面向室内场景点云的对象重建

针对当前逆向工程中对象提取及模型重建效率较低的问题,提出了一种面向室内场景点云的对象重建方法。首先构建直通滤波器,采用改进的RANSAC算法剔除非对象点云,然后根据欧氏聚类提取算法分割出各个对象点云,最后基于α-shape理论批量重建出对象模型。试验结果表明,该方法能够从散乱的室内场景点云中快速、自动地重建出代表真实对象的三维模型,具有较高的实用价值。     

顾及几何特征的规则激光点云分割方法

三维激光扫描仪能快速地获取三维场景的高精度点云数据,已成为快速三维建模的重要工具。点云分割是三维点云模型数据预处理中的首要环节,也是影响重建效率与模型质量的重要因素。以激光点云的分割为研究切入点,以八叉树空间划分方式对数据进行组织,并用八进制编码进行命名,结合K邻近搜索法获取目标点的局部邻近点,采用加权平均目标点相邻的三角面片法向量来估算单点法向量。基于投影欧氏距离拟合曲面求取曲率。量化了规则点云集的分割约束条件,采用法向量信息来进行平面点的提取,根据曲率在两个主方向上的差异性来识别和分割柱面和球面信息。试验结果表明：①基于法矢量的平面点分割效果理想;②基于曲率差异性的规则曲面点分割效果较差;③基于几何特性的规则激光点分割方法合理可行。     

定标器表面点云的格网构建分割方法

机载激光雷达安置角偏差对测量结果影响较大。针对安置角偏差标定中的同名点获取问题,设计了一种金字塔形状的定标器和提取定标器顶点的算法流程。对算法流程中的点云分割问题,结合定标器模型参数和格网法向量,提出了一种基于格网构建的分割方法。对实验数据进行处理,得到了很好的点云分割效果。     

一种基于极大曲率的机载LiDAR数据 地形特征提取方法

对于庞大的点云数据来说,从中直接提取多种数据特征是相当困难的。考虑到基于数字化等高线数据和数字地面模型提取地形特征受内插误差影响,提出一种基于极大曲率的地形特征提取方法。对初始地面点云进行极大曲率估计;结合欧氏聚类方法进行地形特征点粗提取;对粗提取特征点进行粗糙度分析,得到精确特征点。顾及离散曲率的特征,即曲率越大越接近特征线,得到可靠的地形特征分割结果。该方法不需要人工干预,直接基于机载LiDAR点云数据进行处理。试验表明采用基于极大曲率分割的方法能从点云中自动提取比较完整并且准确的地形特征点。     

树木三维点云的枝叶分割方法

利用地面三维激光扫描点云构建树木模型时,对树木点云进行枝叶分割,可以提高单木分割、骨架提取、模型构建等步骤的准确性.针对现有枝叶分割方法参数设置复杂、需要训练样本、依赖颜色强度等不足,提出了一种新的基于邻域点分布规律的枝叶分割方法.该方法遍历树木点云中的激光点,首先利用K纬树算法搜索激光点的所有R邻域点,构成邻域点集;...     

一种低重叠率激光点云的配准方法北大核心CSCD

针对点云数据采集过程中因扫描仪设站数少导致相邻的两片激光点云重叠率低,且难以高精度进行配准的问题,该文提出了一种基于重叠区域的点云配准方法。首先利用加入距离权重的法线夹角及曲率特征将点云分割成块,构建每一点云块的多维特征描述符,通过比较各点云块间的方差分布相似性提取相邻点云的重叠区域,然后将重叠区域的点云带入超四点快速鲁棒匹配(Super4PCS)算法中进行配准,根据一致性约束将最优的刚性变换矩阵应用于原始数据,得到最终的点云配准模型,最后与直接利用Super4PCS算法配准后的效果进行对比分析。实验结果表明,通过增加点云间重叠区域的提取,可以有效提高对低重叠率激光点云的配准精度,从而更有利于点云三维模型构建等后续数据处理。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云，经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云，并对三个数据集的应用结果作精度评定，其最终结果的误差在有效范围内，并对PointCNN中的参数进行分析，完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型，且受非行道树点云目标干扰小，在复杂道路环境下的数据分割工作有很好的效果。     

基于Otsu算法与改进区域生长算法的道路点云提取

针对车载激光扫描获取的道路点云数据分类问题多的难点,本文提出了一种基于最大类间方差(Otsu)算法与改进区域生长算法的道路面提取方法。原始点云中非地面点滤除依靠Otsu算法自适应计算出分割阈值;随后分别计算点云的法向量与曲率;最终将法向量相似度作为约束条件,使用改进区域生长算法进行道路面精确提取。通过两段典型的城市道路点云数据为例,试验结果表明,本文方法提取道路面结果的准确度(C_R)、完整度(C_P)以及提取质量(Q)均大于94%,充分证明了该方法的有效性。     

