一种车载激光点云数据中道路自动提取方法

针对车载移动测量系统数据采集特点,构建车载激光点云扫描线索引,提出了一种基于扫描线索引的道路路面与路边点云稳健分类法。首先通过分析扫描线上不同地物剖面的空间分布特征,进行剖面激光点生长聚类,形成完整的地物剖面目标点集;然后根据点集的几何特征因子判断点集类型;最后利用相邻多条扫描线上路边点分布规律进行去噪。对车载移动测量系统获取的两份点云数据进行实验,路面与路边提取的平均完整率分别为94.4%、86%,平均准确率分别为98.9%、99.1%。实验分析表明,该方法能有效减少粗糙路面点的错误分类,适应不同的道路路边条件,降低独立地物对路边提取的干扰。     

BP神经网络的道路场景杆状地物自动分类

针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题,本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值,获取杆状地物聚类单元的特征向量,构建特征矩阵;然后使用样本集训练BP神经网络模型并保存该分类模型;最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明,该方法对杆状地物的分类精度可达95.34%,验证了文中所述方法对杆状地物分类的有效性。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

多平台点云数据的单木参数提取精度分析

以浙江省海宁市4种代表行道树(广玉兰、无患子、悬铃木、香樟树)为研究对象,结合无人机(UAV)影像和三维激光扫描数据,利用ContextCapture、LiDAR360软件完成点云拼接、滤波、降噪和编辑,通过迭代最近点算法实现点云精细匹配,完成多平台点云数据融合,进而得到数字表面模型与数字高程模型,并制作冠层高度模型;采用分水岭分割算法对不同行道树树种的冠层高度模型进行单木分割,并综合局部最大值法实现单木树高、冠幅的参数提取。结果表明,本文方法进行行道树单木分割的精度高,树高、冠幅参数提取值的效果好,满足行道树几何参数调查要求。     

A building extraction approach for Airborne Laser Scanner data utilizing the Object Based Image Analysis paradigm

In the past two decades Object-Based Image Analysis (OBIA) established itself as an efficient approach for the classification and extraction of information from remote sensing imagery and, increasingly, from non-image based sources such as Airborne Laser Scanner (ALS) point clouds. ALS data is represented in the form of a point cloud with recorded multiple returns and intensities. In our work, we combined OBIA with ALS point cloud data in order to identify and extract buildings as 2D polygons representing roof outlines in a top down mapping approach. We performed rasterization of the ALS data into a height raster for the purpose of the generation of a Digital Surface Model (DSM) and a derived Digital Elevation Model (DEM). Further objects were generated in conjunction with point statistics from the linked point cloud. With the use of class modelling methods, we generated the final target class of objects representing buildings. The approach was developed for a test area in Biberach an der Riß (Germany). In order to point out the possibilities of the adaptation-free transferability to another data set, the algorithm has been applied “as is” to the ISPRS Benchmarking data set of Toronto (Canada). The obtained results show high accuracies for the initial study area (thematic accuracies of around 98%, geometric accuracy of above 80%). The very high performance within the ISPRS Benchmark without any modification of the algorithm and without any adaptation of parameters is particularly noteworthy.     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

多回波点云数据解算单株木叶面积指数

以行道树无患子为研究目标,采用地面激光扫描(TLS)技术提取单木分回波点云数据。获取全波形数据、单目标数据、首次回波数据、其余次回波数据,建立基于多回波点云的算法,利用消光系数法提取不同投影分辨率0.01 m、0.02 m和0.03 m的的单株树叶面积指数(LAI)。利用2维影像数据数字半球影像(DHP)和LAI2200提取对应单株树的叶面积指数,进行比较分析,以检验其精度。结果表明:点云投影的分辨率与激光回波都对LAI有极显著影响,其中分辨率为0.02 m和0.03 m的估算结果与LAI2200所得估算结果相近,且差异不显著;单目标回波数据用于LAI的解算,可以同LAI2200的2维影像数据结果进行相互验证。使用单目标回波数据,0.02 m投影分辨率可以最大程度的保证单株LAI的精度,其与LAI2200测定的数据进行截距为0的线性回归,斜率达到0.827。本研究所做多回波地面激光数据计算叶面积指数的算法拓展了地面激光扫描的应用领域,为立木生长量信息准确提取和树木精确建模提供了重要的技术参考。     

