矿区地表彩色点云的自动分类

以矿区的彩色三维激光点云数据为研究对象,提出了矿区点云快速自动分类及目标提取的方法。首先根据彩色点云的RGB值计算HSV空间中的H值,根据各地物间H值的差异,分别对地面点与非地面点根据地物颜色先验值进行点的提取。然后对提取的点进行聚类计算,利用各类地物点云在空间分布上的显著差异,采用分层截面投影,由投影点最小包围盒的长宽比及面积比对矿区地物点云进行自动分类与提取。最后以Riegl VZ-1000扫描仪采集的某矿区地表点云数据为试验对象,验证本文算法的可行性和实用性。     

基于高差分析的点云数据提取矿区地表沉陷信息方法

机载LiDAR技术能够快速获取整个矿区地表空间位置及垂直相对位置的动态变化量,观测结果更为全面、直观,从而可以获得整个矿区地表开采沉陷分布与移动下沉情况.从点云数据滤波入手,对获取的鹤壁矿区两期点云数据提取的DEM作差值计算,得出该段时期内地表的垂直位移量,然后通过设置高差阈值和面积阈值,并采用基于高差分析的方法,提取地表沉陷信息.试验结果表明,该方法提取的沉陷面积精度能达到94.75％,可在中小尺度上对矿区开采沉陷进行监测.     

基于点云卷积的点云分类方法研究

基于深度学习方法,借鉴二维图像卷积的思想,设计了一种适合三维点云的卷积操作。点云卷积的作用域是局部球形邻域,输入为三维坐标和空间几何关系。通过点云卷积提取局部特征,使用最远点采样算法采集邻域中心点,根据半径构建球形局部邻域,使用多层感知器（multi-layerperceptron,MLP）网络学习空间关系权重,将学习到的关系权重和输入特征相乘,实现卷积操作。基于三维点云卷积,构建了一个多层分类网络模型实现点云分类。使用道路场景的黄石路数据集进行分类实验,结果证明了所提方法的有效性。     

基于颜色和影像指导的近岸海域三维点云分类和建模方法

针对从点云数据中进行近岸海域地物分类存在精度损失及在水面与滩涂划分界限模糊等问题,本文提出了一种基于颜色和影像指导的近岸海域三维点云分类和建模方法.该方法先以颜色分布直方图指导地物粗分类,然后采用SVM实现地物精分类,基于影像的二维分类结果指导三维点云数据分类,并在此基础上对海岛和滩涂等地物进行三维模型重建.试验结果表明,本文提出的分类和建模方法能够精确可靠地划分近岸海域地物,实现地物三维模型重建.     

一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

基于彩色点云的公路资产管理研究

随着中国基础设施建设的蓬勃发展,对高速公路资产信息化管理的需求也越来越多。针对国家公路局中的道路资产的监管问题,研究了以B/S架构为基础,采用开源OpenLayers和CityMaker平台等技术构建了基于WebGIS的道路养护管理系统。实现了对点云的采集、整理及制作,把点云作为公路资产的真三维对象,达到的对公路资产在虚拟平台上的管理。该系统能够有效降低道路资产管理的成本,有效避免对管养资产的重复投资,同时可作为未来大数据分析的基础。     

基于影像的地面激光点云数据分类

为了完成地面激光点云数据的分类工作,不同于传统方法利用点云的几何特性和辐射信息,本文利用非量测相机获取影像数据实现点云的分类。首先,通过相机检校获取相机的参数,从而得到影像内方位元素;然后,将影像与点云进行配准,计算出影像的外方位元素;最后,对上述参数进行优化,实现二维影像与三维点云信息的融合,进而完成点云分类。实验表明该方案可实现地面激光点云数据的分类。     

基于决策树的机载LiDAR点云数据分类

本文采用基于决策树的人工智能方式,通过对点云数据分割、提取分割片轮廓,手动设置地物的约束条件来提取LiDAR点云中的地物。两组实验表明,本文的方法能够成功提取点云数据中的建筑物、车辆等地物;要提高精度,需增加点云密度,因此本文方法适用于较平坦的城镇地区。     

基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。     

顾及空间上下文关系的JointBoost点云分类及特征降维

随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。     

车载全景影像与激光点云融合生成彩色点云方案

针对车载全景影像与激光点云数据融合的研究不足的现状,文章给出了一种适合球面全景影像的车载彩色点云生成方案:由车载POS数据及系统标定参数可获得全景影像的外方位元素,依据影像的采集视角选择激光点最佳的关联影像,然后以球面投影为成像模型获得激光点在影像上的颜色属性值,进而获得彩色点云数据;并对融合的误差进行了讨论与分析。经过融合后的彩色点云几何精度高、目视效果好,使两种数据源的优势得到了有效的结合。实验结果验证了这种方法的可行性和准确性。     

基于UASMaster的影像匹配点云分类的应用分析

根据近年来对无人机航测的实践应用经验及其发展趋势,结合河南理工大学项目对基于影像匹配融合获取的点云进行点云分类,得出利用UASMaster结合分层分类思想对无人机获取的点云进行分类处理的方案是可行的。     

基于特征空间值筛选的点云关键点提取

针对传统的三维激光扫描点云关键点提取算法存在的计算效率低下、对噪声敏感以及算法不稳定等问题,提出了一种基于特征空间值筛选的关键点提取算法.首先建立用于特征提取的网络架构模型,以点云集内所有点与其邻域点的法向量夹角集合为输入,以一维特征空间向量为输出,按特征空间向量大小排序,选取其中最大n个值对应的点作为关键点.实验结果表明,该算法的关键点具有较高的可重复性和运行效率,且对于噪声的鲁棒性更好;在小场景、大场景数据中平均重复率分别约提高了23.0%和9.3%;关键点主要分布于特征变化明显区域,可较好地表达点云特征.     

基于空间曲线重建的点云模型精化方法

提出一种将数字影像和激光点云结合进行文物精细三维重建的方法。该方法采用形态学理论在多张影像上精确提取文物轮廓,进行多视曲线匹配,并拟合成空间曲线。影像与激光点云配准后,将重建出的空间轮廓线加入激光点云中,进行轮廓约束的三角网构建,纹理映射后完成重建。该方法解决了激光点云模型边缘轮廓线缺失的问题,能够快速地重建出完整精细的三维模型。     

基于点云空间索引的隧道断面提取方法

探索了一种基于三维激光点云空间索引的隧道断面提取方法。该方法主要通过建立空间索引,利用k维树（k-dimensionaltree,KD树）和规则格网提取频数分布特征,采用含有多种几何模型约束条件的随机抽样一致（randomsampleconsensus,RANSAC）算法完成断面拟合。实验结果表明,该方法对隧道点云的平均降噪率达到97%,能准确提取隧道断面。     

基于层次分析和神经网络的机载LiDAR点云分类

在机载LiDAR点云数据处理中,由于机载雷达点云数据的离散性、不确定性等原因,导致点云分类上很难得到准确的结果。针对机载LiDAR点云数据分类问题,提出了基于层次分析和神经网络的机载LiDAR点云分类方法。根据机载LiDAR点云的数据特征以及不同地物的属性,采用层次分析法赋予每个点云一个二进制信号,然后采用后向传播神经网络(BP-ANN)对机载LiDAR点云数据分类。实验表明:这种方法能够从机载LiDAR独立数据源中分类出房屋、高大的树、低矮的树、道路等地物点云。