基于LiDAR点云数据的地物几何特征提取与制图

从机载激光雷达数据自动识别地物对象,可提高数据的解译能力,成为快速、高效地形图测量、数字地籍、三维城市等数据获取的有效途径。本文基于机载Li DAR数据和遥感数据,进行快速数据获取与制图研究,充分利用激光雷达获取数据质量高的优势,通过高密度、不规则点云分析,构建建筑物、树木、地表、电力线等地物的离散几何模型,从而提高点云数据的分类精度及制图自动化。根据描述地物使用线和面以及纹理、颜色的方面的约束条件,通过构建点云的离散几何模型,对高维数据进行降维,达到高精度构建地物信息。应用法线估计法,计算邻域法线的各项异性的相似度,判断相邻网格是否属于一个平面,结合区域增长法构建规则地物的几何模型;采用自组织神经网络法对点云数据进行处理,利用自由曲面描述地物,以长春师范大学校园为例,实现了Li DAR点云数据的地物几何信息提取与制图。     

多特征融合的建筑物点云检测方法

当前各种影像数据以及Li DAR数据获取能力不断增强,仅利用一种数据进行建筑物的检测,其结果往往并不理想。本文对Li DAR点云数据的特征和影像的相关特征进行了分析,融合这些特征,利用支持向量机的方法对建筑物点云进行检测。实验结果表明,综合利用具有不同特征的点云和影像数据的方法比单纯使用点云数据进行建筑物的检测能够取得更好的效果。     

基于区域多次回波点密度分析的城区LiDAR建筑物提取

以正确提取城区Li DAR点云中建筑物为目标,综合利用不同类别目标点云的回波特征以及地形信息,提出了一种基于区域多次回波密度分析的Li DAR点云建筑物提取方法。首先,将点云构建不规则三角网(triangulated irregular network,TIN),获取封闭的等高线;然后,利用等高线间的拓扑关系得到等高线族区域;最后,统计每一区域的多次回波点云密度信息,通过建筑物和树木区域多次回波点云在区域密度上的巨大差异来识别建筑物点云和树木点云。研究结果表明:该方法既充分利用了建筑物表面与植被间多次回波特性的差异,又不否定建筑物边缘同样存在多次回波的现象;通过封闭的等高线自适应地检测出地物目标的轮廓,弥补了传统Li DAR建筑物提取方法的不足;该方法能够较其他方法更准确地提取建筑物。     

基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。     

融合影像信息的LiDAR点云多特征分类方法

针对单一Li DAR点云数据分类精度不高的问题,提出一种融合影像信息的激光点云多特征分类方法。该方法根据应用目的以及地物分类的需求对航空影像所提供的光谱、形状等特征和Li DAR数据提供的几何特征进行研究分析,确定参与分类器中的特征空间,并作为设定相应分类规则的先验知识,然后根据特征描述子之间的空间距离进行空间聚类,最终成功将点云分类为建筑物、树木、草地、道路以及不确定地物等5类,分类精度达到95.3%,kappa系数达0.935。此外,还分别引入基于影像的SVM分类和基于terrasolid软件的点云分类方法,以验证本文算法的有效性。     

基于LiDAR的海岛岸线自动提取研究

为了探讨栅格化方法与图像分割法对海岛岸线提取的效果,本文主要研究了基于Li DAR数据利用这两种方法对某岛进行瞬时海岸线的提取。利用栅格化方法通过对Li DAR点云数据进行粗差剔除、滤波去噪、构建Terrain数据集、创建栅格表面、生成TIN模型及自动生成等高线,从而实现了瞬时海岸线的提取;利用图像分割法是通过对Li DAR点云数据进行粗差剔除、滤波处理、构建TIN模型、生成二值栅格图像、图像处理与图像边缘提取的过程实现瞬时海岸线的提取。对两种方法提取的海岸线进行叠加显示分析,试验结果表明:两种方法提取的海岸线形态结构基本吻合,海岸线提取效率较传统方法均有提高,但栅格化方法提取的海岸线比图像分割方法提取的海岸线更平滑、更细化,边缘信息较为丰富,与实际海岸线更贴切,效果更加理想。     

