结合TIN约束与密度聚类的机载LiDAR道路点云提取

针对机载LiDAR道路点云提取过程中自动化提取困难,停车场、水泥地以及与道路相连的地面点难以去除等问题,提出一种三角网约束与密度聚类相结合的机载LiDAR道路点云提取方法。在已有滤波结果的基础上,该方法首先根据道路点云样本的强度信息提取初始道路点,建立Delaunay三角网,运用三角网边长约束精化初始道路点;然后,通过密度聚类算法提取连通性较好且密度较大的独立三角网;最后,采用数学形态学算法优化道路边缘,确定最终道路点。实验选取国际摄影测量与遥感协会提供的两组城市机载LiDAR点云数据进行道路点云提取,结果表明:本文算法可以较好地进行道路点云的自动提取,且对不同类型的道路具有良好的自适应性,验证了算法的可靠性。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理,然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果,最终的结果不仅有效去除了噪声点,还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验,结果表明：通过DBSCAN聚类算法处理后得到的点云数据,再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高,点云去噪效果更好。     

利用双边滤波法进行点云去噪的试验与分析

利用无人机影像生成点云数据时,会产生一些噪声点,这些噪声点对点云数据的分类提取等会带来不利影响。为了消除这些噪声点,利用栅格法去除浮在点云上方的稀疏点,并利用pcl库的StatisticalOutlierRemoval滤波器去除离群噪声点,以及利用双边滤波算法对小型的噪声点进行纠正。试验结果表明,本文方法既保留了目标地物的几何特征,又能够有效地去除影响目标地物识别的噪声。     

基于机载LiDAR点云的道路提取方法研究

道路是建设数字交通和数字城市的重要组成部分,也是空间地理信息的重要元素。针对传统遥感技术提取道路效率低、自动化程度不高以及易受周围环境影响等问题,基于无人机搭载LiDAR测量系统获取的某城郊结合区的点云数据,提出一种点云数据预处理、道路点云分级提取和道路边界提取算法。该算法首先对获取的LiDAR点云原始数据进行去噪处理,再结合曲面拟合滤波和点云几何特征提取包含道路在内的地面点云,然后利用点云的强度信息初提取道路点云,针对与道路材质相似的停车场等地物点云,在构建TIN的基础上,使用边长和面积约束进一步对道路点云进行精提取,最后使用α-shape算法对道路边界进行提取,并利用算法对实测的点云数据进行道路提取,以准确率和误分率对本文算法进行定量分析,结果表明提出的道路提取算法能够快速准确地提取道路点云。     

顾及点云邻域特征的道路里程推算方法实现

提出车载测量系统获取点云进行公路里程推算方法,基于布料模拟滤波算法分类路面、非路面点云,以点云强度信息为标量并顾及点云邻域几何特征分割地面点云,采用八叉树连通聚类方法提取特征标线点云并以此构造路面中心线,制作ArcToolbox里程桩点提取工具来推算道路里程.实验表明本方法可快速分割标线特征点云并准确提取路面中心线,相比于传统的方法可更加准确地实现道路里程推算和桩点坐标提取.     

融合聚类算法的钢轨轮廓点云自适应精简

针对原始结构光钢轨轮廓点云数据量大、强噪声和离群杂点多的问题,本文提出了一种欧式聚类融合多种传统滤波方式的钢轨点云自适应精简的方法。采用点云欧式距离为特征量的聚类分割方法用于无效杂散点数据的识别和精简,采用统计滤波结合均匀体素下采样滤波方法实现点云初步去噪。在此基础上,通过欧式聚类分割噪点,采用自动获取滤波范围的自适应直通滤波去除轨底粘连数据,以保证点云配准的效率与准确性。本文提出的方法可有效精简无效数据和去噪,点云精简比约为94%,同时保留了原始点云的有效轮廓特征,为点云配准与磨耗点的高精度识别奠定了基础。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点.本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云.通过对...     

基于车载LiDAR的特征融合差分的车前道路提取方法

为应对行驶中变化的道路环境,划分当前车前道路的可行驶区域,本文提出一种基于多特征融合差分的车前道路检测方法。该算法通过形态学滤波法对原始点云进行地面点云提取,统计归纳地面点云数据,进而界定运算域,在运算域内划分不同纵深的差分元尺寸和起点,在差分元内进行特征参数的融合,形成特征矩阵,求解差分矩阵后再进行阈值滤波,进而实现车前道路点云的提取。本文首先与相关道路点云的提取算法进行对比,表明其性能优良;然后针对所采数据不同纵深的道路提取效果进行对比,证明该算法的有效性。     

