激光雷达应用中的几种数据表达方式

激光雷达数据有其自身的特点，在三维空间中呈不规则分布的点云。这种数据形式在为信息提取带来便利的同时，也对数据表达方式提出更高的要求。不恰当的数据组织方法不仅会损失部分信息，还可能为信息提取带来某种困难。常用的数据表达方式包括规则格网、不规则三角网、剖面、体元等。本文对这些方法进行了比较分析，指出它们各自的优势和不足。此外，通过对激光雷达数据、表达方式、算法三者间相互关系的分析，探讨了数据表达方式在信息提取中所起的作用。     

基于机载激光雷达数据的DEM获取及应用

作为直接获取对象表面点三维坐标的现代对地观测技术,激光雷达技术能够快速获取高精度地面高程模型。基于Lidar系统所获取的点云数据,通过过滤处理将区域纯地形特征信息与地物信息相分离,最终生成高精度的DEM,并在此基础上对同步获取的数码影像进行了正射纠正,为进一步的信息提取、定量分析及实体建模奠定基础。     

激光雷达的多源数据融合点云分类算法研究

根据单档输电线空间分布特性,提出了改进随机采样一致的输电线点云分割方法。首先优化初始样本点选择原则、引入最小二乘原理参数求解等改进策略,提高了随机采样一致性算法输电线模型重建精度;然后以直线-抛物线方程为单根输电线识别的约束条件,利用逐根提取方式实现输电线激光点云分割。选择两组典型代表性的机载激光点云数据进行实验分析,该方法有效解决了数据缺失、点云噪声等复杂背景环境的输电线激光点云分割,准确率、召回率和整体精度最小值分别为99.19%、99.25%、99.10%。较之已有方法,本文方法具有点云分割精度高、算法普适性强的优势;随机采样一致性(RANSAC)算法是常见的激光点云分割方法,但该算法推广至输电线场景时存在点云分割效率低、抗噪性差等不足,不利于高精度的输电线模型重建及后续线路风险检测。     

基于激光雷达数据的行人检测

在自动驾驶领域涉及的众多任务中,行人识别是必不可少的技术之一。针对基于图像数据的行人检测算法无法获得行人深度的问题,提出了基于激光雷达数据的行人检测算法。该算法结合传统基于激光雷达数据的运动目标识别算法和基于深度学习的点云识别算法,可以在不依赖图像数据的条件下感知和检测行人,进而获取行人的准确三维位置,辅助自动驾驶控制系统作出合理决策。该算法在KITTI三维目标检测任务数据集上进行性能测试,中等难度测试达到33.37%的平均准确度,其表现领先于其他基于激光雷达的算法,充分证明了该方法的有效性。     

激光雷达点云数据的滤波算法述评

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,对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。主要对数学形态学的滤波算法、基于坡度的滤波法、基于TIN的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法等几种较为重要且实用的激光雷达点云数据滤波算法进行介绍和讨论,评价对比了各自算法的优势和不足,初步探讨了每种算法缺陷及其改进方向。     

基于机载激光雷达点云的交互式树木分割与建模方法研究

机载激光雷达扫描(ALS)系统可大规模获取地表树木点云,有助于较高精度树木结构参数提取和景观层面的几何重建,然而树木复杂的拓扑结构和树种的多样性给树木的准确分割与建模带来挑战.传统基于点云的自动树木分割和建模算法虽然效率高,但存在分割误差较大、建模鲁棒性较差等问题,难以满足深度学习大背景下用户对树木分割与建模结果进行精...     

偏度特征约束下的机载激光雷达点云数据分类

机载激光雷达获得的点云具有密度低、分布不均匀、分支结构不清晰等特点,其动态扫描过程的数据特征动态偏差很小,无法提取有效的数据去噪特征。为此提出偏度特征约束下的机载激光雷达点云数据实时分类方法。该方法将扫描获取的点云大容量实时数据引入在正态分布中,利用衡量对称性正态分布的关键度量偏度特征作为动态特征分界约束,完成数据滤波;提取机载激光雷达点云特征,从中选取优质特征,以此构建SVM分类器。点云大容量数据训练结果即为最终的分类结果。实验结果表明,所提方法分类的准确性与效率较高。     

基于机载激光雷达点云的断裂线自动提取方法

基于机载激光雷达（LIDAR）点云生产高精度的数字高程模型（DTM）需要进行断裂线的存储与表达,在分析现有断裂线提取方法不足的基础上,提出一种从LIDAR点云自动提取断裂线的方法。该方法利用离散的点云构建三角网,建立点云之间的拓扑关系,根据三角网面片之间的法向差异提取候选断裂线点,采用“方向优先”追踪策略实现断裂线的追踪处理,并利用“线性迭代法”实现断裂线的光滑输出。实验结果表明,该方法可以快速从LIDAR点云中自动提取断裂线信息,具有一定的应用价值。     

激光雷达遥感在文化遗产保护中的应用

激光雷达(LiDAR)即激光探测与测距,提供了一种快速、精确、高效地获取三维空间数据的方法。激光雷达技术为文化遗产的保护和管理提供了新的途径和方法。首先介绍激光雷达技术的原理和特点,然后详细论述激光雷达技术在文化遗产保护和管理中的应用,最后对激光雷达在文化遗产保护中存在的问题进行了分析并提出解决方案,为文化遗产保护和研究者提供新的思路和方法。     

