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。     

一种基于空间网格的地物要素点云提取方法

LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。     

LiDAR标签和栅格占有图结合的LiDAR/IMU空间标定方法

LiDAR和惯性测量单元(inertial measurement unit, IMU)在智能汽车获得了广泛的应用,比如高精度地图构建、车辆实时定位等。两种传感器进行组合测量时,需要知道两者之间的空间关系,包括空间旋转和平移参数。本文提出了一种基于LiDAR标签的自动化LiDAR/IMU空间标定方法。首先分析了LiDAR/IMU标定参数对LiDAR点云拼接的影响,证明了当车辆近似直线运动时,使用概略标定参数即可利用IMU的姿态信息将LiDAR点云转换到轴向近乎一致的坐标系。基于该结论,提出了一种基于IMU姿态约束的LiDAR栅格占有图构建方法,构建高相对精度的点云地图与LiDAR标签的点云进行地图匹配,获得LiDAR标签在图中的位置,相对于单点云帧互匹配方法,提高标签点云匹配的精度和可靠性。然后基于LiDAR标签的已知高精度位置,采用非线性优化方法解算栅格占有图与LiDAR标签的空间转换关系,进而求解LiDAR/IMU的空间标定参数。试验结果表明,利用本文方法获得的标定参数构建的点云地图,可实现厘米级的绝对位置精度,验证了本文方法的正确性和可行性。     

一种LiDAR数据提取等高线的优化算法

在等高线提取技术中,LiDAR虽然较传统航空摄影测量具有明显优势,然而目前已有算法和软件基于LiDAR点云自动提取的等高线存在大量多余的短齿线和孤立环。本文提出了一种以短齿线和孤立环消除为核心的LiDAR数据提取等高线的优化算法,并基于FME软件平台设计程序加以实现,最后通过试验案例验证了算法和程序的可行性与有效性。     

无人机载LiDAR系统在电力线巡检中的应用

直升机载LiDAR由于投入成本高及人员风险大,导致其在电力线巡检应用受到一定限制。随着无人机平台在电力线巡检的成功应用及LiDAR设备的小型化,促使无人机载LiDAR集成技术逐步成熟,弥补了直升机平台的不足。无人直升机搭载LiDAR系统通过获取高精度三维点云数据,进行线路模型重建和危险点检测等。本文利用瑞士产的Dragon-50无人直升机和美国GL-70 LiDAR设备进行系统集成,对山东邹川线500 k V进行了巡检飞行,成功获取了激光点云数据,达到了预期效果,为无人机载LiDAR系统在电力巡检应用的推广提供了参考依据。     

基于LiDAR高度纹理和神经网络的地物分类

使用LiDAR单一数据进行点云分割工作时,基于斜率的严格分割LiDAR点云的方法不能很好的适应复杂地物 的分类工作。本文将LiDAR粗分割后的点云转换为高度图像和反射强度图像,并求取高度图像GLCM高度纹理。将4 种GLCM高度纹理、地面粗糙系数、平均高度和平均反射强度共7种纹理作为识别地面覆盖物的特征,并利用后向传播 神经网络(BP-ANN)方法对LiDAR数据进行地物识别。实验表明,这种方法能够从LiDAR独立数据源中有效的实现地 物分类,实验获得的精度大于90%。与传统的最大似然法进行对比,BP-ANN的分类精度高于最大似然法。当预设地 面类型能同时满足被光学影像和LiDAR数据识别的条件时,LiDAR高度纹理分类与光学影像分类结果的一致性达到 76.5%。     

基于Python的点云分类异常地面点自动探测方法

在应用LiDAR点云数据生产DEM过程中,由于滤波算法的局限性和人工编辑误操作,点云分类过程中会产生影响DEM精度的异常地面点.针对该问题,本文提出了一种基于Python语言的点云分类异常地面点自动探测的方法,通过实践验证了该方法的可行性和有效性,在大规模DEM生产中具有实际应用价值.     

机载LiDAR点云的双阈值自动提取断裂线方法

提出了一种基于机载LiDAR点云的双阈值断裂线自动提取方法.该方法首先将机载LiDAR地面点云数据按照高程重采样为距离图像,用双阈值方法提取出概略断裂线;再结合原始地面点云用基于平面对的分段构造法对概略断裂线进一步求精.实验表明,该方法能够比较精确地从机载LiDAR地面点云中自动提取出断裂线.     

联合船载单波束潮间带机载LiDAR测量系统

潮间带地形测量对保护与利用滩涂具有基础作用,本文提出联合船载单波束回声测量与机载激光LiDAR综合系统。首先采用ODOM MKⅢ双频单波束测深仪同步采集并验证无人机机载LiDAR潮间带范围点云成果符合精度;然后针对潮间带复杂环境设计了无人机机载LiDAR低潮航摄关键指标;最后优化了高精度大比例尺地形图测制方法,该方法结合了低潮时机载LiDAR滩涂陆地地形和高潮时船载单波束测深滩涂水下地形方式的潮间带。实践表明：(1)选取的816个重合区域测点高程比对测量符合精度,99%的比对点高程差值在0.2 m内,说明机载激光LiDAR测量可满足沿海滩涂测量要求;(2)无人机进出测区应依次轮换,且采用平飞结合八字飞行以避免IMU误差累积,控制航线弯曲度不大于3%,保障点云数据精度及有效覆盖;(3)该测量系统在潮间带高精度大范围地形测量工程具有参考意义。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

