Demonstration of a virtual active hyperspectral LiDAR in automated point cloud classification

In this paper, a measurement system for the acquisition of a virtual hyperspectral LiDAR dataset is presented. As commercial hyperspectral LiDARs are not yet available, the system provides a novel type of data for the testing and developing of future hyperspectral LiDAR algorithms. The measurement system consists of two parts: first, backscattered reflectance spectra are collected using a spectrometer and a cutting-edge technology, white-light supercontinuum laser source; second, a commercial monochromatic LiDAR system is used for ranging. A virtual hyperspectral LiDAR dataset is produced by data fusion. Such a dataset was collected on a Norway spruce (Picea abies) sample. The performance of classification was tested using an experimental hyperspectral algorithm based on a novel combination of the Spectral Correlation Mapper and a region growing algorithm. The classifier was able to automatically distinguish between needles, branches and background, in other words, perform a difficult task using only traditional TLS data.     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification

The features used in the separation of different objects are important for successful point cloud classification. Eigen-features from a covariance matrix of a point set with the sample mean are commonly used geometric features that can describe the local geometric characteristics of a point cloud and indicate whether the local geometry is linear, planar, or spherical. However, eigen-features calculated by the principal component analysis of a covariance matrix are sensitive to LiDAR data with inherent noise and incomplete shapes because of the non-robust statistical analysis. To obtain reliable eigen-features from LiDAR data and to improve classification accuracy, we introduce a method of analyzing local geometric characteristics of a point cloud by using a weighted covariance matrix with a geometric median. Each point is assigned a weight to represent its spatial contribution in the weighted principal component analysis and to estimate the geometric median which can be regarded as a localized center of a shape. In the experiments, qualitative and quantitative analyses on airborne LiDAR data and simulated point clouds show a clear improvement of the proposed method compared with the standard eigen-features. The classification accuracy is improved by 1.6–4.5% using a supervised classifier.     

车载LiDAR点云数据中杆状地物自动提取与分类

针对城市道路场景中车载LiDAR点云数据质量差、各类地物相互遮掩的情况,提出杆状地物自动提取与分类算法。先通过改进数学形态学算法移除点云数据中的地面点,再根据杆状地物的形态特征,使用纵向格网模板初步提取杆状地物,然后对提取的疑似杆状地物进行点云数据规则化并通过统计分析移除噪声点,最后根据预先建立的杆状地物样本训练SVM分类模型,对提取的杆状地物进行分类。试验表明,本文方法能够在数据质量欠佳的情况下有效提取城市道路场景中的杆状地物,并对提取的杆状地物进行高精度分类。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

车载激光雷达点云与全景影像的自动配准

针对激光雷达点云数据缺乏纹理信息的问题,该文提出一种基于互信息的车载激光雷达点云与全景影像配准方法。该方法使用统一的球面全景成像模型,引入互信息作为相似性测度,将车载激光雷达点云生成的深度图与信息提取后的全景影像进行配准,实现配准参数的自动、高精度解算。同时,对车载激光雷达点云与全景影像配准的精度进行评定与分析。实验结果表明,车载点云与全景影像的配准方案是可行的,具有较高的配准精度。     

矿区地表彩色点云的自动分类

以矿区的彩色三维激光点云数据为研究对象，提出了矿区点云快速自动分类及目标提取的方法。首先根据彩色点云的RGB值计算HSV空间中的H值，根据各地物间H值的差异，分别对地面点与非地面点根据地物颜色先验值进行点的提取。然后对提取的点进行聚类计算，利用各类地物点云在空间分布上的显著差异，采用分层截面投影，由投影点最小包围盒的长宽比及面积比对矿区地物点云进行自动分类与提取。最后以Riegl VZ-1000扫描仪采集的某矿区地表点云数据为试验对象，验证本文算法的可行性和实用性。     

