格网邻域滤波在车载激光点云道路边线提取中的方法研究

结合城市车载激光扫描点云道路数据与地物点各自的特点和空间分布,用路面点云控制道路两侧地物点云进行滤波,从而实现道路路面点和地物点的分离,并根据城市道路中含有高出路面边缘的路缘石的结构特性设置阈值来提取路缘石,通过设置合适的格网及其邻域格网中点的密度特性进一步滤波路缘石,生成道路边线。     

面向对象的车载LiDAR点云滤波方法

针对经典的机载LiDAR点云数据滤波方法不适用于车载LiDAR点云数据滤波的问题,该文提出了一种基于点云分割的不规则三角网渐进加密滤波方法。首先,剔除粗差;然后,进行点云分割;最后,以分割对象为基本判别单元,迭代地进行地面对象的识别。采用两个场景的车载LiDAR点云进行滤波实验。实验结果表明,本文滤波方法的总误差明显小于经典的不规则三角网渐进加密滤波方法。     

先验知识引导的车载激光扫描点云道路信息提取

文章研究利用先验知识从车载激光扫描点云数据中提取道路信息:使用改进的不规则三角网渐进加密滤波方法对点云滤波;将地面点投影到水平面上,利用行车轨迹提取道路主轴线;然后生成高程差分特征图像,以主轴线为基准进行平面生长获得道路面;并根据反射强度,进一步获得道路边界和道路标识线等信息.最后使用两景车载激光扫描点云数据验证了方法的可行性和有效性.     

基于车载LiDAR点云的车辆目标自动检测

以武汉市三环线内主要道路夜间停车调查项目为背景,利用车载三维激光扫描技术获取了武汉市三环线内夜间某道路沿线的点云数据,提出了一种基于知识规则的车辆目标自动检测方法.该方法首先采用基于欧式距离分割的聚类方法将点云分割为簇,再分析车辆目标的点云特征和空间几何特征等相关特点,然后建立车辆目标检测的知识规则,最后根据知识规则实...     

车载LiDAR点云中交通标线的提取方法

交通标线,作为道路上重要的交通标识,为司机和行人提供重要的引导信息。车载激光扫描系统(车载LiDAR)可以快速获得被测目标的表面三维坐标信息,为提取高精度三维交通标线提供了可靠数据源。本文通过分析道路点云数据的平面距离、点云强度、点云密度等特征,将点云数据归化成地理参考强度图像。针对生成的二维参考图像,充分借鉴图像处理中目标分类与识别的手段,将交通标线信息准确提取出来。实验表明,该方法可行、有效。     

车载激光点云道路边界提取的Snake方法

针对车载激光点云中道路边界提取困难,自动化程度低的问题,提出一种基于离散点Snake的车载激光点云道路边界提取方法。不同于传统基于图像建立Snake,本文直接基于离散点建立Snake模型。先利用伪轨迹点数据,确定初始轮廓位置,参数化不同类型的道路边界初始轮廓;然后基于离散点构建适合多类型道路边界的Snake模型,定义模型内部、外部和约束能量,通过能量函数最小化推动轮廓曲线移动到显著道路边界特征点处,实现不同道路边界的精细提取。本文试验采用3份不同城市场景的车载激光点云数据验证本文方法的有效性,道路边界提取结果的准确率达到97.62%,召回率达到98.04%,F1-Measure值达到97.83%以上,且提取的道路边界结果与软件交互提取的结果有较好的吻合度。试验结果表明,本文方法能够修正噪声、断裂等数据质量对道路边界提取的影响,能够实现各类复杂城市环境中不同形状道路边界的提取,具有较强的稳健性和适用性。     

车载激光点云道路边界提取的Snake方法

针对车载激光点云中道路边界提取困难,自动化程度低的问题,提出一种基于离散点Snake的车载激光点云道路边界提取方法。不同于传统基于图像建立Snake,本文直接基于离散点建立Snake模型。先利用伪轨迹点数据,确定初始轮廓位置,参数化不同类型的道路边界初始轮廓;然后基于离散点构建适合多类型道路边界的Snake模型,定义模型内部、外部和约束能量,通过能量函数最小化推动轮廓曲线移动到显著道路边界特征点处,实现不同道路边界的精细提取。本文试验采用3份不同城市场景的车载激光点云数据验证本文方法的有效性,道路边界提取结果的准确率达到97.62%,召回率达到98.04%,F1-Measure值达到97.83%以上,且提取的道路边界结果与软件交互提取的结果有较好的吻合度。试验结果表明,本文方法能够修正噪声、断裂等数据质量对道路边界提取的影响,能够实现各类复杂城市环境中不同形状道路边界的提取,具有较强的稳健性和适用性。     

基于强度信息聚类的机载LiDAR点云道路提取

提出一种利用强度信息聚类提取机载LiDAR点云道路的方法,并综合利用回波次数信息与高程信息对分类结果进行进一步精化。采用北京凤凰岭地区某块机载LiDAR数据进行试验,试验结果表明,通过强度信息聚类从LiDAR点云巾提取道路能取得一定效果,但误差较大;经过回波次数和高程信息筛选精化后,试验效果得到明显提升,大最的误分点被...     

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。     

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.     

