车载LiDAR点云相连行道树精细分割

针对车载激光雷达获取的行道树树冠点云相连问题,该文提出了基于树木生长模型的距离加权分割方法。首先通过等距原则将相连树粗分割为单株树木,采用求差和拟合算法获得树木高度、胸径等属性信息;再根据树木的理论和实际生长模型,计算得到树冠距离加权值;最后在此基础上对树冠进行迭代处理,实现邻接行道树点云的精确分割。经过不同树种试验验证,该算法能够实现对多棵相连树点云的进一步精确分割。     

基于车载激光雷达的行道树提取研究

对车载激光雷达点云数据进行研究,提出了一种分层投影的方法提取行道树,该方法对点云数据进行分层投影,利用不同高程点云投影后表现出的不同特征,采用面向对象的方法对行道树进行提取,最后叠加分析得到行道树点云。实验证明,该方法能够比较完整的提取出行道树点云。     

基于体元结构车载点云行道树提取方法研究

充分挖掘车载激光扫描系统获取地物点云三维空间信息、回波强度信息,提出一种基于体元空间特征分析的行道树提取方法。首先完成原始数据预处理提取道路附属物点云数据,建立三维体元结构;以体元结构为基本单元计算体元单元中点云回波强度、曲率特征,后分析邻域范围内体元特征联系,构建体元邻域特征描述规则,提取行道树树干结构;在树干结构提取的基础上,确定行道树位置,建立冠层投影面积模型,进而提取冠层结构。实验结果提取显示：在复杂道路场景下,算法具有一定的稳健性,能够较为完整地提取道路两侧行道树信息。     

基于车载LiDAR点云的道路建模研究

车载LiDAR技术作为一种新兴的测绘数据获取手段,广泛应用于城市更新道路建模领域。本文从实际行业生产应用的角度出发,以SSW车载LiDAR获取的点云数据进行道路建模的应用对比研究。分别采用基于TIN滤波后的原始点云建模和基于路边线构建三角面的建模方法。经实验对比分析,分别从建模效果和模型高程方向上进行建模精度的比较,得出车载LiDAR在道路建模中的相关结论,对于生产应用具备一定的参考意义。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云,经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云,并对三个数据集的应用结果作精度评定,其最终结果的误差在有效范围内,并对PointCNN中的参数进行分析,完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型,且受非行道树点云目标干扰小,在复杂道路环境下的数据分割工作有很好的效果。     

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。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点.本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云.通过对...     

车载LiDAR点云路灯提取方法

道路场景中路灯数量大、类型多,大场景中路灯详细信息获取是一项繁重的工作。本文提出先验样本集辅助的、基于骨架线缓冲区判别的路灯点云提取及种类识别算法：先根据路灯在车载LiDAR点云中的表达特征,构建路灯模型,并构建路灯先验样本集;再依据数学形态学的理论和方法,提取车载LiDAR点云场景中的杆状地物,在路灯模型及语义规则约束下,得到候选路灯;然后根据候选路灯的参数信息,及已获取路灯的统计信息,从样本集中筛选候选样本;最后基于最小二乘理论的匹配算法,对路灯先验样本与候选路灯点云进行匹配筛选,并基于路灯骨架线信息构建的双重缓冲区,对候选路灯进行判别分析,实现路灯的提取和种类识别。试验表明,该算法对于遮挡少、数据相对完整的路灯提取准确度为95.2%,对于遮挡严重、点云密度低、数据完整性差的路灯提取准确度为78.0%,验证了该算法对大场景中路灯详细信息提取的稳健性。     

基于车载激光点云数据的行道树提取方法

针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。     

利用Terrasolid进行机载与车载LiDAR点云数据的融合

介绍了一种利用Terrasolid软件进行机载与车载LiDAR点云数据融合的方法,通过分析两种扫描系统采集点云之间的共性与特性,制定了融合取舍原则,得到了覆盖范围全面的LiDAR点云融合成果,为LiDAR点云数据的应用和推广提供了良好的基础。     

车载行道树点云单体化及几何属性提取研究

本文首先结合密度和格网化划分的思想改进DBSCAN算法,对行道树点云进行单体化形成若干连接簇;然后接着对相连行道树进行检测并在传统基于距离的分割方法的基础上引进权值思想对树冠点云的归属进行进一步修正,这样可以更加适用于各大小类型行道树,最终完成单体化;最后采用分层投影的方式对单棵树的点云分布状态进行分析判断,实现行道树位置、树干高、冠幅、胸径的几何属性的自动提取。     

车载LiDAR点云铁路横断面及轨顶点提取方法研究

为了更加高效地对铁路空间信息数据进行复测,研究利用车载LiDAR系统扫描获取铁路场景中的点云数据,提取铁路横断面轨顶点的方法,该文提出了一种基于POS线投影的铁路横断面轮廓及轨顶点提取算法,该方法以POS线为辅助线对铁路横断面点云进行切割,采用Alpha Shapes算法提取铁路横断面轮廓点云数据,并结合铁路横断面以及POS线的空间特性,实现了铁路横断面轨顶点的提取.实验及分析评价结果表明,基于POS线投影的铁路横断面及轨顶点点云提取算法是有效且准确的,对其他各类铁路地物信息的提取具有一定的参考和借鉴价值.     

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。     

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LiDAR点云混合索引新方法

以车载LiDAR点云数据为研究对象,为提高点云数据的组织与管理效率,提出了一种全局KD树与局部八叉树相结合的混合空间索引结构—KD-OcTree。全局KD树通过分辨器、分割平面的确定,重构点云之间的邻域关系,确保索引结构的整体平衡; 在其叶子节点再构造二级索引结构—局部八叉树,避免了单一八叉树结构点云分布不均衡、树结构深度过大、出现大量无点空间等现象。以3个真实场景数据为测试数据进行试验和对比分析,结果表明,KD-OcTree混合索引不仅能够提高索引构建、邻域搜索的速度,还对分类可靠性产生一定影响。