基于八叉树与KD树索引的点云配准方法

针对点云配准算法中KD树多维查询效率较低的问题,提出一种基于八叉树和KD树多层索引结构的点云配准方法。首先为模型点云数据建立八叉树全局索引,然后在八叉树叶子结点构建局部数据的KD树索引。对传统的ICP点云配准算法进行改进,通过叶子结点的全局索引值快速定位局部点云数据块,利用局部KD树索引加快最近点的搜索,计算最近点时利用欧氏距离阈值、点对距离差值和法向量阈值剔除部分噪声点。实验表明,改进算法提高了点云配准的效率和精度。     

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。     

一种八叉树和三维R树集成的激光点云数据管理方法

车载激光扫描点云数据已经成为数字城市和危机管理等领域越来越重要的三维空间信息源,针对大规模点云数据高效管理的技术瓶颈,提出一种八叉树和三维R树集成的空间索引方法——3DOR树,充分利用八叉树的良好收敛性创建R树叶节点,避免逐点插入费时过程,同时R树平衡结构保证良好的数据检索效率。并还扩展R树结构生成多细节层次(LOD)点云模型,提出一种支持缓存的多细节层次点云数据组织方法。试验证明,该方法具有良好的空间利用率和空间查询效率,支持多细节层次描述能力和数据缓存机制,可应用于大规模点云数据的后处理与综合应用。     

一种R树与格网结合的海量地铁隧道点云管理方法

为满足海量地铁隧道点云的高效处理需求,提出了一种R树与格网结合的海量地铁隧道点云管理方法。针对隧道点云的空间分布特点,在全局将大范围点云划分到格网中,并使用R树管理非空网格;在局部使用八叉树与四叉树混合的索引方法管理单个网格内的点云。为了提高点云的渲染效果,提出了基于网格面积的多细节层次结构（levels of detail,LOD）回溯构建方法,并采用高效的单文件存储方式存储点云。实验结果证明了所提出的方法在海量隧道点云的管理和可视化方面优于传统方法。     

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PCL的点云数据空间管理及近邻搜索

由三维激光扫描技术获取的点云数据仅包含点的三维坐标,缺乏点对应的几何拓扑信息,同时为了在计算机中更高效的管理和处理点云数据,本文结合PCL开源库为点云数据建立K-D树和八叉树两种数据结构,并实现基于K-D树和八叉树的快速邻域搜索。     

基于Hilbert排列码与R树的海量LIDAR点云索引

本文分析当前索引方法存在问题,针对高效海量点云数据的要求,提出一种基于Hilbert码与R树的二级索引方法。论文阐述了二级索引的建立原理与方法,可通过聚类方法与R树度M值来的优化第一级索引;使用Hilbert R树作为第二索引,可以有效控制两级R树的高度,同时点云的增加与更新可只在局部进行。最后本文通过两组实验来验证该数据组织方法的可行性和跟其他索引(KD树与四叉树)进行比较,得出它是一种高效管理海量点云的方法。     

一种基于线性KD树的点云数据组织方法

常规KD树索引对大规模点云数据进行组织和管理时,指针的存储往往耗费大量的内存空间。本文结合线性索引的编码思想,提出了一种线性KD树索引的构建和查找方法,存储点云时可以充分利用内存空间,通过自然数编码表示结点间的关系,并给出了线性KD树的构建和邻域查找方法。最后通过与开源最临近搜索库ANN库进行对比试验,证明本文的线性KD树索引可以明显减少点云组织时的内存消耗,并与基于指针的ANN库具有相近的临近查找效率。     

大规模点云数据的二维与三维混合索引方法

为提高点云查询效率和按需提取数据,提出一种二维与三维混合索引的大规模点云数据管理方法。采用二维四叉树和三维最小外包盒结构管理原始点云,以3D-R树管理多站点云,利用对象关系数据库管理全部点云模型和相关属性数据。利用古建筑大规模点云数据在微机上实现了点云模型的数据存储与可视化。结果表明本方法能够管理超过10 GB级的点云模型数据和十亿级有效点,数据可视化效率较高。     

