机载LiDAR点云数据的二面角滤波算法

机载LiDAR是获取地表DEM的重要技术之一。本文针对机载LiDAR点云数据在复杂城区环境下的大型建筑及低矮地物滤波问题,提出一种新的二面角滤波法。利用空间二面角的平面角可以表达空间两相交平面相对位置的原理,实现机载LiDAR点云数据滤波。首先,算法提取点云数据中的高程突变点,以非突变点的二面角余弦均值稳定性作为判定迭代结束的条件;其次,分别统计高程突变和非突变点集的二面角余弦值频率分布,以交点处对应余弦值和最后一次迭代的坡度值作为LiDAR点云滤波的判定条件;最后,利用数学形态学“开”算子,去除残留低矮植被,得到可靠的滤波结果。对同一区域机载LiDAR点云数据,通过“二面角法”与“渐进三角网法”进行滤波处理。实验结果表明,二面角滤波法能有效地降低地物点错分为地面点的百分率,且在去除地物信息的同时能良好地保留地形特征。     

基于形态学与区域生长的机载LiDAR点云数据滤波

针对形态学滤波存在的地形过度腐蚀以及区域生长滤波需要大量地面种子点的问题,提出一种点云数据由粗到精的两级滤波策略。对机载LiDAR点云数据进行多尺度形态学滤波得到粗略DEM("粗滤波"),由此可提供大量的地面种子点用于区域生长,进而得到精细DEM("精滤波")。利用ISPRS提供的滤波数据进行测试,结果表明,该滤波算法对地形适应性较强,可有效保证地形特征,具有更好的稳健性。     

基于区域特征分割的密集匹配点云渐进形态学滤波

随着计算机视觉和遥感技术的进步,基于遥感影像的密集匹配也成为目前获取高精度点云的重要手段之一。与LiDAR点云类似,点云数据处理的基础步骤就是点云滤波。在数据特征上,密集匹配生成的点云与LiDAR获取的点云既类似但又有区别。本文在渐进形态学滤波算法上添加了特征条件,将点云和图像结合成深度图像,并对深度图像按典型地物类型进行语义分割,从而对与图像平面坐标一致的点云进行标记和首次滤波;然后按几何特征将场景简单分类,按分类结果对应的参数滤波构建地面点三角网;最后综合初滤波结果和语义分割类型标记对特征相似的区域进行优化确认,得到最终的滤波结果,并与布料模拟滤波（CSF）算法进行了对比验证实验。结果表明,基于特征的渐进形态学滤波其I类误差在1.98%以内,Ⅱ类误差在2.33%以内,较适宜对精度要求较高的应用,尤其是混合地形的滤波。     

一种基于机载点云的DEM生成方法研究

DEM即数字高程模型,是通过有限的地形高程数据实现对地面地形的数字化模拟。DEM具有许多生产方式,作为直接获取对象表面点三维坐标的现代对地观测技术,机载激光扫描在DEM构建方面具有很大优势。因此,本文研究了一种基于机载激光点云数据的DEM生成方法,该方法的关键在于机载点云的地面滤波处理。本文提出了一种改进的渐进三角网滤波方法,通过计算各点坡度以及邻域范围内的高差最大值,进行直方图统计分析,实现高度及角度阈值的自适应估计。将本文结果与人工滤波及布料滤波方法进行对比分析。实验结果表明,本文方法的结果更加贴近人工滤波处理效果,可有效提高DEM生成的精度。     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。     

基于一体化聚类滤波的机载LiDAR数据DTM提取

提出一种一体化聚类的滤波方法,从机载激光扫描数据中获取复杂城区的DTM。通过对激光点云数据构建八叉树,以节点满足平面判断条件进行双重距离聚类,对剩余点引入渐进三角网加密方法进行迭代判断,进而有效区分地面点和非地面点。最后,将本文滤波方法与经典滤波进行比较,得到可靠的DTM,验证了本文方法的有效性。     

