机载LiDAR中工作参数的控制误差和测量误差对点云产品精度的影响机理及其比较

机载Li DAR中的一些工作参数既有控制误差,又有测量误差,如机载平台的飞行轨迹、姿态角和激光扫描仪的扫描角等,两种误差均会造成点云产品质量降低。为分析两种误差对点云产品精度的影响机理,从理论上分析了两种误差对点云和数字表面模型(DSM)精度的影响,通过数值仿真,模拟了机载Li DAR的测量过程,以机载平台姿态角参数为例,定量评价及比较了姿态角的控制误差和测量误差对点云分布及DSM精度的影响大小。结果表明,机载Li DAR的测量精度取决于这两种误差的影响,其中控制误差主要造成点云分布区域及密度改变,继而导致DSM失真增大,而测量误差造成点云定位精度和重建DSM精度降低。因此,需采取措施分别对两种误差进行抑制补偿。     

无人机机载激光雷达系统航带拼接方法研究

为了减少机载激光雷达(Li DAR)系统中系统误差和随机误差造成的航带间三维(3D)空间偏移,提高数据精度,选取基于数据驱动的"六参数"航带平差方法,实现无人机机载激光雷达系统的航带拼接。在分析了机载激光扫描系统的数据特征的基础上利用改进的3D正态分布变换(3D-NDT)进行航带配准,得到航带间的变换关系参数。通过具体实验对常见的迭代最近点(ICP)算法与3D正态分布变换算法进行比较,验证了该方法实现航带拼接,具有速度快、精度高、稳健性好等特点,非常适合于工程实际应用。     

结合物理与几何特性的机载LiDAR数据分类方法EI北大核心CSCD

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

一种基于机载LiDAR数据的山区道路提取方法

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。     

基于TIN的LIDAR点云过滤算法

机载激光雷达是一种快速获取高精度三维地理数据的新技术,对其获取的不规则分布的三维点云数据过滤处理是目前的研究前沿,也是机载激光雷达应用的关键技术.本文在分析典型地物激光雷达点云空间分布基本规律的基础上,重点研究了典型地物表面及其边缘的点云空间分布特征及基于TIN结构的邻近点云高程突变规律,并设计了相应的点云过滤算法.论文还对算法的参数选择及相应的误差进行了探讨,并进行了LIDAR数据DEM提取实验.     

融合航空影像和LIDAR点云的建筑物探测及轮廓提取

通过分析机载雷达(LIDAR)点云数据与航空影像数据特点,提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线,将轮廓线拟合成直线段的建筑物轮廓边,并以两相邻且垂直的轮廓边相交得到建筑的角点,根据建筑物的同名角点实现机载点云和航空影像的配准融合;将航空影像的光谱信息赋予机载点云,并将光谱信息作为特征向量进行聚类,分离出植被和树木等地物,利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物,提取建筑物的轮廓边,完成建筑物轮廓的探测。实验结果表明,利用该方法进行建筑物点云的分类正确率可达97.96%,轮廓边的提取精度可达0.21m,能够有效的实现建筑物轮廓的探测。     

增强特征融合的动态图卷积的机载LiDAR点云分类

针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性，提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN,并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块，对原始三维点云进行分类。首先，基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征；然后，将全局特征集成于各层的局部特征得到增强局部特征，据此凸显点云不同特征的重要性，使网络更加关注有利于分类的特征；最后，对不同增强局部特征进行特征融合得到深层次特征，从而实现点云的分类。为验证所提模型的分类性能，在GML＿DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN,所提EFF-DGCNN模型具有更好的分类能力，能更好地区分结构相似的点云。     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

改进高斯混合模型的激光点云数据分类

激光点云数据的无序性会影响激光场景识别和三维重建，导致激光点云数据分类误差大，精度低等问题，为此提出基于改进高斯混合模型的激光点云数据分类方法。首先采集激光点云数据，利用邻域密度算法对数据中的噪声进行分析和去除，然后采用改进高斯混合模型获取数据点间距，将点云数据分类相应类别中，实现激光点云数据分类。实验结果证明，本方法可以有效去除激光点云数据中的孤立点，提高了激光点云数据分类精度，激光点云数据分类结果可满足激光三维重建要求。     