一种基于点云数据的建筑物平面精细分割方法

针对现有大规模点云数据平面特征分割方法中存在的错误识别、效率低、抗噪性差等问题,该文提出一种基于2D霍夫变换和八叉树的建筑物平面精细分割方法。该方法首先,对原始点云进行空间均匀降采样并向X-Y面投影,利用改进的2D霍夫变换算法提取投影后的点云线段,使用选权迭代法精确计算线段所在直线的方程及端点坐标,进一步确定立面的空间几何方程;接下来,建立原始点云数据的八叉树结构,利用端点坐标设计立方体并分割出立方体内的立面点云;最后,将立面点云从原始点云中剔除,对余下点云降采样并向X-Z面投影,重复以上过程分割水平面点云。试验验证了该文方法对建筑物面状特征分割的有效性。     

用于公路勘测设计的LiDAR点云抽稀算法

传统的抽稀算法应用于公路点云数据抽稀时,往往存在不能很好地顾及地形特征,或者出现大面积点云空洞的缺陷。本文提出了一种改进的基于平均曲率算法,用于公路勘测设计中的点云数据的抽稀,该算法首先通过局部二次曲面拟合,依次求出所有点的平均曲率;然后根据平均曲率判断地形特征,并作为判别点云数据抽稀的主要准则;最后利用标记法解决了平坦路面出现大面积空洞的问题。通过试验与分析,证明了本文抽稀算法的可靠性和适用性。     

基于局部约束的建筑物屋顶点云平面分割方法

建筑物屋顶面点云分割结果的好坏对建筑物三维模型重建起着重要的作用。针对传统RANSAC算法建筑物屋顶面点云的分割问题,提出了一种基于局部约束的建筑物点云平面分割方法。利用点云局部曲面法向约束构建法向准则,利用半径约束的点云空间聚类的方法对共面屋顶面点云进行分解,从而抑制"伪屋顶面"的产生;利用局部抽样策略降低算法的迭代次数,减少运算量。实验表明该方法能够获得稳定可靠的建筑物屋顶点云分割结果,将有利于后续的建筑物三维模型重建。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据,首先通过点云数据的分类处理实现对树木点云数据的提取,将树木点云投影到水平面,采用DBSCAN密度聚类算法实现单根树木的提取;然后在数据密集区域存在树木树冠点云重叠的区域,本文结合树干几何特征提取树干的位置信息,计算所有点云到树干中心的欧氏距离,将所有点云归类到最近的树干进行粗分割;最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心,提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明,本文采用的树木分割方法能够实现单棵树木精确提取。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

机载LiDAR数据中电力线的自动提取与重建

为实现电力线走廊更加有效地巡检,本文设计了一套LiDAR点云数据中电力线自动提取与重建的方法。首先,利用改进的渐进形态学滤波剔除地面点,通过高差阈值与高程离散度分割,实现电力线点粗提取;然后,借助RANSAC直线检测,得到电力线直线模型,依靠密度检测,实现单根电力线点云精确聚类;此外,利用k-means算法完成分裂导线束间归类;最后,进行二次多项式限制的最小二乘拟合,生成电力线曲线模型。试验结果表明,使用该方法电力线点云提取的正确率达98%以上,非电力线点云误判率低至1%左右,电力线直线模型拟合误差在5 cm以下,曲线模型拟合误差在3 cm以下,完全满足实际工程需求。     

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。     

An improved segmentation approach for planar surfaces from unstructured 3D point clouds

The extraction of object features from massive unstructured point clouds with different local densities, especially in the presence of random noisy points, is not a trivial task even if that feature is a planar surface. Segmentation is the most important step in the feature extraction process. In practice, most segmentation approaches use geometrical information to segment the 3D point cloud. The features generally include the position of each point (X, Y and Z), locally estimated surface normals and residuals of best fitting surfaces; however, these features could be affected by noisy points and in consequence directly affect the segmentation results. Therefore, massive unstructured and noisy point clouds also lead to bad segmentation (over-segmentation, under-segmentation or no segmentation). While the RANSAC (random sample consensus) algorithm is effective in the presence of noise and outliers, it has two significant disadvantages, namely, its efficiency and the fact that the plane detected by RANSAC may not necessarily belong to the same object surface; that is, spurious surfaces may appear, especially in the case of parallel-gradual planar surfaces such as stairs. The innovative idea proposed in this paper is a modification for the RANSAC algorithm called Seq-NV-RANSAC. This algorithm checks the normal vector (NV) between the existing point clouds and the hypothesised RANSAC plane, which is created by three random points, under an intuitive threshold value. After extracting the first plane, this process is repeated sequentially (Seq) and automatically, until no planar surfaces can be extracted from the remaining points under the existing threshold value. This prevents the extraction of spurious surfaces, brings an improvement in quality to the computed attributes and increases the degree of automation of surface extraction. Thus the best fit is achieved for the real existing surfaces.     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点。本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云。通过对两种典型路段进行试验分析表明,该方法用于提取城市道路边界点云效果较好,精确性与稳健性高,对今后道路边界线的提取起到借鉴作用。     

一种改进的RANSAC算法提取多模型圆弧特征点云

针对传统RANSAC算法迭代次数无上限及只能识别单个模型的局限,提出一种适用于扫描线式点云数据改进的RANSAC算法。对三维激光点云数据进行二维化处理,在RANSAC算法的基础上对局外点进行预剔除,计算过程中对迭代次数进行自适应调整,采用分次识别法实现多模型圆弧点云的提取。实例证明,文中算法能够有效地提取同一场景中的多模型圆弧点云,较传统算法具有明显优势。