融合点、对象、关键点等3种基元的点云滤波方法

基元是影响点云滤波精度和效率的关键因素之一。本文提出了一种基于多基元的三角网渐进加密(MPTPD)滤波方法。它包括点云分割、对象关键点提取、基于关键点的对象类别判别3个主要阶段,且3个阶段的基元分别为点、对象、关键点。使用了4景机载激光雷达和摄影测量点云数据对MPTPD、三角网渐进加密(TPD)、基于对象的三角网渐进加密(OTPD)3种滤波方法进行了性能测试。试验表明,MPTPD方法具有整体上最优的性能:在精度方面,MPTPD与OTPD两种方法的精度相当,MPTPD方法的一类误差I、总误差T比TPD的相应误差分别低约22.07%和8.44%;在效率方面,多数情况下TPD、MPTPD、OTPD方法的效率依次降低,且MPTPD的平均耗时是OTPD平均耗时的57.93%。     

面向三维城市建模的多点云数据融合方法综述

多细节层次的三维城市模型是数字城市和智慧社会的关键空间数据基础设施,从基于稀疏点线特征的交互式半自动化建模到基于密集点云的自动化智能化建模已经成为国际学术界和工业界的热点前沿。由于立体城市空间结构的复杂性,多类型、多站点和多时相的点云数据融合处理是三维城市建模的基本途径,其基本思想是将具有不同视角、密度、精度、尺度、细节、时间历元等特征的多点云数据进行一致性融合表达与集成处理,建立可直接面向计算分析的智能化表达的多点云模型。归纳总结了多点云数据的主要特点,针对时空基准与精度、尺度、语义3个层面的一致性处理,分析了多点云数据融合的主要发展趋势,并凝练了面向三维城市建模的多点云数据融合关键问题。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。     

平面特征保持的城市三维点云高精度分类方法

针对基于单一尺度点簇的分类算法无法满足大范围城市三维点云高精度分类的问题，该文提出了一种平面特征保持的多尺度点簇城市场景三维点云分割分类方法。该方法首先以超体素为基元进行动态区域生长，将具有平面特征的超体素逐步合并，生成平面特征保持的多尺度点簇，然后基于多尺度点簇进行特征计算并使用随机森林分类器进行分类。为验证该方法的有效性，分别采用机载LiDAR点云和影像密集匹配点云进行实验，并与基于不同分类基元的分类方法进行对比。实验结果表明，与原始区域生长方法相比本文提出的分割方法得到的点簇更加准确，分割准确度达到97%,并且分割效率提升了一倍以上，同时分类准确度也优于其他方法，达到94.1%、87.5%。     

多视激光点云数据融合与三维建模方法研究

基于特征基元的点云数据配准方法,利用控制点对机载与车载点云数据进行概略匹配,构建了顾及梯度与颜色特征及特征组对的特征点匹配算法模型,根据拟合平面特征解算平移和旋转变换参数,实现了机载与车载点云数据的精确配准,并在此基础上建立了多角度点云数据融合的房屋顶部和立面特征提取、点云数据与光学影像纹理信息匹配的技术流程,实现了建（构）筑物三维精细建模,并通过实例验证了本文所提方法的有效性。     

车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统（MMS）激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

激光点云在无人驾驶路径检测中的应用

针对室外自然环境下无人自主地面智能车辆的可通行区域检测问题,提出了一种基于激光点云的道路可通行区域检测算法,包括倾斜检测道路边界和水平探测前方障碍物。道路边界检测主要依据道路区域与非路区域之间存在的高度差异来筛选道路边界特征点,结合通行宽度阈值提取道路边界线;前方障碍物检测则依据扫描点间距离聚类成不同的点云簇,对点云簇进行识别和定位,从而确定障碍物位置和大小。结合道路边界和障碍物信息提取车辆的可通行区域,为无人车路径规划提供依据。试验表明,该算法能够较好地检测出无人车的可通行区域。     

基于平面基元组的建筑物场景点云自动配准方法

三维激光扫描点云在建筑物场景配准中存在同名特征难以区分、投票匹配算法复杂度高等问题。为此,提出了一种基于平面基元组的建筑物场景点云自动配准方法。平面基元组被定义为具有近似相同法向量的点云面集合。该方法从点云中提取平面基元,根据平面法向量方向,划分平面基元组,然后借助基元组搜索同名平面,利用单位四元数法估计转换参数。实验结果表明,该方法适用于建筑物场景,能够实现点云的自动配准。     

