基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。     

半自动机载LiDAR点云建筑物三维重建方法

针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。     

复杂屋顶平面的RANSAC优化分割方法

针对传统随机采样一致性（random sample consensus,RANSAC）算法对复杂屋顶的分割缺陷,提出一种复杂屋顶平面的RANSAC优化分割方法。首先,在点云法向量估计的基础上,利用点法式方程优化种子点选取过程,提高初始平面选择的有效性;然后,采用距离与法向加权法抑制虚假平面生成,并利用加权函数进行平面内点的迭代修正,提高面片分割的准确性;最后,利用面片竞争方法优化分割结果,实现屋顶点云的分割处理。多组点云分割实验结果表明,该方法能有效抑制虚假平面,对复杂建筑物的屋顶平面分割结果的精确率、召回率和整体精度分别达到96.8%、98.2%和95.1%。相比传统方法,该方法在点云分割结果正确率及耗时方面均有明显优势。     

利用RANSAC算法对建筑物立面进行点云分割

建筑物立面点云分割是车载激光扫描数据特征提取与建模的基础.本文将随机抽样一致性算法( Random Sampling Consensus)方法引入对点云的分割中,并在判断准则中引入了点云的r半径密度,消除了噪声的影响,同时建立角度和距离两个约束条件对平面分割结果进行优化,提取出了最终的建筑物立面特征平面.     

机载LiDAR数据建筑物顶面点云分割方法研究

建筑物顶部面片的精确分割是机载LIDAR点云数据中建筑物三维重建的关键。本文在LIDAR点云数据法向量分析及曲率计算的基础上,采用曲率最小点作为种子点,以点云法向量角度差和灰度值差作为生长条件,构建了LIDAR点云数据的建筑物顶面面片区域增长分割方法,并进一步对分割面片的邻接点进行处理,用于建筑物三维模型的重建。实验结果表明,本文建立的算法可准确的分割不同结构类型的建筑物顶面,并能够有效区分植被点云。     

一种利用点云数据提取建筑物屋顶面的方法

提出一种利用点云数据提取屋顶面的方法。首先通过Alpha Shapes算法提取屋顶面轮廓,再计算点云的法向量和曲率特征并设置阈值筛选种子点,然后利用区域增长算法进行生长提取屋顶面,最后利用张量投票进行后处理解决屋顶面竞争的问题。实验表明,提出的建筑物提取方法能很好地实现屋顶面提取,满足工程实际应用的需要,具有较好的应用价值。     

基于随机抽样一致性算法的稳健点云平面拟合方法

针对点云数据平面拟合过程中存在粗差及异常值等问题,文章提出一种基于随机抽样一致性算法(RANSAC)的稳健平面拟合方法。该方法以RANSAC算法为基础并结合特征值法,通过设置一定的准则,剔除点云数据中存在的粗差及异常值,达到获得理想平面拟合参数的目的。运用此算法对仿真数据及实测数据进行平面拟合,并与传统算法进行比较,结果表明该方法可以很好地适应于点云数据中存在粗差及异常值的情况,获得较好的平面参数估计值,是一种稳健的平面拟合算法。     

建筑物立面重复模式的点云投影直方图分割方法

针对建筑物的门、窗、梁、柱等具有规则几何形状的重复模式,提出基于投影点云特征直方图(PPFH)的边界语义分割方法.该方法首先利用PC A方法确定立面的主方向,然后根据点云分布特点,分别进行正立面、侧立面投影得到点云分布直方图,根据直方图的极值点对重复结构边界进行提取和语义分割,最后利用LS-TLS方法进行规则化及误差分析.通过对某建筑物立面窗户提取的算例表明:该方法直接利用重复结构的几何特性,算法简洁,对边缘部分遮蔽和缺失的点云也适用,通过对50个窗户的统计分析,长度和宽度平均误差约6 m m,可广泛用于建筑高精度BIM建模.     

