基于体素栅格的建筑物三维激光点云数据抽稀方法

为了提升三维激光点云数据处理、存储、运算效率,对基于体素栅格的三维激光建筑物点云抽稀方法进行了研究。通过提取原始三维激光点云空间位置和法向量作为体素栅格存贮数据的主要信息;以三维激光点云最大外包矩形构建最大体素,并依据点云位置不断地进行空间划分,直至阈值范围内,从而实现点云数据的高效组织与管理。对体素栅格内的点云依据设定空间半径阈值检索种子点周边点云,剔除体素栅格中阈值内点云,保留种子点云,从而实现了三维激光点云数据抽稀,有效压缩了三维激光点云数据。并通过实验验证了该方法可以有效降低三维激光点云数据冗余,为海量三维激光点云数据的存储与应用等方面的研究提供参考。     

树木三维点云的枝叶分割方法

利用地面三维激光扫描点云构建树木模型时,对树木点云进行枝叶分割,可以提高单木分割、骨架提取、模型构建等步骤的准确性。针对现有枝叶分割方法参数设置复杂、需要训练样本、依赖颜色强度等不足,提出了一种新的基于邻域点分布规律的枝叶分割方法。该方法遍历树木点云中的激光点,首先利用K纬树算法搜索激光点的所有R邻域点,构成邻域点集;接着对邻域点集进行主成分分析,得到三对特征值和特征向量,利用特征值计算邻域点集的分布散乱度;然后将分布散乱度与预定义阈值比较,区分枝干和叶片的候选点;最后对枝干候选点实施欧氏聚类,利用聚类的点数和尺寸获取可靠的枝干点。使用江阴大桥公园的树木点云数据进行测试。结果表明:本文提出的树木点云枝叶分离方法准确率高、点云属性要求低、简单易用,可应用于多测合一绿化测量、城市绿地生物量统计、实景三维树木模型构建等领域。     

一种基于SX10点云的单株树木骨架点提取方法

骨架点是单株树木几何模型重建的基础。本文结合水平集、聚类方法和图论3种方法,采用ILMSVP和天宝SX10获取模拟与实测单株树木点云数据,并实现单株树木骨架点提取,其中模拟数据用于方法实现,实测数据用于验证。为解决单株树木点云数据缺失情况,本文重复利用水平集、聚类方法和图论方法得到较完整的单株树木骨架点。结果表明:本文采用的单株树木骨架点提取方法可行。     

一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。     

不规则体体积计算三维激光点云切片法

体积参数是空间体对象形态分析的基本内容,难点是不规则体的体积计算。本文提出的点云"切片法",快捷准确地解决了由三维激光扫描空间体对象所得点云体的体积计算难题。该法先将三维激光扫描空间体对象所得点云按特定方向顺序进行等间距的切片处理,得到与点云体相对应的、离散的系列点云切片;再依切割次序逐一搜索点云切片外轮廓多边形,并计算多边形(即点云切片)的面积;最后,利用切片面积和相邻切片间距求解点云段块体积,并求和得到整体点云体(即所扫描空间体对象)的体积。算例计算结果与分析表明,基于切片的不规则体的三维激光扫描点云的体积计算方法正确、简洁、可靠、高效、可控,可以解决不规则体的体积计算问题。     

铁路沿线地物参数化三维建模方法研究

提出了一种利用DOM和Li DAR点云数据的参数化建模方法,利用DOM分析地物的模型特征,通过Li DAR点云数据获取地物特征点坐标,采用特定的三角网连接方法构建出地物的三维模型,最后对模型进行贴图显示。这里所构建地物模型的方法不仅快速高效,而且自动化程度高,能够满足铁路三维GIS展示的要求;同时,由于是通过点云数据构建模型,在后期导入三维地形过程中能够大量减少安放地物模型工作。     

三维激光扫描树木模型在林业中的应用

根据林业经营管理的实际需要,探讨基于地面三维激光扫描技术构建的树木模型在林业应用中的可行性及有效性。首先利用Leica HDS 6000采集树木的三维点云并进行数据预处理,接着根据处理后的点云,运用壳演算法实现树木的三维表面重建,最后基于构建的树木模型对树木的相关因子进行定量分析。试验证明,地面激光扫描技术应用于林业资源调查是可行的,它不但能提供准确、可靠的林业数据,并能增强或替换林业的实地调查。     

An algorithm for automatic detection of pole-like street furniture objects from Mobile Laser Scanner point clouds

An algorithm for automatic extraction of pole-like street furniture objects using Mobile Laser Scanner data was developed and tested. The method consists in an initial simplification of the point cloud based on the regular voxelization of the space. The original point cloud is spatially discretized and a version of the point cloud whose amount of data represents 20–30% of the total is created. All the processes are carried out with the reduced version of the data, but the original point cloud is always accessible without any information loss, as each point is linked to its voxel. All the horizontal sections of the voxelized point cloud are analyzed and segmented separately. The two-dimensional fragments compatible with a section of a target pole are selected and grouped. Finally, the three-dimensional voxel representation of the detected pole-like objects is identified and the points from the original point cloud belonging to each pole-like object are extracted.The algorithm can be used with data from any Mobile Laser Scanning system, as it transforms the original point cloud and fits it into a regular grid, thus avoiding irregularities produced due to point density differences within the point cloud.The algorithm was tested in four test sites with different slopes and street shapes and features. All the target pole-like objects were detected, with the only exception of those severely occluded by large objects and some others which were either attached or too close to certain features.     

