海量车载激光扫描点云数据的快速可视化方法

当前车载激光扫描系统的数据量往往达到数十GB乃至TB级,海量激光点云数据的加载与查询对传统可视化方法提出了挑战。本文设计了一种基于内外存调度的三维可视化方法,突破了物理内存对显示数据量的限制。该方法首先利用双层四叉树索引数据结构实现外存储器上的点云数据管理与快速调度,基于该索引动态加载外存储器上的点云数据到内存,从而快速获取海量数据中的实时数据块;然后,利用多线程分时加载双层四叉树索引数据结构,实现激光点云数据外存到内存的实时传输与绘制。实验结果表明,本文方法不受点云数据量与物理内存大小限制,海量点云可视化效果流畅,适用于台式计算机或网络环境下的海量激光点云数据的调度管理与实时可视化。     

基于四叉树的大规模点云管理及实时渲染

三维激光扫描仪能够获取非常详尽的信息,但扫描仪的随机软件多数只能控制设备和数据显示,缺乏足够的点云后处理和空间分析功能。设计了一种基于四叉树的大规模点云管理算法,使用四叉树来对点云进行管理,以期对大规模点云进行高效管理并进行实时渲染。     

基于四叉树的LiDAR点云数据组织研究

针对传统的数据读取方法不能满足LiDAR点云数据量大的特点,基于Windows的内存映射机制,研究LiDAR点云数据组织,利用四叉树对LiDAR点云数据进行索引管理,并在LiDAR点云的三维场景绘制中对点云数据进行剪裁,减轻CPU的负担,提高其运算的效率.     

一种四叉树与KD树结合的海量机载LiDAR数据组织管理方法

针对海量机载LiDAR点云数据管理与可视化效率不高的问题,提出了一种四叉树和局部KD树相结合的混合空间索引结构以及内外存结合的数据调度模式。在全局,可以通过四叉树金字塔模型实现快速检索与调度;在局部,通过内存中构建的KD树实现高效的查询与显示。利用敦煌地区约10亿点的激光雷达数据进行了验证,达到30帧/s的显示效率,为大规模点云数据的可视化奠定了基础。     

海量地形数据实时可视化技术研究

针对海量地形数据实时可视化,提出了一种瓦片金字塔模型和线性四叉树索引相结合的地形数据管理模式,利用视景体裁剪和基于分辨率测试的目标瓦片快速搜索算法,实现了地形数据的实时装载,采用基于动态二叉树构网的方法,实现了地形数据的实时绘制.     

十进制线性四叉树的点云数据格网索引方法研究

三维激光点云数据是海量三维点的集合,导致数据量庞大,组织和管理困难,不仅增加了系统负荷,而且大大降低了点云数据后续处理效率。该文针对海量点云数据的组织与管理中遇到的加载和显示效率低、建立索引困难、不能实时动态显示等问题,提出了基于十进制线性四叉树的点云数据格网索引方法,该方法用四叉树结构分割点云数据和用SQL Server数据库存储,采用Morton码或矩形区域对点云数据进行分块空间索引,结合空间索引和数据库的优势对点云数据进行高效、动态、智能管理。实验结果表明,该方法较好地解决海量点云数据的组织与管理效率低下,不能实时动态显示的问题。     

水深点云数据快速检索方法研究

为了提高海量多波束水深点云数据处理时的检索效率,降低内存占用,本文设计了四叉树数据处理方案。水深点云数据四叉树检索方式如下：首先,根据四叉树结构,以序列化方式对文件进行存储与索引,实现水深点云数据检索速度的提高,节省了检索时间;其次,为了减少内存占用,以内存映射的方式对海量点云数据进行读取。将本文提出的水深点云四叉树检索与常规的遍历索引进行对比实验,结果表明：在点云检索数据量少于总点云数据量的3/4时,四叉树检索的效率比常规的遍历检索效率提高1倍以上;随着检索点云数据量的减少,四叉树检索效率比常规遍历检索效率更高,最大可达到30倍以上。     

利用3D_DP和Quad_TIN的地形实时动态显示算法研究

将地貌综合的三维Douglas-Peucker方法引入到地形LOD中,通过构建Quad_TIN模型,提出了一种地形实时动态显示的新算法。该算法首先从全局重要性角度将不规则采样点分级;再利用孤立分割的方式建立四叉树空间索引,结合了规则格网的四叉树结构和不规则采样点的TIN结构在虚拟表达中的优势,并消除了节点间的依赖关系;然后,根据视距和模拟误差确定四叉树的绘制层次和插入采样点的顺序及数量;最后,通过添加拆分点消除节点间裂隙。实验表明,该算法在保证地形表达速度的同时提高了模拟精度,对其他模型的LOD表达也是一种借鉴。     

