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...     

机载LiDAR高压线塔点云自动化提取

高压线塔三维数字模型是输电线路数字化管理的重要部分,也是线路安全预警模型的重要支撑.针对当前研究中从机载LiDAR数据提取线塔点云时主干点云提取精度不高、塔脚植被点和塔头电力线点干扰严重等难题,首先,基于点云空间几何特征,利用Kd树距离分割法、欧式聚类、移动曲面拟合算法与空间格网区域向下生长算法进行线塔点云粗提取;然后...     

基于机载LiDAR点云的电力线自动提取

基于机载激光雷达数据提出了一种在林区中电力线自动提取方法,该方法是基于统计分析和二值化图像处理技术设计。首先采用高度阈值,分离出电力线候选数据集,并采用一组标准(例如,高度标准,密度标准和直方图阈值)来对候选集进行统计分析,选择电力线的候选点。然后将候选点转化为二值化图像,并进行形态学优化,采用基于图像的处理技术,利用渐进概率霍夫线性变换对图像进行直线分割。最后将分割出来的电力线二值化图像转换成三维点云,并利用区域增长精细化提取电力线点云。使用不同林区环境下的4组机载激光雷达数据进行实验,实验结果表明,算法在林区环境下能够完整地提取出电力线,且电力线分类精度较高,对于电力巡线具有较高的利用价值。     

海量点云的边缘快速提取算法

提出一种海量点云边缘快速提取算法。该算法先对点云数据进行格网组织,然后排除非边缘的离散点,最后采用Alpha Shapes判断条件提取边缘。该算法牺牲少量格网数据组织时间,节约大量的Alpha Shapes条件判断时间,从而显著提高算法效率。在VC环境下实现了该算法,实验结果表明该算法不仅具有提取外边界、空洞等功能,而且效率高。     

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。     

可变半径Alpha Shapes提取机载LiDAR点云建筑物轮廓

目的 机载激光雷达（light detection and ranging,LiDAR）能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes（A-Shapes）算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法 对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果 在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes（variable radius Alpha Shapes,VA-Shapes）方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论 本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

伪点云修正增强激光雷达数据

目的 激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法 首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC （random sample consensus）算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree （k-dimensional tree）,以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果 实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD （aggregate view object detection）检测方法的AP_3D-Easy （average precision of 3D object detection on easy setting）提升了8.25%,AVOD-FPN （aggregate view object detection with feature pyramid network）检测方法的AP_BEV-Hard （average precision of bird’s eye view on hard setting）提升了7.14%。结论 本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。     

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。     

LIDAR点云中多层屋顶轮廓线提取方法研究

在分析LIDAR数据提取建筑物轮廓线现状的基础上,针对多层、非规则屋顶轮廓线提取的难点,提出一种直接基于离散点云的屋顶轮廓线提取方法,该方法主要包括屋顶点的识别,初始轮廓线的提取以及轮廓线的规则化等步骤。最后采用实地数据进行验证,结果表明该方法具有一定的应用前景。     

基于LIDAR数据的城市数字表面模型生成技术

激光雷达(LIDAR)数据是一种新型数据源,它产生的是高密度点云数据。为了更加方便地应用这些数据,首先要生成数字表面模型(DSM)。采用传统的方法生成城市DSM,对城市区域复杂性的考虑不足,也没有对数据存在的缺值情况进行相应处理,故无法生成高质量的城市DSM。该文阐述了一种新颖的生成高质量城市DSM的方法,兼顾城市的复杂性和LIDAR传感器本身的特点。试验证明,该方法生成的DSM与传统方法相比,具备更好的效果。     

