������������ˮƽ���ٶȸ�����С��Ԥ����

]?????????????????????????????????????С???任????????????????????????????С???????????????????????????????С???任??????????????????HaarС????db4С????db6С????sym6С?????????С?????????????????????FIR????????????????б??,?????????С??????????????????????????FIR??????????????????????????db???С????????????????????????????????????????????????????????db???С??????????????sym8С????     

������С���˵��Ŷ�����

??????????????????????????????????????????????????????????????????????????????????????????????????μ???С???????????С????????????????????????С??????????????????????????????????????????????С???????????????????????????????????С??????????????????С???????????С????????????????????????????     

������С���˽������о�

??????????,??????????С?????????С??????????任???????????????????С?????????????????????С???????????????????С??????????????????С????????????????????С???????????????????????????????????????????????С????????С????????в??λ??????????????????     

��Ͻṹ������С���˲�������

???????????????????к?????????????????к??????????????????????С????????????????????????????????????С?????????????????????????С?????????????????????????С?????????????????????????????????????????????????????????????????С?????????з???????????????????????????????????????????С?????????????????????????????к?????????????????????????????????????????????????λ????????????????????????λ?????????????????????????????????????з?????????????????????????????????????????,??????????С??????????????????λ???????????????????????????     

���ʶ���������С�������������ͬ�׷�����Ӧ��

???????????????????????Jacobian???????????????????????????????С?????????????????????????С?????????????????????????в?????????С??ж?????????????????????2??????????????????仮??????????????????С??????????н???????????÷???????????????????????????????????????????????????????????????????????????????????????????????????????????С??????????????С??????     

��Ȩ������С���˵ĵ����ⷨ

?????????????С???????????????????????С???????????????С???????????????????????????????????????С?????????????????????????С??????????????????й?????????????????????????y?????????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

����������С���˵ĵ��漤��ɨ������λ����

????????????λ????С?????λ??????????????????????????漤?????????λ????????С????????λ???????????????????????????С??????????÷??????????????????????????????????????????????????????????С?????????С????????????????????????????????????????嶨λ???????     

�����SVD�ֽ����ʼ������ȿ���ƽ���е�Ӧ��

??????????????(SVD,Singular Value Decomposition)????????????????????????????M-P??????????????????ó????????????????????????M-P??????;??????????????????????????С??????С?????????????????????????????????????????????????????????;?????????С??????С??????????????????????????????????????δ???????С??????С?????;????????????????????????????????????????????????Ч???     

�ؿ�Ӧ��������ݵ�������С���˷���

??????????С????????о???????(??)??????????????????????????????????????????????????????????????????????????????ü???λ??????????????(??)????????????С???????????????????????????????????м???в??????????????????????????м???????????????????????????????????????????????????С??????????????????????????????????????????????????????С???????????С?????????????????????????????????С????????о???????????????????Ч???     

基于几何特征的建筑物点云配准方法

针对规则建筑物点云数据特点,基于测量平差理论,提出一种基于点、面几何特征的点云配准算法。首先利用建筑物点云数据中平面与平面的重合关系,推导了基于特征面的点云配准模型|而后结合基于特征点的点云配准模型,给出基于点、面特征的点云配准模型|最后利用实测数据进行实验,证实该方法能在一定程度上提高点云配准精度。     

加权总体最小二乘点云平面拟合定权方法探讨

针对加权总体最小二乘点云数据平面拟合方法中缺少统一定权准则的问题,提出以先验入射角及距离定权两种方法。利用稳健估计构造了基于强度值定权的稳健加权最小二乘、基于先验入射角定权的加权最小二乘与基于距离定权的加权最小二乘3种新的平面拟合算法,并应用于拟合扫描不同反射材质获取的平面点云数据。算例表明,〖JP2〗以距离定权构造的距离加权总体最小二乘法的各项精度指标均优于其他算法,拟合效果最好。     

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。     

利用稳健WTLS方法进行三维激光扫描标靶球定位

针对标靶球定位缺少有效的确定协因数阵方法的问题,顾及点到平面的距离反映了点与平面的相关性及入射角对点云数据点位精度的影响,将两者推广到三维激光扫描标靶球定位中。以距离、先验入射角确定各点协因数值,并给出观测向量协因数阵及系数矩阵协因数阵,利用稳健加权总体最小二乘方法进行标靶球定位。实例表明,以距离确定协因数阵的稳健加权总体最小二乘方法解算标靶球参数估计比其他方法更精确。     

面向地形数据的点云简化算法

针对地形点云数据量大、表面特征复杂多样等特点,提出面向地形数据的点云简化算法。基于K-D Tree搜索各点K邻域,构建点集空间拓扑关系|应用移动最小二乘法计算各点曲率,通过曲率的划分,在平缓区域按距离进行简化,保证整个算法的效率|在突变区域根据曲率简化,确保曲率变化大的关键特征信息不丢失,从而实现点云数据的简化。利用基于熵理论的定量评价方法,通过实例验证该方法的可行性和普适性。     

基于三维激光扫描仪的边坡形变监测研究

摘 要： 利用三维激光扫描仪获取铁路边坡形变数据,并对点云数据进行体素化处理,利用种子生长法对体素化后的数据进行分类,并拟合其空间参数;通过观测点云数据与目标数据分类结果拟合平面之间的距离,确定边坡形变的具体值;利用扩展卡尔曼滤波对多期数据进行统计分析,得到边坡形变的速率与加速率,预测边坡形变。     

������Ƕ�Ȩ�ĵ������ݼ�Ȩ������С����ƽ������о�

?????????????????λ???????????????????????????????????С????????????????÷?????????????С??????????????????????????????????????и?????????????????????????????????????????3????????????????????????????????????С?????????????С??????????÷??????????????????????     

基于球体几何关系的球标靶特征提取算法

利用“球面上任意3点确定的平面与球的相交曲线为圆,该截面圆心与球心的连线(球截面圆心法线)垂直于圆平面”的几何关系,提出一种基于球体几何关系的球标靶特征提取算法。通过对球标靶点云构建多组截面圆,对截面圆设定约束条件,构造球心到球截面圆心法线距离平方和的目标函数,以此目标函数最小为条件求解球标靶的球心坐标。通过实验比较本文方法、最小二乘方法、整体最小二乘方法、加权整体最小二乘方法和稳健加权整体最小二乘方法对球标靶的处理效果,结果表明本文方法具有较高的准确性和稳健性。     

一种邻接区域平面元融合的桥面分割方法

针对桥梁点云的桥面分割问题,提出一种邻接区域平面元融合的桥面分割方法。首先对点云进行体素化处理获得体素点云,利用超体素空间和法线约束准则进行桥梁点云过分割;然后利用面片法线的方向和模长进行面片过滤,获得包含桥面的候选面片;最后对候选面片进行邻接区域平面元融合,使用统计分布方法筛选融合区域,获得桥面点云。实验证明,该方法可以有效分割桥梁点云的桥面,稳定性较高且能保留体素化前的原始数据。相较于区域生长法和超体素区域生长法,该方法在跨区域融合方面有较好的抑制作用,更适用于桥梁点云的桥面分割。     

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。