利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

一种激光点云数据生成顾及地形特征的道路断面算法

机载激光雷达(LiDAR)是一种新的获取高精度和高密度地形数据的测量手段,是公路测设中数据采集的理想方式。本文通过对激光雷达获得的散乱点云构建索引,利用坡度变化极值法提取地形特征点,并利用这些特征点生成顾及地形特征的道路纵横断面,可以为道路勘察设计迅速提供高精度的基础资料。     

道路点云的双边与倾斜度信息滤波算法改进

根据以往研究发现,统计滤波算法可以去除道路周围的大部分离群点,使道路边界更加明确清晰,但是统计滤波精化后的道路点云中仍然存在部分混合在道路内部及与道路相连特征相似的非道路点云。而使用双边滤波算法对道路内部近地面点滤波,效果较优,但无法去除与道路相连、特征相似的边缘非道路点。基于此两种算法的优缺点,本文提出一种结合双边滤波与倾斜度信息的滤波算法——倾斜度滤波算法,使之在保持原算法优点的基础上,提高其对点云的特征保持以及对道路边缘点的滤波能力。实验表明：(1)倾斜度滤波后道路边缘处的非道路点云明显去除;(2)倾斜度滤波后提取的最终直路点云准确性相较于双边滤波算法提升了5.98%,倾斜度滤波后提取的最终弯路点云准确性相较于双边滤波算法提升了3.53%。因此,倾斜度滤波算法可进一步提高点云滤波的精度。     

顾及几何特征的规则激光点云分割方法

三维激光扫描仪能快速地获取三维场景的高精度点云数据,已成为快速三维建模的重要工具。点云分割是三维点云模型数据预处理中的首要环节,也是影响重建效率与模型质量的重要因素。以激光点云的分割为研究切入点,以八叉树空间划分方式对数据进行组织,并用八进制编码进行命名,结合K邻近搜索法获取目标点的局部邻近点,采用加权平均目标点相邻的三角面片法向量来估算单点法向量。基于投影欧氏距离拟合曲面求取曲率。量化了规则点云集的分割约束条件,采用法向量信息来进行平面点的提取,根据曲率在两个主方向上的差异性来识别和分割柱面和球面信息。试验结果表明：①基于法矢量的平面点分割效果理想;②基于曲率差异性的规则曲面点分割效果较差;③基于几何特性的规则激光点分割方法合理可行。     

自适应最优邻域尺寸选择的三维激光点云分类研究

针对三维激光点云分类中点特征提取邻域大小选择困难问题,本文基于自适应最优邻域尺寸选择实现三维激光点云精细分类.首先使用局部邻域协方差矩阵特征值得到的线性特征、平面性特征和散射性特征构造局部邻域熵函数,通过局部邻域熵函数取最小值时的最佳邻域尺寸计算点云特征描述参数;基于特征描述参数提取点云特征;最后根据递归特征消除法(R...     

利用邻域特征点相关性的点云配准算法

针对经典ICP进行点云配准容易陷入局部最优且处理时间长、精度低的问题,本文提出一种利用邻域提取特征点进行配准的优化算法。首先,通过邻域特征计算法向量和曲率特征从待匹配数据中选取特征点,通过特征点匹配得到配准平移和旋转参数,并利用配准参数对待匹配数据进行初始配准,然后,通过ICP算法对数据进行精细配准。试验证明,在利用特征点进行初始配准的基础上,解决了经典ICP算法容易陷入局部最优的问题,且具有良好的配准精度和运行效率。     

虚拟格网分类支持下的密集匹配点云布料模拟滤波

为了提高倾斜影像密集匹配点云滤波算法在地形复杂场景的精度、效率及自适应性,针对传统的布料模拟滤波算法的不足,本文提出了一种基于虚拟格网分类的布料模拟滤波方法。该方法首先构建带有缓冲区的虚拟格网;然后将虚拟格网按其范围内的点云坡度划分为平地、缓坡、陡坡3种类型;最后针对不同类型的虚拟格网,使用相应的布料参数进行布料模拟滤波,从而实现倾斜影像匹配点云在地形复杂场景中的点云滤波,与单一参数的布料模拟滤波进行对比试验。结果表明,基于虚拟格网分类的布料模拟滤波方法结果更接近于目视解译,该方法适合混合地形滤波。     

采用集成策略的电力线路机载LiDAR点云滤波

针对单一机载激光雷达点云滤波方法局限性较多的问题,该文在分析了多种常用LiDAR点云滤波算法的基础上,提出了适合复杂电力线路场景的点云滤波方法.该方法将布料模拟方法的地面种子点识别、与渐进加密三角网滤波方法的迭代的地面点判别重新进行了组合.并且,在布料模拟方法的地面种子点识别阶段,进行了两个改进:增加了多尺度、多方向的...     

