基于机载LiDAR数据的大型立交桥自动提取与建模方法

提出一种基于机载LiDAR数据的大型立交桥建模方法。在提取立交桥数据点的基础上,采用先分割后建模策略,提出并实现立交桥结构自动分割方法,将复杂的交汇、分叉结构分割成多个结构简单的区段。在建模过程中,从轮廓中确立约束边,采用全约束三角网建模方法,建立立交桥三维可视化模型。最终利用区段建模信息结合先验知识检测并恢复被遮挡的结构,实现完整结构的真三维建模。试验结果表明,设计及流程在复杂结构立交桥的建模问题上可以取得令人满意的结果。整个模型在地理位置,几何尺寸以及拓扑关系上均与实际地物保持一致,具备三维浏览以及交互式操作的条件。对模型质量和算法效率的分析进一步说明其可行性与有效性。     

大型立交桥三维建模方法研究

立交桥是一个由桥梁、空间交叉和毗邻建筑物等组成的复杂空间结构,在整个城市道路网中占有很重要的地位。由于立交桥其自身的空间结构的复杂性,三维建模有异于一般建筑物和地形,尤其是对于大型的立交桥,其空间跨桥错综复杂、拓扑关系繁多,建模工作更为困难。在已有的数字城市模型中,大型立交桥的三维建模一直是个亟待解决的难题。该文从大型立交桥的三维数据模型与拓扑结构的组织管理入手,提出其三维建模方法的一般流程,以西直门立交桥为实例取得良好的建模效果,最后提出优化大型立交桥三维模型的一些关键技术。     

车载激光扫描在城市大型立交桥三维建模中的应用

城市大型立交桥的三维可视化是数字化城市建设的重要课题,为解决常规三维建模过程中存在的制作周期长、工作量大以及多层立交桥存在遮挡导致数据缺失等诸多问题,结合车载激光扫描系统的特点及优势,本文提出采用车载激光扫描进行城市大型立交桥三维建模技术实现方法,得到了一套可行的数据采集工艺和三维建模技术实现方案。以北京西三环南路丽泽桥三维建模为例,进行了立交桥车载扫描外业点云数据采集、内业数据处理、三维边线提取、立交桥三维建模,从而证明车载激光扫描系统用于建立高精度城市立交桥三维模型的可行性。     

基于多源激光点云数据的大型互通式立交桥及道路实景建模

大型立交桥的三维实景模型是数字城市建设的重要内容之一，可以为桥下空间梳理提供所需的实景三维参考数据。本文从实际生产应用的角度出发，针对三维模型生产周期长、点云采集工作量大且易存在数据“空洞”等问题，研究了基于多源三维激光点云数据进行大型互通式立交桥三维建模的方法，并得出了可行的数据采集和三维建模方案。以天宁寺桥为试验对象，利用车载、背包以及手持三维激光扫描系统采集高精度、高密度的三维点云数据，同时利用EPS实现半自动化立交桥结构线采集，参考点云数据基于3D Max平台实现对立交桥、河道及附属设施的三维建模，证明了利用多源点云数据进行大型互通式立交桥建模的可行性和有效性。     

集成激光雷达数据和遥感影像的立交桥自动检测方法

针对城市复杂立交桥的空间特性,提出集成激光雷达数据和遥感影像实施立交桥的快速自动检测的技术流程和关键技术。首先提出利用区域增长方法改进的渐进加密三角网,有效剔除地面点云,避免对立交检测的干扰;然后采用模型驱动的分割算法,检测立交桥点云;采用基于自适应扫描带算法检测立交桥中心线,克服点云采样密度变化,确保提取过程和结果稳健;之后利用遥感影像边缘精化立交桥轮廓;最后利用模型平均曲率检测修复断裂立交桥单体。利用实际数据验证了整个流程和关键技术的可行性和有效性。     

基于Arc Engine的地物三维可视化实现

地物三维模型的构建和可视化是实现三维GIS的前提。总结了构建三维模型的基本步骤,探讨了基于Arc Engine组件实现地物三维建模和可视化的几种方法,并分析了各种方法的优缺点。     

