地面LiDAR技术与移动最小二乘法在三维建模中的应用

地面LiDAR不仅能够快速获得建筑物表面精确三维坐标点云信息,并且利用自身所携带的相机同时采集建筑物的影像信息,这使得地面LiDAR在城市三维建模与古建筑精细模型制作中得到广泛应用。然而地面Li-DAR采集的点云数据巨大,离散点之间没有关系,这给建模带来了困难。本文通过将地面LiDAR数据进行预处理得到建筑物点云数据,再通过移动最小二乘法来拟合建筑面构建建筑物模型,实验证明移动最小二乘法拟合得到的建筑物模型光滑准确,能够将建筑物的细节信息表达出来。     

复杂城区建筑物和植被分类研究

针对城市复杂环境点云数据中建筑物和植被较难分离的问题,提出利用二者高度、面积、坡度等信息先将建筑物分离,再利用建筑物结果作为约束,较为准确地将二者进行分离的方法。首先将倾斜摄影密集匹配点云数据进行插值生成DSM,针对非地面点集,依据建筑物规则特征,将其从地物中首先分割出来。其次,利用最小二乘拟合平面法获得近似建筑物屋顶的拟合平面,经过边界优化得到准确建筑物边界。最终将建筑物作为约束条件,提取植被信息。实验结果表明本文提出的方法较面向对象法有更好的分类结果,且能得到地物三维信息,具有较强实用性。     

机载LiDAR点云建筑物边界线规则化算法研究

针对单一参数的Alpha-Shape算法无法适应密度差异较大的点集数据以及提取的边界信息具有锯齿形状的问题,结合Alpha-Shape算法与D-P算法进行轮廓线的粗略提取,利用最小二乘方法以及建筑物边界线之间向量、长度等特征确定建筑物关键点;通过寻找建筑物主方向,实现建筑物边界线规则化。实验选取国际摄影测量与遥感协会提供的典型区域的LiDAR点云数据进行建筑物边界线提取,并与传统Alpha-Shape算法提取建筑边界线结果进行比较,结果表明本文算法在建筑物边界线信息提取方面更准确、更稳定。     

利用三维激光扫描技术检测建筑物平整度及垂直度

利用地面三维激光扫描仪对某建筑物进行全自动高精度立体扫描，获得目标建筑物表面的三维空间点云信息，经过研究分析提出了一种根据点云提取建筑物中心轴线的方法，采用随机采样一致性算法（RANSAC）拟合直线，并采用整体最小二乘算法拟合平面。通过分析拟合平面及拟合直线的几何特征来检测建筑物的平整度和垂直度，实测数据分析结果表明，三维激光扫描技术在建筑物立面平整度及垂直度检测中具有较高的可行性和适用性。     

基于曲率特征的点云去噪及定量评价方法研究

由于仪器测距、测角误差，物体反射率，人为操作，遮挡及环境变化等原因，扫描获取的点云数据中存在大量的噪声点。为了高效去除噪声并保持原始点云数据的特征信息，本文提出了基于移动最小二乘曲率特征的点云去噪算法。首先采用移动最小二乘法（MLS）精确计算点云的曲率信息，然后根据曲率信息进行点云去噪，最后利用基于信息熵理论的定量评价方法验证本文方法的可行性。     

基于PCA法矢估计的建筑点云立面边界提取

针对建筑物点云在工程应用中存在大量数据不产生作用,只需保留建筑边界点云的问题,本文提出一种基于主成分分析法向量估计的建筑点云立面边界提取方法.该方法首先采样统计离群值去除算法对点云数据进行滤波去噪,然后采用主成分分析法估计样点表面的法线方向,最后使用角度阈值确定建筑物点云立面的边界.通过实例分析,此法能够较完整地提取建筑点云的边界特征,为相关工程应用提供了技术支撑.     

影像边缘特征与LS-SVM的点云边缘残缺区域修补方法

针对点云修补过程中点云边缘的残缺区域边界信息的不确定性问题,本文提出了一种基于影像边缘特征与LS-SVM的点云边缘残缺区域修补方法:首先将影像与点云进行配准,并利用亚像素边缘检测算法提取目标边缘特征;然后构造一特征平面,同时将训练样本集与目标边缘特征投影至该平面,以确定重采样范围与点位;通过利用最小二乘支持向量机回归方法,获得残缺区域的曲面方程并进行重采样,最终完成修补。实验证明,该方法得到的修补点云与原始数据融合平滑,修补效果符合实际目标的特征。     

利用三维点云数据的地铁隧道断面连续截取方法研究

提出了一种可应用于变形监测的基于三维激光点云的隧道断面连续截取方法.该方法分为点云拼接、中轴线提取和断面截取.隧道中轴线的提取通过随机采样一致性算法和最小二乘平差算法完成;断面截取过程先基于隧道轴线信息调整隧道姿态,再对隧道数据采取局部曲面拟合进行,其中引用了限制最小二乘算法和随机采样一致性算法.采用RIEGL VE-400获取的地铁隧道点云数据进行了验证.实验证明了本文方法在三维激光扫描技术的应用方面具有一定的实践意义.     