融合机载LiDAR和高光谱影像的土地利用分类

高光谱影像具有丰富的波谱和纹理信息，机载LiDAR点云数据包含了地物高密度、高精度的三维信息。分别从两种数据中提取地物的光谱特征、纹理特征和高度特征，并进行不同的特征组合，然后采用随机森林分类器进行地物分类实验。结果表明，机载LiDAR点云和高光谱数据在地物分类方面具有很强的信息互补性；融合了LiDAR高度特征的总体分类精度和Kappa系数均优于仅使用高光谱影像，其中“PCA+NDVI+GLCM+CHM”的特征组合总体分类精度和Kappa系数最高，分别为85.96%和0.81;与未加入LiDAR特征的组合相比，总体分类精度提高了5.33%。     

网络化激光雷达的多源数据融合点云分类算法研究

针对当前多源数据融合点云分类算法的激光雷达点云数据分类精度较低,分类时间较长的问题,提出网络化激光雷达的多源数据融合点云分类算法。利用加权航迹关联法,计算各激光雷达目标航迹号,并打散已关联航迹,通过泰勒级数将非线性问题转化成近似线性问题,求解线性状态,融合多源数据。使用主成分分析法,求解点云法线与曲率,分割段协方差矩阵,提取多源数据点云分割段特征,计算分割段归一化高程、高程差、高程方程和平均高程,过滤点云分类处理。采用自助抽样方法,抽取训练样本,构成随机森林,通过输入测试样本,得到点云测试样本分类结果。实验结果表明,所提方法的激光雷达点云数据分类精度较高,能够有效缩短分类时间。     

基于稀疏重建和激光实境复制的电力工程建模方法

由于机载激光雷达生成的原始点云数据存在质量较差且离散点多的问题,故难以直接应用于模型重建与电力工程的管理中。因此,文中基于稀疏-稠密算法和点云数据提出了一种电力工程模型重建算法。利用无人机机载激光雷达来获取多帧输电线路点云数据,并使用索引树近邻搜索法对原始点云数据进行坐标转换及离散数据过滤,进而得到重建的点云数据。通过稀疏重建算法对重建后数据中的框架特征加以提取,同时引入稠密算法进行框架填充,完成输电线路内容的重建。经实验测试表明,所提算法的点云提取误差仅为8.42 cm,在对比算法中性能最优。且重建后的模型可应用于电力工程验收、巡检等实际场景中,具有良好的工程意义。     

结合区域生长及主成分分析的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中与树木紧邻的建筑物难以提取,已有先滤波后提取算法效率低等问题,提出一种结合区域生长与主成分分析的机载LiDAR建筑物点云提取算法。该算法首先对粗差剔除后的机载LiDAR离散点云构建TIN三角网,依据建筑物边缘点所在三角形的特征提取建筑物边缘点;然后将邻域特征优化后的建筑物边缘点作为种子点进行区域生长得到建筑物点云;最后采用主成分分析对提取结果进行检核,剔除非建筑物点云,在此基础上基于连通性对建筑物点云进行单体化分割,剔除小面积区域,得到最终的建筑物激光脚点数据。实验选取国际摄影测量与遥感协会提供的三组典型区域的LiDAR点云数据进行建筑物提取,并与传统形态学和区域生长两种建筑物点云提取算法进行比较,结果表明本文算法可以实现建筑物点云的高精度提取,且对地形及不同类型屋顶的建筑物具有良好的自适应性,验证了算法的可靠性。      

对接Revit平台的古建点云快速分类研究北大核心CSCD

点云数据具有可量测、精度高、细节精细和快速获取等特点,为了能够实现利用点云数据构建古建Revit模型,以古建筑的彩色三维激光点云数据为研究对象,提出了古建点云快速自动分类及目标提取的方法。首先,将原始点云转换为栅格数据,通过多层感知机提取出不同尺度下的点特征和全局特征,然后,利用粒子群优化算法对MLP参数进行优化,实现了点云数据的自动分类及提取。最后以Z+F5010C扫描仪采集的某古建的点云数据为试验对象,验证本文算法的可行性和实用性,为实现古建筑Revit参数化建模,进而实现基于信息化平台统一管理打下基础。     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。     

