车载LiDAR数据的道路裂缝信息自动提取

针对传统道路裂缝检测工作中存在的问题,该文提出了一种利用车载LiDAR数据的道路裂缝信息自动提取方法。车载LiDAR系统能够在正常车速条件下直接获取道路及其两侧各种地物的高精度、高密度表面三维数据。为了提高数据处理效率,将三维LiDAR数据转换成二维强度特征影像数据。张量投票算法根据平滑度、邻近度及连续性约束原则,通过结构特征的张量表示和非线性投票能够从稀疏的、噪声的数据中推断显著性结构。通过实验分析,该方法不仅适用于激光点云生成的强度特征影像数据的裂缝提取,还适用于光学影像数据的裂缝提取,且提取精度在90%左右。     

张量投票的机载LiDAR数据建筑物自动提取

针对机载LiDAR目标提取中建筑物与树木难以有效区分的问题,该文提出了一种基于坡度自适应穿透率和张量投票的建筑物检测方法。在利用滤波和高差阈值去除地面点和矮小地物点的基础上,采用坡度自适应穿透率作为区分建筑物和植被的主要特征,较好地突出了建筑物点和树木点在空间分布上的密度差异;设计基于张量投票的投票算法,对坡度自适应穿透率特征进行邻域投票,以促进相邻点之间特征信息的传递,增强了该特征对于植被和建筑物的可分性。采用ISPRS提供的测试数据进行实验,结果表明,该方法能有效地区分建筑物和树木点,提取的建筑物完整度达94.6%,准确度达98.3%。     

高分辨率遥感影像建筑区域局部几何特征提取

及时准确地获取城市建筑区域的空间分布及其变化信息对于城市规划、空间地理数据库建设及区域社会经济分析具有重要意义。本文提出一种基于多尺度Gabor变换和感知聚类方法即张量投票TV (Tensor Voting)相结合的自适应局部几何不变特征检测方法,并将其应用于高空间分辨率遥感影像建筑区域提取。首先,考虑到高分辨率遥感影像复杂的几何结构特征,使用Gabor滤波器组对影像进行多尺度多方向变换检测奇异性特征。然后,在感知聚类框架下,根据张量投票理论将不同方向子带系数位置编码为相应的二阶对称方向张量,为了突出影像几何特征,对不同尺度、不同方向子带中任意像素位置方向张量使用滤波器响应系数加权并求和完成多尺度特征融合。再次,对张量特征分解得到点结构与线结构显著性图并使用非极大抑制提取相应角点和曲线等局部几何特征,同时生成约束准则筛选角点以确定建筑物坐标。最后,利用概率密度估计结合局部角点特征生成全局概率密度场描述影像中像素从属于建筑目标的概率,并使用最大类间方差法(Otsu)阈值分割自动提取居民地多边形区域。使用分辨率分别为0.49 m、0.98 m的Google Earth及0.8 m的高分二号等影像数据集进行实验,实验结果表明本文方法相对于已有的Harris和HSCD点检测算法,在建筑区域提取质量上(Quality)上分别提高了4.79%,5.96%;1.47%,3.76%和1.91%,4.08%。     

一种三维激光点云中建筑物立面渐进分割方法

针对建筑物立面分割的问题,该文提出了一种三维激光点云中建筑物立面渐进分割方法。建立三维格网索引,通过分析建筑物立面在三维格网内的空间分布特征和二维平面格网内投影的线性分布特征,确定立面种子格网和投影线的拟合点,拟合投影线并基于种子格网约束生长完成每层格网中立面粗分割;使用RANSAC算法对粗分割后的立面点云进行面拟合,实现精细分割,并将各层格网中的立面进行合并,实现建筑物立面的完整分割。实验结果表明,该方法能有效地实现建筑物立面的精细化分割,有助于后续的建筑物精细三维模型重建。     

面向对象的车载激光扫描点云建筑物立面提取

本文利用面向对象的点云分析方法进行车载激光扫描点云数据中建筑物立面的识别。该方法对点云进行基于法向量和距离约束的点云分割,计算分割面片的倾角、面积、高程变化范围等特征,并依据建筑物立面垂直于水平面、面积比较大、高程变化范围较大等规则从点云数据中识别建筑物立面。实验表明该方法可以精确有效地进行MLS点云中建筑物立面提取。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

