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。     

结合机载和地面LiDAR数据的建筑物重建技术

机载LiDAR数据虽然能够快速地获取建筑的顶面信息,但是不能够有效地获取建筑物的侧面信息。地面三维激光扫描仪能够有效地获取建筑物的立面信息,但获取建筑的顶面信息较困难。针对机载和地面LiDAR数据在精细建模中存在的问题,采用机载地面LiDAR数据相结合的方式对建筑物进行精细的建模,实验结果表明,采用该法能够实现建筑物的精细建模。     

车载联合机载点云数据的建筑物立面建模

针对建筑物立面几何模型构建的难题,该文提出了一套完整的建筑物立面提取方法。在车载-机载LiDAR点云数据精确配准的基础上,首先提取出机载建筑物的外轮廓线,通过设置轮廓线缓冲区实现立面点云分割,然后采用随机抽样一致性(RANSAC)平面探测算法探测建筑物主立面,最后结合立面语义规则及面片之间的拓扑关系构建建筑物立面的三维线框模型。实验结果表明,新方法能准确、有效地构建建筑物立面模型。     

车载联合机载点云数据的建筑物立面建模

针对建筑物立面几何模型构建的难题,该文提出了一套完整的建筑物立面提取方法。在车载-机载LiDAR点云数据精确配准的基础上,首先提取出机载建筑物的外轮廓线,通过设置轮廓线缓冲区实现立面点云分割,然后采用随机抽样一致性(RANSAC)平面探测算法探测建筑物主立面,最后结合立面语义规则及面片之间的拓扑关系构建建筑物立面的三维线框模型,实验结果表明,新方法能准确、有效地构建建筑物立面模型。     

车载联合机载点云数据的建筑物立面建模

针对建筑物立面几何模型构建的难题,该文提出了一套完整的建筑物立面提取方法。在车载-机载LiDAR点云数据精确配准的基础上,首先提取出机载建筑物的外轮廓线,通过设置轮廓线缓冲区实现立面点云分割,然后采用随机抽样一致性(RANSAC)平面探测算法探测建筑物主立面,最后结合立面语义规则及面片之间的拓扑关系构建建筑物立面的三维线框模型,实验结果表明,新方法能准确、有效地构建建筑物立面模型。     

基于机载与车载LiDAR数据的LoD3城市建筑物模型自动重建

随着智慧城市、智能导航和自动驾驶等领域的飞速发展,如何快速获取城市建筑物的三维空间信息、构建高精度的三维精细模型成为一个亟待解决的重要问题。基于机载与车载LiDAR数据的2. 5D特性,利用2. 5D双轮廓方法建立了一套基于数据集生成三维精细模型的技术方案。研究表明,该方法能够真实表达建筑物窗户和阳台等立面细节,具有简单、高效、全自动化的优点。     

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。     

机载和车载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。最后通过试验数据验证了该方法的可行性。     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

利用车载点云数据构建建筑物立面窗户模型

采用车载LiDAR数据进行窗户模型构建是一项艰巨的工作，本文提出了一整套窗户模型构建方法。首先利用RANSAC算法对建筑物立面进行探测分离主墙面，基于空洞思想对主墙面窗户进行聚类，然后采用动态椭圆凸壳算法探测窗户边界轮廓点。对获取窗户边界点采用RANSAC算法进行分割，采用基于稳健整体最小二乘算法进行直线拟合和角点恢复，最终结合窗户的几何特征完成窗户模型构建。试验结果证明了该方法能够准确有效地构建建筑物立面中的窗户模型。     

基于面向对象的建筑物轮廓协同提取方法

机载LiDAR虽然可以获取精确的地表高程信息,但地物边界线表示欠准确,而高分辨率遥感影像则能够提供高清晰度的地表纹理和光谱信息。因此,综合利用LiDAR数据和遥感影像多源遥感数据,可以充分发挥不同数据源的优势、拓展时空分辨力。本文基于面向对象分类理论,建立了一种利用机载LiDAR数据和GeoEye高空间分辨率遥感数据的建筑物轮廓协同提取方法,使所获得的综合信息具有更高的精度及可靠性。实验结果表明,该方法提取的农村居民建筑物的总体精度达到了95.94%,能够更好地表征居民地要素信息。     