机载激光雷达点云的城市建筑物直线特征提取方法

提出一种城市机载激光雷达点云的直线特征提取方法。首先基于曲率的区域增长方法分割三维点云平面, 对每个点云平面进行二维投影,并进行网格化和二值化。其次通过稳健的二维线段检测方法获得平面的线特征,将 二维线段重投影至三维空间得到相应的三维线段,构造线特征集。最后对线特征集构建基于固定网格的直线空间 索引方法,实现基于线特征的点云索引。实验结果表明,该方法直线提取误差较低,相对平面相交法效率更高,能够 有效提取城市建筑物的直线特征,通过索引提高了特征查询效率,可满足高精度区域分割和三维建模的需求。     

移动车载激光点云的道路标线自动识别与提取

对移动车载激光测量LandMark系统获取的路面激光点云数据进行研究,结合激光点云的回波反射率、扫描角,以及量测距离等特征信息与道路标线的属性信息,提出了一种基于车载激光点云的道路标线自动识别与提取算法。从点云中提取道路标线,采用最小二乘线性最优拟合算法对提取的标线点云进行拟合,生成道路标线的CAD轮廓线,实现道路标线的自动化识别。以移动车载LandMark系统的Sick激光扫描仪获取的路面激光点云为例进行实验,实验结果表明该方法的可行性和有效性。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

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。     

一种基于点云法向量的基准特征提取与倾斜分析方法

针对目前将三维激光扫描技术应用于变形监测领域存在基准特征难以提取、点云数据分析缺乏适用的方法等问题，本文提出了一种基于点云法向量的基准特征提取与形变分析方法。首先利用局部平面拟合方法获得点云的法向量，并沿点云法矢方向探测基准点；然后利用三次B样条曲线对探测的正确基准点进行拟合；最后根据拟合曲线计算基准高程和对径点倾斜角分析基准特征形变信息。对某化工厂的罐体点云数据进行基准特征提取结果表明，该方法可以快速、全面地获取监测对象的整体信息，且能够正确分析监测对象的基准形变。     

共享近邻聚类算法点云面线提取

针对激光点云数据进行建筑物建模或矢量信息提取中快速识别建筑物面和棱线信息的要求,该文提出基于共享近邻聚类算法进行建筑物面和棱线的快速提取方法。首先,计算点云中每个数据点的单位法向量和点到基准面的距离,利用基于网格的共享近邻聚类算法对点云进行分类确定建筑物面点云;然后,自动判别相交平面,提取建筑物棱线,并与RANSAC算法对某建筑物面的提取结果进行比较。结果证明,该方法自动化程度高,建筑物面和棱线提取快速、准确,提取结果能够应用于三维建筑物自动建模和测绘出图。     

利用双向布料模拟的机载建筑物点云提取

针对现有机载激光扫描数据的建筑物提取方法过程复杂且易受植被干扰的问题,本文提出了一种利用双向布料模拟策略的建筑物提取方法。首先在正向布料模拟滤波的基础上,构建归一化数字表面模型提取过高建筑物,并采用反向布料模拟,从其余地物点中粗提取建筑物顶面点云;然后进行穿透性分析,并结合形态学操作进一步剔除错提的植被点;最后,以包含顶面点云的三维格网为种子格网,根据格网之间的邻接关系和内部点云几何特征进行约束生长,获取完整建筑物点云。试验结果表明,在复杂场景中,该方法能够有效避免植被的干扰,快速提取建筑物点云,具有提取精度高、计算时间少的优点。     

利用三维激光扫描数据进行建筑物立面点云分割算法分析

三维激光扫描技术在当今社会的应用越来越广泛，但由于点云数据量大，处理效率低下，如何快速高效地将大量点云数据进行重建与识别成为解决问题的关键。点云分割技术能够将立面点云中的特征信息与背景点云分离开来，为地物特征信息的提取和识别工作提供了重要的技术支持。本文通过编程实现了多种点云分割算法，对建筑物立面进行分割处理，详细分析了不同算法的分割精度及适用范围。     

LIDAR数据不规则建筑物的矢量化

基于LIDAR数据的建筑物边界提取可以结合其它遥感数据,也可以单纯利用点云数据.利用单纯激光数据提出一种对不规则建筑物边界判断及矢量化的方法,可以有效识别出边界线的线型,并对各种弧形进行矢量化.     

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。     

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。