局部表面参数化的实景三角网模型语义增强方法

倾斜摄影测量方法已可自动获取城市规模的实景三角网模型,然而散乱的三角网缺乏精细的几何结构和功能语义信息。为克服上述问题,提出一种局部表面参数化的实景三角网模型语义增强方法:将具有语义信息的独立三维部件与实景三角网模型的无缝融合问题,通过定义三维表面结构树,转换为局部区域的三角网替换操作;在待融合区域附近,将原实景三角网模型和替换的三维语义部件,通过局部参数化表达,UV展开为二维平面三角网;在二维平面上构建约束Delaunay三角网(CDT),实现两模型的无缝拼接,逆映射至三维空间并自动重建语义部件。通过深圳某区域的倾斜影像进行的试验证明,本文方法能有效实现具有开放边界和语义信息的部件模型与表面模型的无缝融合。与商业软件Maya对比,这种基于插入、融合的手段对提高建模效率具有实用价值。     

基于骨架特征的多光谱遥感影像飞机目标识别方法研究

飞机目标的自动提取,是信息处理领域的重要研究内容。提高飞机目标的识别率,可以准确的把握区域动态,为相关决策提供支持。由于数学形态学特征和复杂几何结构等特征相对抗干扰性较强,而骨架线由地物的边界形态决定,不受其他因素影响,具有良好的稳定性。据此,研究选取香港机场多光谱遥感影像作为实验数据,基于骨架线几何特征参数与网络测度,提出了一种由多光谱遥感影像自动提取飞机目标的方法。研究选择基于边缘的多光谱遥感影像分割方法,提取矢量地物边缘;基于约束Delaunay三角网自动提取地物骨架和主骨架;通过选取对飞机目标识别具有良好区分度的特征参数,最终实现飞机目标的自动识别与定位。     

露天矿精细DEM模型的建立及更新方法

由于露天矿复杂特殊的地形特征,在建模过程中应充分考虑相应的约束条件,否则会出现台阶被削平等现象。本文提出一次性约束三角网生成算法,经过空间数据提取、拓扑关系建立以及空间索引建立,最终建立起边界约束线以内的约束不规则三角网;并提出扩展边界概念,利用扩展边界及上述三角网生成算法,可实现局部模型建立以及局部模型与整体模型间的无缝拼接,最终完成整体DEM模型的更新。     

利用Faster R-CNN进行立交桥自动识别与定位

立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义。传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征,对复杂场景的适应性较差。本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,该方法利用卷积神经网络学习立交桥样本的深层次结构特征,进而实现立交桥的自动识别与准确定位。试验结果表明,该方法对立交桥的识别效果较好,能够在复杂的道路网中准确确定立交桥的位置,避免了人为干预对试验结果不确定性的影响,抗干扰性较强。     

A 3-dimensional data model for visualizing cloverleaf junction in a city model

The research work has been seldom done about cloverleaf junction expression in a 3-dimensional city model (3DCM). The main reason is that the cloverleaf junction is often in a complex and enormous construction. Its main body is bestraddle in air, and has aerial intersections between its parts. This complex feature made cloverleaf junction quite different from buildings and terrain, therefore, it is difficult to express this kind of spatial objects in the same way as for buildings and terrain. In this paper, authors analyze spatial characteristics of cloverleaf junction, propose an all-constraint points TIN algorithm to partition cloverleaf junction road surface, and develop a method to visualize cloverleaf junction road, surface using TIN. In order to manage cloverleaf junction data efficiently, the authors also analyzed the mechanism of 3DCM data management, extended BLOB type in relational database, and combined R-tree index to manage 3D spatial data. Based on this extension, an appropriate data structure for cloverleaf junction in 3DCM is proposed.     

