基于边界保留的点云精简算法研究

传统的栅格法与曲率法对数据模型进行精简时很容易剔除特征点,但是误判率较高,导致精简后的数据不能较好地突出点云数据的特征,使重构后的实体模型精度下降。针对以上问题,本文算法首先使用改进的Kmeans进行质心初始化;然后,使用X-Y边界提取算法来保留边界完整性;最后,根据Hausdorff距离对簇进行细分,在高曲率区域保留必要多的点,在低曲率地方保留一些均匀分布的点。实验验结果证明该方法优于传统的栅格法与曲率法。     

基于边界保留的k-means聚类点云精简算法研究

传统的栅格法与曲率法对数据模型进行精简时很容易剔除特征点,具有较高的误判率,导致精简后的数据不能较好地突出点云数据的特征,使重构后的实体模型精度下降。文中提出基于边界保留的k-means聚类算法对点云进行精简。该算法首先使用k-d树进行质心初始化,然后使用X-Y边界提取算法来保留边界完整性,最后根据曲率高低对簇进行细分,使在高曲率区域保留必要多的点,在低曲率地方保留一些均匀分布的点。实验验证该方法优于传统的栅格法与曲率法。     

八叉树索引的三维点云数据压缩算法

针对现有的三维点云简化算法普遍存在运行效率较低、内存消耗大、处理时间过长等问题,该文利用八叉树索引的速度优势和点云数据空间分割的逻辑结构,并结合三维点云网格简化算法高效的优势,提出一种基于八叉树索引的三维点云简化算法。该算法基本满足点云简化的理想标准,计算快速、运行时间短。利用实测大雁塔数据对各种三维点云压缩算法进行比较,结果表明该文提出的新算法对点云数据的压缩简化效率和压缩率较现有算法均有较大提高。     

一种基于局部曲率特征的点云精简算法

平均曲率是分析三维表面的重要几何特征之一。根据平均曲率进行海量散乱点云数据的精简,首先通过空间包围盒法建立K邻域,然后对K邻域内的点拟合二次曲面计算平均曲率,最后以邻近区域内点的平均曲率中误差为阈值,结合点的精简概率判定点是否保留。通过与传统方法对比,证实了文中方法在保留特征点和压缩上具有较好的优势。     

基于最优邻域局部熵的点云精简算法

针对传统的点云精简算法中不能良好保留细节特征的问题,提出一种基于最优邻域局部熵的点云精简算法.首先利用点云局部邻域协方差矩阵的3个特征值构造的维度特征,构建局部邻域信息熵函数,其次依据局部熵值最小原则确定最优邻域,然后根据最优邻域下计算的特征值间的关系,以及局部信息熵来剔除平坦区域数据点.通过模拟数据和实例扫描数据精简...     

融合聚类算法的钢轨轮廓点云自适应精简

针对原始结构光钢轨轮廓点云数据量大、强噪声和离群杂点多的问题,本文提出了一种欧式聚类融合多种传统滤波方式的钢轨点云自适应精简的方法。采用点云欧式距离为特征量的聚类分割方法用于无效杂散点数据的识别和精简,采用统计滤波结合均匀体素下采样滤波方法实现点云初步去噪。在此基础上,通过欧式聚类分割噪点,采用自动获取滤波范围的自适应直通滤波去除轨底粘连数据,以保证点云配准的效率与准确性。本文提出的方法可有效精简无效数据和去噪,点云精简比约为94%,同时保留了原始点云的有效轮廓特征,为点云配准与磨耗点的高精度识别奠定了基础。     

车载激光雷达点云快速栅格化算法研究及应用

针对车载激光雷达点云数据量大、密度高且存在分层错位和噪点等情况,提出了一种具实时性激光点云快速栅格化算法,该算法根据雷达扫描精度预设栅格单元大小,可在不丢失对象形状特征的情况下,能快速完成点云数据平滑及降采样处理,并将数据量缩小为处理前的60%。将该栅格算法处理后的点云数据应用于深度学习,作为pointnet++神经网络的训练集及测试集,完成语义分割模型训练与测试。实验结果表明,该算法可在1 s内完成上百万量级的点云栅格处理,并且经该算法处理后的点云数据能有效缩短训练时长、提升网络测试精度。     

激光雷达点云电力线自动提取算法

针对当前电力线提取方法自动化程度和精度不高的问题,本文从点云数据的空间分布特征出发,提出了一种高效的电力线自动提取方法.首先基于自然裂点法,将点云数据按高程分类后去除地面点;然后对数据进行空间划分,基于子空间的点密度及空间结构特征的差异化,利用地物分割算法去除电塔点和残留的植被点;最后利用基于欧氏距离分割的电力线自动检...     

