ˮ���շ�������������Ͽ�������ҵ���ģ��

??y????????????????????????????????????????????趨???????????????????????????????????????????????????????????????????????M5.5????????????????????????????????PGA?175 Gal??????????????M5.5????????????????????????PGA?303 Gal???????????PGA????????????????????????????????????????б??????????     

���ڷ���������Ƶĸ߾��ȹ�ҵ����������վ

???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????÷????????????????????????????     

�Ľ�������Ⱥ�㷨�ڶϲ㻬�����ʷ����е�Ӧ��

???λ????????????????????λ???????????PSO?????????????????????????????????????????????????????????????3?????????????????????????Χ??????????????????????????????????PSO????????????????????????????PSO?????????PSO???????????????????????????????0.95???????￡???????PSO??????PSO???????????26.50%?????????????PSO???????????????ж??ε??????????????з?????????????????????????PSO???????????36.34%??????????????????????????????;???????????ж?????????????????????,???????????????     

�����Ӳ��������Ը�ƵPPP-ZTD���ȵ�Ӱ��

?????????????ZTD?????????????????????????????????仯????????????????е???t?????????塣??????????λ??????PPP???????????????????????????PPP-ZTD??????????????????????????????С??30 s?????????PPP-ZTD(RMS<4 mm)??5 min??????RMS<6 mm????????????5 s??30 s??????????????????????ZTD????????     

�˼�������Ϣ�ı��μ����ƽ��

?о????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????     

����Ƶ��θ������о�����

????????????????棬??????????????????η??????????????????Σ????????????????????????????θ?????????????????κ???????????????????????б?????????????????????θ??????????θ???????????????????????С??????θ????1 000 m?????????????0??5 mGal?????????????????????????????????Χ?????????θ??????????????????????????????????????????????????????????????????????????????     

���ڽ����ṹ�ֲ����ɵĵ��ƿ׶��޲�

?????????????????????????????????????????????????????????????????????????????????????????????????????????????????沿???????????????????????????????????????????λ?????????ICP??????????????????????????????????????????????????????????????????????????????????????????????μ??????????????????????????????????????????????????Ч???     

�봨����ǰ�����NmF2�쳣�Ŷ�

????COSMIC????????????????2008??5??12????Ms8.0?????????????4????5?????????F2???????????NmF2????????????з???????????4???????????????F2???????????NmF2??????????仯???????????????γ?????????????????????????????Щ?????п????????????????     

С�������뷽���������Ľ�

??С?????????е?????????????????????С???????????????????????????????????????????????????????????飬??????????????????????????????????????????ж??????????????,????????????????????????????     

���������ʷ��뷽����ƴ�ӵĸ߾�������ת������ģ�͵Ľ���

???????????????????????????????????????????????????????????????й?????????????????????????б?????JP+1????????????÷??????????ν???????????е????????Ч????????????????????Ч????????????????????????????????????????????÷?????????????????     

�в�������쳣ͬ���������㷨

??????????????????????в?????????????????????????????????????????????????в?????????????????ο???????μ?????????????????????ο?????????????????????????????????????????????????????????????????????в???????????????????????????????????????÷???????????     

基于特征空间匹配的激光雷达点云配准算法

针对传统基于特征的粗配准效率低、误匹配较多的不足,提出一种基于特征空间匹配的配准方法。利用简化的PointNet模型实现特征空间的提取,以优化的点云PPF信息作为输入,根据提取的特征空间向量计算欧氏距离以筛选匹配点,通过RANSAC剔除误匹配点对完成粗配准,利用ICP实现精配准。实验结果表明,本文算法相比FPFH和SHOT算法与ICP结合可有效提升配准效率,且配准结果的均方根误差较小。     

一种由粗到精的光学与SAR遥感图像配准算法

由于光学遥感图像和SAR图像具有明显的非线性强度差异,且SAR图像存在斑点噪声,使得其配准存在较大难度。为此,本文结合基于特征和基于区域图像配准方法的优点,并组合为混合模型,提出一种由粗到精的自动配准算法。以光学遥感图像和SAR图像分别为参考图像和待配准图像,先以基于特征点的SAR-SIFT完成粗配准,再以基于区域的ROEWA-HOG完成精配准。① 采用SAR-SIFT算法进行特征点检测和特征匹配来计算图像的仿射变换模型,以消除参考图像和待配准图像之间明显的旋转、尺度和平移差异,至此完成图像粗配准;② 在此基础上利用分块Harris角点检测在参考图像上获得特征点,并根据特征点确定待配准图像上的同名点搜索区域;③ 计算图像的ROEWA梯度,构造以特征点为中心的模板区域内的HOG特征向量,以SSD作为相似性测度搜索待配准图像上的同名点,完成高精度的图像配准;④ 进行图像配准实验,对配准结果进行目视检查和精度评估。经过多组光学与SAR图像配准实验,验证本文算法能够结合基于特征和基于区域的图像配准方法的优点,较好地抵抗光学与SAR图像之间的非线性强度、旋转、尺度、平移差异和SAR图像的噪声影响,并逐步提高配准精度,最终配准精度达到1个像素左右,实现了光学与SAR图像的高精度自动配准,能够满足光学与SAR图像后续综合应用。     

