机载LiDAR旁向重叠区域冗余数据的消除算法

本文基于点云格网化的思想,提出了一种去除机载LiDAR航带间旁向重叠区域冗余数据的算法。该算法使用规则方格表示点云覆盖的区域,通过给网格赋值的方式提取重叠区域的冗余点云,最后删除靠近条带边缘的冗余点云。经过实验测试,该方法能够快速有效地去除重叠区的冗余数据;无需依赖航迹信息,因此也适用于地面激光点云的消冗。     

多站拼接后三维激光扫描点云的消冗处理

针对多站地面激光扫描数据拼接后在扫描重叠区内的重复采样点带来数据冗余的问题,提出一种在不降低原始扫描采样密度的前提下,对冗余点云进行消冗处理的方法。该方法首先对拼接后的点云建立立方体格网索引,再对所有采样点按k邻-近结构进行组织,然后在k-邻近组织的数据中进行遍历,依据采样点间距是否小于给定的阈值确定是否删除某一采样点。对多站扫描的建筑物点云拼接数据进行消冗处理,验证了本方案的有效性。     

基于航带重叠区的LiDAR强度校正算法研究

机载LiDAR强度信息在传播过程中受到各类因素影响,导致获取原始强度信息含有较大误差不能被直接利用。针对多航带数据中出现的拼接处强度差异大问题,提出一种基于最邻近距离和航带重叠区的强度校正算法。基于最邻近距离自动筛选出同名激光脚点,摆脱传统方法中手动选择同名点的缺陷,极大提高数据处理自动化程度;基于雷达方程和航带重叠区同名点强度一致原则,消除航带间强度差异,极大提高强度的精度和可靠性。实验结果表明,提出的算法能够有效消除航带间强度差异、提高数据处理自动化程度并实现多航带数据无缝拼接。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

多层平面单应约束车载街景影像匹配算法研究

车载街景影像匹配中含有较多难以剔除的误匹配,建议采用一种多层平面单应约束的车载街景影像匹配方法进行剔除。车载街景影像的拍摄对象主要为多层次的建筑物立面,物方平面在立体像对中的投影满足单应约束,所以建筑物立面在影像中满足多层平面单应约束。采用Harris算法提取角点特征,采用SIFT算子描述并用邻近距离比约束匹配获取初始同名点。首先,采用核线约束初步剔除误匹配;然后,结合RANSAC估计立体像对间的多层平面单应删除外点。该方法可删除纹理重复造成的误匹配,提高立体像对间匹配的正确率。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

基于多维欧氏空间相似度的激光点云分割方法

点云数据分割是对激光扫描(LiDAR)场景进行三维重建的基础。针对现有基于边界、表面或聚类的点云分割方法中存在的分割不足或过度分割问题,提出了一种基于多维欧几里德空间相似度的点云数据分割方法。通过计算激光点的法向量,结合点云的光谱特征进行数学变换,计算激光点在多维空间中的欧氏距离,比较邻近点间的相似性,最终完成对激光点云数据的分割。该方法解决了常用点云分割中几何特征和光谱特征无法同时使用的问题,融合了几何分割和颜色分割的两方面优势,提高了点云分割精度。采用2组数据分别比较了基于几何特征、光谱特征和多维空间相似度的3种不同分割算法的分割结果,实验结果验证了该方法的可行性和实用性。     

机载LiDAR航带间高程漂移检查方法研究

机载LiDAR作业时,误差将导致相邻航带的同名特征间存在高程漂移,若偏移量超过一定的阈值,则可能造成后续激光点云数据的分类错误,进而使得用其生成的数字产品无法正确反映真实地形。鉴于此,提出了一种机载LiDAR航带重叠区高程漂移自动化检查算法。由于Li DAR数据本身具有特殊性,相邻航带间不存在真正意义上的同名点,采用提取航带同名面的方式对航带间相对高程进行检查。通过编程计算对实验区数据进行检查分析,并通过人工核查的方式验证了该方法的可靠性。     

道路空间特征与测量距离相结合的LiDAR道路边界点提取算法

针对现有方法在较稀疏的16线激光雷达数据中提取道路边界点准确度较低的问题,本文提出一种道路空间特征与测量距离相结合的道路边界点提取方法:采用随机采样一致性(RANSAC)算法进行预处理,快速剔除道路区域外点;判断同条激光线中点与点之间的水平连续性和垂直连续性,去除大部分道路表面点;根据道路边界点的测量模型,结合原始测量距离修正保留的道路边界点,初步剔除非道路边界点;通过判断起始于被保留点的两个水平向量的夹角是否大于一定阈值,进一步精确剔除非道路边界点.试验结果表明,本文方法相对于现有方法能够较准确获取道路边界点,同时满足无人驾驶汽车环境感知的实时性要求.     

基于点云分割的激光里程计算法

针对激光里程计算法中存在的信息冗余和离散点干扰问题，本文提出了一种基于点云分割的激光里程计算法.该方法根据机械式激光雷达的水平旋转扫描特点，对点云数据进行扫描线分割并赋予标签，提取物体的边缘点作为线特征、表面点作为面特征.相较于传统的特征提取方法，本文算法能够有效提取具有较少标志性的特征点，同时剔除离散点.该算法在降低计算量的同时提升了定位的精确性和鲁棒性，对于机器人导航任务有着很好的应用前景，并通过计算机仿真验证了该算法的性能，并取得了较好的实验效果.