基于多源数据的城市功能区的识别与分析

随着城市化进程的不断推进,城市功能区作为城市规划中重要的基础组成部分,对城市功能区的空间布局现状进行研究是十分必要的。文中基于POI数据、手机信令数据、土地利用数据等多源数据,通过对POI数据构建“空间面积—人口热度”二元权重计算模型,滨城区进行功能区划分并分析结果。经过精度检验,Kappa系数为0.772,功能区的识别精度较高。结果表明,主城区的混合度较高,其承载着主要的居住和生活服务;滨城区功能的空间分布具有一般集聚的特点,呈东南—西北分布趋势,且在各个方向上发展较为均衡。功能区划分能够为城市科学合理的规划提供借鉴,及时发现城市规划中的问题并能够优化解决。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏,使得点云的语义信息提取十分困难,而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题,本文提出了一种结合自注意力机制的多特征融合点云语义分割网络,使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征,并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验,证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征,可以明显提高点云语义分割的精度,本文方法较PointNet++总体精度提升了4.5%。     

点质量融合模型的海空重力数据延拓分析

针对无高质量的数据对传统的虚拟点质量模型对重力数据改正时,易受系统误差影响及解算不稳定的问题,该文将海空重力数据中的系统误差用非参数分量表达,对点质量模型进行改进,建立了虚拟点质量的半参数模型,引入核估计方法,利用偏残差估计方法,进行三步拟合估计,得到了系统误差和点质量参数的估计值。在分离系统误差的基础上,引入正则化方法改善病态,将建立的模型与正则化方法相结合,建立了综合半参数核估计和正则化方法的点质量融合模型,可在无外部重力时估计系统误差,同时完成多源数据融合。基于EGM2008位模型产生海空重力异常数据,采用线性项和周期项系统误差进行仿真实验,结果表明改进后的点质量模型能够有效利用外部数据,在改善病态和分离系统误差方面提升精度效果明显。并以北卡罗来纳实测海空重力异常数据验证该文方法的有效性,结果表明在无外部数据时,该文方法能有效地分离系统误差,并且精度与引入外部数据改正后的正则化方法相当。     

一种局部最优邻域法向量估算的巷道点云去噪方法

针对三维激光扫描技术在获取巷道内壁点云数据时会包含大量非巷道内壁点,无法快速有效地获取巷道围岩形变信息的问题。该文提出一种基于局部最优邻域法向量估算的巷道点云去噪方法,该方法采用自适应邻域半径的主成分分析算法,提高了点云法向量估算的精度和方向一致性,较好地解决了区域生长算法提取巷道内壁点云时存在的孔洞过多与噪声点云去除不彻底的问题,实现了巷道内壁点云较为完整的获取。通过不同类型的巷道点云数据进行验证,结果表明,该方法能够有效地去除非巷道内壁点云,提高巷道内壁点云获取的精度。     

惯性测量单元辅助的LiDAR动态点云剔除方法

针对动态场景下动态目标影响激光雷达同时定位与建图算法(LiDAR SLAM)的精度和成图效果问题,该文提出一种基于惯性测量单元(IMU)辅助的多层次模糊综合评价动态点云剔除方法。通过标定IMU/LiDAR外参统一两类传感器坐标系,再将每帧点云聚类分割为若干点云簇,以此为基础,利用IMU信息辅助建立相邻帧各点云簇间的配对关系,构建点云运动状态多层次模糊综合评价模型,判定各点云簇的运动状态,最终将动态点云簇从原始点云数据中剔除。为验证该文方法的可行性和精确性,设计了动态点云剔除实验,并将剔除动态点云后的点云数据输入激光雷达里程计与建图算法(LOAM)进行定位与建图。实验结果表明,该文方法动态点云的剔除成功率为98.67%,静态点云的误剔除率为2.01%,能够有效地提高点云数据质量。相比基于原始点云数据的LOAM算法,均方根误差降低了66.06%,最大误差降低了72.78%,实现了厘米级精度的定位,并且优化了建图效果。     

多站激光点云数据全自动高精度拼接方法研究

目的 针对目前多站点云数据拼接存在的效率低和自动化程度低等问题,提出了基于地面激光点云强度信息的2D-3D点云数据高精度全自动拼接方法。首先,将强度信息通过三次样条插值算法生成二维影像,采用基于图形处理器(GPU)的加速尺度不变特征变换(SIFT)算子匹配得到二维同名特征点,剔除粗差;然后,反算得到特征点在三维点云中的坐标,并通过三维空间法向量对三维同名特征点进行精炼。利用精炼的三维特征点进行多站点云数据拼接,可提高多站点云海量数据拼接的精度和效率。     

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。     

一种自适应数学形态学LiDAR点云滤波方法

在Li DAR点云滤波算法当中,数学形态学滤波是其主要方法之一。传统的数学形态学在迭代次数、高程阈值的选取上,通常是通过人工依靠经验设置滤波参数,因此算法具有很大的盲目性。这里通过分析在不同迭代次数下滤波前后地面点云数目的变化特点,以及高程阈值与点云密度的关系,提出了一种自适应数学形态学滤波算法。采用不同地形的Li DAR数据对算法进行了实验分析,验证了算法的可行性。     

更正

正本刊2014年第3期第101页《关于垂准仪一测回垂准测量标准偏差检测方法的探讨》一文第二章第3节中,二维点坐标标准偏差计算公式应为     

徕卡全站扫描仪MS50在变形监测中的应用

正一、前言在传统的监测应用中,测量机器人和GNSS是两种常见的设备,两者可单独工作,也可以协同作业:测量机器人适合密集棱镜集群监测,GNSS适合高频或静态高精度监测。通过将两者结合在一起,徕卡提供了大坝、桥梁、地铁、滑坡、高层建筑等各个行业的解决方案。随着监测工作的日渐深入,对被监测物体超密集快速监测的功能成为客户的新需要。扫描技术成为最新的监测应用,徕卡MS50全站扫描仪一经推出,就全方位地满足了各个行业客