基于一致性球的点云配准算法研究

针对三维建模中经典ICP算法在点云重叠度低时配准精度不高的问题，提出一种基于一致性球的配准算法。该算法在寻找对应点方面，将球体的旋转不变性与基于邻域的SVD正交一致性算法结合起来，使得配准算法能够获得较高正确率的对应点，并以此为基础进行扩散，得到更多的对应点；再使用刚性约束对错误点对进行剔除，最后使用四元数法求解变换矩阵。该方法不仅克服了传统ICP配准算法的缺陷，而且精度也优于传统ICP配准算法。     

基于虚拟特征点的三维激光点云粗配准算法

在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。     

基于点面关系构建的线基元点云配准算法

针对传统的点特征点云配准算法不能解决缺失同名点的配准问题,从点在平面上的几何关系出发,利用具有较强几何约束能力的直线特征,推导出基于单位四元数表征的无需同名直线端点完全对应的点云配准模型。结果表明,该模型不仅能够同步求解配准参数,还适用于大旋转角的配准问题,同时降低了配准模型对参数初值的要求,增强了配准模型的稳定性和实用性。     

交叉点结构特征约束的机载LiDAR点云与多视角航空影像配准

针对机载点云与航空影像配准精度受点云密度影响较大的问题,本文提出一种交叉点结构特征约束下的机载点云影像配准方法。该方法充分利用激光测距精度较高这一优势,采用点云中的平面结构对影像区域网进行绝对定向约束。首先,利用POS辅助平差后的影像内外方位元素和影像交叉点结构匹配结果,以反投影距离为测度,按照最小二乘准则交会得到交叉点物方结构;然后,在LiDAR点云中自动探测交叉点结构的同名LiDAR平面点;最后,进行交叉点结构特征约束下的航空影像联合区域网平差,得到精确的相机内参数和影像外方位元素。实验结果表明,本文方法在平面和高程方向上均可达到1~2个像素的配准精度。与基于建筑物角特征的配准方法相比,有效克服了点云密度对配准精度的影响,当点云密度较低时,本文方法依然可以取得较高的配准精度。     

改进权重的迭代最近点算法在点云配准中的应用

针对传统迭代最近点算法不具备抗差性的难题，利用迭代最近点算法配准残差的分布规律，综合M估计及选权迭代思想，提出改进权重的迭代最近点配准算法。根据每个点对配准计算出对应的初始权重，然后在附加点对权重的基础上使用选权迭代法计算出满足条件的权重，以达到抵御粗差的目的。结果表明，选权迭代过程能合理改善三维空间转换参数计算的结果，提出的改进算法较适合含粗差点的点云数据的配准。     

基于SAC-IA和NDT融合的点云配准方法

提出一种基于采样一致性初始配准（SAC-IA）和正态分布变换（NDT）配准融合的点云配准方法。首先计算出待配准点云和目标点云的快速点特征直方图(FPFH）特征;然后依据该特征,利用SAC-IA算法求出初始转换矩阵,完成初始配准;最后在初始配准的基础上,利用NDT算法对两片点云进行精配准。实验结果表明,该方法的配准精度显著优越于ICP算法,且配准效率也有所提升。     

基于线激光扫描的岩石激光钻孔的三维重建和可视化

激光钻进岩石形成的钻孔的孔形较为复杂,具有较小的孔直径和较高的孔壁粗糙度,使得利用传统方法进行钻孔尺寸的测量较为困难。为了精确钻孔测量和方便孔形研究,提出了一种基于线激光扫描及逆向建模的钻孔建模方法。首先,搭建了线激光扫描平台,建立了空间坐标系,以获取钻孔的三维坐标,构建了钻孔的初始点云数据。其次,在MATLAB中对获取的点云数据进行无效点移除及多视角点云配准,其中,无效点移除利用顺序查找法实现,多视角点云配准则基于迭代最近点（ICP）算法,包括初始配准和精确配准两个阶段。最后,基于Delaunay三角网格划分及曲面重建算法,实现了钻孔模型的重建和可视化。此外,还采用滴液法和切割法进行实际钻孔容积值测量及钻孔轮廓线获取,并与由点云重建的钻孔模型上获取的测算结果进行对比分析,以验证所述方法建立的钻孔模型的精度。结果表明:重建的钻孔模型与实际钻孔之间的误差小于4%,重建的模型能够满足激光岩石钻进钻孔的测量要求,证实了所述方法的可行性。与传统测量方法相比,所述方法属于非接触、非破坏性方法,可重复性测量。