顾及语义的机载LiDAR点云格网化方法

传统的点云格网化方法采用纯数字拟合内插的方法,基本不顾及平面坐标和高程之间存在的潜在关系——语义信息。将语义信息纳入点云格网化生成的高程格网具有更高的语义一致性,更适合用于3维可视化和真正射影像的生成。以静态水体为例,研究了顾及语义的机载LiDAR点云格网化方法。最后通过实验验证了该方法的有效性。     

基于车载激光点云的数学形态学滤波方法改进

针对车载激光点云数据空洞插值误差大及利用多尺度数学形态学滤波方法耗时高的问题,提出一种改进的数学形态学滤波方法,该方法按照点云空间分布形态格网化,以控制开运算方向。腐蚀运算过程中,根据格网腐蚀前后高程的变化情况,更新格网高程,以达到空洞精确填充及各格网均含地面点的目的。利用5组点云数据进行了实验,结果表明:该方法能有效提取地面点,运算效率明显优于多尺度数学形态学滤波方法,具有一定的实用性。     

利用 LiDAR 点云提取有地形约束的光滑海岸线

针对传统海岸线提取算法误差大、在地形突变区域形变大的缺点,提出了一种基于离散 LiDAR 点云提取有地形约束海岸线的方法.首先,通过离散点云构建约束三角网,减少内插规则格网的误差并且保证海岸线不穿越地形结构;其次,进行顾及地形结构的点云高程修正,在数据源上缓解海岸线的平滑问题;最后采取二次多项式法消除毛刺,利用动态阈值张力样条函数内插生成光滑海岸线.     

大数据量机载LiDAR点云的快速区域分割处理

针对大数据量机载LiDAR点云数据整体处理时效率低下、分块处理时容易破坏地物空间结构特征的问题,提出了一种顾及点云覆盖区域地形地貌特征的快速区域分割方法。首先构建离散点云的虚拟格网,利用格网邻域内的高程突变实现区域边界上的各类障碍物自动检测;其次为提高分割处理效率,在点云覆盖区域矩形初始分割的基础上,利用流水模型及坐标轴向的方向约束对矩形分割边界线进行自动更新;最终实现了大数据量点云的快速区域分割处理。实验证明,该算法能够合理避开各类典型地形及地物障碍,实现区域分割边界线的自动化生成,算法的适应性与处理效率较高,能够较好地应用于大数据量点云数据的快速处理与应用。     

分段能量函数优化的复杂场景点云滤波

为了提高复杂场景点云滤波的精度与效率,该文提出一种基于分段能量函数优化的滤波方法。剔除噪声并将点云格网化,设计分段能量函数,利用能量最小化求取每个格网对应的地面高程。若格网内最低点高程与该高程值差距在量化误差范围内,则将该点设为地面种子点。根据种子点构造狄洛尼三角网,取与其距离在阈值范围内的点为地面点。通过多种地形场景下的点云滤波实验验证,滤波的总体误差为3%,低于gLiDAR,且具有参数设置简单、同时兼顾精度与效率的优势。     

一种顾及地形复杂度的LiDAR点云多尺度滤波方法

针对复杂地形区域的机载LiDAR数据滤波方法中自适应阈值设置问题,根据地形多尺度效应,提出一种自适应阈值的机载LiDAR点云多尺度滤波方法。该方法采用影像金字塔策略按分辨率从高至低逐级构建LiDAR点云分层格网,滤波过程则从最大尺度格网(顶层格网,最低分辨率)开始,采用局部统计分析的方法自适应地确定高差阈值,同时结合薄板样条内插出下层各格网控制点的高程值,直至最底层格网完成原始激光点云滤波。通过我国某山区城市复杂地形的LiDAR数据实验表明顾及地形复杂度的LiDAR点云多尺度滤波方法能够快速有效地提取高精度DEM,能够满足实际生产需求。     

隧道点云格网化方法分析研究

面对海量点云数据,如何根据点云特征和应用目的选择合适的格网化方法十分重要。分析了主要的格网化方法,并根据地铁隧道实测点云数据进行实验分析。结果表明,不同点云格网化方法存在很大差异,克里格法整体效果较好,最小曲率法存在伪趋势现象,加权反距离插值边缘表现失真,三角剖分法存在断层现象,应用时要根据需要选择合适的格网化方法。     

一种基于点云数据的DEM生成方法

利用机载激光雷达点云滤波已成为获取高精度数字高程模型的重要手段之一。本文充分考虑规则格网和虚拟格网的优势,利用规则格网进行建筑物区域与非建筑物区域的初步分离;然后,利用虚拟格网进行非地面点的去除,最后,用获得的地面点生成DEM,取得了较好的实验效果,具有一定的实用价值。     

一种基于改进区域增长的行道树点云提取方法

针对城市车载Li DAR数据处理中行道树的提取,首先对点云数据进行分层格网化处理;然后分析行道树在多层格网中的分布形态;最后结合点云的投影密度和高程分布等特征,以空间区域增长的方式提取行道树。实验证明,这种方法能有效地排除其他地物,提取完整的行道树点云。     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