一种基于改进区域增长的行道树点云提取方法

针对城市车载Li DAR数据处理中行道树的提取,首先对点云数据进行分层格网化处理;然后分析行道树在多层格网中的分布形态;最后结合点云的投影密度和高程分布等特征,以空间区域增长的方式提取行道树。实验证明,这种方法能有效地排除其他地物,提取完整的行道树点云。     

LiDAR-DP软件对点云数据自动分类结果分析

对激光雷达(Li DAR)点云数据使用点云数据处理软件(Li DAR-DP)时,利用其自动分类进行处理,对其使用渐进三角加密滤波算法得到的建筑物、桥梁和高架路、植被、水体以及其他各种特色地形地物的分类情况进行分析判断,并对自动滤波效果不好的区域,给出相应的解决方案。经本次分析,在地形地物复杂区域,自动滤波效果不好。在地形简单、地物规则且大型区域滤波效果真实可靠。Li DAR-DP软件在点云数据处理过程中,使用简便,能提高作业效率。     

利用机载LiDAR数据提取与分析地裂缝

机载激光扫描可获取植被茂密地区的数字地形模型(DTM),但将其用于茂密植被覆盖区地裂缝提取方法的研究还不多见。以湖南冷水江市浪石滩为试验区,基于机载Li DAR的激光点云数据,研究了植被覆盖区地裂缝的提取方法,分析了地裂缝的微地貌特征。首先对离散的三维激光点云数据依次进行基于不规则三角网滤波、高程滤波及回波信息强度滤波提取地面点,以保留完整的微地貌微特征;然后构建不规则三角网,反距离加权内插生成数字高程模型(DEM),提取地裂缝识别参数,同时基于最小曲率对地裂缝进行线性探测,提取地裂缝的长度信息,且利用地裂缝剖面信息分析其微特征,结合识别参数分析地裂缝的稳定性。研究结果表明:利用机载Li DAR点云数据提取的地裂缝识别参数,能够确定地裂缝的位置、坡度坡向、长度和深度信息,有助于判定地裂缝的稳定性;在植被较为茂密、地面点密度稀疏的区域,保留一定的低矮植被所提取到的DEM能更好地保留地裂缝的微地貌特征。     

地面激光扫描联合无人机影像的三维模型重建

为了研究精细三维模型的重建方法,本文采用地面三维激光扫描仪采集地物立面点云,利用无人机倾斜摄影技术生成地物顶部和立面点云,滤除无人机的地面点云后,将二者精配准形成完整的地物点云。通过融合后的点云重建三维建筑物模型和景观小品模型,再从激光点云中过滤出地面点类构建地面模型,将三种模型组合成为完整的三维场景。建模结果表明,所融合点云的相对位置精度为9cm,该建模方法可以保证融合点云数据的完整性和三维模型的准确性,为三维模型的精确重建提供了一种新思路。     

面向复杂山地的机载LiDAR与无人机影像融合应用

本文针对LiDAR点云与无人机影像数据特征的优缺点,利用LiDAR点云与无人机DOM影像融合,将影像数据光谱信息赋给LiDAR点云数据,使其不仅具备精准的空间结构信息,还能得到清晰的纹理信息。为验证融合数据应用的可行性与数据提取的准确性,对融合前后的点云数据进行地面点提取与DEM构建。试验表明：将无人机影像的光谱信息赋给LiDAR点云数据,可以实现LiDAR点云数据从四维度表达到七维度的拓展,融合后点云数据具有清晰的纹理信息,地物类型判读更加容易,地面点分离完整;通过DEM模型的对比分析,融合后点云数据构建的DEM模型表达更加接近真实地表。研究结果为多源点云数据的深化应用提供了一定的技术方法支持作用。     

车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统（MMS）激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。     