Feature Extraction of Laser Scan Data Based on Geometric Properties

Terrestrial Laser Scanner (TLS) is an important device to provide three-dimensional geometric information with respect to known reference coordinates system. The data from TLS are often called point clouds due to their high density. They are unstructured and do not have any explicit information about the object, except 3D positional and intensity information to each point. Data segmentation and feature extraction are fundamental problems in the point cloud processing step. These are important prerequisites for object recognition and environment understanding. This paper describes a methodology to use the geometrical information of the scanned object, such as a normal vector to extract and segment object edges. The edge based segmentation technique will be studied and improved. The proposed method is programmed and used to extract different region boundaries for two real TLS data, and the quality of the results shows the effectiveness of the proposed algorithm.     

基于地物特征提取的车载激光点云数据分类方法

车载激光扫描测量方法较传统摄影测量方法具有更多优点,它能快速采集大面积、高精度的三维空间数据,具有广阔的应用前景。针对车载激光扫描数据的分类问题,提出了一种基于地物特征提取的点云数据分类方法,即采用主成分分析(PCA)方法,在提取多种街区地物点云数据几何特征和总结地物对象特征知识规则的基础上,根据选取的主特征设计一套阶层式的分类方法,并利用该方法对一套车载激光点云数据进行了分类试验。结果表明,该方法的分类效果良好,具有一定的实用性。     

交通地理信息中基于梯度方向的车道线提取

针对所摄路面影像,本文提出了基于梯度方向的车道线提取方法。车道线上边缘点的梯度方向大体与本车道线垂直,据此我们可以将车道线上的边缘点从所有边缘点中分离出来,再将这些点拟合,得到车道线。实验结果表明,本文方法具有很好的鲁棒性,对复杂路面的车道线提取效果较好。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

房屋等建筑物的分布情况是衡量地区发展的重要指标,利用遥感影像实现建筑物的自动高精度提取在指导城乡规划和市镇建设等方面具有重要意义。已有方法大多忽略了像素数较少的小面积建筑和边缘等细节信息的处理,针对此问题,提出了一种双路细节关注网络,将语义特征与细节关注特征双路并行优化,进一步提高了遥感影像中建筑物的提取精度。所提方法首先使用双路特征提取模块获取语义特征与细节关注特征,并在解码过程中进行双向优化,增强语义特征细节的同时提高细节关注特征的连续性与类别准确性,然后对二者进行融合,结合细节关注损失的监督,实现建筑物的高精度提取。在WHU建筑物数据集、ISPRS Vaihingen数据集与某地区国产高分数据集上,将所提方法与多种主流方法进行了对比验证,所提方法的F1分数和交并比均高于对比方法,且提取的建筑物完整性更好,小面积建筑漏检、误检率更低。

     

机载LiDAR数据处理与地物提取

介绍了机载LiDAR数据处理流程,分析了TerraSolid软件应用于LiDAR点云的地物提取方法,对复杂城区激光点云进行了地物提取试验研究,实现了植被、建筑物、水渠、地面点等地物的提取,制作了数字高程模型。     

基于径向小波变换的图像特征提取算法

提出了一种基于径向小波变换的图像特征提取算法,该方法使用径向对称函数来获得图像的边缘信息.不同于其他的边缘检测算法,本方法既不使用方向滤波器,也不使用图像的极坐标形式,而且适合于文本和非文本图像,容易实现.算法中的参数在数学上能够严格证明,且通过计算不断调整,生成不变的分辨率特征图像矢量.仿真结果表明,该方法能够用于基于内容的图像检索.     

基于约束高斯混合模型的车道信息获取

针对现有车道级道路信息获取方法大多存在数据采集成本高、更新周期长、数据处理难度大等缺点,提出了一种基于浮动车数据（floating car data,FCD）的城市车道数量信息快速获取方法。首先根据浮动车数据的空间分布特征,利用Delaunay三角网方法对数据进行优选,通过探测优选后浮动车数据覆盖的宽度间接得到道路宽度;然后将一部分已知车道数量及浮动车数据覆盖宽度的路段作为训练样本,分析其车道数量和浮动车数据覆盖宽度之间的关系构建基本分类器;最后按照待测路段的浮动车数据分布宽度查找基本分类器,获取待测路段可能存在的若干个车道数量类型候选值,并利用约束高斯混合模型对最终车道数量类型进行确认。实验结果表明,该方法实现了从低精度浮动车数据中快速获取车道数量信息,提取精度达到了82.3%。     

Feature Extraction in Remote Sensing High-Dimensional Image Data

High-dimensional image data open new possibilities in remote sensing digital image classification, particularly when dealing with classes that are spectrally very similar. The main problem refers to the estimation of a large number of classifier's parameters. One possible solution to this problem consists in reducing the dimensionality of the original data without a significant loss of information. In this letter, a new approach to reduce data dimensionality is proposed. In the proposed methodology, each pixel's curve of spectral response is initially segmented, and the digital numbers (DNs) at each segment are replaced by a smaller number of statistics. In this letter, the proposed statistics are the mean and variance of the segment's DNs, which are supposed to carry information about the segment's position and shape, respectively. Tests were performed by using Airborne Visible/Infrared Imaging Spectrometer hyperspectral image data. The experiments have shown that this methodology is capable of providing very acceptable results, in addition of being computationally efficient