地面三维激光扫描点云质量评价技术研究与展望

介绍了地面三维激光扫描误差来源和系统误差自检校方法,构建了测距测角引起的点位误差和光斑影响下的点位误差模型。阐述了利用点云误差椭球和误差熵评价点云精度方法和工程应用效果,给出了点云配准、点云简化、点云产品质量评价方法和研究进展,对地面三维激光扫描点云质量评价发展趋势进行了展望。     

机载LiDAR数据中电力线的自动提取与重建

为实现电力线走廊更加有效地巡检，本文设计了一套LiDAR点云数据中电力线自动提取与重建的方法。首先，利用改进的渐进形态学滤波剔除地面点，通过高差阈值与高程离散度分割，实现电力线点粗提取；然后，借助RANSAC直线检测，得到电力线直线模型，依靠密度检测，实现单根电力线点云精确聚类；此外，利用k-means算法完成分裂导线束间归类；最后，进行二次多项式限制的最小二乘拟合，生成电力线曲线模型。试验结果表明，使用该方法电力线点云提取的正确率达98%以上，非电力线点云误判率低至1%左右，电力线直线模型拟合误差在5 cm以下，曲线模型拟合误差在3 cm以下，完全满足实际工程需求。     

多源点云数据融合的建筑物精细化建模

三维建模技术能够实现建筑物的数字化存档，在古建筑保护与修复和现代建筑规划与改造中具有不可替代的作用。针对倾斜摄影测量和三维激光扫描建模技术中建筑物模型存在的问题，本文提出了一种倾斜摄影测量和三维激光扫描生成三维点云模型相融合的建筑物精细化建模方法。选用无人机和三维激光扫描仪作为试验设备，利用ContextCapture、SCENE软件完成点云拼接、生产和编辑，通过ICP算法完成点云精细匹配，实现多源点云数据融合建模；对比单一建模方法模型，从纹理结构和模型精度两方面对融合建模模型进行质量评价。结果表明，融合建模模型纹理清晰，几何结构完整，模型距离中误差和高差中误差的均值均低于倾斜摄影测量模型的值，接近三维激光扫描模型。     

惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题，该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系，再将每帧点云聚类分割为若干点云簇，以此为基础，利用IMU信息辅助建立相邻帧各点云簇间的配对关系，构建点云运动状态多层次模糊综合评价模型，判定各点云簇的运动状态，最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性，设计了动态点云剔除实验，并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明，该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法，均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位，并且优化了建图效果。     

利用误差熵评价光斑中点云不确定性

三维激光扫描点位精度受光斑影响较大,激光点在光斑中呈现了不确定性,该不确定性的准确描述关系到激光点位精度的评价。将误差熵模型引入到点位不确定性的评价中,利用激光点位在光斑中不确定性的概率密度函数,推导了激光点位信息熵,并依据误差熵与信息熵的关系得到了激光点位的误差熵。通过分析误差熵与光斑面积的关系,得到点云光斑平均误差熵,实现了将平均误差熵引入到点云不确定性的评价中。通过设置不同扫描间隔得到的点云数据,分析了平均熵模型进行基于光斑影响下的点云精度评价的可行性,最终实现了对光斑中点云不确定性的准确评价。     

低空机载LiDAR点云定位误差分析

低空机载LiDAR因其系统的复杂性,点云定位精度受很多系统误差影响。为了研究改善点云定位精度的方法,文中根据LiDAR定位误差模型综合分析航高、扫描角、IMU姿态角、姿态角误差等对点云定位误差的影响,并根据误差影响规律分析得出不同地形测图比例尺对飞行参数的要求。通过长江中下游实测地区作业验证,建议设置飞行参数得到的点云定位精度符合精度要求。     

一种基于全站扫描的特征点自约束点云变形分析方法

为了对大坝、高层建筑、滑坡区、采空区等危险变形体进行变形观测，针对智能全站仪、GNSS测量、三维激光扫描等变形监测技术无法很好地实现变形特征点和点云的综合变形分析问题，提出了基于全站扫描特征点自约束点云变形分析方法，获取变形体的离散特征点和整体点云变形数据，利用特征点形变矢量求取点云至模型的形变量，从而刻画变形体的整体形变信息。试验结果表明，利用本文所提出的方法能够成功计算出点云至模型的形变量，经统计分析，所有点的形变量真误差的期望值为-0.04 mm，结果精度为1.2 mm。试验结果能够反映变形体的整体形变信息，且具有较高精度。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云，经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云，并对三个数据集的应用结果作精度评定，其最终结果的误差在有效范围内，并对PointCNN中的参数进行分析，完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型，且受非行道树点云目标干扰小，在复杂道路环境下的数据分割工作有很好的效果。     

一种RANSAC多模型拟合的隧道点云滤波算法

针对目前大多数点云滤波方法的不足,提出基于随机抽样一致(random sample consensus,RANSAC)多模型拟合的隧道点云滤波算法.与单模型拟合滤波方法不同,该算法在每个隧道横断面上使用多个圆模型进行分段拟合,多个模型具有不同的模型参数,将远离所拟合的各圆模型的点作为噪声点进行剔除.实验结果表明,相较于单模型拟合滤波方法,所提出的多模型法具有更低的一类误差和相近的二类误差,对隧道三维激光点云的滤波效果更好.     

