一种改进法向量估算的点云特征提取

针对传统主成分分析点云法向量估算存在精度不高、人工干预等问题,提出了一种改进的主成分分析法向量估算方法,并根据点邻域法向量标准差实现了离散点云特征提取,最后对关键参数K取值进行讨论.通过引入高斯核函数为邻域点集权值计算公式,削弱了距离较远点对采样点法向量精度影响;以信息熵最小化为约束条件自适应选择最佳邻域尺度R,较好的顾及了局部点云空间特征的差异性.实验结果表明:该方法能很好的实现点云特征提取,改进后的点云法向量估算顾及点云邻域复杂程度,具有普适性强、自动化程度高的特点,建议关键参数K取值范围12～20.研究对点云配准、数据精简及模型重构等点云预处理研究具有理论参考价值.     

一种局部最优邻域法向量估算的巷道点云去噪方法

针对三维激光扫描技术在获取巷道内壁点云数据时会包含大量非巷道内壁点，无法快速有效地获取巷道围岩形变信息的问题。该文提出一种基于局部最优邻域法向量估算的巷道点云去噪方法，该方法采用自适应邻域半径的主成分分析算法，提高了点云法向量估算的精度和方向一致性，较好地解决了区域生长算法提取巷道内壁点云时存在的孔洞过多与噪声点云去除不彻底的问题，实现了巷道内壁点云较为完整的获取。通过不同类型的巷道点云数据进行验证，结果表明，该方法能够有效地去除非巷道内壁点云，提高巷道内壁点云获取的精度。     

一种基于最小广义方差估计的TLS点云抗差法向量求解方法

针对地面激光扫描点云中的粗差与不均匀采样对法向量计算的影响,基于最小广义方差估计与局部平面拟合原理提出了一种抗差法向量求解方法。首先通过快速近似最近邻居搜索算法得到最近k邻居点集,然后由确定型最小广义方差估计方法和多元马氏距离得到邻居点集协方差矩阵的抗差估计,最后根据主成分分析法（principal component analysis,PCA）计算得到抗差法向量。通过构造的模拟地面激光扫描（terrestrial laser scanning,TLS）点云数据将提出的方法分别与基于PCA、鲁棒PCA和随机抽样一致的法向量求解方法进行实验比较。结果表明,所提方法的抗差性能优异,且并行优化改进后可以满足大规模TLS点云的计算需求。将该方法应用于实际野外地形TLS点云数据,由求解的抗差法向量重建的泊松表面更符合实际地形,表明了该方法在实际应用中的有效性。     

隧道断面截取曲面拟合优化的点云简化方法

为了提高变形监测中地铁隧道断面点截取的效率,文章提出了基于kd-tree和法向量估计的局部点云简化方法,对BaySAC算法的三维激光点云二次参数曲面拟合方法进行改进:利用kd-tree建立点云数据的空间拓扑关系,计算出每个数据点的k邻域;然后使用平面拟合方法获取法矢量;最后根据点云数据法矢量变化程度,采用法矢量自适应得到压缩后的点云数据。实验证明该方法既能较大程度地简化点云,简化结果比较均匀,又具有不破坏细小特征的特点,进一步改进了BaySAC算法的二次参数曲面拟合方法。     

基于法向偏差的隧道点云去噪算法

针对隧道类似圆柱的形态特征以及三维点云法向对噪声的敏感性,设计一种剔除由通行车辆和隧道内壁悬挂物所造成噪声点的方法。该方法利用点云的大量法向量鲁棒地估计出精确的隧道轴向,并根据点云法向与隧道轴向的偏差识别出可靠的隧道表面点,然后参照可靠点完成噪声点的进一步确认。利用仿真数据和真实的高速公路隧道扫描点云实验结果证明该方法的有效性和精确性。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

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。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

多因素参与的3D特征点检测方法

针对现有3D特征点提取方法易造成边界点遗漏和尖锐点错判的问题,提出一种基于多因素参数的3D特征点检测方法.首先在3D特征点提取过程中,利用相邻投影法向夹角的大小提取边界点,以保证边界的完整性;其次针对点云尖锐点的提取,通过将k邻域中曲率权值、法向量夹角均值和距离均值用于定义特征点识别参数;然后根据曲率最大值和相邻点间的距离均值定义3D特征点识别阈值,并将识别参数与阈值进行比较而判定特征点;最后将所提出的方法分别与现有的基于曲率和法向量的3种方法进行实证分析比较,实验结果表明,基于多因素参与的3D特征点检测方法能够有效识别出点云尖锐点,并且能够保证边界点的完整性.     

基于移动最小二乘法法矢估计的建筑物点云特征提取

特征提取对建筑物精细建模的品质和精度起着重要作用。为清晰准确地提取建筑物的特征信息,本文针对采用传统的法矢估计方法受噪声影响大、存在误判的问题,提出了一种基于移动最小二乘法矢估计的建筑物点云特征提取方法。该方法首先采用移动最小二乘法进行法矢估计,然后将K邻域法矢夹角的均值作为点的显著性指标进行特征点判别,最后对提取出的特征点集进行下采样,进一步消除冗余信息。试验结果表明,采用移动最小二乘法进行点云法矢估计,其结果更加准确和稳健,从而有效提升了建筑物点云特征提取的精确性和可靠性,对特征点集的下采样能够删除大量冗余特征点,使提取的特征线更加简洁、清晰、完整。