基于知识的车载LiDAR地物自动分类

车载LiDAR已广泛应用于三维数字城市建模、道路信息数据采集等领域。海量点云信息中不同地物目标的自动识别和分类是LiDAR数据后处理的难点之一。根据不同地物目标物理特性、空间拓扑关系及其在点云中的相关特征知识,建立地物分类规则,依据分类知识进行地物自动识别和分类。通过实测数据分类试验,证明该方法可以较好实现建筑物、树木、线杆、行人等不同地物的自动识别和分类。     

一种利用三维HOG特征的建筑物点云分类方法

针对建筑物点云精确分类问题,提出一种利用三维HOG(histogram of oriented gridients)特征的建筑物点云分类方法。首先,通过分析点云的空间分布特征(投影形状、高程差异、密集程度等),生成能够显著表达立面目标多尺度特征的三维格网;然后,引入方向梯度直方图算子,依据建筑物立面的邻域梯度对称性,以及多尺度、多方向的立面特征差异,分析格网三维HOG特征,准确提取初始立面格网;最后,通过方向和距离约束获取完整立面格网,进一步将各立面聚类实现建筑物点云分类。实验结果表明,该方法基于立面特征进行建筑物分类,对于地基平台采集的点云具有较好的分类效果,稳健性较强。     

面向对象的城市建筑物点云数据加载和组织

采用面向对象程序设计方法对三维点云数据进行分析,研究以Visual C++6.0为开发平台利用图像法对激光扫描获取的城市建筑物点云数据进行组织的计算机实现方法。通过扫描关系确定点云数据中有效目标点的全局唯一索引值,将点云数据看作一幅深度图像,确定全局索引值对应的图像行列值,再利用该行列值计算每个点对应的法向量,分类和组织点云数据。实验结果表明,利用面向对象的图像处理技术可以方便、快捷地实现三维点云数据的加载和组织。     

全波形激光雷达和航空影像联合的地物分类

针对机载激光雷达与航空光学影像的互补特性,提出了一种基于多源遥感数据的高精度地物信息提取和分类方法。首先从激光雷达的全波形数据获得数字高程模型(DEM)、地物的正规化数字表面模型(nDSM)和激光雷达回波相对强度信息,从航空数码相机影像获得植被指数信息;然后利用决策树方法进行地物识别。选取“黑河综合遥感联合试验”中的3种典型区域(城市、农田和水体)进行分类,结果表明：该方法能够有效地分离建筑物、高大植被、低矮植被、裸土地以及水泥地等基本地物。     

城市建筑物框架轮廓三维自动重构研究

建筑物是城市景观中一个重要组成部分,因此快速自动实现城市建筑物的三维可视化对于建立数码城市具有重大意义。针对传统三维建模人工劳动强度大、自动化程度低和花费高等问题,提出了一套自动化程度较高的基于线、面信息的城市建筑物框架轮廓快速三维重构方法。通过普通数码相机获取影像数据大大降低了实际应用成本,而且采用线面基元进行三维重构相比于经典的点云重构方法不仅提高了效率,而且获得了清晰的三维边缘轮廓。通过实验验证了方法的有效性和可行性。     

基于点云数据的复杂建筑体真三维建模与应用

传统建筑物三维建模方法费时费力、精度低、采用接触式测量,且仅能获得建筑物少量特征点及线状数据。与传统测量方法相比,地面三维激光扫描技术(Terrestrial Laser Scanner,TLS)方法可快速、高效、非接触式地获取建筑物表面高精度三维信息,因此其较传统建筑物三维建模方法优势显著。以古田会议旧址为研究对象,首先介绍了研究目标的主要特征以及点云数据采集方案;其次以高复杂度建筑物建模为需求出发,详细阐述了点云数据预处理及建筑物三维模型重建相关核心技术及方法;并重点讨论了与其相关的点云数据配准拼接、去噪简化、二维轮廓线提取、三维实体重建;最后实现古田会议旧址高复杂度三维几何模型重现,并采用先进的3D打印技术按1∶40比例尺制作3D打印点云数据的微缩模型。通过与实地测量数据对比分析得知,采用地面三维激光测量方法采集点云数据的建筑物建模精度优于传统测量方法。此研究成果可应用于古田会议旧址等文化遗产的文物修复、变形监测、虚拟重现等方面。     

