Cyclone在数字校园三维激光点云数据预处理中的应用

为了高效获取精确的数字校园地形图的测量数据,通过Leica ScanStation P40对校园进行三维激光点云数据采集,并结合Cyclone中的去噪模型对点云数据进行去噪,利用“六自由度”方法和ID号对标靶进行拟合,在一定约束条件下完成点云数据的坐标匹配、拼接以及优化,得到统一坐标系下的点云数据。结果表明:优化后的点云数据精度可达到6 mm。可见处理后的点云数据能够满足数字校园地形图的高精度要求。     

地面三维激光扫描点云数据精度影响因素及控制措施

地面三维激光扫描技术虽然具有分辨率高、准确度高、效率高等特点,但在应用过程中存在一系列影响三维激光扫描精度的因素。文中详细分析扫描距离、物体表面材质、控制网、标靶测量精度、光斑大小、扫描点间距、点云拼接精度、全反射物质和外界环境等因素对三维激光扫描精度的影响,并提出对以上影响因素的控制方法。     

基于地面三维激光扫描仪点云数据的去噪算法研究

原始三维激光点云数据中存在由于仪器本身、外界环境、实体表面特征等因素导致的噪点,严重影响点云质量以及后处理效果。针对地面三维激光扫描仪原始激光点云数据的去噪问题,本文进行了3种有序点云去噪算法的研究,并采用VC++编程语言进行算法的功能实现,最后选取某区域单站地面原始三维激光点云数据进行实验分析,总结了各算法的优缺点及适用条件。     

地面三维激光扫描点云拼接影响因素分析

在地面三维激光扫描仪进行三维建模过程中,需要对不同测站的点云进行拼接。为了提高不同测站点云拼接精度,本文开展了球形标靶表面扫描点数量、标靶的分布和数量及扫描距离4个因素对三维激光扫描仪不同测站下点云拼接精度的影响研究。采用法如（FOCUS）三维激光扫描仪开展了不同扫描分辨率、不同标靶数量、不同标靶分布和不同距离下的点云拼接试验,并采用SENCE软件对点云进行了拼接精度分析。试验结果表明,选择两测站的标靶表面的扫描点数量大致相等,并将4个标靶作为连接点,且放置在不同高度不规则排列时,点云拼接的精度最优。     

地面三维激光扫描数据拼接方法评估

点云数据拼接方法直接关系到地面三维激光扫描仪的测量精度和效率,通过实验对5种拼接方法的精度进行评估.结果表明,50 m测量距离内,5种点云数据拼接方法的精度分别为1.33 mm、8.88 mm、2.71 mm、4.29 mm和6.07 m m,其中标靶拼接的精度最高.综合评估拼接方法的精度、效率,为实际工程提供参考方案.     

三维激光扫描地形点云的分层去噪方法

针对三维激光扫描采集的地形点云,提出在高程方向进行切片分层的去噪方法。将分层提取的点云投影在平面上,对点云进行网格划分,把网格内的点云转换为二值图像,采用数字图像处理方法过滤离散的网格噪点;然后对分层提取的点云轮廓特征格网,通过对上下层轮廓边缘特征比较,获取点云的地面轮廓网格点,删除孤立噪点与非地面点。根据对不同地形的点云进行去噪实验,通过分层过滤非地面点可以得到很好的去噪效果。     

融合语义特征与GPS位置的地面激光点云拼接方法

拼接是地面激光点云数据处理的必要步骤,但基于同名点的点云拼接方式已成为阻碍点云处理效率提升的长期瓶颈,而直接匹配点云识别同名特征的方法亦对点云重叠区域具有较高的要求。本文提出一种融合语义特征与GPS位置的地面激光点云拼接方法,通过语义知识自动识别出原始三维点云中所包含的地面特征与建筑物立面特征,并使用这两种面状特征结合点云测站中心的GPS位置作为同名标靶进行点云初始拼接,随后使用点到面最小距离约束下的ICP进行点云精确拼接。实验表明,本方法可以有效提高地面激光点云拼接的整体效率,尤其对于包含平面结构（如马路、建筑物）的场景具有良好的拼接效果。     

一种三维激光扫描点云数据的预处理方法

本文针对三维激光扫描数据存在异常数据和随机误差等特点,改进了两种点云数据的粗差剔除方法,针对点云数据的高频特性设计了基于卷积的等高线滤波方法,并通过实验证明其有效性;对扫描过程中数据可能存在缺失的情况给出了处理方法,并针对点云数据的质量做出了评定,讨论了利用强度信息进行数据滤波的可行性。     

激光扫描点云数据的圆柱拟合方法

针对激光扫描仪点云数据存在较多粗差点导致拟合圆柱不够精确的问题,该文在比较圆柱拟合方法不同特点的基础上,改善了初值任意选取的圆柱拟合方法和基于坐标转换的圆柱拟合方法,对相同的激光扫描仪点云数据进行圆柱拟合,设置相同的收敛条件,每次迭代收敛后,剔除大于3倍中误差的粗差点重新求解,直至没有较大粗差点,最终得到的圆柱参数基本一致。实验表明,改善后的初值任意选取的圆柱拟合方法和基于坐标转换的圆柱拟合方法能够有效剔除激光扫描仪点云数据中的粗差点,且能够满足一般工程的精度要求。     