浙江省平地区域机载LiDAR数据处理及DEM制作实践

为了进行平地区域原基础测绘产品高程的更新,我省进行了针对平地区域的机载LiDAR测高项目,为了获取高精度的DSM和DEM成果,在实际生产中开展了机载LiDAR数据处理及DEM成果的制作方法研究。本文将利用TerraSolid软件,从LiDAR点云数据的高程精度控制、点云滤波分类要求和如何利用特征线进行无点云数据区域的DEM精度控制等关键技术方面进行研究。     

基于机载LiDAR点云的道路提取方法研究

道路是建设数字交通和数字城市的重要组成部分,也是空间地理信息的重要元素。针对传统遥感技术提取道路效率低、自动化程度不高以及易受周围环境影响等问题,基于无人机搭载LiDAR测量系统获取的某城郊结合区的点云数据,提出一种点云数据预处理、道路点云分级提取和道路边界提取算法。该算法首先对获取的LiDAR点云原始数据进行去噪处理,再结合曲面拟合滤波和点云几何特征提取包含道路在内的地面点云,然后利用点云的强度信息初提取道路点云,针对与道路材质相似的停车场等地物点云,在构建TIN的基础上,使用边长和面积约束进一步对道路点云进行精提取,最后使用α-shape算法对道路边界进行提取,并利用算法对实测的点云数据进行道路提取,以准确率和误分率对本文算法进行定量分析,结果表明提出的道路提取算法能够快速准确地提取道路点云。     

无人机倾斜摄影与LiDAR融合监测技术

本文以成都市环城生态区生态修复项目为依托,利用飞马D200无人机实现了倾斜摄影和LiDAR技术的融合监测,通过三维模型制作、大比例尺地形图生产、点云处理、方格网计算、精度评定等步骤,验证了倾斜摄影和机载LiDAR协同监测方式可以满足1∶500地形图和方格网测量的精度,对后期无人机测绘实际生产具有指导意义。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

多尺度特征和马尔可夫随机场模型的电力线场景点云分类法

及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。     

机载LiDAR点云数据抽稀算法研究述评

机载LiDAR技术作为一种全新的遥测技术,可以获取高精度和高密度的三维点云地形数据,它所获取的高密度的点云数据存在数据冗余和数据量庞大等一些问题,造成了存储、后处理(如滤波、分类、特征提取和建模)和显示的不便。因此对点云数据进行有效的数据抽稀简化很有必要,抽稀算法需要在数据精度和采样密度之间达到一种最优平衡。本文将现有的LiDAR点云数据抽稀算法概括为随机采样算法、基于高程的算法和基于TIN的算法3类,并分别进行了研究评述,最后探讨了各类方法的优缺点,以为机载点云数据抽稀简化提供参考。     

复杂地形条件下多密度级无人机LiDAR点云DEM精度研究 ——以2022年北京冬奥会延庆赛区为例

为进一步提升复杂地形条件下无人机激光雷达(Light Detection and Ranging,LiDAR)点云数据构建数字高程模型的效率与精度,以2022年北京冬奥会延庆赛区场馆建设用地为实验区,按照不同抽稀比例,对实验区原始无人机激光雷达点云中分类出的地面点数据进行抽稀处理,利用克里金插值算法对不同密度地面点数据进行插值处理,结合高程中误差、平均绝对误差对生成的数字高程模型进行双重精度评定,得出以下结论:对于复杂地形而言,随着点云数据密度的下降,数字高程模型建模效率明显提升,但地形特征逐渐模糊,数据精度级别逐级降低,其中高程中误差由0.381 m增大至1.914 m,平均绝对误差值由0.335 m增大至1.357 m.在满足精度要求的前提下,对LiDAR点云数据进行适度抽稀处理,可保障生产成本与时效.     

基于模糊C均值聚类的机载LiDAR点云滤波

点云滤波是机载LiDAR数据处理的重要步骤.现有滤波算法大部分要建立点云之间的索引关系,增加了算法的复杂度;或需要对原始数据进行内插,导致原有精度损失.本文在对LiDAR点云数据的高程进行统计分析的基础上,引入模糊C均值聚类分析算法,针对大区域平坦复杂城区数据,无须建立索引或进行内插,能够快速简单地实现地面点与非地面点的分类.实验结果表明,该方法切实可行,能够较好地满足精度需求.     

基于平面特征的地面雷达点云配准算法

针对地面LiDAR点云配准中不同坐标系点云数据存在对应的平面特征不同的问题,文章提出了一种基于总体最小二乘的地面LiDAR点云数据配准算法:通过对分割后的点云数据平面拟合,得到相应法向量;根据不同坐标系中LiDAR点云数据对应的平面法向量,利用反对称矩阵和罗德里格矩阵的性质,用3个独立参数代替3个旋转参数,采用总体最小二乘法建立旋转矩阵解算模型;采用总体最小二乘法确定平移参数的计算公式;最后根据转换后特征点云与对应平面点云的重复情况,给出了配准模型的精度公式。实验结果表明该方法精度较高,可以取得较好的点云配准效果,适合于含有大量重复平面特征的点云数据的配准。     

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。