A shape-based segmentation method for mobile laser scanning point clouds

Segmentation of mobile laser point clouds of urban scenes into objects is an important step for post-processing (e.g., interpretation) of point clouds. Point clouds of urban scenes contain numerous objects with significant size variability, complex and incomplete structures, and holes or variable point densities, raising great challenges for the segmentation of mobile laser point clouds. This paper addresses these challenges by proposing a shape-based segmentation method. The proposed method first calculates the optimal neighborhood size of each point to derive the geometric features associated with it, and then classifies the point clouds according to geometric features using support vector machines (SVMs). Second, a set of rules are defined to segment the classified point clouds, and a similarity criterion for segments is proposed to overcome over-segmentation. Finally, the segmentation output is merged based on topological connectivity into a meaningful geometrical abstraction. The proposed method has been tested on point clouds of two urban scenes obtained by different mobile laser scanners. The results show that the proposed method segments large-scale mobile laser point clouds with good accuracy and computationally effective time cost, and that it segments pole-like objects particularly well.     

三维点云的分割及骨架提取研究

针对在三维点云环境下分离目标物体所出现的过度分割问题,提出一种结合随机抽样一致性和颜色差值区域聚类的分割方法。首先利用RANSAC算法去除场景中大部分平面,使得目标物体和连成片的点云脱离,然后结合点云的距离阈值和目标颜色差值,得到目标点云数据。针对L1中值算法对曲率较大模型的骨架提取存在的不足,进行了改进。通过L1中值算法对点云模型进行骨架提取,得到点云的骨架点,然后沿端点方向向外进行最大内切球的球心提取,最后连接多个球心及骨架末端点,得到符合人类视觉效果的骨架。改进的算法提高了L1中值对曲率较大点云骨架提取的准确性。     

改进的分层点云数据压缩算法

针对传统点云压缩算法主要对小型物件的小数据量精细点云进行压缩,在大型地物的海量数据压缩方面存在压缩时间长、效率低的不足,提出了一种改进的分层点云数据压缩算法。基于大型地物点云空间结构特点将分层压缩算法的速度优势和距离压缩算法的高效优势相结合,解决了传统压缩算法在大型地物点云压缩方面的不足,实现了海量点云的快速高效压缩。西安市大雁塔三维激光点云压缩实验结果表明:该算法可以快速地完成海量点云的压缩,较之传统压缩算法极大地缩短了压缩时间,提高压缩效率。     

深度图像分割的城市区域倾斜影像密集匹配点云滤波算法

倾斜摄影测量作为一个新兴领域发展势头迅猛,在众多领域得到了广泛应用。但倾斜影像密集匹配点云处理技术研究却相对较少。倾斜影像密集匹配点云分布不均匀、表面粗糙,因而传统的激光扫描点云处理算法在用于倾斜影像密集匹配点云处理时的适用性较低。本文从倾斜影像密集匹配点云特点出发,提出了一种利用点云高程信息生成深度图像提取建筑物非连通区域,在全局范围选取种子点实现多种子点区域生长的点云快速滤波算法。实验结果表明,该算法滤波效果好、速度快,可以改善密集匹配点云部分地物底部边缘不清晰引起错分和区域生长无法分割建筑物非连通区域的问题。     

车载LiDAR点云中的建筑物特征提取

针对车载LiDAR点云数据处理复杂、时间长的问题,本文以地物不同特征值作为建筑物自动提取算法的依据,通过点云数据预处理、聚类分析等一系列流程最终实现一般建筑物点云的自动提取.通过两个实验区点云数据的提取与相应的实际地物进行精度分析对比,结果表明本文算法对实例测区环境下的不同建筑物点云提取具有较好的有效性,满足数字城市三...     

