基于MFC单文档和OpenGL的激光扫描数据可视化与编辑的研究

基于实测的点云数据,根据目前建筑点云显示方面的需求,需要通过平台展示点云成果.本文应用MFC单文档和OpenGL可实现点云数据的显示、缩放、压缩等效果,数据采用嘉荫县恐龙模型点云数据,经实验表明,采用MFC单文档和OpenGL在点云显示编辑方面具有较强大的功能,可作为成果展示的途径.     

机载点云数据生产DEM的关键技术探讨

从机载航摄仪中获取的点云数据出发,提出了点云制作DEM的生产工序流程及作业中的注意事项,重点论述点云精度、点云滤波、DEM制作等关键技术,并对点云滤波算法进行优化改进,使之更好地应用于项目生产中,提高了工作效率.     

半自动机载LiDAR点云建筑物三维重建方法

针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。     

应用扫描光线重建法的建筑立面遮挡点云恢复

提出一种结合点云分割和扫描光线重建的建筑物立面遮挡部分点云恢复方法。该方法首先分割建筑面片,然后通过重建的扫描光线探测遮挡物点,并求其与建筑物面片的交点,从而在保持原始采样间隔的情况下自动恢复遮挡部分点云。试验结果表明,该方法能较好地恢复遮挡部位点云。     

基于三维激光扫描数据的实体构筑物三维建模

以高压输电铁塔为研究对象,以地面激光扫描系统TRIMBLE GX为例,探讨如何利用三维激光扫描仪获取空间数据,建立相应实体模型的技术方法,并对建模效果作了分析。     

改进的分层点云数据压缩算法

针对传统点云压缩算法主要对小型物件的小数据量精细点云进行压缩,在大型地物的海量数据压缩方面存在压缩时间长、效率低的不足,提出了一种改进的分层点云数据压缩算法。基于大型地物点云空间结构特点将分层压缩算法的速度优势和距离压缩算法的高效优势相结合,解决了传统压缩算法在大型地物点云压缩方面的不足,实现了海量点云的快速高效压缩。西安市大雁塔三维激光点云压缩实验结果表明:该算法可以快速地完成海量点云的压缩,较之传统压缩算法极大地缩短了压缩时间,提高压缩效率。     

浅谈利用激光点云数据制作DEM

利用摄影测量方式获取DEM数据生产周期长、费用高、效率低、高程点获取的密度低。机载雷达集成GPS、IMU、激光扫描仪、数码像机等光谱成像设备,作为精确、快速地获取地面三维数据的工具已得到广泛的认同。结合项目研究与试验,根据实际生产经验,介绍TerraSolid系列软件的模块功能,以及利用点云数据制作DEM的技术流程和方法。     

基于聚类与重构的河流区域滤波方法

研究河流区域水体点云的分布特征与相互关系,提出基于特征聚类的点云分割与基于LLE算法的邻近点点云重构滤波方法。通过统计网格内点云的特征参数,进行点云分割并滤除水面点,再利用LLE算法的邻近点构建约束条件进行点云重构,分离近岸船只点云与岸堤点云的边缘,最后利用船只点云的独立性进行二值连通域标记与滤除,从而实现河流区域的点云滤波。实验表明,该方法能够滤除90%以上的水面点云与大部分船只点云。     

基于Open Inventor的海量点云交互式管理

针对三维激光扫描点云数据量庞大、管理复杂等不足,结合海量点云数据的特点,采用面向对象和交互式的三维图形库Open Inventor作为开发工具,实现对海量点云的三维动态展示以及法向量和空间坐标的交互式提取等功能。     

道路点云的双边与倾斜度信息滤波算法改进

根据以往研究发现,统计滤波算法可以去除道路周围的大部分离群点,使道路边界更加明确清晰,但是统计滤波精化后的道路点云中仍然存在部分混合在道路内部及与道路相连特征相似的非道路点云。而使用双边滤波算法对道路内部近地面点滤波,效果较优,但无法去除与道路相连、特征相似的边缘非道路点。基于此两种算法的优缺点,本文提出一种结合双边滤波与倾斜度信息的滤波算法——倾斜度滤波算法,使之在保持原算法优点的基础上,提高其对点云的特征保持以及对道路边缘点的滤波能力。实验表明：(1)倾斜度滤波后道路边缘处的非道路点云明显去除;(2)倾斜度滤波后提取的最终直路点云准确性相较于双边滤波算法提升了5.98%,倾斜度滤波后提取的最终弯路点云准确性相较于双边滤波算法提升了3.53%。因此,倾斜度滤波算法可进一步提高点云滤波的精度。     

