基于车载激光点云数据的行道树提取方法

针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。     

基于车载LiDAR点云的行道树提取研究

针对车载LiDAR数据构建格网,提取行道树点云并分割树干点云,首先以格网为单位,进行滤波处理提取非地面点云;再对提取的点云进行降噪处理;然后基于格网对处理后的点云块进行聚类,依据行道树与其他地物的形态以及投影等差异从聚类单元中提取行道树,并对相连树进行分割;最后针对提取的单株行道树依据分层投影的原理,分割行道树树干点云与树冠点云.采用一段车载LiDAR数据进行算法实验并与人工提取方式对比验证算法提取的有效性与准确性.     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。     

基于体元结构车载点云行道树提取方法研究

充分挖掘车载激光扫描系统获取地物点云三维空间信息、回波强度信息,提出一种基于体元空间特征分析的行道树提取方法。首先完成原始数据预处理提取道路附属物点云数据,建立三维体元结构;以体元结构为基本单元计算体元单元中点云回波强度、曲率特征,后分析邻域范围内体元特征联系,构建体元邻域特征描述规则,提取行道树树干结构;在树干结构提取的基础上,确定行道树位置,建立冠层投影面积模型,进而提取冠层结构。实验结果提取显示：在复杂道路场景下,算法具有一定的稳健性,能够较为完整地提取道路两侧行道树信息。     

一种机载激光雷达道路点云的半自动提取方法

针对直接从LiDAR点云数据中提取道路信息比较困难的问题,文章提出了一种基于点云分割和区域生长的机载LiDAR数据道路点云提取方法:采用曲面生长法对点云进行分割,直接得到包含道路信息的曲面点集合;应用LiDAR数据的回波强度对分割结果中的道路进行强度标定,并采用区域增长的思想实现了道路的精细提取。实验表明,该方法能够高效、准确地提取道路点云,在路桥建模方面有较强的使用价值。     

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。     

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。     

基于车载激光雷达的行道树提取研究

对车载激光雷达点云数据进行研究,提出了一种分层投影的方法提取行道树,该方法对点云数据进行分层投影,利用不同高程点云投影后表现出的不同特征,采用面向对象的方法对行道树进行提取,最后叠加分析得到行道树点云。实验证明,该方法能够比较完整的提取出行道树点云。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。     

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。     

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Otsu算法与改进区域生长算法的道路点云提取

针对车载激光扫描获取的道路点云数据分类问题多的难点,本文提出了一种基于最大类间方差(Otsu)算法与改进区域生长算法的道路面提取方法。原始点云中非地面点滤除依靠Otsu算法自适应计算出分割阈值;随后分别计算点云的法向量与曲率;最终将法向量相似度作为约束条件,使用改进区域生长算法进行道路面精确提取。通过两段典型的城市道路点云数据为例,试验结果表明,本文方法提取道路面结果的准确度(C_R)、完整度(C_P)以及提取质量(Q)均大于94%,充分证明了该方法的有效性。     

结合TIN约束与密度聚类的机载LiDAR道路点云提取

针对机载LiDAR道路点云提取过程中自动化提取困难,停车场、水泥地以及与道路相连的地面点难以去除等问题,提出一种三角网约束与密度聚类相结合的机载LiDAR道路点云提取方法。在已有滤波结果的基础上,该方法首先根据道路点云样本的强度信息提取初始道路点,建立Delaunay三角网,运用三角网边长约束精化初始道路点;然后,通过密度聚类算法提取连通性较好且密度较大的独立三角网;最后,采用数学形态学算法优化道路边缘,确定最终道路点。实验选取国际摄影测量与遥感协会提供的两组城市机载LiDAR点云数据进行道路点云提取,结果表明:本文算法可以较好地进行道路点云的自动提取,且对不同类型的道路具有良好的自适应性,验证了算法的可靠性。     

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。     

利用三维激光扫描技术监测矿区桥梁结构形变

利用三维激光扫描技术测得的建筑物点云数据能够较清晰地表示建筑物的三维空间信息,提供高精度、高密度的建筑物表面描述。点云本身不直接显示自身所包含的特征信息,在进行局部形变提取时,需要进行点云分割工作。现有的应用于建(构)筑物的分割算法大多依赖于建(构)筑物特征设定突变阈值,当遇到复杂场景时,这些假设往往会导致错误。随着机器学习在点云处理领域的延伸,建(构)筑物点云数据边界的识别和分割有了新的实现思路。本文以某矿区工作面上方铁路桥两期三维激光扫描数据为例,采用神经网络方法对桥拱钢结构实行分割提取,在对1000万个标记桥梁点云数据进行训练后,神经网络模型可以学习操作人员识别点云中各点的属性并进行标记,并提取两期数据中的钢结构点云;对使用神经网络分割出的桥拱钢结构点云进行分析,通过对钢结构底边线进行特征线拟合、长度提取,计算钢结构的位移及拉伸量,并结合桥拱位移、形变量分析桥梁形变。研究表明:使用神经网络模型对标记数据进行训练可以有效识别建(构)筑物特征,并应用于建(构)筑物局部形变分析。     

基于多特征联合分析的车载点云市区道路边界线提取

车载激光扫描系统目前已应用于智慧城市建设、道路资产管理等多个方面。本文针对车载LiDAR点云数据道路边界提取问题,提出基于多特征联合且适应多类道路的边界提取方法。构建点云局部邻域高差梯度、回波梯度与曲率梯度,通过设置阈值提取道路边线。结果表明,该方法在直行道路、曲弯、直弯等代表性道路环境中均取得了较好的结果,验证了算法的鲁棒性,对扩展研究车载LiDAR在道路场景中的应用具有重要价值。     

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。     

利用三维激光扫描数据进行建筑物立面点云分割算法分析

三维激光扫描技术在当今社会的应用越来越广泛，但由于点云数据量大，处理效率低下，如何快速高效地将大量点云数据进行重建与识别成为解决问题的关键。点云分割技术能够将立面点云中的特征信息与背景点云分离开来，为地物特征信息的提取和识别工作提供了重要的技术支持。本文通过编程实现了多种点云分割算法，对建筑物立面进行分割处理，详细分析了不同算法的分割精度及适用范围。     

基于点云分割的激光里程计算法

针对激光里程计算法中存在的信息冗余和离散点干扰问题，本文提出了一种基于点云分割的激光里程计算法.该方法根据机械式激光雷达的水平旋转扫描特点，对点云数据进行扫描线分割并赋予标签，提取物体的边缘点作为线特征、表面点作为面特征.相较于传统的特征提取方法，本文算法能够有效提取具有较少标志性的特征点，同时剔除离散点.该算法在降低计算量的同时提升了定位的精确性和鲁棒性，对于机器人导航任务有着很好的应用前景，并通过计算机仿真验证了该算法的性能，并取得了较好的实验效果.