多因子激光雷达点云分区精简算法

激光雷达点云密度较大时会导致数据冗余,对点云数据的计算、存储及显示造成困难。本文针对激光雷达地形扫描点云的精简问题,提出了一种多因子分区点云精简方法。首先在改进点云组织方式的基础上,使用变异系数定权法并综合4种传统的点云特征提取因子,得到最终的综合评价因子,以划分特征点与非特征点;然后使用改进的八叉树将所有点依据其位置与数量划分为子集,并根据每个子集的特征点数量确定是否保留其中部分非特征点。该方法可更全面客观地对数据进行特征评估与选择,得到最具代表性的点,实现更高精度的精简。试验显示,多因子分区方法的误差比其他方法低20%～50%,且在整体试验区域精度的均匀性高5%～70%,证明该方法更优越。     

Study on Sampling Rule and Simplification of LiDAR Point Cloud Based on Terrain Complexity

It is difficult to obtain digital elevation model (DEM) in the mountainous regions. As an emerging technology, Light Detection and Ranging (LiDAR) is an enabling technology. However, the amount of points obtained by LiDAR is huge. When processing LiDAR point cloud, huge data will lead to a rapid decline in data processing speed, so it is necessary to thin LiDAR point cloud. In this paper, a new terrain sampling rule had been built based on the integrated terrain complexity, and then based on the rule a LiDAR point cloud simplification method, which was referred as to TCthin, had been proposed. The TCthin method was evaluated by experiments in which XUthin and Lasthin were selected as the TCthin’s comparative methods. The TCthin’s simplification degree was estimated by the simplification rate value, and the TCthin’s simplification quality was evaluated by Root Mean Square Deviation. The experimental results show that the TCthin method can thin LiDAR point cloud effectively and improve the simplification quality, and at 5 m, 10 m, 30 m scale levels, the TCthin method has a good applicability in the areas with different terrain complexity. This study has theoretical and practical value in sampling theory, thinning LiDAR point cloud, building high-precision DEM and so on.     

Area‐preservation Simplification of Polygonal Boundaries by the Use of the Structured Total Least Squares Method with Constraints

This article presents an area‐preservation approach for polygonal boundary simplification by the use of structured total least squares adjustment with constraints (STLSC), with the aim being to maintain the area of the original polygons after the simplification. Traditionally, a simplified line is represented by critical points selected from the original one. However, this study focuses on maintaining the areas of the polygons in the process of simplification of polygonal boundaries. Therefore, the proposed method in this article is a supplement to the existing line simplification methods, and it improves the quality of the simplification of polygonal boundaries in terms of positional and area errors. Based on the sub‐divisions of the original polyline, using the critical points detected from the polyline by the use of line simplification methods, the framework of the proposed method includes three main components, as follows: (1) establishment of the straight‐line‐segment fitting model based on both the critical and intermediate points on the sub‐polyline; (2) introduction of both area and end‐point constraints to reduce the geometric distortions due to the line simplification; and (3) derivation of the solution of boundary simplification by the use of STLSC. An empirical example was conducted to test the applicability of the proposed method. The results showed that: (1) by imposing the linear fitting model on both the critical and intermediate points on the sub‐polylines in the proposed STLSC method, the positional differences between the original points and the simplified line are approximately in a normal distribution; and (2) by introducing both end‐point and area constraints in the proposed STLSC method, the areas of the simplified polygons are the same as those of the original ones at different scales, and the two neighboring fitted lines are connected to each other at the optimized position.     

基于移动网格点云精简算法的研究

针对三维激光点云数据精简问题,提出一种基于移动网格划分的精简算法。基本思想是首先将点云模型空间网格化,再依据距离阈值对网格进行二次网格划分,利用权重值大小筛选出合适点,最后移动点云模型包围盒最小点位置,重新进行二次网格划分和点云筛选,最终完成点云的精简。实验得出,可移动网格划分的点云精简算法在精简效果与时间效率上均具有显著的优势。     

基于特征约束的点云简化算法研究

针对传统的点云简化算法导致特征区域容易丢失的问题,提出了一种新的基于特征约束的点云简化的算法。首先对散乱点云用KD—TREE建立起空间拓扑关系,在此基础上建立起单个点的K-邻域。然后对K-邻域内建立起最小二乘平面,设定合理的阈值来度量数据点的重要性。依据特征点的分布估算每个点的简化距离阈值,以此为基础对每个点进行自适应简化。实验证明该算法能满足在点云数据简化过程中检测并保留特征点的要求。     

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。     

基于法向量模糊聚类的道路面点云数据滤波

针对道路面三维激光扫描的特点，结合点云法向量分布特征，提出了基于法向量模糊聚类的点云数据滤波算法。通过对3种不同类型实测道路面数据的实验表明，该算法对于路面扫描过程中产生的非路面冗余数据有较好的滤波效果，为点云数据滤波提供了一种新的手段。     

基于分裂合并的多模型拟合方法在点云分割中的应用

本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二：海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。     

