基于 RA NSAC 的残缺平面标靶稳健定位方法

针对圆形有效反射区域的平面标靶拖尾点和因遮挡造成的数据缺失问题,提出一种基于RANSAC的残缺平面标靶稳健定位方法。文中采用RANSAC算法拟合标靶平面,使经过测距误差修正的反射点规整位于标靶平面;利用Givens变换将空间三维圆拟合简化为二维圆RANSAC拟合。采用两个实验分析同一平面标靶因不同遮挡对定位精度的影响。结果表明,该方法能够有效解决拖尾点和数据缺失问题,提高平面标靶定位的鲁棒性。     

基于共面条件的点云配准旋转角参数求解方法

针对目前LiDAR获取的点云数据配准中ICP算法迭代计算效率较低和使用标靶配准时精扫标靶费时费力等问题,提出利用扫描地物所包含的平面特征及点云数据的离散特性,通过拟合平面得到平面的单位法向量进行旋转角的求解.由于点云数据中含有误差,使用拟合平面的法向量不仅避免了对标靶的精细扫描,而且也消弱了点云误差对转换参数的影响.最后通过实例验证了本文方法的可行性与严密性.     

分带K-均值聚类的平面标靶定位

提出了一种分带K-均值聚类的平面标靶定位方法.根据标靶与测站距离的限制条件,推导了较大噪声点的剔除公式,在整体最小二乘拟合平面的基础上增加了噪声点二次剔除的方法,对经过噪声点剔除的点云数据进行分带、聚类处理.同时,对每一带的聚类中心进行均值化处理,得到每一带的中心点,通过求取不同带中心的均值来确定标靶中心点.实验结果表明,分带K-均值聚类的平面标靶定位模型较适合于平面标靶同名点确定.     

FCM聚类算法对平面标靶中心提取精度的探究

本文详细阐述了FCM聚类算法的原理,分析了FCM聚类的有效性,并设计了平面标靶中心提取实验,利用MATLAB编写了基于FCM聚类算法的提取程序进行中心提取。最后对提取的中心坐标进行了对比分析,确认该方法可行、精度可靠,为后续海量点云数据的拼接处理研究提供了基础条件。     

三维点云室内平面要素提取与优化

室内平面要素的准确提取与关系恢复是室内模型自动化语义重建的重要基础,本文提出了一种面向复杂三维点云的室内平面要素提取与优化方法。该方法首先利用区域增长和RANSAC平面混合分割方法分割室内点云数据;其次利用室内语义部件的空间位置信息及包围盒和法向量信息,对分割后的平面进行平面要素的精确提取;然后对提取的墙面进行优化,实现共享墙面的合并,解决室内墙面冗余的问题;最后利用门与墙的空间位置信息,恢复门墙关联关系。试验部分采用了两组试验数据：一组是深圳大学某层教学楼的激光点云数据,另一组是国际摄影测量与遥感学会（ISPRS）的标准数据,通过对试验结果进行评估,验证了本文方法的有效性和可靠性。     

结合点云和影像的标靶自动识别与中心提取

针对多站地面激光点云拼接中标靶自动识别困难的问题,提出了结合光学影像和点云深度信息的标靶自动识别方法,以及模板自匹配的标靶中心提取方法,实现了标靶的自动识别和中心提取.经室内、室外两种环境真实数据的验证,该方法能自动识别布置在室内、室外场景中的标靶;对自动识别的标靶进行中心提取,精度均在2 mm之内,与人工提取结果一致,证明了方法的有效性和稳定性.该方法为基于标靶的点云自动拼接提供了良好的技术支撑.     

简易平面标靶下的三维扫描与数据配准

为实现对物体表面三维信息的自动获取和多方位扫描结果的数据配准,提出了一种基于简易平面标靶的标定方法,并构建了相应的线激光三维扫描系统.首先,设计制作一个含有10个特征点的平面标靶,并利用平面标靶中的特征点对扫描系统进行姿态和位置标定;其次,利用平面标靶中的特征点计算其平面方程及平台平面方程;然后,在扫描时可以利用上述所得的平面方程求出激光平面方程,进而采用几何知识计算得到三维点云数据;最后,根据移动前后标靶图像上特征点信息计算出扫描系统的外部参数——平移旋转矩阵,从而可以实现多方位扫描数据的配准.试验结果表明,在距离45 cm处,几何投影变换求得的平面方程误差小于0.5％,每幅图像处理的时间小于60 ms,误差低于1.15 mm,基本满足三角测量的稳定可靠、精度高、成本低、比较适合现场标定等要求.     