无需阈值支持的机载LiDAR点云数据滤波方法

点云数据滤波仍旧是现阶段机载LiDAR数据后处理的首要步骤,但其发展尚未完全成熟。在回顾和总结已有滤波算法的基础上,将统计学中偏度与峰度的概念引入到算法中,提出了一种新的基于偏度平衡的地面点与非地面点非监督分类方法,利用统计矩原理从LiDAR点云数据生成的DSM中有效地提取DTM。该方法区别传统算法的最大的优势在于无需参数或者阈值支持,并且相对于LiDAR点云数据的格式和分辨率是独立的。实验结果证明,该方法切实可行,具有较强的适应性,并且能够较好地满足精度要求。     

结合影像和LiDAR点云数据的水体轮廓线提取方法

从遥感影像中提取水体的传统方法在阴影处和水体浑浊处存在一定局限;机载激光雷达（LiDAR）获取点云数据时水体受阴影和浑浊的影响小,因此使用点云数据提取水体比使用影像数据更加稳健;但点云数据的分辨率低,所提取的轮廓线精度不高。为了提高水体边缘轮廓线的精确度,提出一种高分辨率影像与点云数据相结合的水体轮廓线提取方法。实验结果表明,该方法所提取的水体轮廓线定位精确、细节完好,水体提取准确率达到98.6%。     

保特征的点云骨架提取算法

三维模型的骨架提取是计算机图形学中一个重要的研究方向。对于有噪声的点云模型,曲线骨 架提取的难点在于保持正确的拓扑结构以及良好的中心性;对于无噪声的点云模型,曲线骨架提取的难点在于 对模型细节特征的保留。目前主流的点云骨架提取方法往往无法同时解决这 2 个难点。算法在最优传输理论的 基础之上结合聚类的思想,将点云骨架提取的问题转化为一个最优化问题。首先使用最优传输得到原始点云与 采样点云之间的传输计划。然后使用聚类的思想将原始点云进行分割,采样点即成为了簇的中心。接着通过簇 与簇之间的调整与合并减少聚类个数,优化聚类结果。最后通过迭代的方式得到粗糙的骨架并使用插点操作进 行优化。大量实验结果表明,该算法在有噪声与无噪声的三维点云模型上均能提取出质量良好的曲线骨架并保 留模型的特征。     

不规则DEM数据转换为TIN模型算法探讨及可视化

空间数据分析和建模是地理信息系统的核心,DEM是空间数据的重要内容。TIN模型是DEM中存储和表示非规则数据的理想模型。好的TIN算法能快速逼真地显示与模拟地貌三维信息。从构建优越的DEM模型可导出其他地形要素。     

采用延伸顶点的地面点云实时提取算法

针对室外环境下无人驾驶车辆的地面提取实时性差的问题,提出了一种利用三维激光雷达快速提取地面的方法。首先利用车载IMU和里程计对雷达点云进行校正,然后构建柱状极坐标网格地图,根据网格中点云分布的垂直连续性提取每个网格中的延伸顶点,根据延伸顶点的高度属性以及地面平滑一致性准则提取出所有的地面点。试验中使用Velodyne HDL-32E采集不同场景下的数据作为测试集,结果表明,该方法同现有的地面分割算法相比能够降低车辆自身运动造成的提取误差,避免出现过分割和欠分割,分割准确率约为98.2%,每帧处理时间能够稳定控制在33 ms左右。     

地形可视化

由于地形可视化有着广阔的应用背景,近来越来越受到人们的关注,该文在给出地形可视化的基本概念和研究内容后,着重讨论和回顾了国内外学者在形形可视化的数字地形模型、地形的简化、地形的多分辨模型和地形的真实性等４个专题领域的主要研究方法和成果,以及尚未解决的问题,最后对这一领域的研究方向和应用前景进行了展望。     

在集群多核CPU环境下的等高线并行提取方法

分析集群环境下分布式存储编程模型和多核CPU环境下共享存储编程模型各自的优缺点,采用结合集群和多核CPU的并行环境来取长补短;并研究其在等高线提取中的相关并行算法,其中以建立三角网和跟踪等高线作为共享存储并行的研究实例;最后通过实验验证了该并行方案的可行性。