基于椭球面投影的散乱点云建立三角格网方法

空间点云数据建立三角格网是三维激光扫描数据处理中重要的处理内容之一。已有的点云三角格网建立方法的网形结构良好,但存在数据量大、计算效率低的特点。提出借助椭球面进行高斯投影建立点云的空间三角格网建立方法,有效地实现四周型点云数据格网建立过程。结合某矿井点云数据实例,对基于圆柱面和椭球面投影的两种方法建立的三角格网进行对比,结果表明,利用椭球面投影法建立三角格网能更有效地建立顶部和底部点云数据的拓扑关系。     

多核CPU的海量点云并行kNN算法

提出基于多核CPU的海量点云k最近邻(kNN)快速搜索算法。该算法先将点云数据按格网方式进行组织存储于外存;在搜索kNN点时,从搜索点所在的块向外扩张搜索;在多核CPU环境下采用多线程模式进行数据的内外存调度和kNN点搜索。当内存达到设定上限时,采用距离搜索点最远策略释放内存,降低内外存数据交换的频率。将该方法应用于基于kNN的滤波和格网化方法中,处理速度显著提高。     

多核CPU的海量点云并行kNN算法

提出基于多核CPU的海量点云k最近邻(kNN)快速搜索算法.该算法先将点云数据按格网方式进行组织存储于外存;在搜索kNN点时,从搜索点所在的块向外扩张搜索;在多核CPU环境下采用多线程模式进行数据的内外存调度和kNN点搜索.当内存达到设定上限时,采用距离搜索点最远策略释放内存,降低内外存数据交换的频率.将该方法应用于基于kNN的滤波和格网化方法中,处理速度显著提高.     

顾及几何特征的规则激光点云分割方法

三维激光扫描仪能快速地获取三维场景的高精度点云数据,已成为快速三维建模的重要工具。点云分割是三维点云模型数据预处理中的首要环节,也是影响重建效率与模型质量的重要因素。以激光点云的分割为研究切入点,以八叉树空间划分方式对数据进行组织,并用八进制编码进行命名,结合K邻近搜索法获取目标点的局部邻近点,采用加权平均目标点相邻的三角面片法向量来估算单点法向量。基于投影欧氏距离拟合曲面求取曲率。量化了规则点云集的分割约束条件,采用法向量信息来进行平面点的提取,根据曲率在两个主方向上的差异性来识别和分割柱面和球面信息。试验结果表明：①基于法矢量的平面点分割效果理想;②基于曲率差异性的规则曲面点分割效果较差;③基于几何特性的规则激光点分割方法合理可行。     

地铁隧道三维激光扫描数据配准方法

针对传统的迭代最近点算法(ICP)用于多测站点云数据配准时计算效率低的问题,该文提出了一种基于特征点的ICP改进算法,该方法利用相邻两测站数据进行配准的实现。首先采用体素化格网方法对两点云数据集进行精简处理,并计算精简处理后每一点的法向量;然后利用kd-tree最近邻查询搜索特征点之间的对应关系;并通过估计出的最优变换矩阵更新至全局变换,以提高配准精度。实验结果表明,改进的ICP算法在地铁隧道点云数据配准中的效率高于其他的配准方法,为隧道变形监测工作的进行提供保证。     

一种R树与格网结合的海量地铁隧道点云管理方法

为满足海量地铁隧道点云的高效处理需求,提出了一种R树与格网结合的海量地铁隧道点云管理方法。针对隧道点云的空间分布特点,在全局将大范围点云划分到格网中,并使用R树管理非空网格;在局部使用八叉树与四叉树混合的索引方法管理单个网格内的点云。为了提高点云的渲染效果,提出了基于网格面积的多细节层次结构（levels of detail,LOD）回溯构建方法,并采用高效的单文件存储方式存储点云。实验结果证明了所提出的方法在海量隧道点云的管理和可视化方面优于传统方法。     