光斑影响下激光点云的不确定性评价

利用光斑的特性确定激光点位在光斑中的不确定性,将误差熵引入到激光点位不确定性的评价中。根据激光反射特性,确定了激光点位不确定性的概率密度函数,利用信息熵的定义推导了激光点位的信息熵,同时,利用信息熵与误差熵的关系进行了激光点位误差熵的推导,根据误差熵关系式确定了误差熵与光斑面积的线性关系。根据点云光斑实际面积,得到了点云误差熵及每个激光点位的平均误差熵。利用入射角与误差熵之间的关系,分析了入射角对激光点位不确定性的影响程度,确定了扫描的最佳入射角范围。通过设置不同扫描间隔得到的点云数据,验证了利用误差熵对点云不确定性进行评价的可行性。     

融合LiDAR点云与正射影像的建筑物图割优化提取方法

提出一种基于图割算法的建筑物LiDAR点云与正射影像融合提取方法。首先,利用LiDAR点云计算3个几何特征：平整度、法向量分布和高程纹理一致性。同时利用航空正射影像计算颜色特征——归一化植被指数（NDVI）。然后将两类特征联合构建能量函数数据项,综合数字表面模型（DSM）和NDVI构建平滑项,采用图割算法优化得到初始的建筑物区域。最后利用初始建筑物边缘一定范围内的正射影像颜色信息,采用前后景分割的思想进一步优化建筑物边缘。应用ISPRS Vaihingen测试数据进行试验,结果表明本文方法具有较高的建筑物提取精度。     

基于倾斜影像的城市场景隐式曲面重建

在基于倾斜影像的城市场景重建过程中,由于获取影像时存在场景遮蔽和大视点变化的情况,建筑物立面等区域存在着影像密集匹配点云稀疏甚至空洞的情况,自动化重建难度大,难以反映建筑物的真实形态。本文提出了一种新的基于倾斜影像的城市场景隐式曲面重建方法：首先,以倾斜影像密集匹配点云为基础建立Delaunay四面体;然后,对Delaunay四面体进行约束图割,提取出可视化的三角面,进而更加精确地估计点云的法向信息;最终,结合Screened Poisson曲面重建,实现了城市场景的隐式曲面重建。通过多种隐式曲面重建方法的对比试验,验证了本方法的准确性和适用性。     

热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

基于三维激光扫描点云数据的古建筑建模

针对传统古建筑数字化技术的不足和接触测量对建筑物造成"二次伤害",以西北民族大学蝴蝶厅异地重建项目为例,提出了一种结合三维激光扫描技术和现代测量技术以及本体思维进行室内外一体化三维建模的研究思路。首先给出了基于三维激光扫描技术的建模流程;其次,对点云数据处理和三维实体重建两个核心步骤,重点对点云数据的配准拼接、去噪简化和提取轮廓线、三维几何建模和纹理贴图等步骤进行详细论述。本体思维用于基于三维激光扫描的古建筑三维建模,可以有效指导古建筑构件分类建模,提高建模效率。结果表明:三维激光扫描技术适用于具有高复杂度几何特征的蝴蝶厅精细化、真实感建模,为西北民族大学蝴蝶厅古建筑文化遗产未来的开发、保护、维修、恢复重建与虚拟地理环境等提供高精度的数据基准。     

机载LiDAR点云数据降维与分类的随机森林方法

探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂,并且缺乏对分类特征参数的重要性评估和选择等问题,本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上,提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征6大类特征参数,并构建多尺度特征参数,运用随机森林的特征选择算法对分类特征集进行优化,然后进行点云分类。试验结果表明,基于随机森林的特征选择方法可以有效地降低特征维度,并且使得总体分类精度达到94.3%（Kappa系数为0.922）,相比于使用全部特征分类和SVM分类方法而言,该方法的总体分类精度均有一定程度的提高;特征的重要性度量结果表明,归一化高度特征在点云分类中所起的作用最大。     

基于切片点云中心的形变监测

针对建筑物特征表面的特性,提出基于横断面的切片点云中心的变形监测方法,利用建筑物的某个侧面点云作为约束面,建立约束面和用于提取切片基准面之间的关系,根据基准面与特征表面点云法向量之间的关系模型,确定最佳基准面搜索方法。利用得到的基准面逐层地确定切片点云,对每个切片点云进行分区段重心的求取,通过计算整个区段重心的中心获取切片的重心。利用无变形的建筑物对点云精度进行评价,并将其用于指导隧道的变形监测。通过对比不同期切片重心的变化实现隧道的变形分析。     

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。     

Road Surface Modeling and Representation from Point Cloud Based on Fuzzy Clustering

A scheme for an automatic road surface modeling from a noisy point cloud is presented. The normal vectors of the point cloud are estimated by distance-weighted fitting of local plane. Then, an automati...     

最邻近曲面约束的近景光学影像与地面激光点云几何配准

提出一种以最邻近曲面为约束的近景光学影像与地面激光点云高精度配准方法。根据光学影像生成三维稀疏点云,以影像三维稀疏点邻近的激光点拟合的曲面为约束,结合共线条件方程建立影像三维稀疏点云与三维激光点云间变换模型,通过平差迭代解算实现光学影像与激光点云的高精度几何配准。该方法只需提供初始配准参数,无需对激光点云数据进行特征提取和分割,并且基于曲面约束有效地解决了两个点集之间难以精确确定同名点的问题。通过实际数据试验表明该方法能获得很好的配准精度。     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。