基于车载LiDAR点云的行道树提取研究

针对车载LiDAR数据构建格网,提取行道树点云并分割树干点云,首先以格网为单位,进行滤波处理提取非地面点云;再对提取的点云进行降噪处理;然后基于格网对处理后的点云块进行聚类,依据行道树与其他地物的形态以及投影等差异从聚类单元中提取行道树,并对相连树进行分割;最后针对提取的单株行道树依据分层投影的原理,分割行道树树干点云与树冠点云.采用一段车载LiDAR数据进行算法实验并与人工提取方式对比验证算法提取的有效性与准确性.     

基于水平截面法的树木点云精细分割研究

本文提出了水平截面法精细分割树木点云的方法。首先根据点云数据在XOY平面内建立二维格网,求取每个格网内点云数据高度的均值,根据格网内点云数据的高度阈值滤除地面点云和低矮地物点云数据;其次对滤除地面和低矮地物的点云运用八邻域算法提取树木点云,运用水平截面法对树木分层处理,求取每一层树木点云的轮廓线;再次将轮廓线连成多边形,求取多边形的最小外接圆的圆心,运用最小二乘直线拟合算法对各层圆心进行直线拟合,根据拟合直线与地面的交点,可以求取树木的精确位置;最后根据距离最近的原理,对树木进行了精细分割。实验表明:本文研究的方法可以较好的实现树木点云的提取,避免了传统方法设置参数过多的弊端。     

车载点云特征对应影像自动分割技术研究

车载点云数据通过自动提取,可快速得到大量的三维特征数据,利用同步影像数据不仅能提高目标判读的准确性与效率,而且能获取目标对象的属性信息,对质检巡视、部件属性调查、三维建模等生产活动有重要的作用。本文提出了一种车载点云特征数据对应的影像自动分割技术,通过影像的位置姿态判断影像与特征信息间的关系,实现最佳影像自动选取和分割,生成适当范围局部正射影像,并在新影像中标示出特征信息的正确位置。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

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。     

基于水平截面法的树木点云提取方法

本文提出了一种基于水平截面法的树木点云提取方法。首先联合三维格网和二维格网滤除地面和低矮地物的点云数据。其次运用水平截面法截取距地面一定高度的树干,将其投影到二维平面,利用八邻域算法进行聚类,根据聚类后的每一类树干点云数据,运用AlphaShape算法求取各个树干的轮廓线,将轮廓线的点连成多边形求取最小外接圆圆心即是该树的位置。最后利用树木的位置坐标和平面两点间的距离公式,依据最近距离原则遍历滤波后的点云,完成树木的分割。实验表明该方法可以较好地实现树木的提取,避免了传统树木提取方法中过度依靠经验值并且设置参数过多的弊端。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云,经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云,并对三个数据集的应用结果作精度评定,其最终结果的误差在有效范围内,并对PointCNN中的参数进行分析,完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型,且受非行道树点云目标干扰小,在复杂道路环境下的数据分割工作有很好的效果。     

一种车载三维激光点云数据加密及补偿方法

针对全景江苏三维地理场景建设中的可量测街景数据采集时,由于点云数据稀疏或缺失造成量测可靠性及精度低的问题,探索出以地面激光点云为数据补充,通过坐标转换、点云融合等技术方法加密补偿稀疏点云,提高数据精度的技术路线.最后,以具体道路为例,验证了方法的可行性,为提高车载三维激光点云的应用精度和能力提供了可借鉴的依据.     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。     

城区LiDAR点云数据的树木提取

机载激光扫描(LiDAR)可以快速获取地球数字表面模型.提出一种适合复杂城市环境的机载激光扫描数据提取树木的算法:首先对DDAR数据滤波生成DTM,提取地物点;然后对地物点进行区域增长运算,使用面积阚值滤出大的区域;再计算出LiDAR数据点的梯度值,根据梯度阈值分离出树木点;最后结合梯度阈值分割和区域增长分割的结果实现树木点的最终提取.实验结果表明,使用新算法在城区环境中能从LiDAR数据中较好地提取出树木,城区树木提取率达到85.4%,提取正确率为86.1%.     