基于RANSAC算法的稳健点云平面拟合方法

针对点云平面拟合中存在粗差及异常值等问题,对结合特征值法的随机抽样一致性(random sample consensus,RANSAC)平面拟合算法进行了改进。该方法以RANSAC算法为基础,结合特征值法,利用点到平面模型距离的标准偏差来自动选取阈值t,通过阈值t检测并剔除异常数据点,达到获得理想平面拟合参数的目的。用改进的算法和传统的特征值法分别对点云数据进行处理,结果表明,改进的算法适用于存在误差和异常值的点云数据拟合,能稳定地获得较好的平面参数估值,具有较强的鲁棒性。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

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。     

Segmentation of Airborne Point Cloud Data for Automatic Building Roof Extraction

Roof plane segmentation is a complex task since point cloud data carry no connection information and do not provide any semantic characteristics of the underlying scanned surfaces. Point cloud density, complex roof profiles, and occlusion add another layer of complexity which often encounter in practice. In this article, we present a new technique that provides a better interpolation of roof regions where multiple surfaces intersect creating non-manifold points. As a result, these geometric features are preserved to achieve automated identification and segmentation of the roof planes from unstructured laser data. The proposed technique has been tested using the International Society for Photogrammetry and Remote Sensing benchmark and three Australian datasets, which differ in terrain, point density, building sizes, and vegetation. The qualitative and quantitative results show the robustness of the methodology and indicate that the proposed technique can eliminate vegetation and extract buildings as well as their non-occluding parts from the complex scenes at a high success rate for building detection (between 83.9% and 100% per-object completeness) and roof plane extraction (between 73.9% and 96% per-object completeness). The proposed method works more robustly than some existing methods in the presence of occlusion and low point sampling as indicated by the correctness of above 95% for all the datasets.     

基于阈值分割的LIDAR建筑物提取

在介绍常用的阈值分割方法的基础上,详述了基于阈值分割的LIDAR建筑物提取方法,对不同阈值分割方法的优越性与实用性进行分析。研究结果表明,阈值法是一种最简单最基本的图像分割方法。全局阈值能快速有效地分割噪声小、比较均匀的图像,动态阈值和c均值模糊阈值分割对不均匀图像能进行较好的分割,其中c均值模糊阈值分割法最佳。     

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。     

基于特征点匹配及提纯的点云配准算法

针对传统的基于ICP点云配准算法配准时间长、收敛慢、需要较好初始配准等限制,本文利用现有的点云特征提取算法和描述算法,提取并匹配点云中的特征点,用RANSAC算法结合坐标转换模型剔除误匹配点对,用匹配点对在两点云中的坐标计算之间的坐标转换参数,从而实现点云的配准。相比ICP类算法,提高了点云配准的效率,同时提高了点云配准的自动化程度。     

欧氏聚类算法支持下的点云数据分割

欧氏聚类算法是多元统计中的一种重要分类方法,可以将其应用于测绘领域中点云数据的分割。本文首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则;然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。具体步骤为：①利用Octree法建立点云数据拓扑组织结构;②对每个点进行k近邻搜索,计算该点与k个邻近点之间的欧氏距离,最小归为一类;③设置一定的阈值,对步骤②迭代计算,直至所有类与类之间的距离大于指定阈值。试验证明,欧氏聚类算法对不同测量技术手段获取的点云数据均具有适用性,可以成功对点云数据进行分割,分割效果良好。     

利用3D Voronoi图的兔子点云聚类分割

利用基于3D Voronoi多面体分割三维空间,并将其应用于具有典型三维特征的点云数据的聚类分割。通过对点云数据的离散体元表示,透过Voronoi单元的特征参数实现了三维点集的度量、提取和结构分析,揭示了点集间存在的相互关系,并通过3D Voronoi图所确定的空间邻近关系完成点集间相似度的测度和聚类。以三维兔子点云为样本数据的实验分析表明,本文所提出的思路聚类分割特征明显。     

基于Geomagic的复杂实体三维点云建模研究

研究了在Geomagic环境中通过三维点云数据重建三维实体模型的过程,详细介绍了复杂实体点云数据在Geomagic中点云数据处理的全过程,包括点云匹配、点云预处理、封装形成三角面、在多边形阶段破洞修补以及优化处理,最终生成了NURBS曲面。三维重建过程表明,在Geomagic中重建三维模型不仅效率高、精度高,而且软件易于操作。本文涉及的数据处理方法也可以用于三维激光扫描技术在数字矿山、数字城市中应用。     

一种新的点云平面混合分割方法

为了同时提高点云平面分割效率与可靠性,提出了一种新的将区域增长与RANSAC相结合的点云平面分割方法。该方法通过对八叉树节点进行平面度测试实现种子平面的自动遴选,将节点平面参数作为区域增长约束得到初始分割结果。实验证明了该方法能够高效可靠地实现散乱点云平面分割