基于TLS的滑坡形变分析方法研究

以四川理县一地质滑坡为例,分析扫描点空间位置的理论精度,探讨点云数据获取以及点云过滤、点云拼接、地理参考等数据预处理的关键技术,给出一套比较直观、全面的滑坡形变分析方法,包括基于点云比较的形变分析、基于TIN比较的形变分析、基于特征点的形变分析以及基于DEM的形变分析。为了充分利用非地面点云数据,提出一种提取滑坡区域电线杆、树干的几何特征来分析滑坡水平变化的新方法。通过分析得到的滑坡形变量与GNSS远程实时监测结果基本一致。     

基于机载激光点云数据的山区道路提取

针对山区道路特点和机载激光点云数据处理的难点,依据道路点高程特点对原始点云滤波得到地面点集,利用点邻域内法向量和坡度、邻域内平面法向量偏角方差来描述山区完好道路表面的平滑特征提取候选道路点集,根据道路几何上连通的特性设置距离阈值对候选道路点集进行欧式距离聚类精化道路点,采用形态学细化方法提取道路线。以某一山区机载激光点云数据为例,实现道路提取方法,并验证方法的可行性。     

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。     

多值体素连通区域构建下的机载LIDAR数据三维平面提取

针对现有的面向机载LIDAR数据的三维平面提取算法存在的基于离散激光点设计导致算法设计困难、仅利用几何特征的一致性导致的在平面平滑过渡区域易产生错误提取的问题,本文提出了一种多值体素连通区域构建下的机载LIDAR三维平面提取方法。该算法基于体素结构设计且综合利用了机载LIDAR数据的几何、激光反射强度信息,将传统的平面特征点聚类转换为基于体素的连通区域构建及空间约束下的反射强度值统计,给出了机载LIDAR点云数据的多值体素结构构建方案及其在此基础上的平面提取方案,有助于基于多值体素模型理论的机载LIDAR点云数据处理及应用的发展。算法具体实现过程为：① 将机载LIDAR点云数据规则化为多值体素结构,其中,体素值为体素内激光点的平均激光反射强度、曲率及法向量;② 在体素结构DSM数据中,选取小曲率体素作为种子,并标记与其空间连通且法向及激光反射强度均一致的连通区域为平面;③ 在体素结构非DSM数据中,将位于连通区域轮廓缓冲区内的激光反射强度满足统计特性的体素标记为平面。本文采用ISPRS提供的机载LIDAR实测数据测试提出算法的精度。定量评价的结果表明本文提出方法的质量和Kappa系数分别可达92.5%和89.4%,与传统仅采用几何特征的区域生长算法相比质量及Kappa系数分别提高了9.68%和11.62%。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

面向车载激光扫描数据的道路目标精细化鲁棒提取

精确的三维道路信息,对于交通运输,城市规划,道路网建设,三维道路建模等具有重要意义.车载移动测量系统作为一项高新测绘技术能快速,准确地获取三维激光点云,适用于大场景的道路提取与建模.本文提出了一种从车载激光点云中快速精细化提取三维道路及其边界的方法.该方法首先利用车载激光点云的空间特征对点云进行自适应分段,然后利用先验知识与规则提取候选的道路及其边界,并根据道路边界的线状特征,对所提取的道路边界进行跟踪及矢量化,最后得到道路的参数.为了验证本方法的有效性,试验采用了3组不同道路场景的数据进行验证,结果表明提取结果的准确度,完整度及检测质量都达到了90%以上.定量与定性的结果分析表明,本文方法对于不同复杂场景下不同点密度的数据具有很好的适应性,能快速,鲁棒地提取大场景内的道路及其边界.     

