基于影像点云的三维激光扫描仪成图与建模软件

一、引言随着信息技术的发展,数字城市建设在全国已经形成一股势不可挡的浪潮。城市地形三维信息的快速采集与提取是当前数字城市建设的热点与难点。基于三维激光扫描数据的数字测图与三维建模日益成为非常有竞争力的数据获取手段之一。但目前市面上采用的测图与建模方法基本上只基于激光点云数据,而点云的可视化效果与可视性不强,导致成图与建模判读困难、速度慢、成     

圆型限制性三体问题下Halo-绕月轨道的星间测距定轨

在传统星座自主定轨中,SST(satellite to satellite tracking)可以同时提供轨道的大小、形状和星座相对方位信息,但不能确定星座的绝对定向。针对这一亏秩问题,联合圆型限制性三体模型CRTBP(circle restricted three bodyproblem)下的一种平动点周期轨道-Halo轨道飞行器,与二体问题轨道卫星组成扩展星座。利用两种力模型的特性差异,可以去除星座系统上的相关性,避免星座的整体旋转,从而确定星座的全部轨道状态参量。分析Halo轨道的力模型及性态特点,从系数矩阵的相关性角度讨论引进Halo轨道对定轨法矩阵正定性的改善作用,利用地月系L1平动点附近的Halo轨道与月球低轨卫星(LMO)的星间链路,在理想CRTBP框架下进行自主定轨仿真。初步验证了LMO-Halo星座定轨可行性,为开展附加平动点轨道的星座SST定轨提供了参考依据。     

车载激光扫描数据的结构化道路自动提取方法

车载激光扫描系统获取的结构化道路环境(城市道路/高速公路)点云数据量大、目标复杂,难以有效提取出道路的点云.本文通过分析扫描线上激光点云的空间分布和统计特征,提出一种适用于结构化道路环境的道路点云自动提取方法.在Optech公司提供的两份车载激光扫描点云数据中,道路提取结果的完整率、准确率、提取质量相应地超过94.92％、95.80％和91.13％.通过定量和定性的试验分析,该方法不仅适应于有固定道路宽度的规则道路提取,同样适用于无固定宽度的非规则道路提取.     

多视点云数据同步配准新方法

针对三维激光多视扫描点云数据的配准问题,提出了一种基于空间相似变换原理的同步配准新方法.首先借助罗德里格矩阵求取各测站与基准坐标系下的转换参数;然后根据各测站之间的联系,对变换的初始参数进行联合平差,利用同步配准模型求得改正后的变换参数,实现多视点云同步配准;最后使用Realworks Survey软件中基于目标的配准工具进行处理,利用配准结果实现对该算法的验证.通过分析同步配准误差来源及对比二者的精度,证明三维激光扫描多视点云数据同步配准方案具有可行性和实用性.     

全野外数字化测图中高程数据出错的解决办法

在全野外数字化测图中,高程数据质量的好坏,直接影响地形图产品的质量,文章针对利用全站仪进行全野外数字化测图工作中,高程数据容易出错的几个环节,提出对高程数据出错的解决的方法。     

摄影测量中几种特征点提取算法比较

特征点提取技术一直是数字摄影测量和计算机视觉中的研究热点。从兴趣算子的角度研究了摄影测量中几种主流特征点提取算法,并从提取角点数、提取时间等方面,定量地比较和分析了各算法的性能、优缺点,并得出了一定的结论。     

直线段检测算法在机载LiDAR建筑物轮廓线提取中的应用

针对机载LiDAR点云数据提取建筑物轮廓线耗时多且精度不高的问题,本文提出了一种基于直线段检测(LSD)的机载LiDAR建筑物轮廓线提取方法。该方法首先对已分类的建筑物点云进行栅格化得到二值图;然后对二值图进行膨胀、腐蚀操作,消除二值图中因栅格化产生的空洞;最后利用LSD算法进行直线检测获取规则的建筑物轮廓线。经过实测数据的验证,本文方法可以检测到亚像素级的建筑物轮廓线,与传统的Canny算法相比能够提高约50倍的效率。     

移动背包三维激光扫描系统在陡岸水库测绘中的应用——以白鹤滩水电站库区典型河段为例

针对陡岸水库岸坡度大、地形狭窄复杂、植被覆盖度高、水文泥沙监测精度要求高,且传统人工走测难度大、效率低、风险高的问题,本文提出了移动背包三维激光扫描系统观测方法,并以白鹤滩水电站库区典型河段为例,开展了移动背包三维激光扫描系统的应用试验研究。定性定量成果表明,移动背包三维激光扫描系统测量平面中误差为0.024 m,高程中误差为0.044 m,相对面积较差为0.24%,精度符合技术要求,较人工走测工作效率提高3.75倍,十分适用于陡岸水库监测。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。