顾及局部特征的三维点云建筑物轮廓精确化提取

建筑物是城市的重要组成部分,从三维点云数据中精细化地提取建筑物特征是当前研究的热点。本文提出了一种顾及局部特征的三维点云建筑物轮廓精确化提取方法。首先,采用基于统计学的滤波预处理方法,分离地面点与非地面点,去除离群点,降低点云数量;然后,通过基于改进3D Hough变换的建筑物立面提取方法,提取点云数据的多立面,提高立面提取的精度和效率;最后,采用基于降维边界索引的点云轮廓精准提取方法,获取局部特征和外部轮廓特征。结果表明,该方法能够充分兼顾建筑物的整体外部轮廓及局部细节特征,高效准确地实现建筑物的精确化提取,为城市规划、城市更新等相关应用提供技术支持。     

利用原始激光雷达点云数据提取渐进式建筑物轮廓线

建筑物是城市三维建模的重要元素，其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点；然后使用改进的三维Hough转换分类出建筑物点云；进一步提取建筑物轮廓点，并根据相邻点方位角阈值确定建筑点云轮廓的关键点，以此简化并拟合建筑物轮廓线；最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明，该方法大大提高了点云处理的效率和精度，可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小，距离近和屋顶坡度较大等问题具有较好的效果。     

面向室内场景点云的对象重建

针对当前逆向工程中对象提取及模型重建效率较低的问题,提出了一种面向室内场景点云的对象重建方法。首先构建直通滤波器,采用改进的RANSAC算法剔除非对象点云,然后根据欧氏聚类提取算法分割出各个对象点云,最后基于α-shape理论批量重建出对象模型。试验结果表明,该方法能够从散乱的室内场景点云中快速、自动地重建出代表真实对象的三维模型,具有较高的实用价值。     

LiDAR点云与影像相结合的建筑物轮廓信息提取

分析机载LiDAR点云与影像数据特点,提出了一种建筑物点云与配准后影像相结合的建筑物轮廓信息提取方法。首先,采用α-shapes算法从点云中提取粗糙的建筑物轮廓多边形;然后,采用基于线支撑区域的直线段提取算法从影像中提取边缘信息,并利用投票机制,以点到直线的距离为因子,从中过滤出真实的建筑物边界;最后,提出一种建筑物轮廓精化的新方法,利用从影像中提取的边缘信息修正从点云中提取的粗糙轮廓,并对修正后的轮廓采用道格拉斯-普克算法去除冗余节点,采用强制相交方法恢复建筑物转角,最终得到了准确的建筑物外轮廓多边形,并通过实验验证了该方法的有效性。     

融合航空影像的震后机载LiDAR建筑物点云提取

基于机载激光雷达LiDAR(Light Detection and Ranging)数据识别震后建筑物震害,其前提是快速准确地提取建筑物点云。通过分析地震灾区机载激光雷达点云中提取建筑物点云的诸多难点,已有的方法难以达到预期效果,因此提出融合同机航空影像数据的方法,实现了震后灾区建筑物点云的获取。该方法首先在数据预处理的基础上,利用布料模拟滤波CSF(Cloth Simulation Filtering)算法进行点云滤波,得到地面点云和非地面点云(主要是建筑物、植被和车辆行人等),并将航空影像红波段光谱信息赋予非地面点云;然后基于灰度直方图阈值分割的方法剔除植被点;最后对剩余激光脚点利用具有噪声的基于密度的空间聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行聚类提取最终的建筑物点,并与参考建筑物点比对,进行精度验证,得到建筑物点云提取的漏检概率、虚警概率分别为15.61%、7.52%,总体精度可达84.39%。结果表明,在一定精度要求范围内,该方法能有效实现地震灾区建筑物点云的提取,可为震后机载LiDAR建筑物点云提取提供技术参考和方法借鉴,为建筑物震害识别做好基础工作。     

利用目标区域拓扑关系图提取建筑物点云

建筑物提取一直是机载激光点云数据处理研究的热点,其中建筑物和其他地物之间的区分是研究的核心和难点。为提高建筑物与其他地物在机载激光点云中的区分能力,提出了一种建筑物点云层次提取方法。首先,在点云滤波后,从非地面点云中提取建筑物候选区域;然后,通过形态学重建和点云平面分割方法对建筑物候选区域构建多尺度空间,并建立目标区域的拓扑关系图;最后,在拓扑关系图基础上,利用5种特征量对目标区域分类,并精确提取建筑物点云。为了测试算法的有效性和可靠性,利用国际摄影测量与遥感学会（International Society for Photogrammetry and Remote Sensing,ISPRS）提供的Vaihingen和Toronto两组测试数据集进行实验,并由ISPRS对结果进行评估,其中基于面积和目标的完整度、正确率和提取质量分别都大于87.8%、94.7%、87.3%。与其他建筑物提取方法相比,该方法在基于面积和目标的质量指标方面最为稳定。实验结果表明,在不同的城市场景下,该算法能够稳健地提取建筑物,并保持很高的正确率。     

机载激光雷达点云滤波算法分析与比较

机载点云数据在城市三维建模、DEM提取中应用广泛,而机载点云滤波是这些应用的基础。因此,这里对机载点云滤波算法设计所依据的地面特征和滤波结果的精度评定方法作了总结,并对现有滤波算法进行了分类描述。最后着重对滤波算法做了直观的对比分析,为后续点云数据滤波处理研究提供参考。     