基于地面激光雷达点云的层析合成孔径雷达建筑物三维重构精度评定方法

层析SAR技术可以根据获取的二维SAR影像来进行城市建筑物的三维重建,在不久的将来有望成为城市多维精密监测的重要技术工具。目前,层析SAR城市建筑物三维点云的精度还没有有效的验证方法。本文提出一种基于地面LiDAR三维点云数据来验证层析SAR三维点云数据精度的方法,通过将层析SAR和LiDAR的建筑物点云分割成不同立面,进而逐个面进行立面边界提取,并以LiDAR三维点云数据作为基准,将二者的建筑物几何特征进行对比,从而验证层析SAR城市建筑物三维点云的精度。实验选取盘古七星酒店层析SAR三维点云数据与LiDAR三维点云数据进行对比分析,结果表明基于LiDAR三维点云来验证层析SAR城市建筑物三维点云精度方法的有效性和适用性。     

平面特征保持的城市三维点云高精度分类方法

针对基于单一尺度点簇的分类算法无法满足大范围城市三维点云高精度分类的问题，该文提出了一种平面特征保持的多尺度点簇城市场景三维点云分割分类方法。该方法首先以超体素为基元进行动态区域生长，将具有平面特征的超体素逐步合并，生成平面特征保持的多尺度点簇，然后基于多尺度点簇进行特征计算并使用随机森林分类器进行分类。为验证该方法的有效性，分别采用机载LiDAR点云和影像密集匹配点云进行实验，并与基于不同分类基元的分类方法进行对比。实验结果表明，与原始区域生长方法相比本文提出的分割方法得到的点簇更加准确，分割准确度达到97%,并且分割效率提升了一倍以上，同时分类准确度也优于其他方法，达到94.1%、87.5%。     

利用三维激光扫描数据进行建筑物立面点云分割算法分析

三维激光扫描技术在当今社会的应用越来越广泛,但由于点云数据量大,处理效率低下,如何快速高效地将大量点云数据进行重建与识别成为解决问题的关键。点云分割技术能够将立面点云中的特征信息与背景点云分离开来,为地物特征信息的提取和识别工作提供了重要的技术支持。本文通过编程实现了多种点云分割算法,对建筑物立面进行分割处理,详细分析了不同算法的分割精度及适用范围。     

车载联合机载LiDAR点云数据的建筑物立面精细分割

从数据量庞大且散乱的车载LiDAR点云中分割出建筑物立面数据是一项繁琐而艰巨的工作。本文提出一种结合机载LiDAR点云的车载LiDAR点云建筑物立面分割方法。该方法在空-地点云严格配准的基础上,从机载LiDAR点云中分割出每栋建筑物的顶部点云,提取建筑物顶部外轮廓线并进行规则矢量化处理,设置轮廓线缓冲区实现立面点云的粗分割;再采用基于稳健特征值的平面拟合法对单栋建筑物的每个立面进行去噪滤波,实现建筑物立面的精细分割。试验结果证明了该算法对城市场景中车载LiDAR点云处理的有效性。     

一种基于倾斜摄影测量点云密度自适应分割的建筑物边界提取方法

针对倾斜摄影场景中建筑物单体化问题,本文提出了基于倾斜摄影测量点云数据的建筑物识别和边界提取自动化算法。首先,对点云进行预处理,去除地面点和噪声点;然后,对点云进行二维栅格化处理,按间隔距离预分割;最后,结合改进的大津算法和区域增长算法,从预分割点云识别其中的建筑物,并提取建筑物边界点。从广东省江门市和湛江市选取两处试验区域对算法进行测试,结果表明:区域内建筑物点云均能准确被分割识别,建筑物边界提取准确度分别为87.8%与92.3%,说明本文提出的方法对于倾斜摄影测量建筑物识别和边界提取的适用性较强。     

An improved segmentation approach for planar surfaces from unstructured 3D point clouds

