平面特征保持的城市三维点云高精度分类方法

针对基于单一尺度点簇的分类算法无法满足大范围城市三维点云高精度分类的问题，该文提出了一种平面特征保持的多尺度点簇城市场景三维点云分割分类方法。该方法首先以超体素为基元进行动态区域生长，将具有平面特征的超体素逐步合并，生成平面特征保持的多尺度点簇，然后基于多尺度点簇进行特征计算并使用随机森林分类器进行分类。为验证该方法的有效性，分别采用机载LiDAR点云和影像密集匹配点云进行实验，并与基于不同分类基元的分类方法进行对比。实验结果表明，与原始区域生长方法相比本文提出的分割方法得到的点簇更加准确，分割准确度达到97%,并且分割效率提升了一倍以上，同时分类准确度也优于其他方法，达到94.1%、87.5%。     

基于维度特征的RANSAC建筑物点云分割算法

提出一种以建筑物表面形状特征为分割依据的改进RANSAC点云分割算法。该算法以主成分分析算法为基础计算维度特征和熵函数,并以熵函数最小准则确定最优邻域,继而进行表面形状分类,运用法向量夹角作为约束条件对分类结果进行优化。将分类结果作为随机抽样一致性(RANSAC)点云分割算法的模型选择依据,进行建筑物表面分割,采用法向量和距离等约束条件对分割结果进行优化,从而分割出具有不同形状的特征表面。实验表明:文中提出的改进的RANSAC点云分割算法是可行的,能有效保留表面特征。     

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。     

一种局部最优邻域法向量估算的巷道点云去噪方法

针对三维激光扫描技术在获取巷道内壁点云数据时会包含大量非巷道内壁点，无法快速有效地获取巷道围岩形变信息的问题。该文提出一种基于局部最优邻域法向量估算的巷道点云去噪方法，该方法采用自适应邻域半径的主成分分析算法，提高了点云法向量估算的精度和方向一致性，较好地解决了区域生长算法提取巷道内壁点云时存在的孔洞过多与噪声点云去除不彻底的问题，实现了巷道内壁点云较为完整的获取。通过不同类型的巷道点云数据进行验证，结果表明，该方法能够有效地去除非巷道内壁点云，提高巷道内壁点云获取的精度。     

平面特征的多站地面激光雷达点云配准

为了进一步研究建筑物密集区域多站地面激光雷达(LiDAR)点云数据的配准问题,该文提出一种基于平面特征的地面LiDAR数据配准方法:对点云数据进行分割获取平面信息;人工选择典型的平面,对相应的点云数据进行平面拟合,得到相应法向量;利用罗德里格矩阵的性质,建立三维激光扫描数据配准模型。实验结果表明,该方法的配准精度较高、计算速度快,可以取得较好的点云配准效果。     

基于图像分割技术的城区机载LiDAR数据滤波方法

为了获取高精度的DEM数据,采用了一种基于图像分割技术的方法对机载LiDAR数据进行滤波处理。该方法针对原始激光点云数据,首先运用边缘检测技术进行点云分割,准确提取建筑物的边缘信息,确定地面种子点;然后按照一定的准则进行区域生长,最终得到裸露地面点集。针对几组不同地貌特征的城区实测数据进行滤波实验,通过定性和定量分析,验证了该算法不但计算速度快、精度高,而且还具有较强的稳健性。     

基于平面特征的地面雷达点云配准算法

针对地面LiDAR点云配准中不同坐标系点云数据存在对应的平面特征不同的问题,文章提出了一种基于总体最小二乘的地面LiDAR点云数据配准算法:通过对分割后的点云数据平面拟合,得到相应法向量;根据不同坐标系中LiDAR点云数据对应的平面法向量,利用反对称矩阵和罗德里格矩阵的性质,用3个独立参数代替3个旋转参数,采用总体最小二乘法建立旋转矩阵解算模型;采用总体最小二乘法确定平移参数的计算公式;最后根据转换后特征点云与对应平面点云的重复情况,给出了配准模型的精度公式。实验结果表明该方法精度较高,可以取得较好的点云配准效果,适合于含有大量重复平面特征的点云数据的配准。     

基于LIDAR数据的建筑物自动化重建

对基于LIDAR数据的建筑物重建进行研究,提出了一种自动化的建筑物重建方法.根据建筑物的边缘线通常互相垂直或平行这一特点对提取的轮廓线进行规则化.然后在屋顶三角网中随机选取种子三角形进行区域生长,将屋顶分割成不同的平面,通过平面相交得到建筑物的屋脊线.最后通过搜索离建筑物轮廓点最近的LIDAR点云,将搜索到的LIDAR点云高程值赋给该轮廓点.实验结果表明:利用该方法进行建筑物重建具有较高的精度.     

一种机载激光雷达道路点云的半自动提取方法

针对直接从LiDAR点云数据中提取道路信息比较困难的问题,文章提出了一种基于点云分割和区域生长的机载LiDAR数据道路点云提取方法:采用曲面生长法对点云进行分割,直接得到包含道路信息的曲面点集合;应用LiDAR数据的回波强度对分割结果中的道路进行强度标定,并采用区域增长的思想实现了道路的精细提取。实验表明,该方法能够高效、准确地提取道路点云,在路桥建模方面有较强的使用价值。     

基于Otsu算法与改进区域生长算法的道路点云提取

针对车载激光扫描获取的道路点云数据分类问题多的难点,本文提出了一种基于最大类间方差(Otsu)算法与改进区域生长算法的道路面提取方法。原始点云中非地面点滤除依靠Otsu算法自适应计算出分割阈值;随后分别计算点云的法向量与曲率;最终将法向量相似度作为约束条件,使用改进区域生长算法进行道路面精确提取。通过两段典型的城市道路点云数据为例,试验结果表明,本文方法提取道路面结果的准确度(C_R)、完整度(C_P)以及提取质量(Q)均大于94%,充分证明了该方法的有效性。