几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

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。     

基于三维网格模型的点云分割方法

基于三维网格模型数据和三维点云模型数据正逆向结合的数据处理方法在科学研究和工程实践中得到了广泛的应用与发展。三维网格模型提供模型结构、语义和几何等方面的先验知识,指导点云数据进行分割、建模等逆向处理,可极大提高数据处理效率和精度。基于以上思路,本文提出了首先基于混合聚类的网格模型初分割,然后以模型的这种先验信息指导点云数据进行精细分割的算法。并通过一系列的程序实现和数据实验,验证了算法的适用性和稳健性。     

基于车载激光点云的道路边线自动分类与提取

车载点云数据的自动分类与提取是进行城市三维建模的基础和关键步骤。文章利用国产SSW车载激光建模测量系统获取的点云数据丰富的底层信息(点云基于激光扫描坐标系的坐标、相邻点梯度等)提出了一种针对道路边线的自动分类与提取算法。通过粗提取和精提取两个步骤得到准确的道路边线点云,再采用最小二乘拟合算法进行拟合,自动生成道路边线矢量文件。     

基于八叉树细分的古建筑物点云数据分割研究

数据分割是点云数据处理中的一个重要环节,数据分割的好坏直接影响曲面重构的质量。针对古建筑场景中边界轮廓线和表面棱线特征明显、不同曲面连接处的曲率和法矢变化大的特点,采用基于八叉树细分的点云数据分割算法,对某三合院民居古建筑点云数据进行分割。实验结果表明,本方法可以较好提取该古建筑点云的外轮廓点和表面棱线点,实现对点云数据的分割。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

室内三维点云空间自动划分与规则化方法北大核心CSCD

精准空间划分是实现室内语义建模与拓扑结构重建的重要基础。三维点云作为常用的室内空间数据载体,如何基于三维点云进行室内空间语义信息提取与规则化具有重要意义。本文提出了一种基于形态学分割方法实现室内场景的分割,并结合矢量规则化方法完成分割场景的规则化。首先,基于区域增长算法与线性拟合方法提取空间分割要素,通过平面投影生成二进制影像,进而利用距离变换和分水岭算法完成空间分割;然后,对空间分割要素进行线性拟合,进行室内空间格网划分,采用矢栅叠加方法实现空间要素规则化;最后,通过4组实际场景(包含3组ISPRS数据集及1组实际场景采集数据)进行数据验证。试验结果显示,本文提出的室内空间分割与规则化方法可以准确快速地完成室内空间要素的提取。     

三维变形算法的古建筑构件现状模型快速重建

针对古建筑现状模型制作困难、费时费力、模型精度低等问题,该文以古建筑标准构件模型为数据源,提出了一种基于古建筑构件现状多视图引导的三维模型变形算法。首先,选取标准三维模型和现状构件视图同一视角方向的轮廓及其特征线;然后,应用相似三角形方法进行同名点对的提取;最后,应用改进的保刚性变形方法完成轮廓线驱动三维构件模型变形,生成完整的古建筑构件现状三维模型。以古建筑中常见的3种基本构件作为实验数据,应用改进的拉普拉斯变形算法,生成了古建筑构建现状模型,并通过与现有变形算法的对比,验证该文方法的可行性和有效性,为古建筑现状模型快速构建提供了新思路。     

电力巡线LiDAR点云电塔自动定位和提取算法

针对电力巡线机载激光雷达（LiDAR）激光点云电塔自动提取问题，提出了一种电塔自动定位和点云提取算法。首先，基于点云进行二维空间网格划分，利用网格点云高程偏差和方差特征提取潜在电塔网格；其次，基于电塔点云的高程连续特性完成电塔自动定位和点云粗提取；然后，利用点云分层密度信息和图像开运算，实现电塔精细提取；最后，利用轻小型无人机载激光雷达数据验证本文算法的有效性。试验结果表明，本文所提出的自动提取算法，能够有效解决LiDAR数据中电塔自动定位和点云提取问题，在LiDAR数据质量较差时仍能够取得良好效果，算法对于噪点数据具有较强的稳健性。本文所提出的电塔自动提取算法在LiDAR电力巡检数据处理中具有一定的应用价值。     

基于深度图像的建筑物点云平面边界线提取算法

以地面三维激光扫描建筑物数据为对象,提出一种快速提取建筑物平面边界线算法。将点云数据先进行目标分割,然后转化为二维的深度图像,探测深度图像的边界,利用深度值与点云坐标的对应关系提取建筑物点云边界线。通过实际数据的实验,验证了算法的可行性。     

基于激光点云数据的古建筑BIM几何模型构建

针对古建筑BIM各种信息模型中几何模型构建的问题,提出应用三维激光点云数据和CloudWorx软件进行建模的方法。应用Cyclone软件对点云数据进行去噪、配准,按构件进行分割;应用CloudWorx软件进行模型的构建。研究古建筑的瓦片、柱体、梁、墙体、围栏等构件的建模方法,通过模型合并生成古建筑的整体几何模型。     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时，传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合，以减少动态物体对定位结果的干扰。首先，构建有监督的卷积神经网络对输入图像中的动态物体进行分割，获得语义图像；然后，从原始图像中提取特征点，并根据语义图像剔除动态物体特征点，保留静态物体特征点；最后，利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明，与传统方法相比，本文算法在动态场景中定位精度提升约17%。     