一种基于曲率泊松碟采样的散乱点云精简方法

针对散乱点云密度大、重建效率低等问题,提出一种基于曲率泊松碟采样的散乱点云精简方法。首先建立点云的邻接关系来计算点云的曲率特征,由此划分平坦区域和特征区域,然后格网化点云,在平坦区域对最靠近重心的点进行采样,在特征区域对曲率分级并进行泊松碟采样。本文利用另外3种不同的点云精简方法与本文方法进行对比试验。试验结果表明,本文方法能在平坦区域均匀精简点云的同时,最大化地保留曲率较大区域的点,很好地保留了点云的细节特征,并且有较高的精简精度。     

机载激光雷达点云数据的实时渲染

提出了一种实时绘制大规模LIDAR点云数据的方法。该方法通过构建一棵顺序四叉树使点云均匀分布在四叉树节点上,来实现快速的数据筛选。阐述了顺序四叉树的快速建立,并通过一个试验系统验证了文中所提方法的有效性。试验表明,使用目前普通配置的计算机,通过自适应控制绘制的数据量,可以实时绘制约1GB的原始点云数据。     

融合超体素与成对链接聚类的LiDAR点云分割算法

针对现有的LiDAR点云分割算法稳健性差、效率低的问题,本文提出了一种新的层次化聚类分割算法。该算法首先把点云生成自适应分辨率的超体素,然后以超体素为基元,改进成对链接的分割算法,实现三维点云的分割。试验结果表明,该分割算法与现有的分割方法相比,具有更好的稳健性和更高的计算效率,避免了点云过分割和欠分割的问题。本文算法在分割细节方面更加突出,分割结果可有效地保证后续数据处理工作的精度。     

面向地面点识别的机载LiDAR点云分割方法研究

提出一种面向地面目标识别的机载LiDAR点云分割方法。方法首先求每个激光脚点的法向量和残差,由此确定种子点和种子平面;然后对种子点进行区域生长,生长的过程中以邻接点到种子平面的距离和邻接点与种子点的法向量角度差作为相似性的度量标准;当全部的扫描点都被划分,则算法终止。实验表明,文中提出的分割方法,对于城区区域和农村区域的地面目标有很好的识别效果。     

结合形态学和TIN三角网的机载LiDAR点云滤波算法

针对传统不规则三角网滤波精度依赖于初始种子点选取的问题,提出一种结合形态学与不规则三角网的机载LiDAR点云滤波算法。首先采用KD树粗差剔除方法对异常点进行剔除,然后利用数学形态学滤波算法对粗差剔除后的点云进行粗滤波,最后采用改进的不规则三角网滤波算法对上述结果进行精滤波。三角网迭代滤波过程中每次对滤波得到的地面点进行整体构网,减少了构网次数以及离散点之间的相互影响。实验选取国际摄影测量与遥感协会提供的3组测试数据进行滤波,结果表明本文方法能够有效降低I类误差和II类误差,验证本文滤波算法的可靠性。     

利用原始激光雷达点云数据提取渐进式建筑物轮廓线

建筑物是城市三维建模的重要元素,其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点;然后使用改进的三维Hough转换分类出建筑物点云;进一步提取建筑物轮廓点,并根据相邻点方位角阈值确定建筑点云轮廓的关键点,以此简化并拟合建筑物轮廓线;最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明,该方法大大提高了点云处理的效率和精度,可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小,距离近和屋顶坡度较大等问题具有较好的效果。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

LiDAR点云数据的电力线3维重建

利用LiDAR数据进行电力设施提取与建模可以克服传统工程测量电力巡线工作量大,危险性高,效率低下等缺点,但现有的电力线提取研究主要集中在电力线的分离与提取,并且拟合的精度不高。针对此问题本文提出了一种精度较高的电力线拟合方法。首先,根据电力线两端悬挂、中间自然下垂的特点,求解电力线拟合的最佳几何模型;然后,通过电力线的走向和端点,建立电力线拟合的最佳平面坐标系;最后,采用基于二次多项式限制的最小二乘法拟合电力线,解算出最优参数,生成最终电力线模型。对真实数据的处理和精度评价表明,本文方法不仅能够实现电力线的快速3维重建,而且能够达到较高的拟合精度。     

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。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。