激光点云中典型地物分割方法

摘　要: 对于激光点云中的典型地物, 传统点云分割算法由于其适用性不同, 且分割阈值较难设置, 易出现过分割或欠分割现象。针对此问题, 通过分析不同算法的原理及适用性, 提出基于区域增长与欧氏聚类相结合的点云分割方法。该方法通过区域增长将激光点云中的典型地物分为树、杆类及建筑类, 再分别对这两大类地物设置不同阈值, 采用欧氏聚类算法将个体单独分割开来。实验结果表明, 本文方法能将树、杆状物、建筑物等典型地物分割开, 同时解决了因阈值设置不合理而出现的过分割或欠分割问题。     

基于CNN网络的带遮挡车牌识别

为提高存在遮挡的车牌识别准确率,基于数据驱动,利用形态学算法如腐蚀、膨胀、旋转等对标准化字符进行自动化处理,并自适应地加入高斯噪声构建带有遮挡的字符样本以代替常见的无遮挡标准车牌字符样本.结合图像边缘检测与HSV(Hue,Saturation and Value)模型对车牌实现正确定位;采取霍夫边缘检测对倾斜的车牌进行仿射校正,并归一化车牌尺寸对车牌进行规定比例的字符切分.在此基础上,使用卷积神经网络(Convolutional Neural Networks,CNN)对样本库进行训练并对车牌内容进行识别.实验结果表明,该方法对带遮挡物的车牌具有良好的识别效果,且对汉字的识别精度略高于字母及数字.通过不同网络中与无遮挡样本库的识别效果对比可知此样本库的整体识别精度确有明显提高,有一定的应用价值.     

建筑立面点云对偶深度图像中窗户提取方法

提出了一种地面激光点云数据的建筑物立面窗户提取方法。针对窗户包含点云的情况,首先对建筑立面点云进行特征分析及无效点去除,由于窗户、展台、及其他凹凸特征物与建筑立面的墙面存在深度差,可基于此采用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像,再经阈值分割、中值滤波平滑处理,形态学滤波等,找到窗户内的点云及边界。而对窗户空洞情况,可采用构建TIN进行边界提取,由于窗户边界点构成的边长远远大于窗户周边点,可基于此找到窗户边界点。通过对实测点云数据进行实验,将提取的效果与实际情况作对比,结果表明,该方法能有效对窗户进行提取。     

基于最小二乘密度聚类的城市点云去噪算法

点云作为一种简便的三维表达方式,已经被大量应用在城市三维数字化中,但是城市对象的复杂多变,导致城市点云相较于其他场景点云,其较为复杂,去噪难度更高,去噪精度要求更高。为了解决城市点云的去噪问题,本文从高维特征密度空间出发,采用最小二乘密度聚类约束,遵循标准阈值原则设计了一种新的算法。本算法先构建高维特征密度空间,再用最小二乘算法求解各维度密度拟合曲线,最后根据标准阈值原则提取各维度合限点集的交集,即为目标点集。实验表明:本文算法针对城市场景中的点云具有较高的精度与较好的剔除效果,满足城市点云去噪任务的要求,达到了预期的效果。