基于车载激光点云数据的道路模型重建

在SSW车载激光扫描点云数据的基础上,研究了提取道路边线点集的方法,并对道路边线点进行均匀抽稀,最后按照道路纵断面shape构建道路模型。试验表明该方法能成功地提取出道路边线点,建立道路模型。     

基于补偿最小二乘的平面点云拟合方法

采用补偿最小二乘进行估计解算,同时兼顾参数和非参数两类因素,极大地提高了平面点云拟合精度。通过对斜面、水平面和垂直面3种平面分别使用最小二乘方法、特征值方法以及补偿最小二乘方法进行拟合,结果显示,补偿最小二乘方法的拟合效果最优。     

基于多源异构数据的粮食作物种植面积提取

利用遥感影像进行农作物面积提取已经普遍应用到农作物种植面积提取工作中,但是普遍存在着提取效率低,精度达不到生产要求。随着高分辨率传感器的相继问世,融合多平台遥感数据有利于提高分类和动态监测的精度。本文以日照市莒县粮食种植面积提取为例,融合多时相和多源异构数据,利用深度学习算法提取粮食种植区域,深入挖掘多源数据的互补效应,提出了融合多时段、多源地理信息提取农作物种植面积的方法,为实现农作物种植面积快速高效的提取奠定了基础。     

融合点、体素和对象特征的多基元点云分类

单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法。主要包括4个方面:(1)分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;(2)提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding, LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation, LDA)和最大池化特征(Max Pooling, MP);(3)降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;(4)进行点云分类,使用随机森林算法实现点云分类。采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43%、7.02%和2.48%,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70%;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景...     

基于无人机传感器数据与词袋模型的点云自动化分类

激光点云分类是Li DAR数据应用的关键步骤和重要研究课题。针对Li DAR点云数据识别率低的问题,以体素化的点云为研究对象,提出了一种基于词袋模型的城区机载Li DAR点云数据分类方法。考虑到点云数据缺乏纹理信息,文中综合分析了点云数据和影像数据的特点,以点为单位提取描述点云的几何特征和影像特征分类特征;以体素为单位分割点云数据,并以体素为基础构建描述场景信息的词袋模型;最后基于随机分类器完成场景的分类。文中以ISPRS提供的Vaihingen数据作为实验数据。实验结果表明,本文提出的模型能有效地改善点云的分类质量,分类正确率能达到93%以上。     

融合VGI和遥感等多源数据的洪涝范围提取与模拟方法

及时准确的洪涝范围提取可以提高应急管理部门对于洪涝灾害的响应能力,减轻灾害影响。SAR遥感不受云雨影响,是洪涝灾害监测的有效工具。然而,由于卫星重返周期的限制,基于SAR的洪涝连续观测较难实现。在应急背景下,如何快速、实时进行洪涝范围提取是急需解决的问题。本文提出了一种结合遥感、VGI等多源数据的洪涝范围提取与模拟方法：(1)构建Albert+CNN的文本分类模型提取社交媒体洪涝信息;(2)基于异常值剔除方法利用社交媒体和OSM等VGI数据代替人工采样对Sentinel-1 SAR数据进行分类,提取洪涝范围;(3)结合社交媒体、水位数据等多源数据基于SNIC分割和成本距离等方法模拟无可用SAR数据时的洪涝淹没情况,提高洪涝的淹没范围提取频次。研究表明,本文基于Albert+CNN与异常值剔除的样本自动生成方法,可以有效辅助SAR数据的洪涝分类;利用VGI数据结合水情、DEM等多源数据进行了洪涝范围的模拟可以增加洪涝监测的时间分辨率。本研究有助于提高洪涝信息提取能力,为VGI支持洪涝灾害的应急管理提供参考。     

基于多源数据和船舶停留轨迹语义建模的港口目标识别

港口目标识别是海事船舶监管的重中之重,船舶自动识别系统（Automatic Identification System,AIS）所获取的船舶活动信息,可为港口目标识别提供高时相和高精度的船舶航行数据。为了探究AIS数据在港口目标识别中的应用,提出一种基于多源数据和船舶停留轨迹语义建模的港口目标识别方法。通过数据挖掘和语义信息增强构建船舶停留轨迹语义模型,识别船舶港口停留轨迹;建立基于随机森林的船舶停留方式分类模型,分类船舶泊位停留轨迹和船舶锚地停留轨迹,并利用空间逐级合并方法提取港口泊位和港口锚地;综合船舶泊位停留轨迹、道路、海岸线、水深、土地利用与土地覆盖等数据,顾及情景-领域知识实现港口目标识别。基于2017年96 790艘船舶的超8300万条AIS轨迹记录,应用本文方法识别南海研究区的港口目标。实验结果表明,本文方法对于船舶轨迹停留行为总体分类精度为0.9477,Kappa系数为0.8948。提取出南海研究区447个港口区域,与Google Earth影像叠加验证结果表明,提取结果均位于真实的港口影像内,相较于Natural Earth数据集中包含的南海区域24个港口点位,提取结...     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。