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。     

基于机载LiDAR点云数据的城区道路提取

对于利用机载LiDAR点云数据提取城区道路提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;其次采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较正确和完整地提取城区道路。     

基于机载LiDAR点云数据的城区道路提取

针对利用机载LiDAR点云数据提取城区道路问题,本文提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;然后采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较完整地提取城区道路。     

融合车载影像与点云的道路边界提取与矢量化

车载激光点云的数据不完整和影像连续帧之间的地物重影现象给提取连续、完整的道路边界带来了巨大挑战。提出了一种融合点云与全景影像的道路边界提取与矢量化方法。首先,分别从点云和全景影像中提取初始道路边界点,然后基于非闭合Snake模型融合两种数据源中的道路边界点,实现结构化和非结构化道路边界的准确提取与矢量化。该融合过程首先基于点云中的道路边界构建特征图,并以车载影像中的道路边界提取结果为初始轮廓,然后基于道路边界的几何特性构建非闭合Snake模型,最后通过求解该模型实现多源道路边界点的融合,并完成道路边界线的矢量化。将该方法应用于2个城市场景数据集,结果表明：该方法可有效提取形状多样的结构化和非结构化道路边界,对由于遮挡导致的数据不完整和多帧影像中的地物重影具有较强的鲁棒性,对城区道路边界提取的精度、召回率、F1值分别优于95.43%、89.27%、93.38%。     

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。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

多因素参与的3D特征点检测方法

针对现有3D特征点提取方法易造成边界点遗漏和尖锐点错判的问题,提出一种基于多因素参数的3D特征点检测方法.首先在3D特征点提取过程中,利用相邻投影法向夹角的大小提取边界点,以保证边界的完整性;其次针对点云尖锐点的提取,通过将k邻域中曲率权值、法向量夹角均值和距离均值用于定义特征点识别参数;然后根据曲率最大值和相邻点间的距离均值定义3D特征点识别阈值,并将识别参数与阈值进行比较而判定特征点;最后将所提出的方法分别与现有的基于曲率和法向量的3种方法进行实证分析比较,实验结果表明,基于多因素参与的3D特征点检测方法能够有效识别出点云尖锐点,并且能够保证边界点的完整性.     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

移动车载激光点云的道路标线自动识别与提取

对移动车载激光测量LandMark系统获取的路面激光点云数据进行研究,结合激光点云的回波反射率、扫描角,以及量测距离等特征信息与道路标线的属性信息,提出了一种基于车载激光点云的道路标线自动识别与提取算法。从点云中提取道路标线,采用最小二乘线性最优拟合算法对提取的标线点云进行拟合,生成道路标线的CAD轮廓线,实现道路标线的自动化识别。以移动车载LandMark系统的Sick激光扫描仪获取的路面激光点云为例进行实验,实验结果表明该方法的可行性和有效性。     

基于距离限制的机载激光数据滤波方法

提出了基于距离限制的滤波算法，利用地物在三维空间的距离特性提取地面信息，并对可能影响算法稳健性的侧面信息提出角度判决的概念。试验表明，本文方法在处理复杂城市地形时，能很好地保留地面的细节信息，剔除低矮植被等非地面信息。