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。     

车载激光扫描点云滤波方法研究

针对传统的点云滤波算法存在阈值单一、地面点提取准确低的问题,本文提出了一种改进自适应阈值滤波算法。首先通过对点云数据进行二维投影并进行格网化处理;其次通过格网内最低点进行混合最小二乘曲面拟合;最后通过一级滤波阈值与自适应阈值实现非地面点滤波。为了对本文提出的自适应阈值滤波算法的有效性进行检验,分别使用城市中心道路与郊区道路点云数据进行算法实验。结果表明,本文提出滤波算法对城市中心道路点云滤波结果的一类误差、二类误差、总误差分别为4.6%、2.3%、3.7%;对郊区道路点云滤波结果的一类误差、二类误差、总误差分别为5.4%、7.1%、6.5%。相比于传统的移动窗口滤波算法,本文滤波算法无论是一类误差、二类误差还是总误差均更低,可准确区分出地面点与非地面点,表现出了更好的点云滤波性能。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

基于区域生长的LIDAR点云数据滤波

将区域生长算法引入LIDAR点云滤波,其原理与图像处理中的区域生长原理相似。首先选择可靠的种子点,当待定点与种子点的高差满足所设阈值时,则待定点为地面点,否则作为地物点滤去。当不再有激光点满足条件时,生长结束。该算法无需对原始数据进行插值,无需迭代,因此滤波速度快。与传统的最大局部倾斜度过滤算法（MLS）和扩大窗口高程阈值滤波方法相比,该算法的实验结果更优。     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。     

基于RANSAC算法的地铁隧道点云数据滤波

三维激光扫描技术能够快速、有效地获取隧道点云数据,可用于提取地铁隧道的形变信息,但隧道点云数据中包含着噪声点、离群点,需要滤波去除,目前已有滤波算法不适用于隧道环境。文中采用统计特征去除部分噪声点,利用区域增长方法初步提取隧道壁部分点云作为RANSAC算法种子点,进一步利用RANSAC算法拟合数学模型提取隧道壁全部点云数据,并利用RANSAC点云拟合模型对隧道盾构体施工精度进行评估。实验结果表明了方法的有效性。     

基于车载激光点云数据的行道树提取方法

针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。     

地面激光点云强度噪声的三维扩散滤波方法

为提高点云数据质量,对点云强度进行滤波的同时保持边缘和细节特征,针对地面激光扫描点云的数据特点,研究建立了点云强度三维扩散滤波方程。深入分析扩散尺度在扩散滤波中的作用,利用信噪比作为滤波质量的定量评价方法,通过统计试验和对比试验,证明本文方法在点云强度滤波中具有较好效果。     

基于车载LiDAR点云的行道树提取研究

针对车载LiDAR数据构建格网,提取行道树点云并分割树干点云,首先以格网为单位,进行滤波处理提取非地面点云;再对提取的点云进行降噪处理;然后基于格网对处理后的点云块进行聚类,依据行道树与其他地物的形态以及投影等差异从聚类单元中提取行道树,并对相连树进行分割;最后针对提取的单株行道树依据分层投影的原理,分割行道树树干点云与树冠点云.采用一段车载LiDAR数据进行算法实验并与人工提取方式对比验证算法提取的有效性与准确性.     

基于图像分割技术的城区机载LiDAR数据滤波方法

为了获取高精度的DEM数据,采用了一种基于图像分割技术的方法对机载LiDAR数据进行滤波处理。该方法针对原始激光点云数据,首先运用边缘检测技术进行点云分割,准确提取建筑物的边缘信息,确定地面种子点;然后按照一定的准则进行区域生长,最终得到裸露地面点集。针对几组不同地貌特征的城区实测数据进行滤波实验,通过定性和定量分析,验证了该算法不但计算速度快、精度高,而且还具有较强的稳健性。     

基于聚类与重构的河流区域滤波方法

研究河流区域水体点云的分布特征与相互关系,提出基于特征聚类的点云分割与基于LLE算法的邻近点点云重构滤波方法。通过统计网格内点云的特征参数,进行点云分割并滤除水面点,再利用LLE算法的邻近点构建约束条件进行点云重构,分离近岸船只点云与岸堤点云的边缘,最后利用船只点云的独立性进行二值连通域标记与滤除,从而实现河流区域的点云滤波。实验表明,该方法能够滤除90%以上的水面点云与大部分船只点云。     

基于Otsu算法与改进区域生长算法的道路点云提取

针对车载激光扫描获取的道路点云数据分类问题多的难点,本文提出了一种基于最大类间方差(Otsu)算法与改进区域生长算法的道路面提取方法。原始点云中非地面点滤除依靠Otsu算法自适应计算出分割阈值;随后分别计算点云的法向量与曲率;最终将法向量相似度作为约束条件,使用改进区域生长算法进行道路面精确提取。通过两段典型的城市道路点云数据为例,试验结果表明,本文方法提取道路面结果的准确度(C_R)、完整度(C_P)以及提取质量(Q)均大于94%,充分证明了该方法的有效性。