一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法

针对现有的基于机载LiDAR数据的滤波算法未能充分利用数据提供的所有信息及其所采用的数据结构表达复杂、存在信息损失等缺陷,提出了一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法。算法首先以综合利用机载LiDAR数据的高程及强度信息为目的将点云数据规则化为灰度（体素内激光点的平均强度的离散化表示）体素结构,然后基于各体素间的空间连通性和灰度相似性准则,将灰度体素结构分割并标记为若干个3D连通区域,最后依据地面与其它目标的高差特性提取与其对应的3D连通区域。算法优势在于:基于体素结构设计,为3D滤波算法;综合利用了地面目标的几何及辐射特征,对比传统滤波算法可应用于更复杂的场景;滤波结果为3D地面体素形式,可直接用于创建地面3D模型。实验采用国际摄影测量与遥感协会（International Society for Photogrammetry and Remote Sensing, ISPRS）提供的不同密度的机载LiDAR基准测试数据测试了邻域尺度参数的敏感性及提出的算法的有效性,并和其他经典滤波算法做对比。定量评价的结果表明,51邻域为最佳空间邻域尺度;点云密度为0.67点/m²的数据集1的滤波平均完整率、正确率及质量分别为0.9611、0.9248及0.8934;点云密度为4点/m²的数据集2的滤波平均完整率、正确率及质量分别为0.8490、0.8531及0.7404;对比其全经典滤波算法本文算法在高密度点云数据滤波时表现更佳。     

车载LiDAR点云中道路绿化带提取与动态分析

道路绿化带是城市园林绿地系统重要组成部分,具有重要的生态和环境服务功能,道路绿化带信息的精细分类与提取以及绿化带的动态分析对于道路信息化管理具有重要意义。本文提出基于车载LiDAR技术的道路绿化带自动提取与绿植地物精细分类算法。为验证算法有效性,选取北京市丰台区某路段作为实验区域,一期试验数据采集时间为2015年6月,二期试验数据采集时间为2015年9月。将车载LiDAR点云数据作为原始数据,对原始数据进行剪裁分块等预处理,提高算法运行速度。首先对每段道路点云数据进行地面、低矮地物与高地物分类,并将低矮地物与地面点进行组合;然后通过绿化带的点云特性与空间特征,精确提取出每段点云数据中的绿化带,根据所提取的绿化带确定分类范围,利用各类地物点云的特征差别,对绿化带内地物进行详细分类;最后对比同一区域内的多期绿化带数据,从而判断绿化带面积以及绿化带中的各种地物是否发生变化。为验证算法精度,采用人工交互的方式提取绿化带,并对绿化带内各类地物进行人工分类,以此作为参照将人工统计得到的信息与自动提取出的绿化带信息以及各个分类地物信息进行对比,试验区人工提取绿化带总面积为13 027 m ²,自动提取绿化带总面积为12 749 m ²,2组数据相差278 m ²,相对误差为0.02。自动分类算法在试验区场景中杆状地物的探测率为80%,树木的探测率81.81%,灌木探测率为73.91%。对比2期绿化带数据,发现面积缩减量为129.5 m ²,另外新增3株灌木。实验结果说明了本文所述算法的准确性。     

基于空间相似聚类的点云数据分割方法研究与实验

根据目标特征进行三维点云分割对点云数据的应用至关重要。对于地面三维场景的三维点云数据而言,对其有效的分割可更好地进行地物的分类提取、环境分析以及目标物体识别和跟踪等,由于点云的分割精度直接影响了后续任务的有效性,故三维点云的分割引起了许多学者的关注。本文首先简述了点云分割的国内外研究现状,对点云分割方法进行分类介绍,分析了各种分类算法的特点及优缺点,然后运用空间相似聚类分割方法对实验点云数据进行分割,并对分割结果进行了分析和总结。     

利用高精度DLG进行机载LiDAR点云精度评定研究

LiDAR作为一种主动式获取高精度地表几何信息的地形图测绘技术,其获取的点云具有较高的相对精度与绝对精度,可作为无控或稀少控制条件下（无人机）航空影像高精度几何定位的地理参考数据。影像几何定位所能达到的精度依赖于几何参考数据自身的精度,因此评价LiDAR点云的精度对于将其作为地理参考实现航空影像高精度几何定位,具有较强的理论价值与实践意义。本文提出了利用高精度数字线划图（DLG）作为几何参考评定机载LiDAR点云精度的方法。首先,通过比对DLG中高程注记点的高程与LiDAR点云中对应位置处的高程,实现LiDAR点云高程精度评定;然后,通过统计LiDAR墙面点在平面上的投影点到DLG房屋矢量轮廓线的距离,实现LiDAR点云平面精度评定。实验结果证明,本文试验区域LiDAR点云平面和高程精度分别可达到7.2 cm和8.3 cm,可作为大比例尺无人机航空遥感控制数据的有效选择。     