基于机载激光扫描和倾斜影像匹配的点云构建及差异性分析

点云是三维空间数据的重要组成部分,机载激光扫描和倾斜影像匹配是两种主要点云构建技术,具有共性与差异性。本文旨在分析机载激光扫描和倾斜影像匹配技术构建点云的差异性,首先阐述了机载激光扫描和倾斜影像匹配点云构建的具体方法,然后结合案例,从点云构建效果、数据完整性、密度、精度和植被穿透性等方面进行比较和分析。结果表明,两种技术构建点云都具有较好的数据完整性,均能生产高密集点云,远超规范要求,精度相当且较高,但是激光扫描在遮挡区有漏洞,影像匹配局部盲区细节失真;激光点云具有较好的穿透性,能实现不同植被覆盖区域地面点云构建,而影像匹配点穿透性差,在密集植被区域存在缺失甚至不能构建地面点。研究结果为后续点云构建方法的选用和优化提供了参考,具有一定的研究与应用价值。     

基于点云卷积的点云分类方法研究

基于深度学习方法,借鉴二维图像卷积的思想,设计了一种适合三维点云的卷积操作。点云卷积的作用域是局部球形邻域,输入为三维坐标和空间几何关系。通过点云卷积提取局部特征,使用最远点采样算法采集邻域中心点,根据半径构建球形局部邻域,使用多层感知器（multi-layer perceptron,MLP）网络学习空间关系权重,将学习到的关系权重和输入特征相乘,实现卷积操作。基于三维点云卷积,构建了一个多层分类网络模型实现点云分类。使用道路场景的黄石路数据集进行分类实验,结果证明了所提方法的有效性。     

一种新型三维激光扫描隧道测量点云坐标定位方法的精度评估

提出了一种基于三维激光扫描仪特殊定位硬件装置和七参数坐标转换算法,对每个扫描测站点云利用最近的隧道控制点进行绝对定位,将多个隧道扫描测站数据不经过拼接就统一转换成隧道控制测量坐标系坐标的方法——点云绝对定位法,并应用误差传播理论和相应数值模拟计算对该方法的测量成果进行精度评估和重要误差来源分析。最后得出在一定条件下采用该方法获得的隧道扫描测量成果可以满足城市地铁测量规范对竣工测量精度要求的结论。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

徕卡RTC360三维激光扫描仪在竣工测量中的应用

徕卡RTC360不仅操作简单、扫描速度快,而且非常智能。可以实时跟踪计算两个连续站点间的相对位置,点云实时预拼接。后期搭配Register360智能拼接软件,点云智能拼接处理,无需人工干预,简单高效。     

地铁隧道点云数据采集与预处理

点云数据能够呈现地铁隧道丰富的特性,具有传统方法不具备的优势,将三维激光扫描技术应用于地铁安全监测成为新的趋势。隧道点云质量的好坏直接影响后期的分析与处理,需要在数据采集与点云预处理等过程中做好把控。本文研究了三维激光扫描技术的原理,给出了地面激光扫描仪数据采集流程,以南京地铁为例,论述了隧道点云数据采集和数据处理关键技术,获得了高质量点云,本文的研究为相关工程技术人员提供了参考。     

激光点云在无人驾驶路径检测中的应用

针对室外自然环境下无人自主地面智能车辆的可通行区域检测问题,提出了一种基于激光点云的道路可通行区域检测算法,包括倾斜检测道路边界和水平探测前方障碍物。道路边界检测主要依据道路区域与非路区域之间存在的高度差异来筛选道路边界特征点,结合通行宽度阈值提取道路边界线;前方障碍物检测则依据扫描点间距离聚类成不同的点云簇,对点云簇进行识别和定位,从而确定障碍物位置和大小。结合道路边界和障碍物信息提取车辆的可通行区域,为无人车路径规划提供依据。试验表明,该算法能够较好地检测出无人车的可通行区域。     

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。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。