基于多光谱LiDAR数据的道路中心线提取

针对城市三维激光点云中,道路与地面高程相差小、激光反射强度相近使得道路提取困难;广场、停车场等地物的高程、反射强度与道路极为相近,容易产生错误提取的问题。本文设计了一种描述道路条带信息的局部二进制特征（Stripe Local Binary Feature, SLBF）,结合LiDAR数据中的三维信息和多光谱信息获得基于强度、密度和平坦度等统计特征（Statistics-Based Feature, SBF）,并采用随机森林分类器实现了机载点云中道路面点云和非道路面点云的有效提取。通过欧式聚类精化道路点云和迭代腐蚀边界细化中心线,进而获得矢量化的道路中心线。以Waddenzee区域的多光谱机载点云数据进行实验验证,道路中心线提取结果的完整度达到94.15%,准确度达到97.95%,精度达到92.28%。实验结果表明,该方法可以有效地提取道路中心线,同时由于设计的特征具有不变性,能够适用于城市和林间小路等各种环境。     

八叉树与三维R*树集成的激光点云数据存储结构

针对海量激光点云数据组织与管理困难等问题,结合八叉树在三维空间上的快速收敛能力以及三维R^*树对不规则分布的多维点数据性能稳定的优势,提出了一种八叉树与三维R^*树集成的空间混合索引结构—3DOR^*树。首先,通过对激光点云数据进行八叉树划分;然后,对八叉树叶子节点构建三维R^*树,进而实现3DOR^*树索引结构的构建;最后,对激光点云数据进行特征分析,构建基于3DOR^*树的激光点云数据存储结构,实现基于3DOR^*树的激光点云存储与管理。本文以江西理工大学图书馆激光点云数据为例,进行实验对比分析,证明了基于3DOR^*树的激光点云数据存储结构比三维R^*树、八叉树与三维R树混合树等其他树形结构,具有高效的空间存储与查询等优势,可应用于海量激光点云数据存储、管理与分析应用。     

基于Sentinel-1/2动态耦合移栽期特征的水稻种植模式识别

及时准确地获取水稻种植模式变化对于有效防控“非粮化”和完成“双碳”目标具有重要意义。现有研究多基于固定时间窗口挖掘水稻生长期特征,且多使用的是单一卫星影像数据,难以应用于大范围水稻制图。本文通过Sentinel-1/2数据构建动态窗口提取移栽期光学/雷达特征,利用其耦合关系实现水稻种植模式制图。将该算法应用于湖南和江西两省水稻制图。基于1402个地面参考点位对水稻提取结果进行验证,总体精度达92.80%;在县域尺度上,湖南和江西两省水稻制图面积与农业统计数据也具有高度一致性,R²达0.85以上。相比于用固定窗口进行水稻特征提取,该方法具有较强的鲁棒性和迁移能力,为实现更大范围作物制图提取提供新的思路和参考依据。2018—2021年江西省水稻制图结果表明,水稻总种植面积减少9.47%,约3460 km²,水稻种植强度从1.62下降至1.49;在种植模式上,“双改中”趋势明显,双季稻种植面积锐减21.61%,其中约84%改种中稻。     

基于无人机传感器数据与词袋模型的点云自动化分类

激光点云分类是Li DAR数据应用的关键步骤和重要研究课题。针对Li DAR点云数据识别率低的问题,以体素化的点云为研究对象,提出了一种基于词袋模型的城区机载Li DAR点云数据分类方法。考虑到点云数据缺乏纹理信息,文中综合分析了点云数据和影像数据的特点,以点为单位提取描述点云的几何特征和影像特征分类特征;以体素为单位分割点云数据,并以体素为基础构建描述场景信息的词袋模型;最后基于随机分类器完成场景的分类。文中以ISPRS提供的Vaihingen数据作为实验数据。实验结果表明,本文提出的模型能有效地改善点云的分类质量,分类正确率能达到93%以上。     

融合多元稀疏特征与阶层深度特征的遥感影像目标检测

遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值。针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点，本文提出了一种新的目标检测算法，该算法有效融合了多元稀疏特征提取模块（MNB）和阶层深度特征融合模块（HDFB）。多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征，随着网络层的堆叠获取更大感受野范围内的稀疏特征，从而提高捕获的多尺度目标特征的质量。阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征，然后提取特征通过独创的树状融合网络，从而实现局部特征与全局特征在特征图级别的融合。本文算法在大规模公开数据集DIOR进行验证，实验结果表明：(1)多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5%，单张遥感影像的平均检测耗时为3.8毫秒；(2)通过使用多元稀疏特征提取模块，多尺度和外观相似性目标的检测精度得到了提高，与使用Step-wise分支的物体检测结果相比，总体精度提高了5.8%；(3)通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度...     

