改进的基于累加投影图匹配的点云配准算法

针对大规模点云数据配准拼接中存在的运算耗时长、结果精度低等问题,提出了一种改进的基于累加投影图匹配的点云自动配准算法,该算法首先将三维点云累加投影到二维平面,之后利用尺度不变特征变换算法匹配累加投影图得到匹配点对。在此基础上,根据匹配点对与三维点云数据之间的关系得到三维点云块,最后利用迭代最近点算法匹配三维点云块得到配准结果。实验表明,与Super4PCS算法和基于累加投影图线特征匹配算法相比,本文算法在车载和固定站点云数据配准中都能得到有效的结果,针对大规模点云的处理速度能够提高20倍以上,且能将配准精度提高到0.1 m以内。     

基于一致性球的点云配准算法研究

针对三维建模中经典ICP算法在点云重叠度低时配准精度不高的问题,提出一种基于一致性球的配准算法。该算法在寻找对应点方面,将球体的旋转不变性与基于邻域的SVD正交一致性算法结合起来,使得配准算法能够获得较高正确率的对应点,并以此为基础进行扩散,得到更多的对应点;再使用刚性约束对错误点对进行剔除,最后使用四元数法求解变换矩阵。该方法不仅克服了传统ICP配准算法的缺陷,而且精度也优于传统ICP配准算法。     

基于几何特征的建筑物点云配准方法

针对规则建筑物点云数据特点,基于测量平差理论,提出一种基于点、面几何特征的点云配准算法。首先利用建筑物点云数据中平面与平面的重合关系,推导了基于特征面的点云配准模型|而后结合基于特征点的点云配准模型,给出基于点、面特征的点云配准模型|最后利用实测数据进行实验,证实该方法能在一定程度上提高点云配准精度。     

改进权重的迭代最近点算法在点云配准中的应用

针对传统迭代最近点算法不具备抗差性的难题,利用迭代最近点算法配准残差的分布规律,综合M估计及选权迭代思想,提出改进权重的迭代最近点配准算法。根据每个点对配准计算出对应的初始权重,然后在附加点对权重的基础上使用选权迭代法计算出满足条件的权重,以达到抵御粗差的目的。结果表明,选权迭代过程能合理改善三维空间转换参数计算的结果,提出的改进算法较适合含粗差点的点云数据的配准。     

基于SAC-IA和NDT融合的点云配准方法

提出一种基于采样一致性初始配准(SAC-IA)和正态分布变换(NDT)配准融合的点云配准方法.首先计算出待配准点云和目标点云的快速点特征直方图(FPFH)特征;然后依据该特征,利用SAC-IA算法求出初始转换矩阵,完成初始配准;最后在初始配准的基础上,利用NDT算法对两片点云进行精配准.实验结果表明,该方法的配准精度显...     

基于点面关系构建的线基元点云配准算法

针对传统的点特征点云配准算法不能解决缺失同名点的配准问题,从点在平面上的几何关系出发,利用具有较强几何约束能力的直线特征,推导出基于单位四元数表征的无需同名直线端点完全对应的点云配准模型。结果表明,该模型不仅能够同步求解配准参数,还适用于大旋转角的配准问题,同时降低了配准模型对参数初值的要求,增强了配准模型的稳定性和实用性。     

地面三维激光扫描的点云配准误差研究

针对闭合条件下地面三维激光扫描点云配准产生的闭合差,基于测量平差理论,提出一种闭合差分配方法。首先通过间接平差理论求出各相邻测站间的坐标转换参数及其精度,再对闭合差按与方差成正比分配给各测站。通过多站点云配准实验,验证了该方法能在一定程度上提高点云配准的精度。     

基于虚拟特征点的三维激光点云粗配准算法

在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。     

一种基于图像特征点信息的误匹配点剔除改进算法

误匹配点剔除是基于特征点图像匹配过程的重要一步,关系到图像匹配的精确度。在特征点匹配求精方面,改进基于特征点信息的误匹配点剔除算法,通过自适应特征点邻域半径得到的邻域特征点数量及位置信息进行逐步求精,克服原算法不能处理尺度变换的情形。实验结果表明,该算法简单高效,剔除误匹配点对能力较强,具有尺度、旋转不变性,同时,该算法具有较好的鲁棒性,正确性。能基本满足图像匹配的精度要求。     

基于随机森林的光子计数激光雷达点云滤波

新一代星载激光雷达卫星ICESat-2首次采用了微脉冲光子计数激光雷达技术,由于单光子探测的灵敏性导致数据在大气和地表下层产生了大量噪声,因此对光子计数激光雷达点云数据实现信号和噪声的分离是开展进一步应用研究的前提和基础。本文选择美国俄勒冈州和弗吉尼亚州2个研究区,采用MATLAS数据,根据光子点云数据的特点构造了12个光子点云特征,对所构造的特征利用随机森林进行变量筛选,用机器学习方法对光子点云进行分类,并将建立好的模型推广到整个研究区。研究结果表明,本文构建的分类器分类总精度达到了96.79%,Kappa系数为0.94,平均生产者精度和用户精度分别为97.1%和96.8%。在相对弱噪声、平坦地形区域和强噪声、复杂地形区域都取得较好的分类结果。本文结果显示了基于少量样本通过机器学习的方法构建模型,可以推广到较大范围区域的光子点云分类应用中。     

基于地基LiDAR点云数据插值方法的对比研究

以冷龙岭断裂上一处典型地貌点云数据为例,采用最邻近法、距离反比法、不规则三角网法、样条函数法、克里金法等5种插值方法进行遗漏点云插值填充,研究并探讨最合适的插值算法。结果表明,不规则三角网插值法不仅可以很好地填充点云遗漏数据,还可以按照实际地形变化精确表示其高程数据并还原野外的真实场景,为后期的研究提供数据保证。     

面向地形数据的点云简化算法

针对地形点云数据量大、表面特征复杂多样等特点,提出面向地形数据的点云简化算法。基于K-D Tree搜索各点K邻域,构建点集空间拓扑关系|应用移动最小二乘法计算各点曲率,通过曲率的划分,在平缓区域按距离进行简化,保证整个算法的效率|在突变区域根据曲率简化,确保曲率变化大的关键特征信息不丢失,从而实现点云数据的简化。利用基于熵理论的定量评价方法,通过实例验证该方法的可行性和普适性。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

八叉树与三维R*树集成的激光点云数据存储结构

针对海量激光点云数据组织与管理困难等问题,结合八叉树在三维空间上的快速收敛能力以及三维R^*树对不规则分布的多维点数据性能稳定的优势,提出了一种八叉树与三维R^*树集成的空间混合索引结构—3DOR^*树。首先,通过对激光点云数据进行八叉树划分;然后,对八叉树叶子节点构建三维R^*树,进而实现3DOR^*树索引结构的构建;最后,对激光点云数据进行特征分析,构建基于3DOR^*树的激光点云数据存储结构,实现基于3DOR^*树的激光点云存储与管理。本文以江西理工大学图书馆激光点云数据为例,进行实验对比分析,证明了基于3DOR^*树的激光点云数据存储结构比三维R^*树、八叉树与三维R树混合树等其他树形结构,具有高效的空间存储与查询等优势,可应用于海量激光点云数据存储、管理与分析应用。