一种高斯混合模型组合分类的机载LiDAR城区道路提取方法

城区道路自动提取一直是遥感领域研究的重点和热点之一。针对遥感影像提取易受建筑物和植被遮挡的影响,点云数据提取道路边界又较模糊的不足,提出了一种高斯混合模型组合分类的道路提取方法。该方法利用融合影像即含有色彩信息的点云数据,首先对滤波后点云中的反射强度属性,运用偏度平衡法粗提取道路点云;再对点云数据中的灰度信息和点密度属性采用高斯混合模型组合分类提取道路的种子区域,并利用强度影像扩展和约束该区域;最后运用主动轮廓法和数学形态学方法进一步优化并提取道路中心线。为验证该方法的有效性,分别采取位于国外某城市的两组LiDAR点云数据进行实验。结果表明,该方法可以有效地减弱阴影遮挡对道路提取的影响,提取的道路中心线较为平滑,道路的提取质量达到85%以上。     

基于扫描激光测距数据的建筑物三维重建

建筑物的三维信息是重要的基础地理信息,可以应用于城市的规划、管理等方面,而机载激光扫描测距系统在城市建筑物的三维重建方面具有重要的应用价值。针对我国自行研制的机载激光扫描测距数据提出了一套利用稀疏激光测距数据自动提取建筑物三维信息的方法。首先根据测量的激光距离和相应的姿态、位置信息计算出激光采样点的三维位置,进而可以生成城市的数字表面模型(DSM)和城市的数字地面模型(DTM),依据它们能准确地提取出建筑物的轮廓信息,最后根据建筑物具有规则的形状这个特点来对建筑物的轮廓线进行规则化处理而最终恢复建筑物的三维信息。通过对北京城市北部地区的实际处理,说明了该方法的可行性。     

融合影像的LiDAR点云数据分类方法

提出一种融合影像的LiDAR点云分类算法。该算法首先采用渐进三角网加密方法对地面点和非地面点进行分类;接着采用本文所提出的坡度信息量的方法对非地面点进行分类为建筑物点和植被点;最后对于分类可信度不高的建筑物和植被粘连的区域,通过融合影像进一步区域分割。实验结果表明,该方法自动程度高,并且分类准确度高;在实验所用的区域,准确率达到83%。     

基于深度学习的点云三维目标检测方法综述

点云作为一种三维环境数据因其具有较高的精度一直被广泛关注并应用于多种场景任务之中。近年来,深度学习进入点云领域,让点云数据处理得到快速发展。针对基于深度学习的点云三维目标检测任务,首先分析了点云数据的特性并列举了日常任务中常用的点云数据集,随后通过单模态的三维目标检测与多模态的三维目标检测两个方向进行分类阐述,并通过单模态与多模态方法在数据集上的表现作比对。最后对当前点云三维目标检测研究的发展趋势进行展望与总结。     

Complete residential urban area reconstruction from dense aerial LiDAR point clouds

We present an automatic system to reconstruct 3D urban models for residential areas from aerial LiDAR scans. The key difference between downtown area modeling and residential area modeling is that the latter usually contains rich vegetation. Thus, we propose a robust classification algorithm that effectively classifies LiDAR points into trees, buildings, and ground. The classification algorithm adopts an energy minimization scheme based on the 2.5D characteristic of building structures: buildings are composed of opaque skyward roof surfaces and vertical walls, making the interior of building structures invisible to laser scans; in contrast, trees do not possess such characteristic and thus point samples can exist underneath tree crowns. Once the point cloud is successfully classified, our system reconstructs buildings and trees respectively, resulting in a hybrid model representing the 3D urban reality of residential areas.     

