多因素参与的3D特征点检测方法

针对现有3D特征点提取方法易造成边界点遗漏和尖锐点错判的问题,提出一种基于多因素参数的3D特征点检测方法.首先在3D特征点提取过程中,利用相邻投影法向夹角的大小提取边界点,以保证边界的完整性;其次针对点云尖锐点的提取,通过将k邻域中曲率权值、法向量夹角均值和距离均值用于定义特征点识别参数;然后根据曲率最大值和相邻点间的距离均值定义3D特征点识别阈值,并将识别参数与阈值进行比较而判定特征点;最后将所提出的方法分别与现有的基于曲率和法向量的3种方法进行实证分析比较,实验结果表明,基于多因素参与的3D特征点检测方法能够有效识别出点云尖锐点,并且能够保证边界点的完整性.     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。     

建筑物LiDAR点云的屋顶边界提取

提出了一种建筑物LiDAR点云的屋顶边界提取方法.首先构建了离散的建筑物屋顶LiDAR点的TIN模型,在TIN模型中根据点的空间几何关系,过滤整个三角网的边界线,从而过滤出初始边界点.在初始边界点构成的边界中,过滤出边界斜率变化显著的点作为拐点.利用所有的屋顶LiDAR点将拐点扩展,得到边界的扩展点,由扩展点构成的屋顶边界为最终提取的建筑物屋顶边界.     

基于过渡区特征的全色遥感图像冰雪识别

针对全色图像的冰雪识别问题,以过渡区理论为基础,提出基于过渡区特征的冰雪识别方法.首先利用K-均值聚类方法分离云、雪与其他地物,再通过SUSAN(smallest univalue segment assimilating nucleus)边缘检测提取过渡区图像;然后设立描述过渡区大小的特征量——厚度,并与过渡区的均值和方差特征量组合成特征向量,用以分析过渡区特征,识别具有冰雪过渡区特征的点,构成冰雪边界;最后经过边界生长和区域填充,实现冰雪识别.以“北京一号”小卫星全色图像为遥感数据源,应用该方法及过渡区阈值法、迭代自组织法和面向对象纹理分析法分别提取冰雪覆盖区.该方法的冰雪识别精度达到97.39％,明显高于其他识别方法,表明该方法能获得较高精度的冰雪识别结果和丰富的边缘信息,可为云雪分离及雪线提取等方法研究提供参考.     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

一种基于倾斜摄影测量点云密度自适应分割的建筑物边界提取方法

针对倾斜摄影场景中建筑物单体化问题,本文提出了基于倾斜摄影测量点云数据的建筑物识别和边界提取自动化算法。首先,对点云进行预处理,去除地面点和噪声点;然后,对点云进行二维栅格化处理,按间隔距离预分割;最后,结合改进的大津算法和区域增长算法,从预分割点云识别其中的建筑物,并提取建筑物边界点。从广东省江门市和湛江市选取两处试验区域对算法进行测试,结果表明:区域内建筑物点云均能准确被分割识别,建筑物边界提取准确度分别为87.8%与92.3%,说明本文提出的方法对于倾斜摄影测量建筑物识别和边界提取的适用性较强。     

基于机载LiDAR点云的道路提取算法研究

提出一种对点云特征信息进行聚类的方法,以提取机载LiDAR数据中的道路。通过采用软件ENVI 5.3反复建立三角网实现点云滤波获取地面点云,且采用零—均值标准化对地面点云进行标准化,以消除其量纲。然后进一步利用K-means++方法对点云三维坐标聚类实现点云分割,以获取包含道路点云的类别,且对该类别中点云的高度信息进行聚类以提取道路点云。以荒漠植被区机载LiDAR为研究区,对比直接对点云高度信息聚类的结果表明:在设置相同聚类参数的基础上,直接进行高度聚类的SSE总和为2 550.714,所提出的先分割后聚类方法获取的SSE总和为73.696,比直接进行高度聚类的SSE总和低2 477.018,说明本方法使K-means++性能更好。对比运算速度发现,虽然采用该方法聚类消耗时间比直接聚类消耗时间多16 s,但提取结果更好,可去除非道路点云3 673个。     

一种车载激光扫描点云中路面坑槽自动提取方法

以车载激光扫描点云数据为研究对象,提出一种剖面线自适应曲线拟合的坑槽自动提取方法。首先对点云进行地面滤波,获取地面点云;然后绘制路面连续剖面线,通过点云提取剖面线上网格节点的高程,并进行高程高斯平滑处理;之后对剖面线节点进行最小二乘曲线拟合,以符合角度约束的高曲率点作为候选坑槽边界点;最后对候选坑槽边界点进行聚类去噪优化,提取坑槽轮廓以及面积和深度信息。以车载移动测量系统获取的某段道路点云数据为例进行实验,实验结果表明,该方法能准确提取规则、不规则及凹陷形坑槽,提取结果与人工量测结果具有较高的一致性。     

基于点云的室内房间要素及拓扑关系提取

房间要素是室内导航地图的关键要素之一。针对从点云中提取房间要素不仅需要精确提取房间多边形而且需要构建房间构成要素之间的拓扑关系问题，本文提出一种自上而下分割点云并自动记录房间-墙线拓扑关系的房间要素快速提取方法。首先利用点云Z值投影的高度直方图提取天花板点云；其次将天花板点云向XOY面投影，通过欧式聚类分离出每一间房间点云，以房间为单位采用α-shape算法进行房间边界点提取；然后利用随机抽样一致算法(RANSAC)结合欧式聚类方法分割房间边界点得到墙线及其参数信息，并利用墙线中点对无序墙线进行排序后计算相邻墙线的交点作为房间角点；最后，生成房间、墙和角点之间的拓扑关系。实验结果表明，该方法不仅适用于包含平面墙体的建筑点云数据，也适用于包含曲面墙体的情况，具有良好的适应性和有效性。     