基于地面激光扫描数据的单木特征因子提取与分析

本文利用三维激光扫描仪对树木进行扫描获取树点云数据,经过格式转换、分离、提取后,对树木各测量因子包括胸径、树高、树冠、材积量进行测定与测量方法与意义的分析。通过实验分析,可以得出:树冠测定因子通过测定树冠的叶面积指数来更精确地反映树冠的生理学意义;通过不规则三角网构建的多面体计算的树干体积较以平均断面积、中央断面积求树干材积更为准确与便捷。     

改进的分层点云数据压缩算法

针对传统点云压缩算法主要对小型物件的小数据量精细点云进行压缩,在大型地物的海量数据压缩方面存在压缩时间长、效率低的不足,提出了一种改进的分层点云数据压缩算法。基于大型地物点云空间结构特点将分层压缩算法的速度优势和距离压缩算法的高效优势相结合,解决了传统压缩算法在大型地物点云压缩方面的不足,实现了海量点云的快速高效压缩。西安市大雁塔三维激光点云压缩实验结果表明:该算法可以快速地完成海量点云的压缩,较之传统压缩算法极大地缩短了压缩时间,提高压缩效率。     

基于k-d树的机载LIDAR点云滤波处理

点云数据滤波处理是获取高精度数字地面模型的关键,而滤波的基本原理是基于某一邻域内高程的突变。在海量、离散的点云数据中,搜索某一邻域的速度将直接影响滤波处理的效率。应用k-d树组织点云数据,不需要先验地知道点云数据间的拓扑关系便可以快速确定其中某一点的邻域点集,从而大大地提高滤波速度。     

车载激光点云的道路标线提取及语义关联

自动驾驶技术已成为未来智能交通的发展方向之一,高精度地图为L3级及以上自动驾驶实现高精度定位和路径规划提供先验信息,是自动驾驶车辆传感器在遮挡或观测距离受限情况下的重要补充。道路标线的位置和语义信息,比如实线和虚线的绝对位置是高精度地图的基本组成部分。本文从车载激光点云中提取扫描线,根据道路边缘位置几何形态的突变从扫描线中提取道路路面,在此基础上首先利用反距离加权插值的方法把路面点云图像以一定的分辨率转换为栅格图像,其次利用基于积分图的自适应阈值分割方法把栅格图像转化为二值图像,然后利用欧氏聚类的方法从二值图像中提取标线点云,并利用特征属性筛选的方法对提取的标线点云进行语义识别,最后建立交通标线和交通规则之间的语义关联。     

基于道路数据点云的公路平面线形恢复方法

利用机载激光扫描数据的离散道路带状数据点云恢复公路平面线形,其效果的优劣很大程度上取决于公路中轴点列的获取。采用定步长径向搜索方法,算法简单快速,运算效率高;采用三次B样条曲线拟合及线形恢复能满足公路改(扩)建的要求。实验表明,基于道路数据点云的公路平面线形恢复方法研究,为机载激光扫描技术在公路中的应用提供一种可供借鉴的方法。     

点到平面距离的点云数据压缩方法

针对三维激光扫描点云数据采集过密、冗余信息较多,现有压缩算法存在不足的问题,该文提出了基于点到平面距离的散乱点云压缩算法。将该算法与基于三角形法向量夹角和格网法两种现有算法的压缩结果进行比较,通过对比构建的空间三角网可以发现,该文算法对物体特征复杂的部位有较好的压缩效果,且在压缩率较高时,不会使较平缓的部位出现过度压缩而失真的情况。     

三维点云的分割及骨架提取研究

针对在三维点云环境下分离目标物体所出现的过度分割问题,提出一种结合随机抽样一致性和颜色差值区域聚类的分割方法。首先利用RANSAC算法去除场景中大部分平面,使得目标物体和连成片的点云脱离,然后结合点云的距离阈值和目标颜色差值,得到目标点云数据。针对L1中值算法对曲率较大模型的骨架提取存在的不足,进行了改进。通过L1中值算法对点云模型进行骨架提取,得到点云的骨架点,然后沿端点方向向外进行最大内切球的球心提取,最后连接多个球心及骨架末端点,得到符合人类视觉效果的骨架。改进的算法提高了L1中值对曲率较大点云骨架提取的准确性。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

车载激光点云数据的栅格化处理

车载激光点云由于车辆的震动和点云的融合,得到的数据为散乱空间点云。本文通过对空间点云进行两个方向的排序,得到以x值为主排序,z值为次排序的点云图,然后设置栅格,对于每个栅格点,找到投影在XOZ投影面内与其距离最近的激光点,将该激光点的y值赋给栅格点,得到与该区域空间点云相对应的栅格化点云。在按照X值排序时,根据点云的特点给出了一种插入排序算法。实验结果表明栅格化后的点云与原点云在表现建筑结构上效果一致。散乱点云栅格化后为点云的进一步分析打下基础。     

工业构件密集点云数据与CAD模型的配准

针对工业构件人工检测安装效率低的问题,该文提出基于三维激光扫描的点云数据与CAD模型的配准方法。该方法是预先在两模型中找出公共点进行粗配准,把粗配准后的两模型用迭代最近点(ICP)算法进行精确配准,并通过提取公共特征点进行匹配的精度检测。实验表明,通过该方法实现了点云与CAD模型的配准,有效地提高了工业逆安装效率。