基于机载LiDAR点云的约束BSP模型重建方法

针对现有基于机载激光点云的建筑物重建方法自动化程度较低且建筑物外轮廓精度无法保证的问题,提出一种融合已有的高精度建筑物外轮廓测绘数据成果与机载雷达数据的建筑物重建方法。以及方法从建筑物点云数据获取、屋顶面分割、结构线检测、几何拓扑重建和模型生成的建筑物三维重建过程中的关键步骤。最后,通过实验验证各个步骤的有效性与可用性。     

浙江省平地区域机载LiDAR数据处理及DEM制作实践

为了进行平地区域原基础测绘产品高程的更新,我省进行了针对平地区域的机载LiDAR测高项目,为了获取高精度的DSM和DEM成果,在实际生产中开展了机载LiDAR数据处理及DEM成果的制作方法研究。本文将利用TerraSolid软件,从LiDAR点云数据的高程精度控制、点云滤波分类要求和如何利用特征线进行无点云数据区域的DEM精度控制等关键技术方面进行研究。     

遥感影像提取数据的后处理技术研究

遥感信息的自动提取是当今空间信息领域的研究难点和重点,常见的提取方法能在一定程度上实现自动提取,但提取后的空间数据如道路、建筑物,存在着属性信息缺失、质量不高等问题,无法直接用于实际生产.为了解决这个问题,本文对遥感影像提取数据后处理过程进行研究,基于自动提取结果,借鉴制图综合领域中的算子和算法,并根据典型矢量要素的自身特征,制定规则库进行制图综合处理.同时引入OpenStreetMap数据进行多源数据融合,解决提取信息属性不足的问题,最终形成一套适合半自动生产加工的遥感影像数据提取后处理方法.与传统后处理方法相比,本文提出的方法可以大大提高系列比例尺地形图制作速度和自动化水平,提升基础地理信息数据快速生产更新效率.     

基于多源激光点云融合的建筑物BIM建模

墙体、窗户等单元构件是建筑物重要组成部分,精细提取其几何参数及位置信息对于完整表达建筑物整体模型具有重要意义.针对单一点云数据源无法获取建筑物单元构件相关参数并完整表达室内外模型重建问题,本文提出一整套融合室内外多源点云数据的BIM模型重建技术.为验证方法的有效性,选取河南理工大学测绘与国土信息工程学院教学楼为实验区域...     

融合点、体素和对象特征的多基元点云分类

单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法。主要包括4个方面：① 分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;② 提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding, LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation, LDA)和最大池化特征(Max Pooling, MP);③ 降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;④ 进行点云分类,使用随机森林算法实现点云分类。采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43%、7.02%和2.48%,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70%;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景点云数据的分类。     

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。     

顾及上下文信息的城区机载LiDAR建筑物自动化提取方法研究

针对从Li DAR点云数据中提取建筑物难的问题,提出一种顾及上下文信息的机载点云建筑物自动化提取方法。首先,以点为分类基元提取视觉分类特征,构建描述点云场景的视觉空间,并利用随机森林分类器初步分类场景。然后基于条件随机场模型将空间上下文信息引入点云分类中,使得分类结果满足局部连续和全局最优的特点。实验结果表明,建筑物可以有效地被分离出来,分离正确率超过96%,将为后续建筑物的自动矢量化提供理论支撑。     

海陆一体机载激光扫描仪的设计

提出了海陆一体机载激光扫描仪设计方案。采用高频双波长激光以及大动态接收光路,实现地貌与水深的联合探测;采用基于自校准时间数字转换,重构高精度的点云数据;采用基于编码正交频分复用调制解调技术,实现机载点云探测数据的快速回传。     

三维激光扫描技术与传统测绘技术的精度分析

利用三维激光扫描技术和全站仪对实际案例进行外业数据采集,通过提取同名点坐标,求取七参数,进行不同坐标系下的坐标转换。经过精度对比分析,证实三维激光扫描仪测量点云坐标误差与其距离有关,即坐标转换后的点位误差随着距离的增大呈增长趋势。同时,地面三维激光扫描技术与传统测绘技术相比,能够直接方便地获得所有地物的三维点云数据,可有效节省人力物力,缩短工期,提高工作效率和经济效益。将三维激光扫描技术与传统测绘方法相结合,能够更加顺利地完成工程任务。