多特征融合与几何卷积的机载LiDAR点云地物分类

目的 点云分类传统方法中大量依赖人工设计特征,缺乏深层次特征,难以进一步提高精度,基于深度学习的方法大部分利用结构化网络,转化为其他表征造成了3维空间结构信息的丢失,部分利用局部结构学习多层次特征的方法也因为忽略了机载数据的几何信息,难以实现精细分类。针对上述问题,本文提出了一种基于多特征融合几何卷积神经网络（multi-feature fusion and geometric convolutional neural network,MFFGCNN）的机载LiDAR （light detection and ranging）点云地物分类方法。方法 提取并融合有效的浅层传统特征,并结合坐标尺度等预处理方法,称为APD模块（airporne laser scanning point cloud design module）,在输入特征层面对典型地物有针对性地进行信息补充,来提高网络对大区域、低密度的机载LiDAR点云原始数据的适应能力和基础分类精度,基于多特征融合的几何卷积模块,称为FGC （multi-feature fusion and geometric convolution）算子,编码点的全局和局部空间几何结构,实现对大区域点云层次化几何结构的获取,最终与多尺度全局的逐点深度特征聚合提取高级语义特征,并基于空间上采样获得逐点的多尺度深度特征实现机载LiDAR点云的语义分割。结果 在ISPRS （International Society for Photogrammetry and Remote Sensing）提供的3维标记基准数据集上进行模型训练与测试,由于面向建筑物、地面和植被3类典型地物,对ISPRS的9类数据集进行了类别划分。本文算法在全局准确率上取得了81.42%的较高精度,消融实验结果证明FGC模块可以提高8%的全局准确率,能够有效地提取局部几何特性,相较仅基于点的3维空间坐标方法,本文方法可提高15%的整体分类精度。结论 提出的MFFCGNN网络综合了传统特征的优势和深度学习模型的优点,能够实现机载LiDAR点云的城市重要地物快速分类。     

一种应用机载LiDAR数据和高分辨率遥感影像提取城市绿地信息的方法

提出了一种新的面向对象的城市绿地信息两阶段提取方法。该方法分阶段使用高分辨率遥感影像的光谱和2维形态信息以及机载LiDAR数据的3维形态信息作为分类依据。第1阶段,影像首先被分割为对象,对象被分类为无阴影的植被、阴影下的植被、水体、建筑物、空地和阴影6类地物;无阴影的植被和阴影下的植被合并为城市绿地对象,在第2阶段,将LiDAR数据产生的归一化数字表面模型nDSM与绿地对象叠加,计算每个对象的3维形态属性,进一步将绿地对象细分为草坪、灌木和乔木。以美国休斯敦中心城区为例,介绍了方法流程。精度分析表明,绿地的分类精度达到9346%;方法中的主要误差来源于遥感影像当中的建筑物阴影以及生成数字地形模型时所产生的误差。     

一种城区LiDAR点云数据的抽稀算法

当城区LiDAR点云数据密度较大时，存在大量的数据冗余，造成了计算量大、效率低、显示不便等一系列问题，使得建筑物的三维可视化及三维重建等应用受到较大挑战。针对该问题，结合泊松碟采样在测地空间中的地形自适应特点，提出了适用于城区LiDAR点云数据的抽稀算法。泊松碟采样随机将与已有采样点的测地距离大于某一阈值的点加入采样点集，并不断重复这一过程直至没有新的采样点加入为止。在此基础上，依据LiDAR点云数据的特点，定义了一种新的与所选点与其邻域内其他点间高度差标准差相关的加权测地距离，改进了泊松碟采样算法。该方法能有效调整城区建筑物的采样率，从而尽可能地保持建筑物的原始特征，并保留良好的可视化效果。四组对比实验结果表明了该算法的适用性及高效性。     

