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。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据,首先通过点云数据的分类处理实现对树木点云数据的提取,将树木点云投影到水平面,采用DBSCAN密度聚类算法实现单根树木的提取;然后在数据密集区域存在树木树冠点云重叠的区域,本文结合树干几何特征提取树干的位置信息,计算所有点云到树干中心的欧氏距离,将所有点云归类到最近的树干进行粗分割;最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心,提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明,本文采用的树木分割方法能够实现单棵树木精确提取。     

利用三维激光扫描技术监测矿区桥梁结构形变

利用三维激光扫描技术测得的建筑物点云数据能够较清晰地表示建筑物的三维空间信息,提供高精度、高密度的建筑物表面描述。点云本身不直接显示自身所包含的特征信息,在进行局部形变提取时,需要进行点云分割工作。现有的应用于建(构)筑物的分割算法大多依赖于建(构)筑物特征设定突变阈值,当遇到复杂场景时,这些假设往往会导致错误。随着机器学习在点云处理领域的延伸,建(构)筑物点云数据边界的识别和分割有了新的实现思路。本文以某矿区工作面上方铁路桥两期三维激光扫描数据为例,采用神经网络方法对桥拱钢结构实行分割提取,在对1000万个标记桥梁点云数据进行训练后,神经网络模型可以学习操作人员识别点云中各点的属性并进行标记,并提取两期数据中的钢结构点云;对使用神经网络分割出的桥拱钢结构点云进行分析,通过对钢结构底边线进行特征线拟合、长度提取,计算钢结构的位移及拉伸量,并结合桥拱位移、形变量分析桥梁形变。研究表明:使用神经网络模型对标记数据进行训练可以有效识别建(构)筑物特征,并应用于建(构)筑物局部形变分析。     

顾及法向量的点云语义分割方法

针对在复杂场景下激光雷达点云数据的语义分割研究中,存在点云特征损失大、点云语义挖掘不足和分割精度不高等问题,该文提出了一种将法向量和RandLA-Net相结合的点云语义分割方法。把点云法向量与RandLA-Net网络的局部特征聚合模块融合,提取局部语义聚合特征,利用softmax分类器对每个点进行分类。实现了复杂场景下LiDAR点云数据的语义分割。通过对Oakland点云数据集和德国Vaihingen城市语义数据集进行实验分析,验证了本文算法具有较强的泛化能力,本文算法在Oakland点云数据集和Vaihingen城市语义数据集上的平均交并比分别为96.38%和92.49%,与RandLA-Net网络相比,该算法充分利用了激光点云数据的语义特征,有效地提高了点云语义分割的准确性。     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

双层优化的激光雷达点云场景分割方法

对激光雷达扫描的非结构化点云进行分割处理,是进行数据组织、重构和信息提取的重要步骤。本文根据点云表面的局部可微的性质,提出了一种递进形式的双层优化分割算法。首先在黎曼几何框架下计算点的拓扑关系和距离度量特性,以k均值聚类的方法获得过分割体素,作为底层分割结果。然后,将点云的体素模式化为节点,构建最小生成树,提取节点的高级特征信息,利用图优化得到对点云细节自适应的区域分割效果。通过真实数据进行验证,并与现有方法比较,证明所提算法的可行性和先进性。     

一种基于倾斜摄影测量点云密度自适应分割的建筑物边界提取方法

针对倾斜摄影场景中建筑物单体化问题,本文提出了基于倾斜摄影测量点云数据的建筑物识别和边界提取自动化算法。首先,对点云进行预处理,去除地面点和噪声点;然后,对点云进行二维栅格化处理,按间隔距离预分割;最后,结合改进的大津算法和区域增长算法,从预分割点云识别其中的建筑物,并提取建筑物边界点。从广东省江门市和湛江市选取两处试验区域对算法进行测试,结果表明:区域内建筑物点云均能准确被分割识别,建筑物边界提取准确度分别为87.8%与92.3%,说明本文提出的方法对于倾斜摄影测量建筑物识别和边界提取的适用性较强。     

激光点云与航空影像融合分类

为了更好地利用激光点云数据和航空影像数据信息,改善影像分类效果,提出了将激光点云数据与航空影像进行融合分类,实现面向对象的融合分类方法。在航空影像的分水岭分割算法中加入激光点云高程信息计算梯度,然后结合两种数据源的特征,建立分层分类的规则集得到地物的分类结果。试验表明,激光点云的高程信息能够改善影像分割效果,也能将地面地物与非地面地物较好地区分,对建筑和植被的分类起到了有效作用。     