基于像素模式的海量点云可视化LOD调度方法

针对受限于计算机内存,海量三维点云数据无法一次性加载显示的问题,提出了一种基于像素模式的海量点云可视化LOD调度方法。该方法主要包括生成八叉树点云索引文件和设置LOD模型调度范围两个阶段,首先采用八叉树的原理对点云数据进行分层和抽稀,生成索引文件;再基于八叉树点云索引文件构建点云LOD模型;最后根据原始点云的分辨率自动计算LOD模型节点的像素阈值。在实时可视化的过程中,以LOD模型节点在屏幕上的像素大小是否达到预定阈值为判断条件,对其进行调度,避免了距离模式下海量点云可视化出现的卡顿问题。     

基于3D格网与哈希表的车载LiDAR点云八叉树索引

针对车载LiDAR数据海量化趋势,以及高效的点云索引构建和邻域搜索算法的至关重要性,本文结合3D规则格网和线性八叉树算法优势,以及哈希表检索的高效性,提出了基于3D格网和哈希表的八叉树索引算法。通过对车载LiDAR所获取的点云数据进行相关试验,试验结果表明该方法应用于海量点云索引构建和邻域查找具有高效性。     

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。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

双层优化的激光雷达点云场景分割方法

对激光雷达扫描的非结构化点云进行分割处理,是进行数据组织、重构和信息提取的重要步骤。本文根据点云表面的局部可微的性质,提出了一种递进形式的双层优化分割算法。首先在黎曼几何框架下计算点的拓扑关系和距离度量特性,以k均值聚类的方法获得过分割体素,作为底层分割结果。然后,将点云的体素模式化为节点,构建最小生成树,提取节点的高级特征信息,利用图优化得到对点云细节自适应的区域分割效果。通过真实数据进行验证,并与现有方法比较,证明所提算法的可行性和先进性。     

Looking for a needle in a haystack: Probability density based classification and reconstruction of dormers from 3D point clouds

Accurate reconstruction of roofs with dormers is challenging. Without careful separation of the dormer points from the points on the roof surface, the estimation of the roof areas is distorted. The characteristic distortion of the density distribution in comparison to the expected normal distribution is the starting point of our method. We propose a hierarchical method which improves roof reconstruction from LiDAR point clouds in a model‐based manner, separating dormer points from roof points using classification methods. The key idea is to exploit probability density functions to reveal roof properties and to skilfully design the features for a supervised learning method using support vector machines. The approach is tested based on real data as well as simulated point clouds.     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

基于法向偏差的隧道点云去噪算法

针对隧道类似圆柱的形态特征以及三维点云法向对噪声的敏感性,设计一种剔除由通行车辆和隧道内壁悬挂物所造成噪声点的方法。该方法利用点云的大量法向量鲁棒地估计出精确的隧道轴向,并根据点云法向与隧道轴向的偏差识别出可靠的隧道表面点,然后参照可靠点完成噪声点的进一步确认。利用仿真数据和真实的高速公路隧道扫描点云实验结果证明该方法的有效性和精确性。     

基于LiDAR点云数据的水体轮廓线提取方法研究

提出一种基于机载激光雷达点云数据提取水体轮廓线的方法。采用双层格网模式提取较窄的水体;以朝向水体的边界点作为拟合轮廓线的关键点提取更精确的轮廓线。实验表明,该方法可以较好地提取水体轮廓线。     

面向车载激光扫描点云快速分类的点云特征图像生成方法

车载激光扫描是空间数据快速获取的一种重要手段。车载激光扫描点云数据的分类和特征提取是目标识别与三维重建的基础。本文以车载激光点云数据为研究对象,提出了一种适合于其快速分类与目标提取的点云特征图像生成方法。该方法首先将扫描区域进行平面规则格网投影,通过分析格网内部点云的空间分布特征（平面距离、高程差异、点密集程度等）确定激光扫描点的定权,从而生成车载激光扫描点云的特征图像。利用生成的点云特征图像,可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界,从而确定边界内部点云数据,实现目标分类与提取。本文以Optech公司的车载激光扫描数据为实验对象,验证了本文提出方法的可行性和实用性。实验结果表明,该方法能快速有效分离出车载激光扫描点云中的地面数据、建筑物数据等。     

多因子激光雷达点云分区精简算法

激光雷达点云密度较大时会导致数据冗余,对点云数据的计算、存储及显示造成困难。本文针对激光雷达地形扫描点云的精简问题,提出了一种多因子分区点云精简方法。首先在改进点云组织方式的基础上,使用变异系数定权法并综合4种传统的点云特征提取因子,得到最终的综合评价因子,以划分特征点与非特征点;然后使用改进的八叉树将所有点依据其位置与数量划分为子集,并根据每个子集的特征点数量确定是否保留其中部分非特征点。该方法可更全面客观地对数据进行特征评估与选择,得到最具代表性的点,实现更高精度的精简。试验显示,多因子分区方法的误差比其他方法低20%～50%,且在整体试验区域精度的均匀性高5%～70%,证明该方法更优越。