基于水平截面法的树木点云提取方法

本文提出了一种基于水平截面法的树木点云提取方法。首先联合三维格网和二维格网滤除地面和低矮地物的点云数据。其次运用水平截面法截取距地面一定高度的树干,将其投影到二维平面,利用八邻域算法进行聚类,根据聚类后的每一类树干点云数据,运用AlphaShape算法求取各个树干的轮廓线,将轮廓线的点连成多边形求取最小外接圆圆心即是该树的位置。最后利用树木的位置坐标和平面两点间的距离公式,依据最近距离原则遍历滤波后的点云,完成树木的分割。实验表明该方法可以较好地实现树木的提取,避免了传统树木提取方法中过度依靠经验值并且设置参数过多的弊端。     

激光雷达点云电力线自动提取算法

针对当前电力线提取方法自动化程度和精度不高的问题,本文从点云数据的空间分布特征出发,提出了一种高效的电力线自动提取方法。首先基于自然裂点法,将点云数据按高程分类后去除地面点;然后对数据进行空间划分,基于子空间的点密度及空间结构特征的差异化,利用地物分割算法去除电塔点和残留的植被点;最后利用基于欧氏距离分割的电力线自动检测算法,实现单根电力线的快速、高精度提取。提取结果和拟合试验表明,该方法能在复杂地形下实现电力线的自动提取,极大提高了电力线的提取效率和精度。     

矿区地表彩色点云的自动分类

以矿区的彩色三维激光点云数据为研究对象，提出了矿区点云快速自动分类及目标提取的方法。首先根据彩色点云的RGB值计算HSV空间中的H值，根据各地物间H值的差异，分别对地面点与非地面点根据地物颜色先验值进行点的提取。然后对提取的点进行聚类计算，利用各类地物点云在空间分布上的显著差异，采用分层截面投影，由投影点最小包围盒的长宽比及面积比对矿区地物点云进行自动分类与提取。最后以Riegl VZ-1000扫描仪采集的某矿区地表点云数据为试验对象，验证本文算法的可行性和实用性。     

基于车载三维激光扫描的道路线提取研究

近年来,随着空间信息获取技术的发展,激光扫描技术在城市三维数据采集中应用越来越广泛,本文以车载激光扫描点云数据为研究对象,利用点云数据空间分布特征和反射强度信息,结合道路标线的几何特征,提出一种快速有效地从离散点云中提取道路标识线的方法。该方法首先利用车载激光点云数据中的高程信息和反射强度信息对原始点云进行滤波。然后将分割后的点云数据投影到二维平面中,利用反射强度信息和点云空间分布信息生成点云强度特征图像,利用标线规则的几何形状,对连通区域进行道路标识线的提取。最后,基于道路标识线的语义信息,利用Hough变换对检测到的标识线进行分类和连接,从而提取完整、准确的三维道路标识线点云数据。通过居民区和高速公路扫描数据处理案例,实现了高速公路虚实标识线和干扰因素较多的居民区界线的自动提取,验证了上述道路标识线提取方法的可靠性,应用效果较好。     

三维激光扫描技术在古建筑文物保护中的应用研究

采用三维激光扫描技术获取空间信息数据,以解决古建筑文物保护方面设计图纸丢失、修缮困难、采用传统测绘技术进行相关档案资料制作精度和工作效率不能满足实际需求的问题。在点云数据缺失条件下,基于点云数据建筑物特征面自动提取建模技术等关键技术进行点云数据处理,三维建模,高效高精度地完成古建筑档案资料的生成和整理,以达到保护对古建筑文物的目的。     

利用高精度DSM数据提取建筑物轮廓算法研究

基于DSM数据提取建筑物轮廓信息是快速自动构建建筑物三维模型的基础和前提.本文将随机抽样一致性算法RANSAC引入到DSM点云分割中,提出了一种基于随机抽样一致性算法模型的建筑物面片识别和轮廓提取算法,实现了高精度DSM数据的建筑物轮廓信息提取,试验验证了本文方法的精度和可靠性.     

融合CNN和MRF的激光点云层次化语义分割方法

三维点云语义分割的结果包含着对场景中多个目标的识别,是三维场景信息提取的重要环节,在智慧城市等多个领域扮演关键角色.由于三维激光点云数据量庞大、场景复杂性高等问题,大多数现有方法只能以相对较低的识别率提取有限类型的对象.本文提出了一种在三维激光点云场景中结合残差学习和马尔可夫随机场(MRF)优化的层次化多类型目标自动提取框架.该框架首先将点云滤波为地面点和非地面点;然后从非地面点中提取建筑物以降低场景复杂度;接着基于现有深度模型引入残差学习模块对剩下点云进行逐点分类;最后采用马尔可夫随机场进行后处理和分类结果优化,以提高激光点云语义分割的准确率.对3个室外大规模点云场景分别进行的试验结果表明,本文方法可以对多种类型的点云场景进行有效语义分割,每个数据集的3项指标(召回率、精确度和F1值)分别为(94.6％、96.8％、95.7％)、(88.5％、90.5％、89.2％)和(95.3％、95.2％、95.3％).此外,与现有较前沿方法相比,本文方法显著提高了语义分割性能.     

图像语义分割辅助的车载激光点云道路提取方法

针对车载激光扫描系统获得的点云数据量大,难以获得有效特征进行分割分类提取道路的现状,提出一种深度学习图像语义分割辅助的激光点云道路提取方法。采用二维图像语义分割、数据融合配准粗分类、三维霍夫变换点云平面分割拟合和局部优化点云细分类的四步工作流程对车载激光点云进行道路提取。在2段不同的城市道路点云数据中进行提取与评测,获取的道路数据正确率与完整率均达到99%以上,提取质量优异,可满足实际应用需求。经实验分析,该方法可有效提取不同道路情况的道路点云,对点云数据的原始条件约束较少,相比其他方法在普适性和鲁棒性上都有大幅的提升。