车载LiDAR场景中路灯的提取与识别

为解决车载LiDAR城市场景中路灯提取和识别问题,文中提出基于样本的路灯提取算法。先通过人机交互的方式提取路灯的样本参数;再依据数学形态学闭运算提取点云场景中疑似路灯的位置,根据样本参数确定疑似路灯范围并提取疑似路灯点云;然后进行路灯样本和疑似路灯点云的匹配;最后,通过建立路灯样本缓冲区实现路灯判断和提取。通过试验验证,算法不仅可以快速自动提取路灯点云,还能完成路灯单一种类的识别。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

机载和车载LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过试验数据验证了该方法的可行性。     

车载联合机载LiDAR点云数据的建筑物立面精细分割

从数据量庞大且散乱的车载LiDAR点云中分割出建筑物立面数据是一项繁琐而艰巨的工作。本文提出一种结合机载LiDAR点云的车载LiDAR点云建筑物立面分割方法。该方法在空-地点云严格配准的基础上,从机载LiDAR点云中分割出每栋建筑物的顶部点云,提取建筑物顶部外轮廓线并进行规则矢量化处理,设置轮廓线缓冲区实现立面点云的粗分割;再采用基于稳健特征值的平面拟合法对单栋建筑物的每个立面进行去噪滤波,实现建筑物立面的精细分割。试验结果证明了该算法对城市场景中车载LiDAR点云处理的有效性。     

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3D格网与哈希表的车载LiDAR点云八叉树索引

针对车载LiDAR数据海量化趋势,以及高效的点云索引构建和邻域搜索算法的至关重要性,本文结合3D规则格网和线性八叉树算法优势,以及哈希表检索的高效性,提出了基于3D格网和哈希表的八叉树索引算法。通过对车载LiDAR所获取的点云数据进行相关试验,试验结果表明该方法应用于海量点云索引构建和邻域查找具有高效性。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

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.     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

基于线性体素分割的机载LiDAR点云数据电力线提取

提出了一种基于线性体素分割的机载LiDAR点云电力线自动提取方法.该方法首先基于八叉树结构对海量三维点云数据进行体素化处理,再对体素点云进行线性检测,并结合马尔可夫随机场(MRF)对线性体素进行分割.然后在分割得到的线性段中,通过杆塔和电力线之间上下文关系的先验知识对杆塔进行精度定位,获取杆塔连接线边集.最后,通过设定的圆柱形搜索框,对边集周围的线性段进行识别,提取出电力线点云.为了验证本文方法的有效性,对江苏省电力设计院提供的在山区复杂场景中采集得到的3块机载LiDAR数据进行试验.结果表明,本文方法能够从LiDAR点云数据中提取出较为完整的电力线,提取的平均质量达到了92.6％,对电力线的风险管理具有较高的应用价值.     

一种基于空间网格的地物要素点云提取方法

LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

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。     

一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。     

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。     

顾及空间上下文关系的JointBoost点云分类及特征降维

随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

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。