一种引入 RANSAC 算法的匹配点云规则化方法

针对影像匹配点云的大数据量和分布不规则化问题,本文提出了一种基于平均模型的RANSAC规则化方法。该方法首先对匹配点云进行格网化,然后以格网为基本单位,利用RANSAC方法重复随机抽取多个样本,根据高程平均模型和设定的判断条件得到最终一致集,最后基于该子集利用平均模型和最邻近原则完成该格网的规则化。对比实验证明,本文方法在保证数据精度的同时,大大提高了数据的简化度和可靠性。     

车载激光扫描数据中杆状地物提取

针对车载激光扫描数据中对杆状地物提取效果不够理想的问题,该文提出一种基于聚类的杆状地物提取方法。首先将原始点云投影到水平面并进行格网划分,以单个格网为数据处理单元去除地面点;再基于处理数据对格网进行点云探测并编号,赋予同一属性值利用八邻域搜索对地物点聚类;然后以聚类后单个点云块为处理单元,利用各类地物特征,如高度、投影点密度、投影面积及形状等,逐步排除其他地物点,实现对杆状地物的精细提取。试验验证了文中所述方法对道路环境中杆状地物提取的有效性。     

基于NoSQL的机载LiDAR海量点云数据分布式存储

机载LiDAR点云数据是遥感大数据的重要组成部分,其海量化的趋势日益显著。本文设计并实现了基于NoSQL的海量机载LiDAR点云分布式存储模型,解决了海量机载LiDAR点云数据的高效存储问题。通过建立基于虚拟格网与线性八叉树的海量机载LiDAR点云数据组织结构,设计了基于虚拟格网号与Morton码的海量机载LiDAR点云数据标识唯一编码;提出了基于HBase的海量机载LiDAR点云数据存储策略,实现了键值和表结构的优化设计;最终实现了海量机载LiDAR点云数据的高效存储和快速查询。     

十进制线性四叉树的点云数据格网索引方法研究

三维激光点云数据是海量三维点的集合,导致数据量庞大,组织和管理困难,不仅增加了系统负荷,而且大大降低了点云数据后续处理效率。该文针对海量点云数据的组织与管理中遇到的加载和显示效率低、建立索引困难、不能实时动态显示等问题,提出了基于十进制线性四叉树的点云数据格网索引方法,该方法用四叉树结构分割点云数据和用SQL Server数据库存储,采用Morton码或矩形区域对点云数据进行分块空间索引,结合空间索引和数据库的优势对点云数据进行高效、动态、智能管理。实验结果表明,该方法较好地解决海量点云数据的组织与管理效率低下,不能实时动态显示的问题。     

基于八叉树与KD树索引的点云配准方法

针对点云配准算法中KD树多维查询效率较低的问题,提出一种基于八叉树和KD树多层索引结构的点云配准方法。首先为模型点云数据建立八叉树全局索引,然后在八叉树叶子结点构建局部数据的KD树索引。对传统的ICP点云配准算法进行改进,通过叶子结点的全局索引值快速定位局部点云数据块,利用局部KD树索引加快最近点的搜索,计算最近点时利用欧氏距离阈值、点对距离差值和法向量阈值剔除部分噪声点。实验表明,改进算法提高了点云配准的效率和精度。     

基于HBase的矢量数据云存储策略研究

大数据时代,矢量数据量急剧增长,迫切需要寻找有效的矢量大数据存储方法。提出了一种基于HBase的矢量数据云存储策略。首先应用四叉树剖分方法构建多级格网索引并基于Hilbert填充曲线对矢量数据进行聚类划分;其次结合多级格网编码和Hilbert排列码设计矢量要素唯一标识并以此作为矢量要素在HBase数据库的行键;再次对矢量数据的存储规则进行了具体设计;最后通过两个对比实验对矢量要素唯一标识聚类效果及矢量数据查询效率进行了验证,实验结果证明了该方法的可行性与有效性。     