融合RGB-D深度图像和LiDAR点云的石油管线BIM建模

建筑信息模型(BIM)已经被广泛用于提高复杂管线系统的管理效率,但已有石油管线的BIM建模,往往依靠设计图纸或现场测绘手工完成,耗时费力。为此本文提出了一种融合RGB-D深度图像和LiDAR点云数据的石油管线BIM重建方法。首先利用RGB-D图像提供的丰富语义信息和LiDAR点云精确几何信息,对深度相机采集的RGB图像进行分割,生成三维语义地图;然后通过点云粗匹配和精确匹配实现数据融合;最后给出了不同结构管线构件的BIM模型制作方法。试验结果表明,与以往的管线BIM重建方法相比,该方法更准确、高效,有助于石油企业对含有复杂管线的计转站等实施信息化管理。     

基于语义特征的堤防外坡激光脚点分割

在缺乏影像等辅助数据的情况下,本文直接利用激光雷达LiDAR点云数据,提取水系边缘,并在此基础上实现基于语义分割的堤防外坡激光点云提取方法。分两步进行边坡的提取:首先获取LiDAR数据中水体边缘轮廓线,进一步获取堤防边坡的下缘线;然后以下缘线为增长基线,通过最小二乘平面拟合,利用区域增长的方法,将边坡平面提取出来,从而获取边坡脚点。     

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。     

SANet:空间注意力机制下的LiDAR点云实时语义分割方法

语义分割是智能机器人由感知智能迈向认知智能的重要基础,当前针对点云数据的语义分割方法存在实时性差、精度低等现象。本文系统分析了点云经球面投影所得的距离图像与自然图像的差异,为基于距离图像的实时语义分割网络设计提供了思路。通过分析发现,距离图像具有强空间相关性的特点,将强空间相关性与注意力机制相结合,提出基于空间注意力机制下的LiDAR点云实时语义分割方法SANet。该方法能够高效地聚合空间分布特征与上下文特征,且模型参数量较少,满足实时性的要求。在SemanticKITTI数据集上的试验表明,与其他优秀算法相比,SANet兼顾了实时性与准确性,显著提高了LiDAR点云语义分割的精度,可为自动驾驶及其他机器人应用领域提供辅助支撑。     

室内三维点云空间自动划分与规则化方法北大核心CSCD

精准空间划分是实现室内语义建模与拓扑结构重建的重要基础。三维点云作为常用的室内空间数据载体,如何基于三维点云进行室内空间语义信息提取与规则化具有重要意义。本文提出了一种基于形态学分割方法实现室内场景的分割,并结合矢量规则化方法完成分割场景的规则化。首先,基于区域增长算法与线性拟合方法提取空间分割要素,通过平面投影生成二进制影像,进而利用距离变换和分水岭算法完成空间分割;然后,对空间分割要素进行线性拟合,进行室内空间格网划分,采用矢栅叠加方法实现空间要素规则化;最后,通过4组实际场景(包含3组ISPRS数据集及1组实际场景采集数据)进行数据验证。试验结果显示,本文提出的室内空间分割与规则化方法可以准确快速地完成室内空间要素的提取。     

滑坡监测中点云数据分析

山体滑坡是不可逆转的自然灾害,实时监测滑坡绝对位移和相对位移,掌握滑坡形变的规律和趋势,可减少经济损失,保障经济发展。三维激光扫描技术是监测山体滑坡的主要方法之一,其关键是去除地表植被、建筑物等其他地物点云信息对地表模型的干扰,获得扫描区域高精度的DEM,进而得到准确的监测信息。因此本文重点分析并去除滑坡体各种干扰地物点云信息。     

车载激光点云的道路标线提取及语义关联

自动驾驶技术已成为未来智能交通的发展方向之一,高精度地图为L3级及以上自动驾驶实现高精度定位和路径规划提供先验信息,是自动驾驶车辆传感器在遮挡或观测距离受限情况下的重要补充。道路标线的位置和语义信息,比如实线和虚线的绝对位置是高精度地图的基本组成部分。本文从车载激光点云中提取扫描线,根据道路边缘位置几何形态的突变从扫描线中提取道路路面,在此基础上首先利用反距离加权插值的方法把路面点云图像以一定的分辨率转换为栅格图像,其次利用基于积分图的自适应阈值分割方法把栅格图像转化为二值图像,然后利用欧氏聚类的方法从二值图像中提取标线点云,并利用特征属性筛选的方法对提取的标线点云进行语义识别,最后建立交通标线和交通规则之间的语义关联。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

一种基于室内点云数据的建筑墙线提取

针对室内点云数据无结构化属性、数据间无连接、不承载语义信息且数据点密度高的特点,结合建筑物点云几何特征和室内导航需求,通过数据降维简化建筑几何特征提取的复杂性,提出一种基于室内点云数据提取建筑物墙线的方法.该方法首先通过向特定方向投影,利用点云密度直方图完成天花板面、地板面和房间墙面的初步分割;然后将房间墙面点云数据向...