深度图像自动配准点云的方法研究

点云配准是三维激光扫描数据处理过程中不可或缺的一个环节,利用标靶进行配准是经典的手段之一,此类方案在单独扫描标靶的基础上进行半自动化配准。本文给出一种配准策略,利用中心投影原理将单站扫描的点云转换为深度影像,借助数字图像处理技术完成标靶的自动提取,拟合获得标靶中心点的坐标,并借用摄影测量学的知识实现点云的自动化配准。实验证明了本文方法的有效性。     

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。     

车载激光扫描系统的动态标定

针对常见的利用靶球对激光断面扫描仪标定的静态、繁琐、低精度、不具实时性,该文设计了一种平面反射片标靶,组合利用里程计与惯性测量单元(IMU)提供的定位和姿态参数,移动扫描获得隧道点云数据,根据反射片的高反射率,通过点集聚类算法与形态学滤波处理,获得标靶中心在扫描仪基准坐标系下的坐标,从而间接实现断面扫描仪的标定。IMU经过倾角掉头实验,完成倾角补偿,得到轨道面下的点云。最后利用隧道环片的设计距离,在隧道壁上布设设计的标靶对里程计进行校准,克服了里程计长距离误差累积的弊端。标定的结果验证了方案的可行性,可快速高精度的实现扫描仪的现场动态标定与里程补偿等,提高点云质量。     

一种基于ISS-SHOT特征的点云配准算法

针对点云配准过程中易产生错误对应点、收敛速度慢、配准时间长等问题，提出了一种基于内部形态描述子（ISS）及方向直方图描述子（SHOT）特征的点云配准算法。运用体素格网法下采样后，采用ISS算法提取特征点，并用SHOT对特征点进行描述，利用余弦相似度匹配对应点对，再采用RANSAC算法剔除错误对应点对，使得两片点云获得良好的初始位姿，最后采用点到平面的ICP算法进行精确配准。试验结果表明，与传统ICP算法及基于ISS的SAC-IA+ICP算法相比，本文算法配准精度及配准效率更高，对数据量大、重叠率较低点云具有很好的稳健性。     

三维点云的分割及骨架提取研究

针对在三维点云环境下分离目标物体所出现的过度分割问题,提出一种结合随机抽样一致性和颜色差值区域聚类的分割方法。首先利用RANSAC算法去除场景中大部分平面,使得目标物体和连成片的点云脱离,然后结合点云的距离阈值和目标颜色差值,得到目标点云数据。针对L1中值算法对曲率较大模型的骨架提取存在的不足,进行了改进。通过L1中值算法对点云模型进行骨架提取,得到点云的骨架点,然后沿端点方向向外进行最大内切球的球心提取,最后连接多个球心及骨架末端点,得到符合人类视觉效果的骨架。改进的算法提高了L1中值对曲率较大点云骨架提取的准确性。     

基于特征点法向量的点云配准算法

在传统的迭代最近点算法（ICP）中，需要两片点云具有良好的初始位置，否则在配准时容易陷入局部最优。针对该问题，本文提出了一种基于特征点提取与配对的粗配准方法，以调整两片点云重叠部分的初始位置。首先，利用SIFT算法提取两片点云公共部分的特征点；其次，根据特征点法向量之间的欧氏距离将两片点云的特征点两两配对；然后，利用法向量的夹角对特征点对进行提纯；最后，通过单位四元数法，求解出旋转及平移矩阵，完成粗配准。试验表明，本文基于特征点法向量的粗配准方法可为精配准提供良好的初始位置，在一定程度上避免配准时陷入局部最优的现象。     