一种城区LiDAR点云数据的抽稀算法

当城区LiDAR点云数据密度较大时,存在大量的数据冗余,造成了计算量大、效率低、显示不便等一系列问题,使得建筑物的三维可视化及三维重建等应用受到较大挑战。针对该问题,结合泊松碟采样在测地空间中的地形自适应特点,提出了适用于城区LiDAR点云数据的抽稀算法。泊松碟采样随机将与已有采样点的测地距离大于某一阈值的点加入采样点集,并不断重复这一过程直至没有新的采样点加入为止。在此基础上,依据LiDAR点云数据的特点,定义了一种新的与所选点与其邻域内其他点间高度差标准差相关的加权测地距离,改进了泊松碟采样算法。该方法能有效调整城区建筑物的采样率,从而尽可能地保持建筑物的原始特征,并保留良好的可视化效果。四组对比实验结果表明了该算法的适用性及高效性。     

自动驾驶汽车虚拟测试中的树木点云生成方法

自动驾驶汽车虚拟测试已成为自动驾驶或车路协同测试评价的一个重要手段,三维激光雷达数据模拟生成是自动驾驶汽车虚拟测试中的重要任务之一,目前多采用基于飞行时间原理的几何模型方法生成激光雷达三维点云数据,该方法生成点云实时性较差。布告牌是虚拟场景中常采用的树木建模方法,由于布告牌仅由两个矩形面片即八个三角形面片组成,直接采用布告牌方法生成的三维点云数据难以反映树木的真实空间信息。针对上述问题,提出了一种基于布告牌空间变换的快速树木三维点云生成方法。以布告牌的纹理图像为依据,根据纹理透明度获取树木二维平面点云分布,经二维树木点云的轮廓提取,结合树木结构的先验知识进行旋转、随机偏移和尺度变换,以更少的三角形面片数和更小的计算代价获得树木的三维点云数据。提出了一种空间直方图三维点云相似度评价方法,将三维点云空间量化为若干个子空间,获得三维点云的投影空间直方图,采用巴氏系数计算投影空间直方图相似度,以投影空间直方图加权相似度作为点云相似度评价值。实验结果表明,基于布告牌空间变换方法和几何模型方法生成的云杉等三种树木的三维点云数据的平均相似度在90%以上,且该方法生成树木点云的时间仅是几何模型法的1%,因此布告牌空间变换树木三维点云生成方法快速且准确,可以满足自动驾驶汽车虚拟测试的性能要求。     

激光点云的稀疏体素金字塔邻域构建与分类

目的 在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法 通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间连接边的权重,通过多标签图割算法优化分类结果。当体素金字塔的接收域增大时,邻域点密度随其距离中心点距离的增加而减小,有效减少了计算量。结果 在地基Semantic3D数据集、车载点云数据和机载点云数据上进行实验,结果表明,在降低计算复杂性的前提下,本文方法的分类精度、准确性和鲁棒性达到了同类算法前列,验证了该框架作为点云分类基础框架的有效性。结论 与类似方法相比,本文方法提取的多尺度特征既保持了点的局部结构信息,也更好地兼顾了较大尺度的点云结构特征,因而提升了点云分类的精度。     

Urban 3D segmentation and modelling from street view images and LiDAR point clouds

3D urban maps with semantic labels and metric information are not only essential for the next generation robots such autonomous vehicles and city drones, but also help to visualize and augment local environment in mobile user applications. The machine vision challenge is to generate accurate urban maps from existing data with minimal manual annotation. In this work, we propose a novel methodology that takes GPS registered LiDAR (Light Detection And Ranging) point clouds and street view images as inputs and creates semantic labels for the 3D points clouds using a hybrid of rule-based parsing and learning-based labelling that combine point cloud and photometric features. The rule-based parsing boosts segmentation of simple and large structures such as street surfaces and building facades that span almost 75% of the point cloud data. For more complex structures, such as cars, trees and pedestrians, we adopt boosted decision trees that exploit both structure (LiDAR) and photometric (street view) features. We provide qualitative examples of our methodology in 3D visualization where we construct parametric graphical models from labelled data and in 2D image segmentation where 3D labels are back projected to the street view images. In quantitative evaluation we report classification accuracy and computing times and compare results to competing methods with three popular databases: NAVTEQ True, Paris-Rue-Madame and TLS (terrestrial laser scanned) Velodyne.