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。     

道路信息提取方法综述

道路信息提取旨在使用相关数据和方法提取一条道路上的信息，如车道数量、中心线和边界线等。道路信息提取在交通规划和车辆导航等方面具有重要的应用价值。随着各种传感器设备的广泛应用，交通数据爆炸式增长，道路信息提取的方法也日新月异。本文结合近年来道路信息提取的研究进展，将道路信息提取方法按照数据来源分为基于影像视频数据、基于高密度点云数据和基于浮动车轨迹数据3类，并分别深入论述了这3类方法的主要实现算法，对这些算法模型进行了对比分析，最后探讨了现有道路信息提取方法在未来的研究趋势和面临的挑战。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点。本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云。通过对两种典型路段进行试验分析表明,该方法用于提取城市道路边界点云效果较好,精确性与稳健性高,对今后道路边界线的提取起到借鉴作用。     

基于LM算法的机载LiDAR全波形数据分解研究

全波形机载激光雷达系统采集的波形数据蕴含着丰富的地物信息,因此,这些地物信息的提取方法具有很大的研究价值。本文通过对全波形数据的去噪平滑以及LM参数优化算法实现了波形分解,并利用其结果生成的点云数据与系统点云数据进行对比,结合部分点云剖面图分析其给实际生产应用所带来的帮助,实验表明,本文所用方法可以有效地提高数据中地物信息的质量。     

面向复杂山地的机载LiDAR与无人机影像融合应用

本文针对LiDAR点云与无人机影像数据特征的优缺点,利用LiDAR点云与无人机DOM影像融合,将影像数据光谱信息赋给LiDAR点云数据,使其不仅具备精准的空间结构信息,还能得到清晰的纹理信息。为验证融合数据应用的可行性与数据提取的准确性,对融合前后的点云数据进行地面点提取与DEM构建。试验表明：将无人机影像的光谱信息赋给LiDAR点云数据,可以实现LiDAR点云数据从四维度表达到七维度的拓展,融合后点云数据具有清晰的纹理信息,地物类型判读更加容易,地面点分离完整;通过DEM模型的对比分析,融合后点云数据构建的DEM模型表达更加接近真实地表。研究结果为多源点云数据的深化应用提供了一定的技术方法支持作用。     

共享近邻聚类算法点云面线提取

针对激光点云数据进行建筑物建模或矢量信息提取中快速识别建筑物面和棱线信息的要求,该文提出基于共享近邻聚类算法进行建筑物面和棱线的快速提取方法。首先,计算点云中每个数据点的单位法向量和点到基准面的距离,利用基于网格的共享近邻聚类算法对点云进行分类确定建筑物面点云;然后,自动判别相交平面,提取建筑物棱线,并与RANSAC算法对某建筑物面的提取结果进行比较。结果证明,该方法自动化程度高,建筑物面和棱线提取快速、准确,提取结果能够应用于三维建筑物自动建模和测绘出图。     

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。     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素，在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取，以及提取精度评定各环节存在的一些问题，提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上，首先利用改进的区域生长算法滤波地面点，并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点；再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面；最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算，通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明，综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息，对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

激光雷达点云平面拟合过滤算法

在分析激光雷达点云空间分布特征的基础上,提出了基于斜率的激光点云平面拟合过滤算法,并利用该算法对机载激光雷达点云的特征提取进行了实验研究.结果表明,此算法能有效地拟合激光点云的连续平滑的水平平面、倾斜平面和垂直平面,在DTM、建筑屋顶和垂直墙壁等特征提取中具有较好的效果.     

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。     

用于公路勘测设计的LiDAR点云抽稀算法

传统的抽稀算法应用于公路点云数据抽稀时,往往存在不能很好地顾及地形特征,或者出现大面积点云空洞的缺陷。本文提出了一种改进的基于平均曲率算法,用于公路勘测设计中的点云数据的抽稀,该算法首先通过局部二次曲面拟合,依次求出所有点的平均曲率;然后根据平均曲率判断地形特征,并作为判别点云数据抽稀的主要准则;最后利用标记法解决了平坦路面出现大面积空洞的问题。通过试验与分析,证明了本文抽稀算法的可靠性和适用性。