一种基于 K-D 树优化的 ICP三维点云配准方法

为提高三维点云数据配准精度和速度,提出一种基于K-D树优化的ICP三维点云配准方法,首先采用中心重合法实现点云数据的粗配准,然后利用K-D tree快速搜索最近点对改进传统ICP方法,完成三维点云数据精配准,该方法克服传统ICP算法中由于利用欧式距离来判断最近点所引起的工作量大、耗费时间多的缺陷,提高点云的配准速度。在此基础上利用斯坦福不同密度Bunny点云数据进行实验验证,结果表明在采用中心重合法实现三维点云粗配准的基础上,利用K-D tree优化ICP算法,能够提高点云配准的精度、速度和稳定性。     

An algorithm for automatic detection of pole-like street furniture objects from Mobile Laser Scanner point clouds

An algorithm for automatic extraction of pole-like street furniture objects using Mobile Laser Scanner data was developed and tested. The method consists in an initial simplification of the point cloud based on the regular voxelization of the space. The original point cloud is spatially discretized and a version of the point cloud whose amount of data represents 20–30% of the total is created. All the processes are carried out with the reduced version of the data, but the original point cloud is always accessible without any information loss, as each point is linked to its voxel. All the horizontal sections of the voxelized point cloud are analyzed and segmented separately. The two-dimensional fragments compatible with a section of a target pole are selected and grouped. Finally, the three-dimensional voxel representation of the detected pole-like objects is identified and the points from the original point cloud belonging to each pole-like object are extracted.The algorithm can be used with data from any Mobile Laser Scanning system, as it transforms the original point cloud and fits it into a regular grid, thus avoiding irregularities produced due to point density differences within the point cloud.The algorithm was tested in four test sites with different slopes and street shapes and features. All the target pole-like objects were detected, with the only exception of those severely occluded by large objects and some others which were either attached or too close to certain features.     

一种直线特征标志的子像素定位方法

在近景摄影测量中,常常需要对直线特征的标志进行定位,而标志定位的精度会影响到整个测量的精度。不同特征的控制点标志,对应不同的识别方法,因此控制点标志的选择须根据不同的要求,进行综合研究分析。本文提出一种新的混合方法,首先采用Hough变换对直线特征标志进行直线检测,得到直线初值;然后采用灰度矩边缘直线拟合定位法,对标志点中心进行子像素定位。通过实验证明:经过Hough变换得到粗值的灰度矩边缘直线拟合定位法达到较高的定位精度,证明了该混合方法的有效性。     

应用改进的ICP算法检测工业封头表面变形

由于工业封头变形使得采集到的两期点云重心不一致,受点云重心变化的干扰,传统ICP算法出现局部收敛的情况,本文提出了一种基于点对间欧氏距离计算点云加权重心的ICP改进算法。该方法通过给不同距离的点对赋予权值,变形区域的点对距离较大,赋予的权值相对小,有效地消除了变形区域的点云对重心位置的影响。实验结果表明,该方法大大提高了ICP算法的精准性,有效消除重心变化的影响,从而可以准确地检测出工业封头变形区域。     

利用偏度平衡自动提取机载LiDAR点云城区道路

针对机载LiDAR点云提取城区道路自动化程度低以及提取道路网不完整的问题,提出一种基于偏度平衡算法自动提取城区道路的方法。首先,计算末次回波点云中邻近点的坡度,依据城市道路设计标准选择坡度阈值,分离非地面点并获得初始道路点云;然后,利用偏度平衡算法计算出最优强度阈值,滤除非道路点,再结合道路与停车场的空间位置关系,通过点距精化初始道路点云;最后,对道路区域进行细化和平滑,得到道路中心线。通过定量分析及对比实验,该方法能够自动地从LiDAR点云中提取出较为完整的道路网。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据，首先通过点云数据的分类处理实现对树木点云数据的提取，将树木点云投影到水平面，采用DBSCAN密度聚类算法实现单根树木的提取；然后在数据密集区域存在树木树冠点云重叠的区域，本文结合树干几何特征提取树干的位置信息，计算所有点云到树干中心的欧氏距离，将所有点云归类到最近的树干进行粗分割；最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心，提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明，本文采用的树木分割方法能够实现单棵树木精确提取。