多因子激光雷达点云分区精简算法

激光雷达点云密度较大时会导致数据冗余,对点云数据的计算、存储及显示造成困难。本文针对激光雷达地形扫描点云的精简问题,提出了一种多因子分区点云精简方法。首先在改进点云组织方式的基础上,使用变异系数定权法并综合4种传统的点云特征提取因子,得到最终的综合评价因子,以划分特征点与非特征点;然后使用改进的八叉树将所有点依据其位置与数量划分为子集,并根据每个子集的特征点数量确定是否保留其中部分非特征点。该方法可更全面客观地对数据进行特征评估与选择,得到最具代表性的点,实现更高精度的精简。试验显示,多因子分区方法的误差比其他方法低20%～50%,且在整体试验区域精度的均匀性高5%～70%,证明该方法更优越。     

车载激光点云数据的栅格化处理

车载激光点云由于车辆的震动和点云的融合,得到的数据为散乱空间点云。本文通过对空间点云进行两个方向的排序,得到以x值为主排序,z值为次排序的点云图,然后设置栅格,对于每个栅格点,找到投影在XOZ投影面内与其距离最近的激光点,将该激光点的y值赋给栅格点,得到与该区域空间点云相对应的栅格化点云。在按照X值排序时,根据点云的特点给出了一种插入排序算法。实验结果表明栅格化后的点云与原点云在表现建筑结构上效果一致。散乱点云栅格化后为点云的进一步分析打下基础。     

机载LiDAR点云数据与影像数据融合

分析机载LiDAR系统获取的点云数据与影像数据的优缺点,从而取长补短,将二者进行叠加融合,并成功地将航空影像的光谱信息赋给相对应的LiDAR点云,弥补了LiDAR点云在光谱信息方面的缺陷,为LiDAR点云数据的后续处理提供重要的信息支持。     

机载LiDAR点云获取与高精度DEM建设关键技术探讨

结合广东省机载LiDAR点云获取与高精度DEM建设项目,介绍了项目总体技术路线,针对项目难点,从设备选择、点云密度设计、植被覆盖密集山区数据获取方法、点云数据分类组合算法、空白区处理等5个方面的关键技术进行了探讨,并提出解决方案,为同类项目的设计与实施提供参考。     

基于云理论的遥感影像分类方法分析

采用基于云理论的遥感影像分类方法,该理论兼容模糊性和随机性,通过逆向云发生器生成云模型,进而得出云的数字特征隶属函数,使用X条件云发生器计算隶属度,最后用极大判别法实现分类。通过与传统方法的实验对比分析,基于云理论的遥感影像分类方法有效地改善分类中的不确定性问题,提高分类准确度。     

地面激光点云与数码影像自动高精度配准

针对地面激光雷达点云和数码光学影像非同源异质数据自动配准困难的问题,本文提出了基于互信息的两种数据同名特征高精度自动提取的方法。首先,把点云数据生成中心平面投影的反射强度图像和基于RGB信息的彩色图像,应用点云彩色图像和数码光学影像的匹配,确定点云与影像的粗配准参数;然后,对反射强度图像进行特征提取,应用粗配准参数确定其在数码光学影像上的初始位置,应用互信息实现非同源数据的高精度匹配;最后,应用罗德里格矩阵和选权迭代方法计算高精度配准参数,生成三维彩色模型。试验证明,本文方法可以解决地面激光点云和数码光学影像非同源异质数据的配准问题,具有一定的研究和应用价值。     

LiDAR点云数据的电力线3维重建

利用LiDAR数据进行电力设施提取与建模可以克服传统工程测量电力巡线工作量大,危险性高,效率低下等缺点,但现有的电力线提取研究主要集中在电力线的分离与提取,并且拟合的精度不高。针对此问题本文提出了一种精度较高的电力线拟合方法。首先,根据电力线两端悬挂、中间自然下垂的特点,求解电力线拟合的最佳几何模型;然后,通过电力线的走向和端点,建立电力线拟合的最佳平面坐标系;最后,采用基于二次多项式限制的最小二乘法拟合电力线,解算出最优参数,生成最终电力线模型。对真实数据的处理和精度评价表明,本文方法不仅能够实现电力线的快速3维重建,而且能够达到较高的拟合精度。     