RGB-D SLAM在室内高精度三维测图中的应用

高精度三维测图是室内三维制图的重要支撑,基于三维激光雷达扫描技术的三维测图成本高,需要提前布置标靶,在室内复杂环境中易导致数据不完整;基于图像序列的三维重建建模时间长,易受多种因素影响。针对以上问题,本文将RGB-D SLAM技术应用于室内高精度三维测图中。通过将深度相机与SLAM技术相结合,计算相机位姿并恢复三维空间信息,获取室内三维点云模型,并以目标物实际量测为基准评价密集点云精度。试验结果表明,该方法可快速获取精度较高的三维点云模型,成本低且效率高,能够较好地满足应用需求。     

机载LiDAR技术支持下的荒漠地区1:10 000地形图测绘与研究——以内蒙古阿拉善地区为例

尝试应用机载LiDAR技术测绘1：10 000比例尺地形图3D（DLG、DEM、DOM）产品,给出了机载LiDAR测绘3D产品的技术流程,并选择荒漠地区作为试验区,验证了此种技术方法在荒漠地区测绘3D产品的可行性,分析了成果精度。试验证明,该方法可以满足荒漠区域的1：10 000比例尺3D基础数据生产要求,且具有外业工作量小、自动化程度高、成图快、高程精度高、受外界环境影响小等优点,同时也总结了该方法中有待完善之处。该方法为荒漠地区3D基础测绘数据获取提供了有益借鉴。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

POS辅助机载LiDAR无地面控制点DEM,DOM制作

DEM和DOM已成为航空遥感生产的重要产品,机载Li DAR系统获取的具有三维坐标信息的点云数据,经系统误差校正和滤波分类后,结合机载POS数据和数码影像,可进行无地面控制点的DEM和DOM制作。经实践分析,成果精度满足1∶2 000比例尺DEM和1∶5 000比例尺DOM精度指标,该方法产品制作周期短,成果质量较高,满足了无人区和应急情况下的测绘需求。     

LiDAR技术在钱塘江海塘工程安全监测上的应用研究

LiDAR作为一种主动式对地观测系统,可快速获取地物的三维点云数据,显示地物特点。文中利用LiDAR系统平台,获取钱塘江海塘三维点云数据,通过点云处理软件,对三维点云进行后续处理,生成海塘工程三维模型;分析模型数据,对海塘工程进行剖面分析、沉降监测等,探索LiDAR技术在海塘工程安全监测上的应用。     

机载激光点云数据中电力线自动提取方法

提出了一种从机载激光点云数据中自动提取电力线的方法。首先利用顾及地形起伏特征的机载激光点云自动滤波方法移除地面点,利用维数特征以及方向特征自非地面点中分割获得电力线激光点云;然后对获取的电力线点采用二维霍夫变换和最小二乘拟合的方法求取每条电力线的中心线方程,根据中心线方程求取每条电力线上的激光点完成单电力线目标提取,并考虑了电力线在水平投影面内重叠时的情况;最后根据分块质心解算方法生成每条电力线上的三维节点,输出电力线矢量。采用实际线路巡检实验采集的机载激光点云数据进行实验,实验结果表明,该方法能从机载激光点云数据中提取出完整的电力线,并具有较好的鲁棒性,对电力巡线具有一定的实际意义。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

利用LiDAR点云强度的十字剖分线法道路提取

由于道路与地面在空间上表现相近,因此,仅用空间坐标无法从LiDAR数据中直接提取道路。机载激光扫描系统在获取对象三维信息的同时,也记录了激光经由反射的强度信息,因此能从空间坐标和辐射两个方面表现地物的特性。结合这两种相对独立的信息在激光扫描数据中进行道路提取,提高了提取结果的稳定性。首先利用激光扫描数据的高程滤波去除非地面点;再通过强度信息进行阈值分割得到包含干扰的初始道路区域;然后,利用两组十字剖分线检测初始区域在4个方向的狭长性与宽度一致性,使得狭长状、区域宽度较一致的道路区域同干扰区域具有不同的权值,从而提取真正的道路区域;最终通过对道路区域的细化和平滑,得到道路中心线。实验表明,该方法能够较好地在LiDAR数据中提取出道路并得到道路中心线。