交叉点结构特征约束的机载LiDAR点云与多视角航空影像配准

针对机载点云与航空影像配准精度受点云密度影响较大的问题,本文提出一种交叉点结构特征约束下的机载点云影像配准方法。该方法充分利用激光测距精度较高这一优势,采用点云中的平面结构对影像区域网进行绝对定向约束。首先,利用POS辅助平差后的影像内外方位元素和影像交叉点结构匹配结果,以反投影距离为测度,按照最小二乘准则交会得到交叉点物方结构;然后,在LiDAR点云中自动探测交叉点结构的同名LiDAR平面点;最后,进行交叉点结构特征约束下的航空影像联合区域网平差,得到精确的相机内参数和影像外方位元素。实验结果表明,本文方法在平面和高程方向上均可达到1~2个像素的配准精度。与基于建筑物角特征的配准方法相比,有效克服了点云密度对配准精度的影响,当点云密度较低时,本文方法依然可以取得较高的配准精度。     

基于多光谱LiDAR数据的道路中心线提取

针对城市三维激光点云中,道路与地面高程相差小、激光反射强度相近使得道路提取困难;广场、停车场等地物的高程、反射强度与道路极为相近,容易产生错误提取的问题。本文设计了一种描述道路条带信息的局部二进制特征（Stripe Local Binary Feature, SLBF）,结合LiDAR数据中的三维信息和多光谱信息获得基于强度、密度和平坦度等统计特征（Statistics-Based Feature, SBF）,并采用随机森林分类器实现了机载点云中道路面点云和非道路面点云的有效提取。通过欧式聚类精化道路点云和迭代腐蚀边界细化中心线,进而获得矢量化的道路中心线。以Waddenzee区域的多光谱机载点云数据进行实验验证,道路中心线提取结果的完整度达到94.15%,准确度达到97.95%,精度达到92.28%。实验结果表明,该方法可以有效地提取道路中心线,同时由于设计的特征具有不变性,能够适用于城市和林间小路等各种环境。     

采用动态负载均衡的LiDAR数据生成DEM并行算法

随着高性能计算的发展,并行技术已经广泛应用于LiDAR数据的分析处理。本文针对现有LiDAR数据生成DEM并行算法所存在的负载不均衡问题,设计并实现了动态负载均衡的LiDAR数据生成DEM并行算法。该算法采用主从式并行策略,管理进程负责LiDAR点云的高效自适应条带划分,计算进程负责LiDAR点云生成DEM的计算。本文设计了任务量的动态调度策略:首先,由所有进程并行创建任务量由大到小排列的待处理任务队列;然后,管理进程根据计算进程的反馈对待处理任务进行动态分配,以达到负载均衡。在24 核集群环境下,用30 GB(约12 亿点)LiDAR数据对本文算法进行测试,生成分辨率为1 m的格网DEM,算法加速比峰值达到15.16;同时,与静态调度策略进行对比实验,结果显示本文的动态负载均衡策略可更好地保证进程间的负载均衡,有效地提高了LiDAR生成DEM并行算法的整体效率。     

利用机载LiDAR数据重建大型复杂立交桥三维模型

立交桥三维模型在交通导航、景观设计等方面具有重要价值。机载LiDAR平台能够快速、准确地获取地物三维点云,有助于立交桥的提取与重建。本文提出了一种基于机载LiDAR数据的大型立交桥三维模型重建方法。该方法首先从原始数据中提取立交桥点云,然后构建三维网格并根据连通性对立交桥点云进行分割,将连通桥面进一步分割为无分叉或交汇结构且宽度保持一致的“结构单元”,接着利用道路中心线的连续性对立交桥遮挡部分进行修复,并结合桥面中心线和宽度信息对桥面进行重建,最终获得完整的立交桥三维模型。为了验证方法的有效性,本文选取了2个立交桥数据进行实验。结果表明,重建模型的正确率和完整率达均到90%以上,质量较好。本文方法能够取得较好的大型立交桥三维重建效果。     

����³�����Ͼ����LiDAR���ƴֲ�̽�������

????3?????????????????LiDAR??????????????????????????LiDAR??????????????飬????????????????????????????????????????С???巽???????????3??????????????????3?????????????3???????????????????????????裬?????????????μó?????????б????????????????????????????????????????????????????????????????й???????????У?????????????в??????С??detMCD?в????????????С????????????????????????????????????????????????????????????????????????????????????С???????????????????????????????????????TIN?????????????,???????????????????????????Ч???LiDAR?????????е????????????????????????     

融合LiDAR数据与高分影像特征信息的建筑物提取方法

建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m ²的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。