车载LiDAR点云数据中杆状地物自动提取与分类

针对城市道路场景中车载LiDAR点云数据质量差、各类地物相互遮掩的情况,提出杆状地物自动提取与分类算法。先通过改进数学形态学算法移除点云数据中的地面点,再根据杆状地物的形态特征,使用纵向格网模板初步提取杆状地物,然后对提取的疑似杆状地物进行点云数据规则化并通过统计分析移除噪声点,最后根据预先建立的杆状地物样本训练SVM分类模型,对提取的杆状地物进行分类。试验表明,本文方法能够在数据质量欠佳的情况下有效提取城市道路场景中的杆状地物,并对提取的杆状地物进行高精度分类。     

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。     

车载激光扫描数据中杆状地物提取

针对车载激光扫描数据中对杆状地物提取效果不够理想的问题,该文提出一种基于聚类的杆状地物提取方法。首先将原始点云投影到水平面并进行格网划分,以单个格网为数据处理单元去除地面点;再基于处理数据对格网进行点云探测并编号,赋予同一属性值利用八邻域搜索对地物点聚类;然后以聚类后单个点云块为处理单元,利用各类地物特征,如高度、投影点密度、投影面积及形状等,逐步排除其他地物点,实现对杆状地物的精细提取。试验验证了文中所述方法对道路环境中杆状地物提取的有效性。     

车载LiDAR数据的道路裂缝信息自动提取

针对传统道路裂缝检测工作中存在的问题,该文提出了一种利用车载LiDAR数据的道路裂缝信息自动提取方法。车载LiDAR系统能够在正常车速条件下直接获取道路及其两侧各种地物的高精度、高密度表面三维数据。为了提高数据处理效率,将三维LiDAR数据转换成二维强度特征影像数据。张量投票算法根据平滑度、邻近度及连续性约束原则,通过结构特征的张量表示和非线性投票能够从稀疏的、噪声的数据中推断显著性结构。通过实验分析,该方法不仅适用于激光点云生成的强度特征影像数据的裂缝提取,还适用于光学影像数据的裂缝提取,且提取精度在90%左右。     

基于车载LiDAR数据的单株树提取

车载LiDAR数据能提供地物表面不同视角且具有容易获得高密度点云数据等优点,能为树木信息的精细提取提供有力保障.基于不同地物具有不同特征等性质,从车载LiDAR数据中对地物进行识别,将三维图形投影到二维平面上进行识别、分离、去噪及细化,运用Matlab编程实现对车载LiDAR数据中树木信息的提取.用全站仪对测区树木进行实地测量并进行定量分析,结果表明,方法可以较好地分离出构成树木的激光扫描点,达到树木提取的目的.     

机载多光谱LiDAR的随机森林地物分类

机载多光谱LiDAR技术利用激光进行探测和测距,不仅可以快速获取地面物体的三维坐标,还可以获得多个波段的地物光谱信息,可广泛用于地形测绘、土地覆盖分类、环境建模、森林资源调查等。本文提出了多光谱LiDAR的随机森林地物分类方法。该方法通过对LiDAR强度数据和高程数据提取分类特征,完成多光谱LiDAR的随机森林地物分类;并分析随机森林的特征贡献度特性,采用后向特征选择方法实现分类特征选择。通过对加拿大Optech Titan多光谱LiDAR数据的试验表明：随机森林方法可以获得较好的地物分类精度,而且可以适当地去除部分冗余和相关的特征,从而有效提高分类精度。     

基于地物特征提取的车载激光点云数据分类方法

车载激光扫描测量方法较传统摄影测量方法具有更多优点,它能快速采集大面积、高精度的三维空间数据,具有广阔的应用前景。针对车载激光扫描数据的分类问题,提出了一种基于地物特征提取的点云数据分类方法,即采用主成分分析(PCA)方法,在提取多种街区地物点云数据几何特征和总结地物对象特征知识规则的基础上,根据选取的主特征设计一套阶层式的分类方法,并利用该方法对一套车载激光点云数据进行了分类试验。结果表明,该方法的分类效果良好,具有一定的实用性。     

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。     

车载LiDAR点云数据分割与半自动化建模方法

针对车载激光雷达(light detection and ranging,LiDAR)点云数据的不完整性问题,提出一种车载LiDAR点云数据分割以及基于分割后点云数据的半自动化建模方法。首先对点云数据进行标准格式转换及稀化;然后以不同地物的属性和几何特征为分割条件,分别建立道路、建筑物、树和路灯等附属设施的三维模型,并利用车载以及航空图像的纹理信息辅助建筑物的立面和顶面三维建模;最后以真实街景为实验区,基于拓普康IP-S2车载LiDAR点云数据,完成该街景的分割与建模。实验结果表明,该文提出的点云数据分割与街景地物重建方法比较简单,可实现道路和建筑物的半自动化分割;利用成熟的建模软件和方法,实现了建模的完整性和较强的可靠性。     

地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。