电力巡线LiDAR点云电塔自动定位和提取算法

针对电力巡线机载激光雷达(LiDAR)激光点云电塔自动提取问题,提出了一种电塔自动定位和点云提取算法。首先,基于点云进行二维空间网格划分,利用网格点云高程偏差和方差特征提取潜在电塔网格;其次,基于电塔点云的高程连续特性完成电塔自动定位和点云粗提取;然后,利用点云分层密度信息和图像开运算,实现电塔精细提取;最后,利用轻小型无人机载激光雷达数据验证本文算法的有效性。试验结果表明,本文所提出的自动提取算法,能够有效解决LiDAR数据中电塔自动定位和点云提取问题,在LiDAR数据质量较差时仍能够取得良好效果,算法对于噪点数据具有较强的稳健性。本文所提出的电塔自动提取算法在LiDAR电力巡检数据处理中具有一定的应用价值。     

基于密集匹配点云的DEM生产可行性研究

无人机倾斜摄影直接生产的成果通常包括三维模型、TDOM、DSM等,然而规划设计通常不能直接利用倾斜数据输出的DEM,需要辅以人工编辑。作为倾斜摄影影像处理的过程成果,密集匹配点云未得到充分利用。其与激光雷达点云具备相似的结构,且点云密度可自由选择,在不考虑数据量的情况下,密集匹配点云的点密度可数倍于激光雷达点云。此外,密集匹配点云无需单独赋色,即具有纹理信息,对人工目视编辑自动分类后的地面点具有一定的辅助作用。本文对比分析了同一测区的密集匹配点云与激光雷达点云,验证了密集匹配点云用于房屋建筑区及稀疏林区地面点滤波并生产DEM的可行性。     

融合航空影像的LiDAR地物点云分类

点云滤波分类是LiDAR后续应用的基础工作,在点云滤波的基础上,以航空影像为辅助条件,结合点云高程信息,设计一套地物点云的分类方法。该方法首先融合航空影像与LiDAR数据,将对应RGB值赋予每个点,根据植被的光谱特征提取出部分植被点云;然后再根据文中定义的点云高程纹理,在剩余地物点云中提取出建筑物点,最后根据回波次数信息分离出剩余植被点,完成地物点云的分类。采用北京凤凰岭地区一组机载LiDAR数据进行实验。实验结果表明,该方法能够有效地将地物点云进行分类并且满足一定的精度要求,具有一定的实用价值。     

面向地面点识别的机载LiDAR点云分割方法研究

提出一种面向地面目标识别的机载LiDAR点云分割方法。方法首先求每个激光脚点的法向量和残差,由此确定种子点和种子平面;然后对种子点进行区域生长,生长的过程中以邻接点到种子平面的距离和邻接点与种子点的法向量角度差作为相似性的度量标准;当全部的扫描点都被划分,则算法终止。实验表明,文中提出的分割方法,对于城区区域和农村区域的地面目标有很好的识别效果。     

影响机载激光雷达点云密度的因素分析

针对机载激光雷达设计点云密度与实际获取不一致的问题,该文从参数设计、设备性能、摄区情况和综合要求等方面讨论影响点云密度的因素,分析各个因素对点云密度的影响程度,提出了保证点云密度的一般方法。基于影响因素分析结果,该文从工程实践出发,系统性地介绍了点云密度设计思路并验证点云密度影响因素。研究结果为如何设计机载激光雷达点云密度提供参考依据,对工程项目设计和数据处理具有一定指导意义。     

车载LiDAR场景中路灯的提取与识别

为解决车载LiDAR城市场景中路灯提取和识别问题,文中提出基于样本的路灯提取算法。先通过人机交互的方式提取路灯的样本参数;再依据数学形态学闭运算提取点云场景中疑似路灯的位置,根据样本参数确定疑似路灯范围并提取疑似路灯点云;然后进行路灯样本和疑似路灯点云的匹配;最后,通过建立路灯样本缓冲区实现路灯判断和提取。通过试验验证,算法不仅可以快速自动提取路灯点云,还能完成路灯单一种类的识别。