一种车载激光点云数据中道路自动提取方法

针对车载移动测量系统数据采集特点,构建车载激光点云扫描线索引,提出了一种基于扫描线索引的道路路面与路边点云稳健分类法。首先通过分析扫描线上不同地物剖面的空间分布特征,进行剖面激光点生长聚类,形成完整的地物剖面目标点集;然后根据点集的几何特征因子判断点集类型;最后利用相邻多条扫描线上路边点分布规律进行去噪。对车载移动测量系统获取的两份点云数据进行实验,路面与路边提取的平均完整率分别为94.4%、86%,平均准确率分别为98.9%、99.1%。实验分析表明,该方法能有效减少粗糙路面点的错误分类,适应不同的道路路边条件,降低独立地物对路边提取的干扰。     

车载激光扫描的三维道路自动提取方法

车载激光扫描系统获取的复杂道路环境点云数据量大、目标复杂,难以有效提取出道路的点云。本文通过分析扫描线上激光点云的空间分布和统计特征,提出一种适用于复杂道路环境的道路点云自动提取方法。该方法首先根据点的扫描角度或GPS时间信息提取扫描线;利用移动窗口法进行高程滤波,提取地面点云,然后采用基于路坎模型的移动窗口法提取路坎点;利用局部区域相邻扫描线的相似性特点,对提取的路坎点云进行跟踪和优化;最后利用优化后的路坎作为道路的边界实现道路路面精确提取。经过实验和分析,该方法不仅适应于有固定道路宽度的结构化道路提取,同样适用于无固定宽度的复杂道路提取。     

面向车载激光扫描点云快速分类的点云特征图像生成方法

车载激光扫描是空间数据快速获取的一种重要手段。车载激光扫描点云数据的分类和特征提取是目标识别与三维重建的基础。本文以车载激光点云数据为研究对象，提出了一种适合于其快速分类与目标提取的点云特征图像生成方法。该方法首先将扫描区域进行平面规则格网投影，通过分析格网内部点云的空间分布特征（平面距离、高程差异、点密集程度等）确定激光扫描点的定权，从而生成车载激光扫描点云的特征图像。利用生成的点云特征图像，可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界，从而确定边界内部点云数据，实现目标分类与提取。本文以Optech公司的车载激光扫描数据为实验对象，验证了本文提出方法的可行性和实用性。实验结果表明，该方法能快速有效分离出车载激光扫描点云中的地面数据、建筑物数据等。     

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。     

先验知识引导的车载激光扫描点云道路信息提取

文章研究利用先验知识从车载激光扫描点云数据中提取道路信息:使用改进的不规则三角网渐进加密滤波方法对点云滤波;将地面点投影到水平面上,利用行车轨迹提取道路主轴线;然后生成高程差分特征图像,以主轴线为基准进行平面生长获得道路面;并根据反射强度,进一步获得道路边界和道路标识线等信息.最后使用两景车载激光扫描点云数据验证了方法的可行性和有效性.     

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。     

基于车载点云数据的道路交通指示标志检测方法

测绘技术硬件、软件技术的发展为三维地理空间数据的高效获取提供了有效便捷,随着测绘新技术的发展与成熟,为实景三维中国、新型基础设施建设等提供重要支撑。基于此,本文基于移动车载激光扫描点云数据,研究并提出一种道路交通指示标志检测方法,提升道路交通指示标志检测效果,探索智能化测绘的实际应用。首先,按照车载激光扫描系统采集车载点云数据时,存储的扫描点反射角度,构造双向扫描线索引,按照扫描线上车载点云数据的空间分布特征,通过移动动态窗口分类交通指示标志与其余地物车载点云数据;其次,通过Canny边缘检测算法,在交通指示标志车载点云数据内,提取交通指示标志边缘信息;最后,在双线性卷积神经网络内输入交通指示标志边缘信息,提取交通指示标志特征,结合支持向量机,输出交通指示标志检测结果。实验证明：该方法可有效采集道路交通环境的车载点云数据;可有效分类交通指示标志与其余物体车载点云数据,并完整提取交通指示标志边缘信息,完成道路交通指示标志检测;在不同光照条件下,该方法的道路交通指示标志检测的一个用来评价二分类模型优劣的常用指标AUC值均接近1,检测精度较高。     

车载LiDAR点云数据分割与半自动化建模方法

针对车载激光雷达(light detection and ranging,LiDAR)点云数据的不完整性问题,提出一种车载LiDAR点云数据分割以及基于分割后点云数据的半自动化建模方法。首先对点云数据进行标准格式转换及稀化;然后以不同地物的属性和几何特征为分割条件,分别建立道路、建筑物、树和路灯等附属设施的三维模型,并利用车载以及航空图像的纹理信息辅助建筑物的立面和顶面三维建模;最后以真实街景为实验区,基于拓普康IP-S2车载LiDAR点云数据,完成该街景的分割与建模。实验结果表明,该文提出的点云数据分割与街景地物重建方法比较简单,可实现道路和建筑物的半自动化分割;利用成熟的建模软件和方法,实现了建模的完整性和较强的可靠性。     

地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。     

一种基于扫描线的数学形态学LiDAR点云滤波方法

运用数学形态学的机载激光雷达点云滤波方法一直在不断发展,Keqi Zhang方法是其改进方法之一.针对Keqi Zhang方法对原始点云数据造成内插误差的不足,提出了一种基于扫描线的数学形态学LiDAR点云滤波方法.该方法直接在扫描线上进行数学形态学开运算,并对扫描折线问题进行有效处理.3个测区的试验结果和滤波指标统计...