基于点云投影线探测的高墩位姿自动检测方法

针对目前超高桥墩垂直度检测方法存在危险系数较高、精度难以保证或自动化程度与工作效率较低的情况,本文提出一种基于三维激光扫描技术的点云数据超高桥墩位姿自动检测方法。该方法首先将海量墩面点云双向分层;然后依条件选择分层文件探测点云投影线并划分桥墩面缓冲区;最后根据缓冲区自动提取墩面点云并进行位姿检测。本文以某山区高速桥梁高墩位姿检测为例进行试验,试验结果,表明该方法具有无接触测量、高自动化、高工作效率及检测范围全面的优势。     

车载激光点云数据中行道树三维信息自动提取研究

城市行道树三维信息是城市智慧管理的重要基础信息之一,本文研究了一种基于车载激光点云数据的行道树三维信息自动提取方法。首先,根据行道树点云和周围地面点计算树高;然后,针对残缺树冠点云,应用点云不同方位距离对比计算冠幅;最后,根据树干扫描分层点云,运用RANSAC算子拟合圆模型,计算胸径。通过实际测量数据进行验证,本文方法提取出的行道树信息误差较小,精度较高。     

高速铁路轨道检测点的数据处理

轨道测量仪必须依靠轨道控制网(CPⅢ)进行测站定位和定向,并根据自身轨距、倾斜传感器修正轨道点坐标。50~70m间隔的相邻测站之间检测的轨道点须保证有10m左右的重叠,相邻2个测站测量的轨道点在重叠区的坐标值会有差异。为了探索更好的轨道点测量数据处理模型,本文提出中线桩修正、中线桩和轨距尺联合修正两种方法,并与现有的测站平差方法对比。通过标准轨道检验场实测检测,结果表明：通过中线桩和轨距尺联合修正的方法最优,修正后相邻测站重叠区轨道检测点的坐标高程较差中误差比测站平差的结果最大可减小69.46%,验后精度得到显著提高。     

基于多源点云数据的铁路线路信息化

相比于传统测量手段,移动扫描技术能够提高测量效率,但点云数据具有体积大、密度高、冗余数据多等特点,测量过程中扫描仪覆盖范围大,大量无效点云被获取。针对该问题,本文提出了一种基于多源点云数据提取铁路线路信息的方法。首先,根据钢轨点云的反射强度和几何特征预处理,采用微分的思想提取线路中心线;其次,对钢轨点云模型降维处理,参考高速铁路路用钢轨轨头宽度允许误差设定收敛条件建立钢轨模型,提取线路平面线和纵横断面;然后,利用主成分分析法和移动激光点聚类法提取接触线和站内附属设备;最后,基于反射强度快速分割钢轨,采用Dynamo编程语言对Revit进行二次开发,快速建模,对推动铁路设计智能化、可视化水平具有十分重要的作用。     

基于车载点云数据的道路交通指示标志检测方法

测绘技术硬件、软件技术的发展为三维地理空间数据的高效获取提供了有效便捷,随着测绘新技术的发展与成熟,为实景三维中国、新型基础设施建设等提供重要支撑。基于此,本文基于移动车载激光扫描点云数据,研究并提出一种道路交通指示标志检测方法,提升道路交通指示标志检测效果,探索智能化测绘的实际应用。首先,按照车载激光扫描系统采集车载点云数据时,存储的扫描点反射角度,构造双向扫描线索引,按照扫描线上车载点云数据的空间分布特征,通过移动动态窗口分类交通指示标志与其余地物车载点云数据;其次,通过Canny边缘检测算法,在交通指示标志车载点云数据内,提取交通指示标志边缘信息;最后,在双线性卷积神经网络内输入交通指示标志边缘信息,提取交通指示标志特征,结合支持向量机,输出交通指示标志检测结果。实验证明：该方法可有效采集道路交通环境的车载点云数据;可有效分类交通指示标志与其余物体车载点云数据,并完整提取交通指示标志边缘信息,完成道路交通指示标志检测;在不同光照条件下,该方法的道路交通指示标志检测的一个用来评价二分类模型优劣的常用指标AUC值均接近1,检测精度较高。     

一种多尺度拟合曲面的LiDAR数据建筑物脚点提取方法

针对现有的建筑物点云提取方法,提出一种基于多尺度拟合曲面算法的LiDAR数据建筑物脚点提取方法。采用顾及地形的TIN滤波算法对地面点和非地面点进行分类;对非地面点集进行多尺度曲面拟合,提取建筑物候选点云;通过分析最大重叠边界矩阵MOBR和阈值条件(如距地高程和最小面积等)剔除具有类似几何和表面特性的人造物(如桥梁、车辆和防护堤等),实现建筑物点云的提取。使用国际摄影测量与遥感协会(ISPRS)提供的Vaihingen和Toronto两块测试数据进行评估,基于面积和目标的平均质量分别达到91.6%、93.1%、84.8%和86.5%。实验结果表明,该方法能够稳健地提取建筑物点云,具有较高的正确性和完整性。     