一种改进布料模拟滤波的地面点云提取方法

针对传统布料模拟滤波应用在城市竣工测绘中地面点云提取准确性较差的问题,提出了一种基于法线微分的布料模拟滤波算法。该方法先对输入的稠密点云进行预处理,以实现点云降采样和去噪;利用布料模拟滤波对预处理后的点云进行初步的地面提取;最后通过引入法线微分算子,过滤限定阈值外的向量域以分割出目标尺度对应的地面点与非地面点,从而实现地面点云的精确提取。实验结果表明：与渐进形态学滤波和传统的布料模拟滤波相比,该方法能够有效地将地面点与非地面点区分开,实现在大范围复杂城市竣工测绘场景下地面点云的精确提取。     

基于点云卷积的点云分类方法研究

基于深度学习方法,借鉴二维图像卷积的思想,设计了一种适合三维点云的卷积操作。点云卷积的作用域是局部球形邻域,输入为三维坐标和空间几何关系。通过点云卷积提取局部特征,使用最远点采样算法采集邻域中心点,根据半径构建球形局部邻域,使用多层感知器（multi-layer perceptron,MLP）网络学习空间关系权重,将学习到的关系权重和输入特征相乘,实现卷积操作。基于三维点云卷积,构建了一个多层分类网络模型实现点云分类。使用道路场景的黄石路数据集进行分类实验,结果证明了所提方法的有效性。     

利用特征面进行LiDAR点云分类的方法

为提高激光雷达点云自动分类程度,提出了一种新型激光点云分类方法。在TerraSolid软件中,结合点云滤波、影像解译和特征要素采集等技术进行点云分类,并基于新昌县点云分类数据进行实验。结果表明,该方法可快速准确地分类建筑物,减少了大量手动编辑分类工作,加强了自动化分类程度,可大大提高工作效率。     

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。     

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。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

基于特征点的点云压缩方法研究

针对现有点云数据,在VC++平台下,提出一种基于特征点的压缩方法,实现点云数据的抽稀,其中试验数据采用扫描数据以及美国斯坦福大学试验点云数据。经试验表明,该方法能够实现点云的抽稀,减少点云的数据量,提高点云后期处理的效率。     

顾及地形特征的LiDAR点云数据抽稀算法

针对现有的LiDAR点云数据抽稀算法存在无法有效保留地形特征点或地形分类精度不高等问题,文章提出一种顾及地形特征的点云数据抽稀算法:利用点云中的局部极值点与点云边界点作为种子点构建不规则三角网(TIN);利用一定原则逐渐选取非种子点中的地形特征点加密TIN;然后采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。测试结果表明:该算法在保证地形精度的前提下,能够有效地减少冗余点数量;同时,为了提高算法的实用性,该文通过大量试验给出了算法中所需参数的最优配置。     

一种顾及几何特征的云模型遥感影像分割方法

将云模型与模糊理论相结合,提出了一种基于不确定性的、顾及几何特征的遥感影像分割方法。该方法用分水岭算法对原影像进行分割获得初始分割图斑,再将图斑抽象成云模型,以云模型实现图斑对象表达,在基于云概念的光滑度、紧凑度定义的基础上,构造差异性度量准则和相应的云模型综合算法,并由云综合运算实现不同粒度空间下的区域合并,达到多尺度遥感影像分割的目的。几组实际影像数据的分割实验证明了该方法的有效性。     

基于最优邻域局部熵的点云精简算法

针对传统的点云精简算法中不能良好保留细节特征的问题,提出一种基于最优邻域局部熵的点云精简算法.首先利用点云局部邻域协方差矩阵的3个特征值构造的维度特征,构建局部邻域信息熵函数,其次依据局部熵值最小原则确定最优邻域,然后根据最优邻域下计算的特征值间的关系,以及局部信息熵来剔除平坦区域数据点.通过模拟数据和实例扫描数据精简...     

基于CSF的无人机影像数据点云滤波算法实现与应用

基于无人机影像匹配点云数据技术,提出利用布料模拟滤波算法(Cloth Simnlation Filter,CSF)进行点云滤波计算,结果表明:布料模拟滤波算法在点云滤波匹配过程中,仅需要对六个参数进行简单设定就可以达到预期的地面点和非地面点的滤波匹配效果,地面点的匹配误差率为4.9％,非地面点的误差匹配率为8.4％,总...     

顾及地形特征的LiDAR点云数据快速处理算法

提出了一种基于地形特征的点云简化算法,首先根据图像学差分算子提取点云中的地形特征点,再以地形特征点作为种子点建立TIN模型进行迭代简化,并对算法中存在的计算效率低下的问题进行优化。采用两组数据进行算法有效性测试,并与经典的距离-高差简化算法结果进行对比。结果表明,该算法在地形复杂的区域有更好的简化效果。