基于已知特征平面的移动测量系统安置参数检校

安置误差是影响移动测量系统激光点云精度的主要因素之一。当激光点云中存在特征平面时,安置误差会导致该平面与真实平面之间产生较大的偏差,如果存在多个空间上位置关系较好的特征平面,就能够全面反映出系统的安置误差。本文以此为依据,给出了一种基于已知特征平面的移动测量系统安置参数检校方法,并详细阐述了检校场的布设、数据获取及处理等内容。实验证明,该方法是一种简单、可靠的检校方法,具有较高的实用性。     

机载LiDAR点云数据误差分析

基于国产机载LiDAR系统各传感器组成及工作原理,详细介绍系统各传感器所产生的误差和集成误差,将其归结为八大类,包括：定位误差、GNSS/IMU组合系统误差、激光测距误差、激光测角误差、系统集成安置误差、时间同步误差、数据内插误差、坐标转换误差。同时对各种误差处理的方法进行了介绍。对于获取高精度激光点云数据及后续处理具有重要意义。     

一种基于平面特征的自检校误差模型研究及精度分析

针对基于点特征的地面三维激光扫描仪自检校方法需要建立检校场的问题,提出了一种通过拟合点云数据中平面几何特征来解算仪器系统误差参数的方法,构建并推导了该方法的误差模型公式,并通过实验对RIEGL VZ-400地面三维激光扫描仪进行检校。实验结果表明,经过系统误差改正后对平面的拟合效果要明显优于不考虑系统误差的拟合效果,从而验证了基于平面特征的地面三维激光扫描仪自检校方法的有效性和可行性。     

基于虚拟连接点模型的机载LiDAR系统安置误差自检校

利用激光扫描直接定位的严格模型,定量分析LiDAR系统安置误差对激光脚点定位精度的影响,设计了一种安置参数自检校方法提高LiDAR数据条带间相对精度,由于离散采样的激光脚点之间不存在真实的同名连接点,提出了虚拟点模型,将虚拟连接点与真实激光脚点联系起来,并定义了两组规则从激光脚点坐标计算出连接点坐标。采用安阳市内真实LiDAR数据进行试验,证明了本文介绍的自检校方法的可行性和有效性,获得的检校参数稳定有效,可直接对原始LiDAR条带进行纠正,补偿系统安置误差。     

顾及平面特征的车载激光扫描系统外参数标定法

激光扫描仪外参数的标定是获取高精度三维地理信息数据的前提和保障。传统标定方法大多需布设特定的检校场、人工采集检校点,求解过程计算量较大。基于此,本文提出通过采集不同车行方向的同一区域的点云数据,提取平面特征数据并进行平面特征数据的自动化配准,对多个不同角度的平面特征的共同检校,实现三维空间中不同车行方向采集的相同地物点云的重合,最终完成系统外参数的标定的方法。试验结果显示,该方法对车载激光扫描系统外参数的标定实现了自动化,减少人工参与且达到了较高的检校精度。     

机载激光雷达测量检校场布设及检校精度探讨

采用机载激光雷达测量系统对检校场进行点云获取,融合基站数据进行飞行轨迹处理,然后运用区域网提取及最小二乘平面拟合算法进行点云平面提取及拟合,进而改正机载激光雷达测量系统偏心角误差,并采用模拟数据说明该算法的可行性。     

圆扫描式机载激光测深系统检校模型及仿真分析

为了提升圆扫描式机载激光测深系统的定位精度,提出了一种检校思路:在平面区域获取激光点云时,系统误差和随机误差使得本应共面的激光点云不再共面,通过将激光点云拟合到单个平面上达到纠正点云位置的目的。首先推导了简单模式下圆扫描式机载激光测深系统定位模型,并从直线与平面交会的数学原理出发模拟激光光线与海面的交会过程,根据折射原理解算激光光线在水中的方向矢量,联合激光光线在水中的直线方程和海底面数学方程解算激光脚点的位置。然后,引入未知数先验方差,推导了参数加权最小二乘平差模型,为后面检校模型的解算奠定基础。最后,推导了用于检校的平差数学模型和详细的计算过程,对检校过程进行了模拟计算和分析讨论,得出了一些有益于检校过程的结论。     

国产机载LiDAR系统安置角误差检校方案研究

机载激光扫描仪(Light Detection And Ranging,LiDAR)系统是由多个子系统集成,其中,安置角误差是集成误差中最大的误差源,安置角误差检校的方法多种多样,高效率、高精度的检校方式还需要试验的支撑。本文对平差模型法和几何模型法进行了试验分析,试验结果很好地证明了不同方法的优越性,为机载LiDAR系统的安置角检校提供了参考。     

IMU/DGPS辅助航空摄影新技术的应用

 利用IMU/DGPS组合导航技术，可以在航空摄影的同时直接获取像片的外方位元素。试验表明，只要对IMU/DGPS与航摄仪的集成系统误差和漂移误差进行检校和改正，直接获取的像片外方位元素可以用于正射影像的制作和中小比例尺测图。本文首先讨论了IMU/DGPS组合导航技术和IMU/DGPS辅助航空摄影系统的工作原理； 然后，结合甘肃酒泉试验数据，重点分析讨论了IMU/DGPS和航摄仪集成系统的误差及其检校问题。     