机载LiDAR数据大区域城墙自动提取

针对传统测量耗时耗力且难以获取古城墙精确侧面信息的缺点,该文提出将LiDAR技术应用于古城墙数字存档工作。提出基于城墙断面的"横向探测—纵向探测"城墙顶部和侧面点云提取算法,以及"城墙待选区提取—断面格网构建—顶部侧面点云提取"技术方案,有效地克服城墙特殊的空间形态和复杂的点云结构所带来的点云分割困难,实现大区域机载LiDAR数据城墙点云自动提取,解决了利用机载LiDAR进行古城墙数字存档的关键技术问题。基于南京明城墙的实验结果表明,该算法对于大区域古城墙提取切实可行有效。     

一种基于深度相机的机器人室内导航点云地图生成方法

点云地图是智能机器人自主导航的基础。文中提出一种基于深度相机的机器人室内导航点云地图生成方法,通过对图像特征的快速提取与匹配,实时估计相机位姿;综合考虑彩色图像的投影误差与深度图像的反投影误差,应用图优化算法对关键帧位姿与地图点进行联合优化;通过环路检测与地图优化降低估计误差累积的影响;利用估计得到的相机位姿将关键帧对应的图像点云进行拼接融合,形成表示三维空间场景结构的稠密点云地图。通过实验验证方法的有效性、精确性与实时性。     

介绍一种支距测量用的展点尺

一、支距测量展点尺的式样如图1。图中之长刻度为基距刻度尺,下面有斜线的部份要挖空,该处为支距刻度尺。制作精度要高一些,基距尺的中央直线一定要平行于展点尺的左边,且垂直于支距尺。     

三维点云在轨道板快速检测中的应用

针对现有的CRTSⅢ型轨道板检测方法效率低下、设备组装复杂、部分还需人工操作等不足,基于三维点云数据实现了轨道板外形尺寸的高精度快速检测。利用轨道板标准三维模型建立相关检测特征,在完成轨道板三维点云数据相关预处理后,将点云数据精确配准至标准三维模型,利用模型上已建立的特征拟合计算轨道板表面点云数据的检测特征,获得轨道板各检测指标的测量值;计算测量值与标准三维模型设计尺寸之间的偏差,从而实现轨道板外形尺寸的快速检测。实验表明,与常规的检测手段相比,该方法具有检测精度高、速度快、检测结果稳定可靠、检测项目齐全等优点,具有良好的应用前景。     

基于车载LiDAR的交通标线自动提取方法研究

针对自动驾驶技术对高精度道路信息实时存储分析的需求日渐增大、道路点云数据冗余离散的问题,本文提出了一种从车载LiDAR点云数据中自动提取道路面、分类并矢量化交通标线的有效方法。首先,将点云数据中的非地面点滤除;其次,基于载体车辆的行车轨迹线生成伪扫描线实现道路面的提取;然后,构建一系列二维点云参考影像,利用点云强度等特征信息检测交通标线边界像素点及坐标,并去除离群值对交通标线进行分类细化;最后,对本文方法提取与传统方法提取的交通要素进行对比,实验结果表明,本文提取方法的准确度及效率都有了一定的提升。     

车载激光彩色点云的道路标志线提取方法

以车载激光扫描点云数据为研究对象,提取了车载激光扫描系统获取的路面道路标志信息;利用点云数据的坐标、RGB、强度等属性信息,提出了一种适用于城区街道道路标志线的自动提取方法流程;提出了点云高差法、灰度差值法、强度差值法和动态网格密度法配合使用解决问题,实现了目标物的提取。通过SSW激光建模测量车扫描的多个路段的点云数据试验,道路标志线点云的提取成功率达到90%以上,达到了算法的预期目标,具有较高的实际应用价值。     

基于直线特征检测的道路边线自动提取方法

针对如何从车载激光点云数据中快速、准确地提取道路边线的问题,本文提出一种基于直线特征检测的道路边线自动提取方法。首先对原始点云进行地面滤波,删除非地面点,获取包含道路信息的地面点云,接着把点云投影到二维图像上,根据反射强度获得平均强度图像,对平均强度图像进行LSD直线检测,获得道路边线的直线段,然后进行直线连接,把检测出来的短线段连接成长直线,最后根据直线特征提取出道路边线,并且利用定量指标对提取结果进行定量分析。实验证明,该方法提取的道路边线具有较高的准确率和完整性。     