基于空-地多源数据融合的建筑物精细建模研究

针对建筑物精细建模的精度问题,对同一试验区建筑物群的机载LiDAR顶面数据、航空正射影像数据和车载LiDAR立面数据进行试验研究,通过精确提取各建筑物群的顶面和底面矢量轮廓线,对矢量轮廓线间的水平间距进行定性与定量分析,研究结果对空-地多源数据融合进行建筑物精细建模提供可靠的技术支持。     

车载LiDAR点云数据分割与半自动化建模方法

针对车载激光雷达(light detection and ranging,LiDAR)点云数据的不完整性问题,提出一种车载LiDAR点云数据分割以及基于分割后点云数据的半自动化建模方法。首先对点云数据进行标准格式转换及稀化;然后以不同地物的属性和几何特征为分割条件,分别建立道路、建筑物、树和路灯等附属设施的三维模型,并利用车载以及航空图像的纹理信息辅助建筑物的立面和顶面三维建模;最后以真实街景为实验区,基于拓普康IP-S2车载LiDAR点云数据,完成该街景的分割与建模。实验结果表明,该文提出的点云数据分割与街景地物重建方法比较简单,可实现道路和建筑物的半自动化分割;利用成熟的建模软件和方法,实现了建模的完整性和较强的可靠性。     

利用影像辅助LiDAR点云数据的建筑物提取方法研究

机载LiDAR作为一种新兴的对地观测技术,能够快速地获取地表三维信息。如何从海量LiDAR点云数据中提取建筑物是数据处理中的一项关键工作。本文结合LiDAR数据和航空影像的数据特点,提出了一种航空影像辅助的LiDAR点云建筑物提取方法,首先,采用面向对象方法从航空影像中提取建筑物的轮廓;然后,以建筑轮廓信息为参考,从LiDAR点云中提取建筑物的点云数据;最后,通过实验证明该方法的有效性与可行性。     

一种获取大比例尺建筑物立面影像的方法

提出了获取建筑物大比例尺立面影像的一种理论与方法。根据数字相机倾斜影像,利用建筑物外观的几何条件与约束条件,按照透视变换原理,导出相应关系式,直接获取相同主距的“平行影像”。随后,依据最少的实地控制,将平行影像放大到给定比例尺数字城市中。该方法加快了车载系统大比例尺建筑物立面影像的获取过程,不受建筑物高度的影响,并可用于机载、固定站和人工方式等多种作业模式。     

车载LiDAR点云中建筑物立面的自动分割

将建筑物立面数据从散乱无序的车载LiDAR点云中分割出来是一项繁琐而艰巨的任务。本文提出基于基础地理数据辅助的分割方法:首先对基础地理数据进行要素精简,提取有效的建筑物轮廓数据;然后将提取数据转换到车载LiDAR点云数据所在坐标系中,实现坐标基准的统一;再根据建筑物立面特征设置合理的建筑物轮廓缓冲阈值,对建筑物立面点云进行自动分割;最后采用合理的质量评价机制,对分割结果进行检核和评价,实现分割结果的质量控制。实验表明文中方法简单有效。     

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。     

基于扫描线和虚拟格网的LiDAR点云数据非兴趣点剔除方法

非兴趣点的剔除,主要工作是将高程突变的单点、点簇,以及建筑物非顶部点云予以剔除,是机载LiDAR数据预处理的重要环节,也是建筑物提取的基础.文中分析LiDAR数据中非兴趣点的特点,针对传统基于扫描线剔除方法在剔除建筑物非顶部点云中存在的不足,提出一种基于扫描线和虚拟格网相结合的非兴趣点剔除方法.实验结果表明,算法能够有效地剔除非兴趣点,同时减少误剔除率.     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

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。