-off conditions, but there have been no studies of the effects on structural diversity metrics. The aim of this research is to assess whether leaf-on/leaf-off changes in canopy conditions during LiDAR data collection affect the accuracy of calculated forest structural diversity metrics. We undertook a quantitative analysis of LiDAR ground detection and return height, and return height diversity from two airborne laser scanning surveys collected under leaf-on and leaf-off conditions to assess initial dataset differences. LiDAR data were then regressed against field-derived tree size diversity measurements using diversity metrics from each LiDAR dataset in isolation and, where appropriate, a mixture of the two. Models utilising leaf-off LiDAR diversity variables described DBH diversity, crown length diversity and crown width diversity more successfully than leaf-on (leaf-on models resulted in R² values of 0.66, 0.38 and 0.16, respectively, and leaf-off models 0.67, 0.37 and 0.23, respectively). When LiDAR datasets were combined into one model to describe tree height diversity and DBH diversity the models described 75% and 69% of the variance (R² of 0.75 for tree height diversity and 0.69 for DBH diversity). The results suggest that tree height diversity models derived from airborne LiDAR, collected (and where appropriate combined) under any seasonal conditions, can be used to differentiate between simple single and diverse multiple storey forest structure with confidence.     

机载LiDAR数据处理与地物提取

介绍了机载LiDAR数据处理流程,分析了TerraSolid软件应用于LiDAR点云的地物提取方法,对复杂城区激光点云进行了地物提取试验研究,实现了植被、建筑物、水渠、地面点等地物的提取,制作了数字高程模型。     

LiDAR数据与航空影像结合的建筑物重建

探讨了结合航空影像的LiDAR数据简单建筑物重建算法,以建筑物边界、屋顶面片的自动提取及面片邻域关系的建立,重建了简单直角建筑物模型,并利用航空影像进行了精确定位。