车载LiDAR海量点云数据管理与可视化研究

为了支持车载移动激光扫描点云数据的高效管理与快速可视化,提出了一种适用于车载海量点云的数据组织方法。该方法将原始点云数据分段后生成轨迹信息用于快速索引,分别对每段数据建立基于八叉树结构的LOD（levels of detail）索引,并采用多线程动态调度技术实现基于视点的海量点云渲染与漫游,显著提高了车载点云数据的调度效率。实验结果证明该点云数据组织方法是一种适合车载点云数据的高效管理方法。     

海量车载激光扫描点云数据的快速可视化方法

当前车载激光扫描系统的数据量往 往 达 到 数 十 gb 乃 至 tb 级,海 量 激 光 点 云 数 据 的 加 载 与 查 询 对传统可视化方法提出了挑战。本文设计了一种基于内外存调度的三维可视化方法,突破了物理内存对显示数据量的限制。该方法首先利用双层四叉树索引数据结构实现外存储器上的点云数据管理与快速调度,基于该索引动态加载外存储器上的点云数据到内存,从而快速获取海量数据中的实时数据块;然后,利用多线程分时加载双层四叉树索引数据结构,实现激光点云数据外存到内存的实时传输与绘制。实验结果表明,本文方 法不受点云数据量与物理内存大小限制,海量点云可视化效果流畅,适用于台式计算机或网络环境下的海量激光点云数据的调度管理与实时可视化。     

基于车载LiDAR点云的道路建模研究

车载LiDAR技术作为一种新兴的测绘数据获取手段,广泛应用于城市更新道路建模领域。本文从实际行业生产应用的角度出发,以SSW车载LiDAR获取的点云数据进行道路建模的应用对比研究。分别采用基于TIN滤波后的原始点云建模和基于路边线构建三角面的建模方法。经实验对比分析,分别从建模效果和模型高程方向上进行建模精度的比较,得出车载LiDAR在道路建模中的相关结论,对于生产应用具备一定的参考意义。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云,经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云,并对三个数据集的应用结果作精度评定,其最终结果的误差在有效范围内,并对PointCNN中的参数进行分析,完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型,且受非行道树点云目标干扰小,在复杂道路环境下的数据分割工作有很好的效果。     

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。     

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。     

基于车载激光点云数据的行道树提取方法

针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。     

基于车载LiDAR点云的行道树提取研究

针对车载LiDAR数据构建格网,提取行道树点云并分割树干点云,首先以格网为单位,进行滤波处理提取非地面点云;再对提取的点云进行降噪处理;然后基于格网对处理后的点云块进行聚类,依据行道树与其他地物的形态以及投影等差异从聚类单元中提取行道树,并对相连树进行分割;最后针对提取的单株行道树依据分层投影的原理,分割行道树树干点云与树冠点云.采用一段车载LiDAR数据进行算法实验并与人工提取方式对比验证算法提取的有效性与准确性.     

车载全景影像与激光点云融合生成彩色点云方案

针对车载全景影像与激光点云数据融合的研究不足的现状,文章给出了一种适合球面全景影像的车载彩色点云生成方案:由车载POS数据及系统标定参数可获得全景影像的外方位元素,依据影像的采集视角选择激光点最佳的关联影像,然后以球面投影为成像模型获得激光点在影像上的颜色属性值,进而获得彩色点云数据;并对融合的误差进行了讨论与分析。经过融合后的彩色点云几何精度高、目视效果好,使两种数据源的优势得到了有效的结合。实验结果验证了这种方法的可行性和准确性。     

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。     

基于体元结构车载点云行道树提取方法研究

充分挖掘车载激光扫描系统获取地物点云三维空间信息、回波强度信息,提出一种基于体元空间特征分析的行道树提取方法。首先完成原始数据预处理提取道路附属物点云数据,建立三维体元结构;以体元结构为基本单元计算体元单元中点云回波强度、曲率特征,后分析邻域范围内体元特征联系,构建体元邻域特征描述规则,提取行道树树干结构;在树干结构提取的基础上,确定行道树位置,建立冠层投影面积模型,进而提取冠层结构。实验结果提取显示：在复杂道路场景下,算法具有一定的稳健性,能够较为完整地提取道路两侧行道树信息。     

基于车载LiDAR点云的车辆目标自动检测

以武汉市三环线内主要道路夜间停车调查项目为背景,利用车载三维激光扫描技术获取了武汉市三环线内夜间某道路沿线的点云数据,提出了一种基于知识规则的车辆目标自动检测方法.该方法首先采用基于欧式距离分割的聚类方法将点云分割为簇,再分析车辆目标的点云特征和空间几何特征等相关特点,然后建立车辆目标检测的知识规则,最后根据知识规则实...     

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...     

一种车载三维激光点云数据加密及补偿方法

针对全景江苏三维地理场景建设中的可量测街景数据采集时,由于点云数据稀疏或缺失造成量测可靠性及精度低的问题,探索出以地面激光点云为数据补充,通过坐标转换、点云融合等技术方法加密补偿稀疏点云,提高数据精度的技术路线.最后,以具体道路为例,验证了方法的可行性,为提高车载三维激光点云的应用精度和能力提供了可借鉴的依据.     

车载激光点云纠正技术研究

随着智慧城市建设发展需求的不断扩大,移动扫描技术在项目应用中的频率不断提升,车载三维激光扫描技术以其高效率、高精度的特点已在项目实践中占有一席之地.但车载三维激光扫描技术受限于卫星信号等情况影响,点云数据为确保达到高精度,通常需进行远超车载扫描本身工作量的点云精度改善工作,即点云纠正,本文使用多个实例数据,通过对不同纠...     

车载激光扫描点云滤波方法研究

针对传统的点云滤波算法存在阈值单一、地面点提取准确低的问题,本文提出了一种改进自适应阈值滤波算法。首先通过对点云数据进行二维投影并进行格网化处理;其次通过格网内最低点进行混合最小二乘曲面拟合;最后通过一级滤波阈值与自适应阈值实现非地面点滤波。为了对本文提出的自适应阈值滤波算法的有效性进行检验,分别使用城市中心道路与郊区道路点云数据进行算法实验。结果表明,本文提出滤波算法对城市中心道路点云滤波结果的一类误差、二类误差、总误差分别为4.6%、2.3%、3.7%;对郊区道路点云滤波结果的一类误差、二类误差、总误差分别为5.4%、7.1%、6.5%。相比于传统的移动窗口滤波算法,本文滤波算法无论是一类误差、二类误差还是总误差均更低,可准确区分出地面点与非地面点,表现出了更好的点云滤波性能。     

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。     

利用Terrasolid进行机载与车载LiDAR点云数据的融合

介绍了一种利用Terrasolid软件进行机载与车载LiDAR点云数据融合的方法,通过分析两种扫描系统采集点云之间的共性与特性,制定了融合取舍原则,得到了覆盖范围全面的LiDAR点云融合成果,为LiDAR点云数据的应用和推广提供了良好的基础。