两种高速铁路激光点云的采集拼接方法

研究围绕地面三维激光扫描点云数据的拼接问题,在某段高速铁路设计并实施了标靶拼接和控制点拼接两种不同模式下的点云数据采集和拼接试验,结合点云处理软件对点云数据进行拼接处理,分析了拼接精度和数据采集拼接的整体作业工作量等。结果表明,在相同的扫描条件下,基于控制点拼接的点云数据,精度优于基于标靶拼接的点云数据;在高速铁路等带状工程点云采集拼接中,控制点拼接模式下整体工作效率高于标靶拼接。本次试验所显现的控制点拼接的高精度和高效率等的优势,可为三维激光扫描仪在铁路点云采集和拼接作业提供有利参考。     

机载激光雷达点云数据的实时渲染

提出了一种实时绘制大规模LIDAR点云数据的方法。该方法通过构建一棵顺序四叉树使点云均匀分布在四叉树节点上,来实现快速的数据筛选。阐述了顺序四叉树的快速建立,并通过一个试验系统验证了文中所提方法的有效性。试验表明,使用目前普通配置的计算机,通过自适应控制绘制的数据量,可以实时绘制约1GB的原始点云数据。     

地铁隧道点云数据采集与预处理

点云数据能够呈现地铁隧道丰富的特性,具有传统方法不具备的优势,将三维激光扫描技术应用于地铁安全监测成为新的趋势。隧道点云质量的好坏直接影响后期的分析与处理,需要在数据采集与点云预处理等过程中做好把控。本文研究了三维激光扫描技术的原理,给出了地面激光扫描仪数据采集流程,以南京地铁为例,论述了隧道点云数据采集和数据处理关键技术,获得了高质量点云,本文的研究为相关工程技术人员提供了参考。     

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。     

影像匹配点云与机载激光点云的比较

介绍了影像匹配的发展现状及趋势、研究进展和存在的问题,分析了影像匹配点云的特点,并对通过摄影测量技术和LiDAR技术获得点云的方法进行了比较。     

海量散乱点云快速压缩算法

提出基于切片的海量散乱点云快速压缩方法,对点云进行分层生成切片点云,对每层切片点云使用弦高差法筛选利于表现形状的重要点,实现快速压缩。通过实验讨论参数对压缩结果的影响,并给出最佳参数值选择依据。对本方法和传统方法的压缩效果进行对比,证实本方法在实现高效压缩的同时能保留大量的特征细节。     

利用机载LiDAR点云数据提取城区道路

提出一种从机载LiDAR点云中提取城区道路的方法。首先,利用机载LiDAR点云的高程和强度属性,对末次回波点云进行去噪、滤波和分类后获取初始道路点云;然后使用基于边长和面积阈值的约束Delaunay不规则三角网方法精化初始道路点云;最后采用α-Shapes方法从精化后的道路点集中提取道路轮廓,并用数学形态学细化方法提取道路中心线。试验结果表明,该方法提取的城区道路正确率和完整性较高。     

面向三维城市建模的多点云数据融合方法综述

多细节层次的三维城市模型是数字城市和智慧社会的关键空间数据基础设施,从基于稀疏点线特征的交互式半自动化建模到基于密集点云的自动化智能化建模已经成为国际学术界和工业界的热点前沿。由于立体城市空间结构的复杂性,多类型、多站点和多时相的点云数据融合处理是三维城市建模的基本途径,其基本思想是将具有不同视角、密度、精度、尺度、细节、时间历元等特征的多点云数据进行一致性融合表达与集成处理,建立可直接面向计算分析的智能化表达的多点云模型。归纳总结了多点云数据的主要特点,针对时空基准与精度、尺度、语义3个层面的一致性处理,分析了多点云数据融合的主要发展趋势,并凝练了面向三维城市建模的多点云数据融合关键问题。     

古建筑激光点云-模型多层次一体化数据模型

目前,主流的激光点云数据模型仍以散乱点组织为主,且点云与模型分开组织。本文应古建筑激光点云处理建模的数据组织需要,通过点云、模型的关联组织和古建筑层次编码等方法,创建了古建筑激光点云-模型多层次一体化数据模型。并通过实例应用进行了验证,效果较好,为点云的复杂数据组织提供了借鉴。     

多核CPU的海量点云并行kNN算法

提出基于多核CPU的海量点云k最近邻(kNN)快速搜索算法.该算法先将点云数据按格网方式进行组织存储于外存;在搜索kNN点时,从搜索点所在的块向外扩张搜索;在多核CPU环境下采用多线程模式进行数据的内外存调度和kNN点搜索.当内存达到设定上限时,采用距离搜索点最远策略释放内存,降低内外存数据交换的频率.将该方法应用于基于kNN的滤波和格网化方法中,处理速度显著提高.     

多核CPU的海量点云并行kNN算法

提出基于多核CPU的海量点云k最近邻(kNN)快速搜索算法。该算法先将点云数据按格网方式进行组织存储于外存;在搜索kNN点时,从搜索点所在的块向外扩张搜索;在多核CPU环境下采用多线程模式进行数据的内外存调度和kNN点搜索。当内存达到设定上限时,采用距离搜索点最远策略释放内存,降低内外存数据交换的频率。将该方法应用于基于kNN的滤波和格网化方法中,处理速度显著提高。