基于栅格的点云数据的边界探测方法

分析三维激光扫描点云的数据特征,得到一种将三维点云数据转换为深度图像形式后提取边界的方法。通过原始点云数据扫描线分组分行使点云数据实现X,Y方向数据的规格化,以Z方向代表深度,将规则的点云数据转换为图像形式。采用图像边界提取方法——Canny算子来提取边缘信息,并将其转换到三维空间中显示出来。实验表明,基于栅格的点云数据的边界探测方法能快速实现三维点云边界的提取与显示,可应用在基于边界特征的点云配准、点云的角点检测、点云的三维建模等后续处理工作中。     

顾及点云邻域特征的道路里程推算方法实现

提出车载测量系统获取点云进行公路里程推算方法,基于布料模拟滤波算法分类路面、非路面点云,以点云强度信息为标量并顾及点云邻域几何特征分割地面点云,采用八叉树连通聚类方法提取特征标线点云并以此构造路面中心线,制作ArcToolbox里程桩点提取工具来推算道路里程.实验表明本方法可快速分割标线特征点云并准确提取路面中心线,相比于传统的方法可更加准确地实现道路里程推算和桩点坐标提取.     

基于车载激光点云的道路边线自动分类与提取

车载点云数据的自动分类与提取是进行城市三维建模的基础和关键步骤。文章利用国产SSW车载激光建模测量系统获取的点云数据丰富的底层信息(点云基于激光扫描坐标系的坐标、相邻点梯度等)提出了一种针对道路边线的自动分类与提取算法。通过粗提取和精提取两个步骤得到准确的道路边线点云,再采用最小二乘拟合算法进行拟合,自动生成道路边线矢量文件。     

三维激光点云配电房结构及设备语义分割方法

针对配电房点云场景的三维重建需求问题,该文提出了一种配电房结构及设备点云的自动化语义分割方法。对于配电房主体结构点云,先采用区域增长的方法获取所有结构面的点云块,再基于随机采样一致性平面拟合的方法,对属于同一结构面的点云进行精准合并;对配电房内部设备点云,先采用欧式聚类的方法对每个设备点云进行聚类分割,再采用点云投影与栅格化的方法生成每个设备的主面图像,最后基于深度残差网络搭建深度神经网络对每个设备主面图像进行分类,得到每个设备点云的语义信息。实验证明,该文提出的方法对配电房点云分割的正确率优于0.9,设备识别的正确率优于96%,能够满足后续配电房及设备三维重建的要求。     

基于机载LiDAR点云的道路提取方法研究

道路是建设数字交通和数字城市的重要组成部分,也是空间地理信息的重要元素。针对传统遥感技术提取道路效率低、自动化程度不高以及易受周围环境影响等问题,基于无人机搭载LiDAR测量系统获取的某城郊结合区的点云数据,提出一种点云数据预处理、道路点云分级提取和道路边界提取算法。该算法首先对获取的LiDAR点云原始数据进行去噪处理,再结合曲面拟合滤波和点云几何特征提取包含道路在内的地面点云,然后利用点云的强度信息初提取道路点云,针对与道路材质相似的停车场等地物点云,在构建TIN的基础上,使用边长和面积约束进一步对道路点云进行精提取,最后使用α-shape算法对道路边界进行提取,并利用算法对实测的点云数据进行道路提取,以准确率和误分率对本文算法进行定量分析,结果表明提出的道路提取算法能够快速准确地提取道路点云。     

无人机输电线路测量点云自动分类与快速巡检

本文基于无人机激光点云数据进行输电线路特征对象的分类提取与快速巡检,首先对多无人机平台通过空中测量的手段获取得到的数据进行了对比分析,然后针对固定翼无人机激光点云数据进行杆塔、导线、植被和地面的自动分类与提取,并进行导线修复,最后得到当前工况安全距离检测报告.结果 表明,固定翼无人机激光雷达系统一方面可以进行输电线路快速巡检,精准地判别输电线路危险点;另一方面可以为自动驾驶精细化巡检作业提供基础航线点云数据,具有较高的实际应用价值.     

融合LiDAR和多光谱影像的建筑物自动检测

针对已有的从机载激光雷达(LiDAR)点云提取建筑物的方法多需要设置阈值及分类规则,造成算法适应性不强的问题,该文提出了一种LiDAR点云和多光谱影像进行自动化建筑物检测的方法。首先通过数据预处理从LiDAR点云中分离出建筑物点和树木点,然后综合LiDAR点云的表面曲率、强度信息和对应多光谱影像的NDVI值构建特征向量,最后基于支持向量机完成自动化的建筑物检测。试验结果表明,基于支持向量机的方法可将两种数据源有效结合起来用于自动化的建筑物检测。