基于大比例尺航空影像共面约束条件的相机自检校方法

提出了基于大比例尺航空影像共面约束的相机自检校方法,该方法使用所有立体像对同名点基于共面约束对相机的内方位元素及畸变系数进行解算。首先进行航空影像同名点匹配,构建立体像对;然后基于共面约束使用直接解法和迭代优化进行相对定向,解算相机位置与姿态;最后使用最小二乘优化方法解算相机内方位元素和畸变系数。对于高分辨率大尺寸航空影像,图像中心及边缘的畸变差异较大,为了进一步提高解算精度,对图像进行网格区域划分解算畸变。使用大比例尺航空影像进行解算能真实精确反映航空摄影测量时所获取图像的相机参数和畸变系数,避免检校环境与使用环境不同解算得到的相机畸变参数不能真实反映所获取影像的畸变问题;使用所有同名点解算,避免由于选择不同特征点或控制点对检校精度的影响;通过区域网格划分,进一步提高了解算精度。对检校结果进行了分析,该方法精度较高,与基于室外检校场的精度相当,能真实精确反映航空摄影测量时所获取图像的相机参数和畸变系数,提高了三维重建的精度。     

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。     

机载激光LiDAR在密林山区测绘中的应用研究

为解决山区测绘的高程问题,本文利用机载激光雷达采集了山区点云并通过点云滤波的手段获取了山区地表点的高程数据,通过实验验证和分析可知,机载激光雷达在山区的地表点云有着很高的精度和密度,能够很好地满足山区地形测绘的要求。     

机载LiDAR数据逐航带平差与航带区域网平差对比

机载LiDAR系统获取的点云数据在经过预处理解算后仍会残余部分系统误差,因此,在利用点云数据生成DEM等相关数字产品之前,必须检查并改正这部分系统误差。以此为主要目标,本文对机载LiDAR数据的逐航带平差与航带区域网平差展开研究,并以Microsoft Visual Studio 2008 C++为开发平台、基于实测数据对比了两者在完成多航带构成的测区平差时的精度,结果表明:机载LiDAR数据的航带区域网平差方法相较于LZD算法可有效降低逐航带平差导致的误差累积,精度更高。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

基于机载LiDAR点云数据构建复杂山区高精度DEM方法研究

为解决大范围复杂山区DEM生产困难的问题,提出利用机载LiDAR点云数据构建DEM.本文对机载LiDAR数据处理流程及其在复杂山区的具体应用进行分析,主要利用LiDAR数据处理软件对点云数据进行内业DEM生产并编辑最终得到符合项目要求的数字高程模型数据,结果证明该方法可行.     

平原地区机载激光雷达数据的抽稀算法分析

目前,机载激光雷达点云数据在测绘行业中的应用还存在较多的瓶颈。为了使机载激光雷达点云数据更好地服务等值线等数据的生产,发挥其高效和高精度的优势,本文归纳、总结了国内外现有的LiDAR点云数据抽稀算法,并通过对比分析现有LiDAR点云数据抽稀算法存在的优缺点,如系统抽稀、格网抽稀、TIN抽稀和坡度抽稀等算法,结合平原地区激光点云在实际生产中的应用,研究了更适合平原地区点云数据的抽稀方法,通过大量的数据测试和试生产。结果表明,该方法可以在应用项目精度约束下保证数据质量,减少了后期数据处理应用的难度,提升了后续成果数据的质量,提高了作业生产效率,对机载激光雷达点云数据在测绘行业中的应用推广具有重要的现实意义。     

信息向量机、相关向量机和支持向量机在机载LiDAR点云数据分类中的应用

机载LiDAR点云数据分类技术是LiDAR数据后处理的关键步骤。信息向量机、相关向量机及支持向量机可以在LiDAR点云数据分类中发挥重要作用。本文将三种分类器应用到点云数据分类中,通过实验验证了它们在点云数据分类中的性能,总结了它们在点云数据分类任务中的应用潜力。     

Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification

The features used in the separation of different objects are important for successful point cloud classification. Eigen-features from a covariance matrix of a point set with the sample mean are commonly used geometric features that can describe the local geometric characteristics of a point cloud and indicate whether the local geometry is linear, planar, or spherical. However, eigen-features calculated by the principal component analysis of a covariance matrix are sensitive to LiDAR data with inherent noise and incomplete shapes because of the non-robust statistical analysis. To obtain reliable eigen-features from LiDAR data and to improve classification accuracy, we introduce a method of analyzing local geometric characteristics of a point cloud by using a weighted covariance matrix with a geometric median. Each point is assigned a weight to represent its spatial contribution in the weighted principal component analysis and to estimate the geometric median which can be regarded as a localized center of a shape. In the experiments, qualitative and quantitative analyses on airborne LiDAR data and simulated point clouds show a clear improvement of the proposed method compared with the standard eigen-features. The classification accuracy is improved by 1.6–4.5% using a supervised classifier.     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。