Assessment of various parameters on 3D semantic object-based point cloud labelling on urban LiDAR dataset

Semantic labelling of LiDAR point cloud is critical for effective utilization of 3D points in numerous applications. 3D segmentation, incorporation of ancillary data, feature extraction and classification are the key stages in object-based point cloud labelling. The choice of algorithms and tuning parameters adopted in these stages has substantial impact on the quality of results from object-based point cloud labelling. This paper critically evaluates the performance of object-based point cloud labelling as a function of different 3D segmentation approaches, incorporation of spectral data and computational complexity of the point cloud. The designed experiments are implemented on the datasets provided by the ISPRS and the results are independently validated by the ISPRS. Results indicate that aggregation of dense point cloud into higher-level object analogue (e.g. supervoxels) before 3D segmentation stage offers superior labelling results and best computational performance compared to the popular surface growing-based approaches.     

散乱点云数据的分割方法探究

数据分割是点云数据处理流程中的一项关键技术,本文针对点云数据分割这一问题,分析了基于几何模型的分割法、欧几里德簇分割法和区域生长分割法三种点云数据分割方法的原理和算法流程,并利用实际工程数据检验了三种分割方法的效果。针对以上三种方法的优势及缺陷,本文实现了附条件的欧几里德簇分割法,该算法对欧几里德簇分割法和区域生长分割法进行融合改进,利用同一点云数据对该算法与上述算法进行比较分析,最后用一处复杂建筑物点云数据对该算法的分割效果进行再次检验,分割效果较为明显,再次证实了该算法具有较强的实用性。     

融合超体素与成对链接聚类的LiDAR点云分割算法

针对现有的LiDAR点云分割算法稳健性差、效率低的问题,本文提出了一种新的层次化聚类分割算法。该算法首先把点云生成自适应分辨率的超体素,然后以超体素为基元,改进成对链接的分割算法,实现三维点云的分割。试验结果表明,该分割算法与现有的分割方法相比,具有更好的稳健性和更高的计算效率,避免了点云过分割和欠分割的问题。本文算法在分割细节方面更加突出,分割结果可有效地保证后续数据处理工作的精度。     

一种从LIDAR数据提取城区DTM的方法

由机载激光扫描系统获取的点云数据,可以直接生成扫描区域的数字表面模型,但要想提取数字地面模型还须对点云数据进行分类处理。提出了一种获取数字地面模型的方法,其主要思路是利用原始的激光数据构建二维三角网,从而构建数字表面模型。通过分析数字表面模型的坡度进行初始的分割,剔出坡度较大的三角形。经过初步的分割之后,通过连通区域分析来获取每个分割区域的特征,提取出裸露地表高程,从而由点云数据构建出数字地面模型。     

基于散乱点云特征提取算法研究

三维激光扫描测量技术是当前测绘领域研究的热点。点云各个要素特征提取在三维建模中是非常重要的一个环节,也逐渐成为三维点云数据处理中的一个研究重点。目前对点云数据特征提取仍然存在一些问题,大多数算法的研究是针对栅格点云数据进行的,存在容易受到噪声数据的影响以及适应性不强等问题。本文在研究了现有的点云数据特征提取的方法的基础上,将法线差分算法应用到场景内地物提取中,从而实现场景中地物的特征提取。     

密度聚类方法在点云数据分割中的应用研究

点云数据分割是点云数据处理的主要工作,也是实现地物自动识别的前提和关键环节,由于各种原因,目前点云数据分割自动化程度不高,尚需进一步的深入研究。本文以机载云数据为研究对象,提出了基于密度聚类方法的激光点云数据分割方法,该方法具有速度快、分割效果好、适应性强等优势,为后续的地物自动识别奠定了基础。     

SANet:空间注意力机制下的LiDAR点云实时语义分割方法

语义分割是智能机器人由感知智能迈向认知智能的重要基础,当前针对点云数据的语义分割方法存在实时性差、精度低等现象。本文系统分析了点云经球面投影所得的距离图像与自然图像的差异,为基于距离图像的实时语义分割网络设计提供了思路。通过分析发现,距离图像具有强空间相关性的特点,将强空间相关性与注意力机制相结合,提出基于空间注意力机制下的LiDAR点云实时语义分割方法SANet。该方法能够高效地聚合空间分布特征与上下文特征,且模型参数量较少,满足实时性的要求。在SemanticKITTI数据集上的试验表明,与其他优秀算法相比,SANet兼顾了实时性与准确性,显著提高了LiDAR点云语义分割的精度,可为自动驾驶及其他机器人应用领域提供辅助支撑。