地面激光点云与数码影像自动高精度配准

针对地面激光雷达点云和数码光学影像非同源异质数据自动配准困难的问题,本文提出了基于互信息的两种数据同名特征高精度自动提取的方法。首先,把点云数据生成中心平面投影的反射强度图像和基于RGB信息的彩色图像,应用点云彩色图像和数码光学影像的匹配,确定点云与影像的粗配准参数;然后,对反射强度图像进行特征提取,应用粗配准参数确定其在数码光学影像上的初始位置,应用互信息实现非同源数据的高精度匹配;最后,应用罗德里格矩阵和选权迭代方法计算高精度配准参数,生成三维彩色模型。试验证明,本文方法可以解决地面激光点云和数码光学影像非同源异质数据的配准问题,具有一定的研究和应用价值。     

一种地面激光雷达点云与纹理影像稳健配准方法

为了使地面激光雷达点云得到真实和高分辨率纹理,需要对目标进行全方位的拍照。这时点云和影像的配准会出现大角度的问题。同时,由于控制点选点误差、仪器误差等,配准精度往往不能满足要求。针对以上问题,本文提出一种稳健的配准方法。首先,应用重心化的空间相似变换模型和正交旋转矩阵与反对称矩阵的关系推导解算配准参数角元素的模型。将配准结果当作初始值。然后,应用一种基于共线方程的改进丹麦法选权迭代法进行降权精确配准,确定配准参数的精确值。试验表明,本文方法稳定性强、配准精度高,适合任意角度影像与点云的高精度配准。     

城区机载LiDAR数据与航空影像的自动配准

为解决机载LiDAR数据与航空影像集成应用中二者的配准问题,提出了一种机载LiDAR数据与航空影像配准的方法。首先,直接在LiDAR点云中提取建筑物3维轮廓线,通过将轮廓线规则化得到由两条相互垂直的直线段组成的建筑物角特征,并在航空影像上提取直线特征;然后,根据影像初始外方位元素将建筑物角特征投影到航空影像上,并采用一定的相似性测度在影像上寻找同名的影像角特征;最后,将角特征的角点当作控制点,利用传统的摄影测量光束法区域网平差解求影像新的外方位元素。解算过程中采用循环迭代策略。本方法的主要特点是,直接从LiDAR点云中提取线特征,避免了常规方法从距离图(或强度图)中提取线特征所产生的内插误差。通过与现有基于点云强度图的配准方法的对比实验表明,在低精度初始外方位元素的辅助下,本文方法能够达到较高的配准精度。     

航空影像与数字地面模型的配准

介绍了一个通过确定航空摄影飞机的空间位置和姿态来辅助飞机导航的算法。该算法将航摄像片与已知数字地面模型配准,从而获取像片(飞机)的空间位置和姿态。     

地面LiDAR点云数据先局部后整体配准方法

针对地面LiDAR获取的庞大点云数据,提出无人工标志的地面LiDAR点云先局部后整体的配准方法。分割出待配准的两测站重叠区域小块点云,采用基于KD-Tree遍历最近邻域点集的ICP算法计算三维坐标转换参数,实现地面LiDAR点云数据的快速配准。     

航空影像与数字地面模型的配准

介绍了一个通过确定航空摄影飞机空间位置和姿态来辅助飞机导航的算法。该算法将航摄像片与已知数字地面模型配准，从而获取像片的空间位置和姿态。     

车载激光雷达点云与全景影像的自动配准

针对激光雷达点云数据缺乏纹理信息的问题,该文提出一种基于互信息的车载激光雷达点云与全景影像配准方法。该方法使用统一的球面全景成像模型,引入互信息作为相似性测度,将车载激光雷达点云生成的深度图与信息提取后的全景影像进行配准,实现配准参数的自动、高精度解算。同时,对车载激光雷达点云与全景影像配准的精度进行评定与分析。实验结果表明,车载点云与全景影像的配准方案是可行的,具有较高的配准精度。     

车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统（MMS）激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。     

最邻近曲面约束的近景光学影像与地面激光点云几何配准

提出一种以最邻近曲面为约束的近景光学影像与地面激光点云高精度配准方法。根据光学影像生成三维稀疏点云,以影像三维稀疏点邻近的激光点拟合的曲面为约束,结合共线条件方程建立影像三维稀疏点云与三维激光点云间变换模型,通过平差迭代解算实现光学影像与激光点云的高精度几何配准。该方法只需提供初始配准参数,无需对激光点云数据进行特征提取和分割,并且基于曲面约束有效地解决了两个点集之间难以精确确定同名点的问题。通过实际数据试验表明该方法能获得很好的配准精度。     

利用安置角检校进行机载LiDAR点云数据与同步影像快速配准

在对安置角进行综合分析后,以精确的机载LiDAR数据为基础,联合高分辨率影像对空间点进行高精度定位,建立了机载LiDAR和摄影测量联合平差模型,完成了无需控制场的相机安置角检校,较好地实现了机载LiDAR数据与同步影像的精确配准。     

地面激光点云多源约束的稳健整体配准

采用多源约束验后方差迭代整体配准法,通过试验证明该方法可以有效降低配准粗差影响,提高点云的配准质量和稳定性。     

Automatic Registration Between Low-Altitude LiDAR Point Clouds and Aerial Images Using Road Features