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。     

基于机载LiDAR点云的电力线提取与三维重建

为了解决地形复杂、点云密度不均匀的输电线机载激光雷达(LiDAR)点云电力线提取精度低的问题，本文根据电力线点的空间分布特征设计与实现了一套电力线提取与三维重建方法。首先，使用改进曲面拟合滤波算法与形态学开运算实现地面点、低矮植被点等的滤除；其次，以滤波处理得到点云数据为数据源，利用电力线点维度特征实现电力线点粗提取并利用密度聚类算法进行单根电力线精提取；最后，基于单根电力线提取结果进行电力线三维重建。为了对本文提出电力线提取与重建方法进行检验，使用宁波市某高压交流输变电工程中部分实测机载LiDAR点云数据进行实验，结果表明，本文方法提取28根电力线结果误差率均在0.04%以内，验证了本文方法的可靠性与实用性。     

融合航空影像的LiDAR地物点云分类

点云滤波分类是LiDAR后续应用的基础工作,在点云滤波的基础上,以航空影像为辅助条件,结合点云高程信息,设计一套地物点云的分类方法。该方法首先融合航空影像与LiDAR数据,将对应RGB值赋予每个点,根据植被的光谱特征提取出部分植被点云;然后再根据文中定义的点云高程纹理,在剩余地物点云中提取出建筑物点,最后根据回波次数信息分离出剩余植被点,完成地物点云的分类。采用北京凤凰岭地区一组机载LiDAR数据进行实验。实验结果表明,该方法能够有效地将地物点云进行分类并且满足一定的精度要求,具有一定的实用价值。     

Effect of data density,scan angle,and flying height on the accuracy of building extraction using LiDAR data

A Hough transform based approach for extraction of buildings using LiDAR data is presented. It is argued that LiDAR data should be smoothed and sparsed prior to Hough transform for better result. Algorithms to realize this are presented. Further, an algorithm which fits a vector model to extracted buildings is outlined. Simulated LiDAR data have been used to investigate the effect of three parameters (data density, flying height, and scan angle) on the quality of buildings extracted. A set of accuracy indices is proposed for this purpose. It is shown that the data density is the most significant parameter affecting the accuracy of building identification.     

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

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。     

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。     

一种从机载LiDAR点云获取建筑物外部轮廓的方法

利用点云的滤波、带距离控制的卷包裹算法以及复杂多边形的简化等一系列的算法对测区的机载LiDAR数据进行运算和处理,最终得到描述建筑物在不同高度时的外部轮廓多边形,为基于影像和辅助数据相结合的遥感影像阴影区域提取方法提供有效的辅助数据源。     

机载激光点云数据中电力线自动提取方法

提出了一种从机载激光点云数据中自动提取电力线的方法。首先利用顾及地形起伏特征的机载激光点云自动滤波方法移除地面点,利用维数特征以及方向特征自非地面点中分割获得电力线激光点云;然后对获取的电力线点采用二维霍夫变换和最小二乘拟合的方法求取每条电力线的中心线方程,根据中心线方程求取每条电力线上的激光点完成单电力线目标提取,并考虑了电力线在水平投影面内重叠时的情况;最后根据分块质心解算方法生成每条电力线上的三维节点,输出电力线矢量。采用实际线路巡检实验采集的机载激光点云数据进行实验,实验结果表明,该方法能从机载激光点云数据中提取出完整的电力线,并具有较好的鲁棒性,对电力巡线具有一定的实际意义。     

利用LiDAR点云强度的十字剖分线法道路提取

由于道路与地面在空间上表现相近,因此,仅用空间坐标无法从LiDAR数据中直接提取道路。机载激光扫描系统在获取对象三维信息的同时,也记录了激光经由反射的强度信息,因此能从空间坐标和辐射两个方面表现地物的特性。结合这两种相对独立的信息在激光扫描数据中进行道路提取,提高了提取结果的稳定性。首先利用激光扫描数据的高程滤波去除非地面点;再通过强度信息进行阈值分割得到包含干扰的初始道路区域;然后,利用两组十字剖分线检测初始区域在4个方向的狭长性与宽度一致性,使得狭长状、区域宽度较一致的道路区域同干扰区域具有不同的权值,从而提取真正的道路区域;最终通过对道路区域的细化和平滑,得到道路中心线。实验表明,该方法能够较好地在LiDAR数据中提取出道路并得到道路中心线。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

Object-oriented semantic labelling of spectral–spatial LiDAR point cloud for urban land cover classification and buildings detection

The urban land cover mapping and automated extraction of building boundaries is a crucial step in generating three-dimensional city models. This study proposes an object-based point cloud labelling technique to semantically label light detection and ranging (LiDAR) data captured over an urban scene. Spectral data from multispectral images are also used to complement the geometrical information from LiDAR data. Initial object primitives are created using a modified colour-based region growing technique. Multiple classifier system is then applied on the features extracted from the segments for classification and also for reducing the subjectivity involved in the selection of classifier and improving the precision of the results. The proposed methodology produces two outputs: (i) urban land cover classes and (ii) buildings masks which are further reconstructed and vectorized into three-dimensional buildings footprints. Experiments carried out on three airborne LiDAR datasets show that the proposed technique successfully discriminates urban land covers and detect urban buildings.