基于机载激光雷达数据的复杂建筑物三维自动重建方法

为了解决复杂建筑物三维模型重建存在的边缘像素清晰度低和重建效率低的不足，提出基于机载激光雷达数据的复杂建筑物三维自动重建方法。首先通过机载激光雷达快速采集复杂建筑的三维点云数据，并剔出异常点云数据；其次采用SIFT算法提取点云数据特征点，通过梯度特征提取匹配特征点，根据特征点进行平移与旋转，完成复杂建筑点云数据配准；然后对建筑边缘三维阈值提取，获得高精度重建阈值；最后通过三维轮廓交边拼接优化，复杂建筑物三维自动重建。通过对比测试证明了本方法重建建筑物三维模型的边缘像素的灰度值为25～215,灰度值跨度较大，边缘像素清晰度较高，三维模型的重组时间为60 min～145 min,耗时较少，重建效率较高，说明了本方法对复杂建筑物三维自动重建的应用效果较好。     

基于LiDAR点云的单根电力线分离提取与多维度拟合重建

激光雷达技术能够快速高效地获取高精度的三维点云数据,机载LiDAR不受天气影响且能在复杂地理条件下工作,已成为电力线巡检的重要方法。而从获取的LiDAR点云数据中高效提取架空电力线点云是机载LiDAR电力巡检后期数据处理的重要内容。本文基于某地输电线走廊的LiDAR点云数据,设计了一套单根电力线分离提取和多维度拟合重建的方案。该方案首先使用统计滤波算法去除LiDAR数据中的异常离群点;再采用布料模拟滤波算法,结合数据高程信息去除地面点,利用PCA主成分分析法与快速欧式聚类算法,从电力线走廊点云中分离提取单根电力线;最后基于提取结果对单根电力线进行多维度拟合重建。实验结果表明,本文方法能精准且快速地分离提取单根电力线并进行多维度拟合重建,在电力线智能巡检中具有良好的工程应用价值。     

机载LIDAR 点云定位误差分析

在机载LIDAR 点云定位方程的基础上建立其定位误差方程,依据定位误差方程,将点云的误差分类为系统误差、任务误差和随机误差3类。详细分析了平地、下坡面、上坡面3种情形下地形坡度和扫描角对测距误差和点云定位误差的影响大小,探讨了扫描角误差、安置角误差、姿态角误差以及扫描角对点云定位误差的影响。除了分析系统误差外,还着重分析了时间偏差、GPS定位误差、偏心分量误差以及随机误差对点云定位误差的影响大小。研究发现:航高和扫描角是点云定位误差的重要误差源,下坡面地形和瞬时扫描角误差对点云定位误差的影响较大,安置角误差可以通过检校来消除,姿态角误差取决于IMU自身的硬件精度。     

基于二值神经网络的大场景点云分类

近年随着3维数据采集技术不断发展,大场景 点云数据的获取越来越方便。目前深 度学习网络框架在2维图像处理领 域越来越成熟,而大场景点云是一种3维无规则化的数据,3维卷积神经网络直接处理大场 景3维数据会存在分类精度低和计 算复杂等问题。因此为了有效解决基于深度学习的点云分类任务中存在的计算时间长和分类 精度低的问题,本文提出基于二值 神经网络的大场景点云分类方法,针对不规则的3维点云数据设计特征值计算方法,基于IR -Net二值神经网络处理输入的点云 特征图像,进一步采用Dynamic ReLU激活函数,提高神经网络的计算效率,最后得出点云分 类结果。实验结果表明,所提出 的方法在Oakland数据集上分类精度达到97.6%,在GML数据集中取得 了92.3%和97.2%的分类精度,实验结果证明Dy -ResNet 能够有效提升了点云分类的精度,减少计算的复杂度,并提高了训练效率。