车载LiDAR点云路灯提取方法

道路场景中路灯数量大、类型多,大场景中路灯详细信息获取是一项繁重的工作。本文提出先验样本集辅助的、基于骨架线缓冲区判别的路灯点云提取及种类识别算法：先根据路灯在车载LiDAR点云中的表达特征,构建路灯模型,并构建路灯先验样本集;再依据数学形态学的理论和方法,提取车载LiDAR点云场景中的杆状地物,在路灯模型及语义规则约束下,得到候选路灯;然后根据候选路灯的参数信息,及已获取路灯的统计信息,从样本集中筛选候选样本;最后基于最小二乘理论的匹配算法,对路灯先验样本与候选路灯点云进行匹配筛选,并基于路灯骨架线信息构建的双重缓冲区,对候选路灯进行判别分析,实现路灯的提取和种类识别。试验表明,该算法对于遮挡少、数据相对完整的路灯提取准确度为95.2%,对于遮挡严重、点云密度低、数据完整性差的路灯提取准确度为78.0%,验证了该算法对大场景中路灯详细信息提取的稳健性。     

基于改进凸包算法的树冠轮廓点提取与体积计算

针对城市中树木数量多、树冠结构复杂、形态多变、难以测量等特点,为解决传统凸包算法在提取树冠轮廓时误差较大的问题,并实现树冠轮廓点提取和树冠体积自动计算,提出迭代渐进的凸包算法。以三维激光扫描仪获取的点云为原始数据,基于所提出的算法获取树冠轮廓点,结合格林公式及不规则台体体积法计算树冠体积。为验证算法的准确性,采用人工交互的方式提取树冠外轮廓点计算树冠体积,以此为参照对迭代渐进的凸包算法进行相关性与均方根误差的验证,并将该算法分别与几何体模型法、体元模拟法、Graham扫描线法计算的树冠体积进行对比分析,结果表明,迭代渐进的凸包算法计算出的树冠体积更接近于树冠的真实体积,为树冠信息的精细提取与建模提供一种新的方法。     

车载LiDAR点云中道路绿化带提取与动态分析

道路绿化带是城市园林绿地系统重要组成部分,具有重要的生态和环境服务功能,道路绿化带信息的精细分类与提取以及绿化带的动态分析对于道路信息化管理具有重要意义。本文提出基于车载LiDAR技术的道路绿化带自动提取与绿植地物精细分类算法。为验证算法有效性,选取北京市丰台区某路段作为实验区域,一期试验数据采集时间为2015年6月,二期试验数据采集时间为2015年9月。将车载LiDAR点云数据作为原始数据,对原始数据进行剪裁分块等预处理,提高算法运行速度。首先对每段道路点云数据进行地面、低矮地物与高地物分类,并将低矮地物与地面点进行组合;然后通过绿化带的点云特性与空间特征,精确提取出每段点云数据中的绿化带,根据所提取的绿化带确定分类范围,利用各类地物点云的特征差别,对绿化带内地物进行详细分类;最后对比同一区域内的多期绿化带数据,从而判断绿化带面积以及绿化带中的各种地物是否发生变化。为验证算法精度,采用人工交互的方式提取绿化带,并对绿化带内各类地物进行人工分类,以此作为参照将人工统计得到的信息与自动提取出的绿化带信息以及各个分类地物信息进行对比,试验区人工提取绿化带总面积为13 027 m ²,自动提取绿化带总面积为12 749 m ²,2组数据相差278 m ²,相对误差为0.02。自动分类算法在试验区场景中杆状地物的探测率为80%,树木的探测率81.81%,灌木探测率为73.91%。对比2期绿化带数据,发现面积缩减量为129.5 m ²,另外新增3株灌木。实验结果说明了本文所述算法的准确性。