A 3-dimensional data model for visualizing cloverleaf junction in a city model

The research work has been seldom done about cloverleaf junction expression in a 3-dimensional city model (3DCM). The main reason is that the cloverleaf junction is often in a complex and enormous construction. Its main body is bestraddle in air,and has aerial intersections between its parts. This complex feature made cloverleaf junction quite different from buildings and terrain, therefore, it is difficult to express this kind of spatial objects in the same way as for buildings and terrain. In this paper,authors analyze spatial characteristics of cloverleaf junction, propose an all-constraint points TIN algorithm to partition cloverleaf junction road surface, and develop a method to visualize cloverleaf junction road surface using TIN. In order to manage cloverleaf junction data efficiently, the authors also analyzed the mechanism of 3DCM data management, extended BLOB type in relational database, and combined R-tree index to manage 3D spatial data. Based on this extension, an appropriate data structur     

改进邻域结构与轮廓分析的LiDAR点云立交桥提取

由于缺乏有效并具有针对性的方法以及传统遥感影像的2维局限性,城市立交桥点的识别与轮廓提取存在较大困难。本文基于机载LiDAR点云数据提出一种城市立交桥的提取方法。首先,通过基于局部平面约束的剖面点分割方法,利用多方向扫描线建立改进的剖面邻域点云组织结构,从而提取出立交桥种子点。然后,利用Alpha-shape算法定位立交桥轮廓,并获取立交桥初始点。最后,利用区域增长的方法提取出完整结构,同时获取立交桥轮廓。实验结果表明,从提取结果上获取的立交桥长度、宽度以及形态等指标与人工量测结果相近,具有较高的准确度。     

基于GIS的城市交通网络要素可视化表达方法研究

城市交通网络要素的可视化表达是GIS—T研究和应用领域中的一个难题,本文在对目前流行的交通网络数据模型进行系统研究的基础上,选择了动态分段技术下的结点-弧段模型,对交通网络复杂要素进行可视化表达,并对城市交通网络要素的可视化表达方法和形式进行了分析,最后结合交通网络复杂要素的可视化表达,设计和创建了具体的数据结构表和数据结构图。     

关于城市立交桥施工测量质量控制问题的探讨

在城市立交桥施工中,质量控制贯穿整个过程。文中以桂林市上海路立交桥为例,从测量工作出发,介绍城市立交桥施工测量质量控制的主要方案,力求为测量工作提供参考依据。     

智能驾驶中点云目标快速检测与跟踪

利用实时车载激光点云，实现城市环境下的多目标快速检测与跟踪。动态目标跟踪是实现城市环境下自动驾驶的关键，是三维城市场景感知的研究难点。相比于图像，三维激光点云数据更适合用于目标三维形状估计和运动预测，所以广泛应用于无人驾驶方案中。使用基于目标模型和卡尔曼滤波的目标跟踪框架，针对稀疏点云数据中常见的过分割和欠分割问题，提出一种关联历史跟踪结果和目标检测的快速跟踪算法。将跟踪结果作为先验知识，与下一时刻的目标检测关联，增强目标检测的稳定性。该算法已经应用到搭载三维激光扫描仪的自动驾驶汽车中，实验证明，该算法适用于城市交通场景，且满足实时解算需求，单帧处理平均耗时58 ms。     

面向实体的三维城市模型数据组织方法研究

文章旨在研究一种有效实用的三维城市模型数据组织方法。面向实体的三维模型是城市三维模型表达的一种重要方式,在表达实体几何特征的同时,能够完整地记录实体之间的逻辑关系,包括空间关系、语义关系等,尤其适用于城市复杂密集区域地理关系的表达。文中采用分区、分层的思想,依据城市空间划分指标体系和实体分类规则,设计了城市实体三维模型的构建流程,提出了一种面向实体的城市三维模型数据组织方法,构建了实体三维模型库,实现了模型数据的高效组织和管理。实验表明,该方法对于大规模城市实体模型数据的组织具有一定的实用价值。     

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。     

多平台点云数据的单木参数提取精度分析

以浙江省海宁市4种代表行道树(广玉兰、无患子、悬铃木、香樟树)为研究对象,结合无人机(UAV)影像和三维激光扫描数据,利用ContextCapture、LiDAR360软件完成点云拼接、滤波、降噪和编辑,通过迭代最近点算法实现点云精细匹配,完成多平台点云数据融合,进而得到数字表面模型与数字高程模型,并制作冠层高度模型;采用分水岭分割算法对不同行道树树种的冠层高度模型进行单木分割,并综合局部最大值法实现单木树高、冠幅的参数提取。结果表明,本文方法进行行道树单木分割的精度高,树高、冠幅参数提取值的效果好,满足行道树几何参数调查要求。