地面点云数据快速重建建筑模型的分层方法

为了快速从地面激光扫描数据重建建筑物模型,避免数据处理中复杂的点云栅格化和面片分割,提出一种基于分层方法的建筑三维模型快速重建方法。利用直方图统计方法去除噪声,结合大多数建筑物自身特点,对点云数据进行分层并垂直投影至各层平均高度的平面,得到建筑物各层的边缘特征点,进而规则化,实现建筑物三维数字模型的快速重建。实验结果表明,方法可以快速提取建筑物边界点,简化传统点云数据在建筑物重建中的复杂过程和大量的数据处理运算,而且最终模型的精度可以得到保证,具有一定的普适性。     

一种基于 K-D 树优化的 ICP三维点云配准方法

为提高三维点云数据配准精度和速度,提出一种基于K-D树优化的ICP三维点云配准方法,首先采用中心重合法实现点云数据的粗配准,然后利用K-D tree快速搜索最近点对改进传统ICP方法,完成三维点云数据精配准,该方法克服传统ICP算法中由于利用欧式距离来判断最近点所引起的工作量大、耗费时间多的缺陷,提高点云的配准速度。在此基础上利用斯坦福不同密度Bunny点云数据进行实验验证,结果表明在采用中心重合法实现三维点云粗配准的基础上,利用K-D tree优化ICP算法,能够提高点云配准的精度、速度和稳定性。     

SLAM激光点云整体精配准位姿图技术

基于同步定位与制图(simultaneous localization and mapping,SLAM)技术的激光扫描系统具有成本低、效率高的优点,近年来在测绘领域得到了广泛关注。虽然基于SLAM技术的激光扫描系统能够实现实时数据获取,但该数据获取方式难以保证点云精度,不同位置获取的同一地物的点云存在位置不一致。为了提高该类系统所获点云精度,本文提出一种分层次点云全局优化方法。该方法首先通过"点-切平面"迭代最近邻算法对重叠点云进行配准,形成扫描系统轨迹间的约束;然后构建位姿图对轨迹进行优化,利用优化后的轨迹对点云进行修正。算法通过将优化过程分解为局部和整体两个层次以提高计算效率。试验结果表明,优化后点云同名点对间的距离中误差减小约50%,内部不一致现象得到有效消除。     

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。     

分段能量函数优化的复杂场景点云滤波

为了提高复杂场景点云滤波的精度与效率,该文提出一种基于分段能量函数优化的滤波方法。剔除噪声并将点云格网化,设计分段能量函数,利用能量最小化求取每个格网对应的地面高程。若格网内最低点高程与该高程值差距在量化误差范围内,则将该点设为地面种子点。根据种子点构造狄洛尼三角网,取与其距离在阈值范围内的点为地面点。通过多种地形场景下的点云滤波实验验证,滤波的总体误差为3%,低于gLiDAR,且具有参数设置简单、同时兼顾精度与效率的优势。     

Delaunay三角网关键技术探讨

利用计算机技术,基于实际测量数据,利用逐点插入法,在不建立格网索引的情况下,提出一种高效的Delaunay三角网构建方法,与建立格网索引法搜索点所在的三角形相比,具有较高的执行效率.     

一种改进的快速最小高差DEM匹配方法

利用最小高差(LZD)法进行DEM匹配时,当待匹配DEM的分辨率比参考DEM高时,确定的同名点中存在冗余,将导致计算冗余和效率降低。为解决上述问题,对LZD法确定同名点的模型进行改化,提出一种改进的基于最小高差原理的快速DEM匹配方法。该方法根据参考DEM的格网点确定同名点以避免冗余,并通过近似确定同名点及其高差,有效简化了计算过程。实验结果表明,该方法在保证较高的收敛速度和匹配精度的基础上,可有效提高计算效率,且计算效率不随待匹配DEM分辨率提高而降低,DEM间分辨率差异越大,方法的优势越明显。     

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。