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。     

基于车载激光点云的高精地图矢量化成图

针对车载激光点云中对各特征物提取结果后矢量化成图时的自动化问题,本文基于双方向积分法实现了边缘检测及矢量化成图,旨在保证特征物基本特征的同时,也保证点云的绝对精度。将输入的特征点云进行离群点过滤,以保证外包框算法特征点云的准确度;将三维点云按照外包框算法投影至最优平面,为后续沿各方向积分提供输入;利用八邻域KD-tree算法求出样本特征点云的均值邻域半径,依据邻域半径对各方向积分提供积分域中的微分元;根据提供的微分元沿各方向进行积分,在该积分元内找到距平面最值的最优解;按照积分结果构建点云索引,并根据点云特征构建模型,最终得到高精地图的矢量化点云。试验证明了该方法在处理实际问题时的可行性。     

欧氏聚类算法支持下的点云数据分割

欧氏聚类算法是多元统计中的一种重要分类方法,可以将其应用于测绘领域中点云数据的分割。本文首先计算点云数据中两点之间的欧氏距离,将距离小于指定阈值作为分为一类的判定准则;然后迭代计算,直至所有的类间距大于指定阈值,完成欧氏聚类分割。具体步骤为：①利用Octree法建立点云数据拓扑组织结构;②对每个点进行k近邻搜索,计算该点与k个邻近点之间的欧氏距离,最小归为一类;③设置一定的阈值,对步骤②迭代计算,直至所有类与类之间的距离大于指定阈值。试验证明,欧氏聚类算法对不同测量技术手段获取的点云数据均具有适用性,可以成功对点云数据进行分割,分割效果良好。     

融合主成分分析和局部邻域的平面点云去噪

大型水工建筑物和城市地下轨道是国家的重要基础设施，人工变形监测耗时费力，利用激光雷达扫描对其进行自动化的变形监测已成为研究热点。而此类建筑物具有较多的平面结构特征，为了高效去除平面结构扫描点云中的噪声点，本文提出了一种融合主成分分析和局部邻域的噪声剔除方法，首先利用主成分分析剔除全局噪声，然后利用局部邻域对局部小噪声进行剔除，结合实例对该方法进行了验证。应用结果表明，该方法效率高、算法简单可行，具有较高的推广应用价值。     

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。     

多级移动曲面拟合的自适应阈值点云滤波方法

为了提高机载激光雷达点云滤波算法的精度、效率以及自适应性,提出了一种多级移动曲面拟合的自适应阈值点云滤波方法。首先,对点云数据进行预处理即剔除粗差,然后通过格网化分割建立格网索引,利用每个格网的邻域格网中的最低点建立曲面方程,计算真实高程与拟合高程的差值并设置自适应性阈值进行滤波,最后采用多级滤波策略,即逐级改变格网大小并自动设置邻域和阈值,直到滤波结果达到精度要求。使用国际摄影测量与遥感学会（ISPRS）提供的测试数据对算法进行验证,第1、2类误差和总误差平均值分别为7.33%、10.64%、6.34%。将该算法与ISPRS公布的8大经典滤波算法进行比较,结果表明该方法的适应性强,滤波结果具有较高的准确性。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

基于特征约束的点云简化算法研究

针对传统的点云简化算法导致特征区域容易丢失的问题,提出了一种新的基于特征约束的点云简化的算法。首先对散乱点云用KD—TREE建立起空间拓扑关系,在此基础上建立起单个点的K-邻域。然后对K-邻域内建立起最小二乘平面,设定合理的阈值来度量数据点的重要性。依据特征点的分布估算每个点的简化距离阈值,以此为基础对每个点进行自适应简化。实验证明该算法能满足在点云数据简化过程中检测并保留特征点的要求。     

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.