基于区域生长的体素滤波点云去噪算法

介绍了一种基于区域生长的体素滤波点云去噪算法.首先,使用体素滤波算法将点云数据体素化后,根据每个网格与最大密度网格的比值大小,将网格分为两类:大密度网格、小密度网格.然后对大密度网格使用区域生长法处理.最后,对全部数据进行区域生长处理.实验结果表明,该方法能够消除大、小尺度噪声,并且能够消除簇状噪声,且不改变点云的纹理...     

一种基于ISS-SHOT特征的点云配准算法

针对点云配准过程中易产生错误对应点、收敛速度慢、配准时间长等问题,提出了一种基于内部形态描述子(ISS)及方向直方图描述子(SHOT)特征的点云配准算法。运用体素格网法下采样后,采用ISS算法提取特征点,并用SHOT对特征点进行描述,利用余弦相似度匹配对应点对,再采用RANSAC算法剔除错误对应点对,使得两片点云获得良好的初始位姿,最后采用点到平面的ICP算法进行精确配准。试验结果表明,与传统ICP算法及基于ISS的SAC-IA+ICP算法相比,本文算法配准精度及配准效率更高,对数据量大、重叠率较低点云具有很好的稳健性。     

摄影测量激光点云空洞修补

为修补三维激光点云中的复杂空洞,本文提出了一种基于摄影测量原理的修补算法。与常规利用空洞与空洞周围点云的关系修补空洞的方法相比,该方法对于复杂空洞的修补可靠性更高,通用性更强。实验结果表明,该空洞修补算法适用于大面积、复杂的点云空洞,能较好地保持原三维物体的细节特征。     

基于点云数据构建树木骨架的方法

树木骨架在树木三维建模及林业研究中具有重要意义。基于地面三维激光扫描系统获取的树木点云数据,提出了一种利用体素空间转换方法而快速构建树木骨架的方法。首先,根据树木的点云数据构建特定的体素空间;然后,对投影变换的每层体素进行连通成分分析,解算出每个体素层所包含的骨架结点;最后,利用单源最短路径算法构建树木的骨架。实验证明,文中提出的方法是可行且有效的。     

基于Cyclone和PolyWorks的三维建模实现

从数据采集到数据处理,再到最后的模型重建,以实例详细介绍了地面激光扫描三维建模的整个流程。利用LeicaHDS6000地面激光扫描仪进行点云数据采集,针对规则和不规则建筑物的特点,分别基于Cyclone和PolyWorks软件实现了三维建模。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理,然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果,最终的结果不仅有效去除了噪声点,还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验,结果表明：通过DBSCAN聚类算法处理后得到的点云数据,再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高,点云去噪效果更好。     

车载LiDAR点云路灯提取方法

道路场景中路灯数量大、类型多,大场景中路灯详细信息获取是一项繁重的工作。本文提出先验样本集辅助的、基于骨架线缓冲区判别的路灯点云提取及种类识别算法：先根据路灯在车载LiDAR点云中的表达特征,构建路灯模型,并构建路灯先验样本集;再依据数学形态学的理论和方法,提取车载LiDAR点云场景中的杆状地物,在路灯模型及语义规则约束下,得到候选路灯;然后根据候选路灯的参数信息,及已获取路灯的统计信息,从样本集中筛选候选样本;最后基于最小二乘理论的匹配算法,对路灯先验样本与候选路灯点云进行匹配筛选,并基于路灯骨架线信息构建的双重缓冲区,对候选路灯进行判别分析,实现路灯的提取和种类识别。试验表明,该算法对于遮挡少、数据相对完整的路灯提取准确度为95.2%,对于遮挡严重、点云密度低、数据完整性差的路灯提取准确度为78.0%,验证了该算法对大场景中路灯详细信息提取的稳健性。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。