一种基于立方体小栅格的K邻域快速搜索算法

提出了一种新的基于立方体小栅格的K邻域搜索算法。首先,采用二次划分的方法将点云划分到相应的立方体小栅格中;然后,为采样点所在的立方体小栅格确定最终子空间、内子空间和外子空间,结合采样点的球空间,就能很快确定该采样点的K邻域的搜索范围。与已有方法相比,该算法具有更高的搜索效率。     

基于层次包围盒的纹理体绘制加速算法

提出了一种层次包围盒(BVH)方法,以加速基于GPU的3D纹理体绘制。该方法首先利用GPU的片元着色程序实现了后分类3D纹理体绘制;然后设定高度逐层对体数据进行分解,为每个生成的子体数据建立相应的包围盒,并用对应层次包围盒树的结点保存相关信息;最后遍历层次包围盒树,读取层次包围盒树的结点信息以判断对应子体数据是否被绘制或跳过,从而实现空间跳跃,加速3D纹理体绘制。实验结果表明,本文方法与基于GPU的3D纹理体绘制算法相结合,能取得良好的加速效果。     

多平台点云数据的单木参数提取精度分析

以浙江省海宁市4种代表行道树(广玉兰、无患子、悬铃木、香樟树)为研究对象,结合无人机(UAV)影像和三维激光扫描数据,利用ContextCapture、LiDAR360软件完成点云拼接、滤波、降噪和编辑,通过迭代最近点算法实现点云精细匹配,完成多平台点云数据融合,进而得到数字表面模型与数字高程模型,并制作冠层高度模型;采用分水岭分割算法对不同行道树树种的冠层高度模型进行单木分割,并综合局部最大值法实现单木树高、冠幅的参数提取。结果表明,本文方法进行行道树单木分割的精度高,树高、冠幅参数提取值的效果好,满足行道树几何参数调查要求。     

基于地面激光雷达的单树枝干几何建模研究

根据基于地面激光雷达的单树枝干几何建模方法,本文提出了一种提高重建树木几何模型精度的方法。首先,根据水平集的骨架提取方法提取目标树点云数据完整的骨架点;其次,采用最小生成树的方法对提取的骨架点构建拓扑关系;第三,根据最小二乘圆拟合法和管道模型(Pipe Theory)计算骨架点对应枝干的半径;最后,应用广义圆柱体实现单树枝干几何建模。重建得到的树木枝干几何模型在树高和胸径(DBH)参数上与真实值或实测值误差均在5%以下,且枝干最大拟合误差均小于40 mm。结果表明:本文的树木枝干几何建模方法可靠性强,且重建的树木枝干几何模型精度高,可用于森林资源管理、精准农林业等领域。     

基于2D-3D语义传递的室内三维点云模型语义分割

针对现有三维点云模型重建对象化和结构化信息缺失的问题,提出一种基于图模型的二维图像语义到三维点云语义传递的算法。该算法利用扩展全卷积神经网络提取2D图像的室内空间布局和对象语义,基于以2D图像超像素和3D点云为结点构建融合图像间一致性和图像内一致性的图模型,实现2D语义到3D语义的传递。基于点云分类实验的结果表明,该方法能够得到精度较高的室内三维点云语义分类结果,点云分类的精度可达到73.875 2%,且分类效果较好。     

室内三维点云空间自动划分与规则化方法北大核心CSCD

精准空间划分是实现室内语义建模与拓扑结构重建的重要基础。三维点云作为常用的室内空间数据载体,如何基于三维点云进行室内空间语义信息提取与规则化具有重要意义。本文提出了一种基于形态学分割方法实现室内场景的分割,并结合矢量规则化方法完成分割场景的规则化。首先,基于区域增长算法与线性拟合方法提取空间分割要素,通过平面投影生成二进制影像,进而利用距离变换和分水岭算法完成空间分割;然后,对空间分割要素进行线性拟合,进行室内空间格网划分,采用矢栅叠加方法实现空间要素规则化;最后,通过4组实际场景(包含3组ISPRS数据集及1组实际场景采集数据)进行数据验证。试验结果显示,本文提出的室内空间分割与规则化方法可以准确快速地完成室内空间要素的提取。     

A Hybrid Spatial Index for Massive Point Cloud Data Management and Visualization

With the wide use of laser scanning technology, point cloud data collected from airborne sensors and terrestrial sensors are often integrated to depict a complete scenario from the top and ground views, even though points from different platforms and sensors have quite different densities. These massive point clouds with various structures create many problems for both data management and visualization. In this article, a hybrid spatial index method is proposed and implemented to manage and visualize integrated point cloud data from airborne and terrestrial scanners. This hybrid spatial index structure combines an extended quad‐tree model at the global level to manage large area airborne sensor data, with a 3‐D R‐tree to organize high density local area terrestrial point clouds. These massive point clouds from different platforms have diverse densities, but this hybrid spatial index system has the capability to organize the data adaptively and query efficiently, satisfying the requirements for fast visualization. Experiments using point cloud data collected from the Dunhuang area were conducted to evaluate the efficiency of our proposed method.