基于四叉树划分的地面激光雷达数据简化

在分析地面激光雷达的数据特性和现有数据简化方法的基础上,提出了一种基于四叉树划分的地面激光雷达数据简化方案,给出了算法的基本思想和实现方法。实验表明该算法对于呈平面分布的点云数据简化能达到很高的压缩比,并具有良好的边缘保持性能。     

机载三维激光成像系统点云数据滤波与地面点提取算法研究

使用原始的las标准格式的雷达数据,首先根据激光的回波次数和反射强度信息进行滤波,经过初步滤波之后根据角度限制法则和窗口移动法进行地面点提取工作,使用Delphi编程语言实现了该算法,并使用不同的阈值对不同的数据进行了结果的对比。     

机载激光扫描（LIDAR）标准数据格式(LAS)的分析与数据提取

机载LIDAR技术作为一种高精度的三维地物探测手段,其相应的数据格式也在不断发展。美国摄影测量与遥感（ASPRS）协会下的LIDAR委员会于2003年发布了标准LIDAR数据格式LAS,经过改进,目前已有4种版本,分别是LAS 1.0、1.1、1.2与2.0（拟定版）。本文在解析4种版本的基础上,探讨了LAS标准格式的发展趋势,并采用IDL 6.2语言对该格式的LIDAR数据进行读取和转换试验,检验了LAS格式的效率,并为以后的LAS格式数据处理提供参考。     

结合体元数据结构的机载LIDAR建筑物检测

目的 目前,点云、栅格格网及不规则三角网等建筑物检测中常用的离散机载激光雷达（LIDAR）点云数据表达方式存在模型表达复杂、算法开发困难、结果表达不准确及难以表达多返回数据等缺点。为此,针对LIDAR点云体元结构模型构建及在此基础上的建筑物检测展开研究,提出一种基于体元的建筑物检测算法。方法 首先将点云数据规则化为二值（即1、0值,分别表示体元中是否包含有激光点）3D体元结构。然后利用3D滤波算法将上述体元结构中表征数据点的体元分类为地面和非地面体元。最后,依据建筑物边缘的接近直线、跳变特性从非地面体元中搜寻建筑物边缘作为种子体元进而标记与其3D连通的非地面体元集合为建筑物体元。结果 实验基于ISPRS（international society for photogrammetry and remote sensing）提供的包含了不同的建筑物类型的城区LIDAR点云数据测试了"邻域尺度"参数的敏感性及提出算法的精度。定量评价的结果表明：56邻域为最佳邻域尺度;建筑物的检测质量可达到95%以上——平均完整度可达到95.61%、平均正确率可达95.97%。定性评价的结果表明：对大型、密集、不规则形状、高低混合及其他屋顶类型比较特殊的复杂建筑物均可成功检测。结论 本文提出的建筑物检测算法采用基于体元空间邻域关系的搜索标记方式,可有效实现对各类建筑目标特别是城市建筑目标的检测,检测结果易于建模3D建筑物模型。     

LIDAR点云中高精度建筑物分割算法研究

本文在深入研究已有基于Lidar点云的建筑物分割算法基础上,提出了一种结合高程纹理、边缘追踪和规则几何元素检测的建筑物目标分割算法,讨论了该算法在大数量点云处理过程中实现的可行性,总结了算法的实现步骤。通过实际数据的实验,验证了算法的可实现性,并对提取的建筑物目标给出了精度评价。     

基于机载激光雷达数据的简单规则建筑物模型重建

机载激光雷达数据具有直接描述对象几何特征、便于表达空间不连续变化等优势,是建筑物重建的主要数据源之一。为实现基于激光雷达点云数据的模型自动重建和解决现有方法存在的问题,提出了一种基于特征线提取、面向简单规则建筑物的重建方法。该方法以投影为基础,以平高分解为手段,通过在多个投影平面内逐步确定平面、高程信息实现特征线提取及模型重建。实验表明,该方法能够避免现有方法遇到的若干困难,有效重建简单规则建筑物模型。     

激光点云提取建筑物平面目标算法研究

从激光点云中提取建筑物信息是当前遥感数据处理的热点与难点,而构成建筑物的平面以及轮廓线的提取是LIDAR数据处理和建筑物三维建模的关键技术。本文通过分析激光点云数据中建筑物的特征,综合点云滤波、KD树索引、三维Hough变换以及Gauss球法向量统计算法的各自优点,提出了一套建筑物平面及轮廓的自动提取算法,并通过实验验证了该算法的有效性。     

一种广泛适用的激光雷达数据特征提取方法

提出了一种新颖的、无需先验知识的、广泛适用于各种环境的激光雷达数据特征提取方法来解决同步 定位与地图创建（SLAM）中的特征提取问题．这种方法采用经典的图像特征提取方法——Harris 角点探测器,具 体来说,是多尺度Kanade-Tomasi 角点探测器,来提取特征．这种方法可以从各种尺度的测量数据中提取稳定、精 确的特征点,并同时可以得到特征点描述器和不确定性信息．文章将这种方法应用在了软件仿真环境及经典数据集 上,包括：2 维的维多利亚公园数据集、英特尔研究中心数据集（Intel Research Center dataset）以及3 维的麻省理工 学院美国国防部高级研究计划局城市竞赛数据集（MIT DARPA Urban Challenge dataset）．实验结果表明这种方法可 以从各种环境中提取高精度、高重复性的稳定特征．