Among the many means of acquiring surface information, low-altitude light detection and ranging (LiDAR) systems (e.g., unmanned aerial vehicle LiDAR, UAV-LiDAR) have become an important approach to accessing geospatial information. Considering the lower level of hardware technology in low-altitude LiDAR systems compared to that in airborne LiDAR, and the greater flexibility in-flight, registration procedures must be first performed to facilitate the fusion of laser point data and aerial images. The corner points and edges of buildings are frequently used for the automatic registration of aerial imagery with LiDAR data. Although aerial images and LiDAR data provide powerful support for building detection, adaptive edge detection for all types of building shapes is difficult. To deal with the weakness of building edge detection and reduce matching-related computation, the study presents a novel automatic registration method for aerial images, with LiDAR data, on the basis of main-road information in urban areas. Firstly, vector road centerlines are extracted from raw LiDAR data and then projected onto related aerial images with the use of coarse exterior orientation parameters (EOPs). Secondly, the corresponding image road features of each LiDAR vector road are determined using an improved total rectangle-matching approach. Finally, the endpoints of the conjugate road features obtained from the LiDAR data and aerial images are used as ground control points in space resection adjustment to refine the EOPs; an iterative strategy is used to obtain optimal matching results. Experimental results using road features verify the feasibility, robustness and accuracy of the proposed approach.     

直线簇约束下的地面LiDAR点云配准方法

高精度的地面LiDAR点云配准是空间目标三维表面拓扑重建的关键,针对待配准LiDAR点云和基准LiDAR点云存在位置、姿态和比例缩放差异的问题,提出了基于直线簇的地面LiDAR点云配准方法。首先,根据直线间相交、平行和异面的拓扑关系,分别对待配准和基准LiDAR点云的直线进行聚簇,构建直线簇;然后,分别将同名直线用Plücker坐标表示,通过待配准LiDAR点云的直线簇在空间中的螺旋缩放运动,使其与基准LiDAR点云的直线簇比例尺一致,且同名Plücker直线重合,构建基于直线簇的共线条件方程,实现了比例因子和相对位姿一体化解算。实验结果表明,直线簇的螺旋缩放增强了配准方程的几何约束性,提高了抗噪声能力,实现了高精度的地面LiDAR点云配准。     

一种大角度亚像素的图像自动配准算法

提出一种基于ASIFT和Harris集成互补不变特征的大角度影像亚像素自动配准算法。算法由中间输入图像获取、像素级配准和亚像素级配准三个主要处理过程。在中间输入图像获取过程中,首先提取ASIFT特征控制点,利用提取的控制点估计图像间的投影变换模型,将输入图像中的重叠区域重采样为与参考图像尺度相同的中间输入图像;在像素级配准过程中,用NCC函数进行配准,用基于投影变换模型的全局一致粗差检测方法删除误配点对;在亚像素级配准过程中,先利用二元二次曲面拟合方法进行亚像素位移测量定位,再进行亚像素配准,错误匹配点对剔除,配准精度计算。实际的大角度图像试验结果表明了算法的有效性和实用性。     

原始机载LiDAR点云中建筑物激光点的自动提取

提出了一种基于原始离散LiDAR点云的多层结构建筑物激光点自动提取方法。首先对原始离散Li-DAR点云进行不规则三角网构建,然后利用分阶段区域生长的原理逐阶段遍历TIN中的各三角面。依据三角面的法向量方位角判定建筑物的各层结构,依次提取出多层建筑物的墙面及各级屋顶面,最后将提取出的各层屋顶面数据进行分类存储,确保提取出的各栋建筑物激光点之间相互独立且包含各层屋顶结构等细部特征信息,便于后续各建筑物的三维重建。     

附带星历参数的星载合成孔径雷达影像自动配准算法

Fourier-Mellin不变性对称相位匹配滤波器,即symmetric phase-only matched flitering of fourier-mellin invariant(SPOMF-FMI)能解决影像配准的平移、旋转和放缩几何变换问题;然而,该方法在实际应用中具有局限性,包括图像几何尺度和图像非线性几何畸变处理能力.为了克服上述缺陷,提出了一种附带星载参数的星载合成孔径雷达(synthetic aperture radar,SAR)影像自动配准算法.该方法采用由粗到精匹配策略,由距离-多普勒影像粗匹配和改进SPOMF-FMI影像精匹配组成.使用Radarsat-1和ENVISAT ASAR影像做实验,结果表明本方法在处理重复轨道或相同升、降轨星载SAR影像(即确保相似影像纹理测度)配准问题时,能达到子像素级的配准精度.     

利用线特征进行高分辨率影像与LiDAR点云的配准

试图从离散点云数据中寻找影像的同名点是非常困难的,因此传统的基于同名特征点的配准方法难以使用。应用共线方程作为严格配准模型,利用LiDAR点云空间中的线特征替代传统配准模型中的点特征,取得了高精度的配准结果,同时对点云密度和影像分辨率之间的尺度关系进行了半定量分析。     

一种基于特征点的地面激光点云全局配准方法

针对当前地面激光扫描(TLS)点云配准自动化程度低且耗时的问题,本文提出一种基于特征点和改进FGR(fast global registration)算法的TLS点云全局配准方法。该方法一共分为三步:首先对点云进行粗差剔除和降采样;然后提取Do G(Difference-of-Gaussian)特征点和进行FPFH(fast point feature histogram)描述,进而进行双向一致性匹配;最后使用FGR算法进行优化获得点云之间初始参数,结合标准ICP算法实现TLS点云的高精度配准。利用7站地面激光点云数据进行实验,结果表明本方法可以在保证配准精度的前提下获得较高的配准效率。