The extraction of object features from massive unstructured point clouds with different local densities, especially in the presence of random noisy points, is not a trivial task even if that feature is a planar surface. Segmentation is the most important step in the feature extraction process. In practice, most segmentation approaches use geometrical information to segment the 3D point cloud. The features generally include the position of each point (X, Y and Z), locally estimated surface normals and residuals of best fitting surfaces; however, these features could be affected by noisy points and in consequence directly affect the segmentation results. Therefore, massive unstructured and noisy point clouds also lead to bad segmentation (over-segmentation, under-segmentation or no segmentation). While the RANSAC (random sample consensus) algorithm is effective in the presence of noise and outliers, it has two significant disadvantages, namely, its efficiency and the fact that the plane detected by RANSAC may not necessarily belong to the same object surface; that is, spurious surfaces may appear, especially in the case of parallel-gradual planar surfaces such as stairs. The innovative idea proposed in this paper is a modification for the RANSAC algorithm called Seq-NV-RANSAC. This algorithm checks the normal vector (NV) between the existing point clouds and the hypothesised RANSAC plane, which is created by three random points, under an intuitive threshold value. After extracting the first plane, this process is repeated sequentially (Seq) and automatically, until no planar surfaces can be extracted from the remaining points under the existing threshold value. This prevents the extraction of spurious surfaces, brings an improvement in quality to the computed attributes and increases the degree of automation of surface extraction. Thus the best fit is achieved for the real existing surfaces.     

高分辨率遥感影像建筑物分级提取

高分辨率遥感影像建筑物信息自动提取是遥感应用研究中的一个热点问题,但由于受到成像条件不同、背景地物复杂、建筑物类型多样等多个因素的影响使得建筑物的自动提取仍然十分困难。为此,在综合考虑影像光谱、几何与上下文特征的基础上,提出了一种基于面向对象与形态学相结合的高分辨率遥感影像建筑物信息分级提取方法。该方法首先利用影像的多尺度及多方向Gabor小波变换结果提取建筑物特征点;然后采用面向对象的思想构建空间投票矩阵来度量每一个像素点属于建筑物区域的概率,从而提取出建筑物区域边界;最后在提取的建筑物区域内应用形态学建筑物指数实现建筑物信息的自动提取。实验结果表明,本文方法能够高效、高精度地完成复杂场景下的建筑物信息提取,且提取结果的正确性和完整性都优于效果较好的PanTex算法。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

Filtering airborne LiDAR data by embedding smoothness-constrained segmentation in progressive TIN densification

Progressive TIN densification (PTD) is one of the classic methods for filtering airborne LiDAR point clouds. However, it may fail to preserve ground measurements in areas with steep terrain. A method is proposed to improve the PTD using a point cloud segmentation method, namely segmentation using smoothness constraint (SUSC). The classic PTD has two core steps. The first is selecting seed points and constructing the initial TIN. The second is an iterative densification of the TIN. Our main improvement is embedding the SUSC between these two steps. Specifically, after selecting the lowest points in each grid cell as initial ground seed points, SUSC is employed to expand the set of ground seed points as many as possible, as this can identify more ground seed points for the subsequent densification of the TIN-based terrain model. Seven datasets of ISPRS Working Group III/3 are utilized to test our proposed algorithm and the classic PTD. Experimental results suggest that, compared with the PTD, the proposed method is capable of preserving discontinuities of landscapes and reducing the omission errors and total errors by approximately 10% and 6% respectively, which would significantly decrease the cost of the manual operation required for correcting the result in post-processing.     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

Automated Detection of 3D Roof Planes from Lidar Data

The purpose of this study is to derive vectoral 3D roof planes from the LIDAR point cloud of the detected buildings. For segmentation of the LIDAR point cloud, the RANSAC algorithm has been used. Because the RANSAC algorithm is sensitive to the used parameters, and results in over- or under-segmentation of the clusters, a refinement method has been proposed. The detection of roof planes has been improved with use of the refinement method. Therefore, similar plane surfaces have been combined, followed by the region-growing algorithm, to split the under-segmented plane surfaces. The digitization of the roof boundaries is performed using the alpha-shapes algorithm, followed by line fitting to generalize the roof edges. The quality assessment has been done using the reference vector dataset with comparison using four different criteria.     

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。