基于改进RANSAC算法的复杂建筑物屋顶点云分割

屋顶模型重建影响到建筑物完整模型重建质量,屋顶面点云分割质量对屋顶模型重建具有重要意义。针对传统RANSAC算法在屋顶点云面片分割时易产生错分割、过分割等问题,本文顾及点云位置信息,提出一种对点云重新分配的改进RANSAC点云分割算法。算法暂时剔除非平面内点,选取平面内点集中3个点作为初始样本,平面拟合判定邻域是否有效,从有效邻域中选取标准差值最小的3个点为初始模型。利用RANSAC算法对屋顶点云进行分割。利用K近邻算法统计误分类点与面片的距离降低误分类,优化过分割面片并进行连通性分析,利用距离及法向量一致性检验的方法重分配非平面内点。为验证本文算法有效性,选取芬兰Helsinki地区的3栋相互独立的复杂建筑物屋顶以及上海某小区的6栋建筑物群屋顶作为实验数据。在2组数据中,本文提出的改进RANSAC算法分割屋顶面片的平均准确率分别为92.17%、87.82%,78%的建筑物屋顶不存在过分割。在第2组数据中,所有分割面片上的点与其对应的最佳拟合平面的距离的标准差的平均值为0.030 m。实验结果表明,本文算法分割建筑物屋顶面片的准确率较高,较好的抑制了过分割现象,且抗噪能力强。     

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。     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。     

基于3D基元拟合的复杂屋顶点云三维重建

几何语义一体化三维建筑物模型是智慧城市建设的重要基础数据，有利于促进建筑设施的精细化管理和智能化应用。当前基于点云的三维重建算法大多关注简单屋顶结构的几何模型构建，忽略了模型的语义表达，且基于数据驱动方法的重建结果容易受噪声影响，存在几何和拓扑错误。为了解决复杂屋顶高精度三维重建难题，本文提出一种基于3D基元拟合的复杂屋顶点云三维自动化重建算法。首先，设计了一套可参数化表达的建筑物3D基元库，包含简单和复杂屋顶。其次，通过点云分割和屋顶拓扑图比较来识别点云对应的基元类型。然后，提出了一种点云与3D基元整体拟合的目标优化函数，采用序列二次规划算法估计基元的正确参数。最后，利用城市地理标记语言（City Geography Markup Language, CityGML）构建几何、语义和拓扑一体化表达的三维模型。采用几种不同屋顶风格的建筑物点云数据进行实验，定性和定量对比分析结果表明本文方法能够高效生成几何和拓扑均正确的CityGML模型，对噪声和局部点云缺失具有一定的鲁棒性，有利于促进几何语义一体化建筑物模型快速自动化构建。     

基于机载LiDAR的多面片建筑物3维重建方法研究

提出了顾及多面片建筑物模型拓扑关系的边界提取方法。针对多面片建筑物的特点并基于最小二乘法,设计了一套适合多面片建筑物的边界规则化方法,并生成了3维建筑物模型。实验证明,本文方法对于多面片建筑物模型的3维自动重建都是可行和有效的。     

车载激光扫描数据中建筑物立面快速提取

本文提出一种结合多种投影影像从车载激光扫描数据中提取建筑物的方法。该方法首先将点云数据投影到XOY平面,生成多种投影影像;然后结合建筑物几何语义特征,对已获取的投影影像进行几何约束与形态学运算,得到建筑物种子区域;在此基础上,通过设置高差阈值,在最高高程影像上进行建筑物种子区域的八邻域区域生长,得到建筑物区域;最后将影像上的建筑物区域反投影到三维空间,提取出建筑物目标。实验结果表明,该方法能有效提取点云数据中的建筑物立面,取得较高的正确率和完整率,且大大提高了计算效率。     

机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

建筑物作为城市中最主要的人工地物,其三维模型是智慧地球建设的重要数据支撑,实现精准自动化三维重建至关重要。机载激光雷达(Light Detection and Ranging, LiDAR)技术因具有环境约束小、操作成本低、采集速度快、数据精度高、可全天候获取地物空间信息等优势,已成为自动提取建筑屋顶轮廓线辅助建筑三维重建的主要数据源。首先对建筑屋顶轮廓线提取技术的发展历程进行简要回顾,再根据以往研究内容总结出一套较为通用的技术流程;该技术流程4个关键步骤为点云滤波、建筑物提取、屋顶轮廓线提取和轮廓线规则化;对每一步骤的实现方法、常用算法、发展现状以及面临问题进行详细阐述和对比分析。最后,对本技术面临的挑战和未来发展趋势进行讨论。     

利用高精度DLG进行机载LiDAR点云精度评定研究

LiDAR作为一种主动式获取高精度地表几何信息的地形图测绘技术,其获取的点云具有较高的相对精度与绝对精度,可作为无控或稀少控制条件下（无人机）航空影像高精度几何定位的地理参考数据。影像几何定位所能达到的精度依赖于几何参考数据自身的精度,因此评价LiDAR点云的精度对于将其作为地理参考实现航空影像高精度几何定位,具有较强的理论价值与实践意义。本文提出了利用高精度数字线划图（DLG）作为几何参考评定机载LiDAR点云精度的方法。首先,通过比对DLG中高程注记点的高程与LiDAR点云中对应位置处的高程,实现LiDAR点云高程精度评定;然后,通过统计LiDAR墙面点在平面上的投影点到DLG房屋矢量轮廓线的距离,实现LiDAR点云平面精度评定。实验结果证明,本文试验区域LiDAR点云平面和高程精度分别可达到7.2 cm和8.3 cm,可作为大比例尺无人机航空遥感控制数据的有效选择。     

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。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

����Cook�������ά����ɨ�����ƽ�����

??????????????????????????????С?????????????????????????????????????Cook???????С??????????????????????????????????????????????С???????????????????档??????????÷????????????????????????????н?????????????????????????????????????????????     

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。     

基于共有单平面的点云拼接技术研究

提出基于共有单平面的点云拼接技术。首先进行共有平面的提取、拟合,精确计算平面的法向量|再运用平面的法向量信息,求取旋转角构造旋转矩阵|最后通过平面的中心点进行坐标平移,完成点云拼接。分别通过模拟数据和实验数据验证了该算法的正确性。     

���ڹ��е�ƽ��ĵ���ƴ�Ӽ����о�

?????????е??????????????????????й????????????????????????????????|??????????????????????????????????????|?????????????????????????????????????????????????????????????????????????     

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%。