改进K均值聚类的点云林木胸径提取

针对现有胸径提取精度不够高、自动化程度低等不足,基于地基激光雷达胸径切片点云数据,该文提出了一种改进K均值聚类的林木胸径提取方法.利用约束条件优化初始种子点的选择原则,避免随机种子点选择造成聚类结果陷入局部最优;采用拐点法自适应确定聚类目标类别数目,提高单木胸径点分割的自动化程度;根据点云与类别中心统计参数识别并剔除非目标对象点,通过圆模型参数求解实现胸径值计算.结果 表明:改进后的K均值聚类能快速实现林木胸径点的批量化提取,无须林木数目、样地大小等先验知识,具有自动化程度高、抗噪性强的优势.该研究对地基激光雷达在林业资源调查及生产管理应用具有一定的实际应用参考价值.     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点.本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云.通过对...     

利用多元LBP特征自动提取城市道路边界

车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑.为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP3种改进算子;构建多元LBP特征语义识别模型...     

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。     

融合车载影像与点云的道路边界提取与矢量化

车载激光点云的数据不完整和影像连续帧之间的地物重影现象给提取连续、完整的道路边界带来了巨大挑战。提出了一种融合点云与全景影像的道路边界提取与矢量化方法。首先,分别从点云和全景影像中提取初始道路边界点,然后基于非闭合Snake模型融合两种数据源中的道路边界点,实现结构化和非结构化道路边界的准确提取与矢量化。该融合过程首先基于点云中的道路边界构建特征图,并以车载影像中的道路边界提取结果为初始轮廓,然后基于道路边界的几何特性构建非闭合Snake模型,最后通过求解该模型实现多源道路边界点的融合,并完成道路边界线的矢量化。将该方法应用于2个城市场景数据集,结果表明：该方法可有效提取形状多样的结构化和非结构化道路边界,对由于遮挡导致的数据不完整和多帧影像中的地物重影具有较强的鲁棒性,对城区道路边界提取的精度、召回率、F1值分别优于95.43%、89.27%、93.38%。     

基于PCA法矢估计的建筑点云立面边界提取

针对建筑物点云在工程应用中存在大量数据不产生作用,只需保留建筑边界点云的问题,本文提出一种基于主成分分析法向量估计的建筑点云立面边界提取方法.该方法首先采样统计离群值去除算法对点云数据进行滤波去噪,然后采用主成分分析法估计样点表面的法线方向,最后使用角度阈值确定建筑物点云立面的边界.通过实例分析,此法能够较完整地提取建筑点云的边界特征,为相关工程应用提供了技术支撑.     

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。     

利用GPS轨迹二次聚类方法进行道路拥堵精细化识别

针对当前在精细识别道路拥堵时空范围方面研究的不足,提出一种利用GPS轨迹的二次聚类方法,通过快速识别大批量在时间、空间上差异较小且速度相近的轨迹段,反映出道路交通状态及时空变化趋势,并根据速度阈值确定拥堵状态及精细时空范围。首先将轨迹按采样间隔划分成若干条子轨迹,针对子轨迹段提出相似队列的概念,并设计了基于密度的空间聚类的相似队列提取方法,通过初次聚类合并相似子轨迹段,再利用改进的欧氏空间相似度度量函数计算相似队列间的时空距离,最后以相似队列为基本单元,基于模糊C均值聚类的方法进行二次聚类,根据聚类的结果进行交通流状态的识别和划分。以广州市主干路真实出租车GPS轨迹数据为例,对该方法进行验证。实验结果表明,该二次聚类方法能够较为精细地反映城市道路的拥堵时空范围,便于管理者精准疏散城市道路拥堵,相比直接聚类方法可以有效提升大批量轨迹数据的计算效率。     

基于k-均值聚类算法的无人机雪域识别测绘

本文介绍了基于k-均值聚类算法无人机航测技术在雪域自动测绘中的应用,通过k-均值聚类算法完成正射影像中的雪域边界识别,区分无雪面域和雪覆盖面域。本文以JD项目中Riz、Piz-E、Piz-W三个实验区块为例,运用无人机在连续积雪和斑块积雪两种情况下进行了现场测绘实验。通过无人机正射影像与红-绿-蓝(RGB)影像、近红外-红-绿(NIRRG)影像、近红外-绿-蓝(NIRGB)影像分别对比分析,证实了在红、绿、蓝波段下均可以完成无人机航测影像雪域识别任务,也进一步说明了在任意波段下无人机均能完成雪域自动识别任务。     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

共享近邻聚类算法点云面线提取

针对激光点云数据进行建筑物建模或矢量信息提取中快速识别建筑物面和棱线信息的要求,该文提出基于共享近邻聚类算法进行建筑物面和棱线的快速提取方法。首先,计算点云中每个数据点的单位法向量和点到基准面的距离,利用基于网格的共享近邻聚类算法对点云进行分类确定建筑物面点云;然后,自动判别相交平面,提取建筑物棱线,并与RANSAC算法对某建筑物面的提取结果进行比较。结果证明,该方法自动化程度高,建筑物面和棱线提取快速、准确,提取结果能够应用于三维建筑物自动建模和测绘出图。