滑坡误检测形变区域定位与分析

植被检测是利用近景影像进行滑坡变形监测应用的一项关键步骤,滑坡近景影像中植被信息的特殊性给自动化匹配带来困难。针对经过高精度影像配准和点云滤波等处理后仍然存在形变区域检测误差,通过叠加滑坡体形变前后的数字表面模型和植被检测结果,实现对误检测形变区域的定位和分析。实验结果表明,形变区域检测误差主要来自植被剔除残余、点云滤波或点云模型不精确和数字高程模型采样误差等。     

单体建筑物点云数据的CSF净化处理

从场景整体点云数据中提取单体建筑物的点云是建筑物单体三维建模的基础。然而，现有点云提取方法在提取建筑物点云数据时往往包含部分植被、地面等非建筑数据点，不利于建筑物对象建模。针对该问题，本文提出使用CSF方法对初步提取的建筑物点云数据进行净化处理。该方法首先将场景点云数据投影生成点云图像，根据图像特征初步提取单体建筑物点云数据；然后对获得的单体建筑物点云数据采用CSF方法进行净化处理，可以获得较为纯净的单体建筑物点云数据。本文以南京师范大学仙林校区部分区域为研究对象对该方法进行了验证。结果表明，该方法可以较好地对建筑物点云数据进行净化，得到较为纯净的单体建筑物点云数据，为基于点云数据的建筑物单体模型构建打下了良好的基础。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

一种基于室内点云数据的建筑墙线提取

针对室内点云数据无结构化属性、数据间无连接、不承载语义信息且数据点密度高的特点,结合建筑物点云几何特征和室内导航需求,通过数据降维简化建筑几何特征提取的复杂性,提出一种基于室内点云数据提取建筑物墙线的方法。该方法首先通过向特定方向投影,利用点云密度直方图完成天花板面、地板面和房间墙面的初步分割;然后将房间墙面点云数据向地面投影,生成点云分布矩阵并将其转化为二值图,利用Hough变换算法提取直线,并利用直线方程求取交点得到备选墙线;最后将备选墙线和墙线点云二值图进行叠加从而获取最终建筑墙线。     

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。     

基于扫描模式的点云修复技术研究

在现有3维激光扫描点云数据基础上,本文在VC＋＋平台下,对点云数据进行了处理,实现了点云数据的修复,其中数据采用美国斯坦福大学试验点云数据。经实验表明,程序能够实现点云的修复,减少了外业扫描过程中因遮挡引起的点云缺失。     

车载LiDAR海量点云数据管理与可视化研究

为了支持车载移动激光扫描点云数据的高效管理与快速可视化,提出了一种适用于车载海量点云的数据组织方法。该方法将原始点云数据分段后生成轨迹信息用于快速索引,分别对每段数据建立基于八叉树结构的LOD（levels of detail）索引,并采用多线程动态调度技术实现基于视点的海量点云渲染与漫游,显著提高了车载点云数据的调度效率。实验结果证明该点云数据组织方法是一种适合车载点云数据的高效管理方法。     

复杂城区车载激光扫描点云分层路段定位与数据纠正实验研究

高精度的车载点云数据是实现各种城市地物要素提取的前提,但在复杂城市环境下车载作业时信号遮挡、衰减和多径效应频繁发生,进而造成点云数据精度严重降低,如何对复杂环境下的点云数据进行分析和纠正就显得至关重要。现有的质量分析方法多从测距误差、仪器安装误差和数据处理误差方面出发,虽然可以在一定程度上改化数据,但在如何快速定位出分层路段以及复杂城区道路纠正方面缺乏深入研究。城区交通状况复杂、高楼林立以及树木密集等不利条件影响数据精度,因此文中研究三维点云数据分层路段快速定位方法以及分层点云纠正技术,以提升点云数据精度与质量。试验结果表明该方法能够快速定位到质量不佳的路段,研究成果可为复杂城区环境下点云数据质量提升提供一定借鉴。     

点云数据直接缩减方法及缩减效果研究

分析了国外点云数据处理中数据缩减方法的研究现状,针对实际工程中三维激光扫描数据采集的过密情况,提出利用扫描间隔进行点云数据直接缩减的方法,并编程实现所提出的算法。通过对真实的三维激光扫描点云数据的缩减处理,建立点云数据直接缩减的预测模型。     

密度聚类方法在点云数据分割中的应用研究

点云数据分割是点云数据处理的主要工作,也是实现地物自动识别的前提和关键环节,由于各种原因,目前点云数据分割自动化程度不高,尚需进一步的深入研究。本文以机载云数据为研究对象,提出了基于密度聚类方法的激光点云数据分割方法,该方法具有速度快、分割效果好、适应性强等优势,为后续的地物自动识别奠定了基础。     

基于三角网滤波检验的KD树粗差剔除法

针对机载Li DAR点云数据的粗差剔除和滤波,直接关系到后续数据处理的精度,本文运用KD树组织数据建立三维索引,快速查找并计算目标点与k个最近邻点的平均距离,根据距离阈值判断并剔除粗差点。实验选取3种典型测区的点云数据进行实验,分别采用形态学粗差剔除法和本文粗差剔除法对3组点云数据进行粗差剔除,并采用渐进不规则三角网滤波法对原始点云数据及两种粗差剔除结果进行滤波,对结果进行对比分析。结果验证,本文方法能有效剔除点云粗差,提高后续滤波结果的精度。