复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。     

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。     

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。     

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。     

机载激光雷达点云多层次建筑物的三维重建

针对城市区域中常见的多层次建筑物,提出一种基于机载LiDAR点云的三维重建方法。使用优化的随机抽样一致性算法对建筑物LiDAR点云进行面片分割,在面片分割的基础上使用delaunay三角剖分进行轮廓点的检测,对检测出的轮廓点使用新的关键点检测算法提取轮廓线关键点,最后连接关键点并进行规则化处理,完成多层次建筑物的三维重建。实验表明,该方法能有效重建多层次建筑物模型,改进的RANSAC算法能更高效地分割屋顶面片,新的轮廓线关键点提取算法能够较好地提取建筑物的关键点,并能抑制错误轮廓点的干扰,减少伪关键点的生成。     

从LiDAR数据中提取建筑物平面目标的新方法

提出一种从机载LiDAR点云数据中自动提取建筑物平面的方法。给出了基于边长约束的三角形生长算法对建筑物初始区域进行提取,针对提取出的建筑物脚点,利用自适应Mean Shift方法在特征空间中对其进行聚类分析,并提取出平面目标,最后利用Alpha-Shape算法生成建筑物平面的轮廓线。通过实验证实了方法的有效性。     

3维牙颌模型牙齿分割的路径规划方法

目的 从3维牙颌模型上分割出单颗牙齿是计算机辅助正畸系统的重要步骤。由于3维测量分辨率和网格重建精度的有限性,三角网格牙颌模型上牙龈和牙缝边界往往融合在一起,使得单颗牙齿的自动分割变得极为困难。传统方法容易导致分割线断裂、分支干扰等问题,且手工交互较多,为此提出一种新颖的基于路径规划技术的单颗牙齿自动分割方法。方法 为避免在探测边界时牙龈和牙缝相互干扰,采用牙龈路径和牙缝路径分开规划策略。首先基于离散曲率分析和一种双重路径规划法搜索牙龈分割路径,并基于搜索到的牙龈路径利用图像形态学和B样条拟合技术构建牙弓曲线;然后综合牙龈路径和牙弓曲线的形态特征探测牙龈路径上的牙缝凹点以划界每颗牙齿的牙龈边界轮廓,并通过匹配和搜索牙龈边界轮廓上颊舌侧凹点间的最优路径确定齿间牙缝边界路径;最后细化整个路径以获取每颗牙齿精确的封闭分割轮廓。结果 对不同畸形程度的患者牙颌模型进行分割实验,结果表明,本文方法对于严重畸形的牙齿能够产生正确的分割结果,而且简单快速,整个分割过程基本能够控制在20 s以内。和现有方法相比,本文方法具有较少的人工干预和参数调整,除了在个别牙齿边界较为模糊的位置需要手动调整外,大部分情况都是自动的。结论 提出的路径规划方法具有强大的抗干扰能力,能够有效克服牙缝牙沟等分支干扰以及分割线断裂等问题,最大程度地减少人工干预,适用于各类畸形牙患者模型的牙齿分割。     

视差互信息引导下的立体航空影像与LiDAR点云自动配准

目的 从视差图反映影像景物深度变化并与LiDAR系统距离量测信息"同源"这一认识出发,提出一种基于视差互信息的立体航空影像与LiDAR点云自动配准方法.方法 本文方法分为3个阶段:第一、通过半全局匹配SGM(semi-gdabal matching)生成立体航空影像密集视差图;第二、利用航空影像内参数及初始配准参数(外方位元素)对LiDAR点云进行"针孔"透视成像,生成与待配准的立体航空影像空间分辨率、几何形变相接近且具有相同幅面大小的模拟灰度影像-LiDAR深度影像,以互信息作为相似性测度依据估计航空影像视差图与LiDAR深度影像的几何映射关系,进而以之为基础实现LiDAR点云影像概略相关;第三、以LiDAR点云影像概略相关获得的近似同名像点为观测值,以视差互信息为权重,实施摄影测量空间后方交会计算获得优化的影像外方位元素,生成新的LiDAR深度影像并重复上述过程,直至满足给定的迭代计算条件.结果 选取重叠度约60%、幅面大小7 216×5 428像素、空间分辨率约0.5 m的立体航空像对与平均点间距约1.5 m、水平精度约25 cm的LiDAR"点云"进行空间配准实验,配准精度接近1个像素.结论 实验结果表明,本文方法自动化程度高且配准精度适中,理论上适用于不同场景类型、相机内参数已知立体航空影像,具有良好的应用价值.     

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。     

从表面重构的体数据实现3维网格剖分

目的 针对有限元分析中网格最优化问题,提出一种改进的生成四面体网格的自组织算法。方法 该算法首先应用几何方法将三角形表面模型重新构造成规定大小的分类体数据,同时由该表面模型建立平衡八叉树,计算用以控制网格尺寸的3维数组;然后将体数据转换成邻域内不同等值面的形态一致的边界指示数组;结合改进的自组织算法和相关3维数据的插值函数,达到生成四面体网格的目的。结果 实验结果对比表明,该方法能够生成更高比例的优质四面体,增强了对扁平面体的抑制能力,同时很好地保证了边界的一致。结论 在对封闭的3维表面网格进行有限元建模时,本文算法为其提供了一种有效、可靠的途径。     

地面LiDAR数据中建筑轮廓和角点提取

建筑轮廓和角点作为多平台激光雷达数据常用的配准基元,其提取方法正受到越来越多的关注.投影密度法是一种常用的从地面LiDAR数据中提取建筑轮廓和角点的方法,然而以往研究对于直接影响建筑轮廓提取结果的格网密度阈值考虑较少.提出一种轮廓密度估计的方法,能够根据点云实际情况自动准确地计算出格网密度阈值,从而提取较为准确的建筑轮廓格网.在此基础上,利用轮廓线段高程分割和密度延伸的方法对轮廓进行分割和恢复,能够提取完整的建筑轮廓.最后,利用轮廓线段的相交关系获得建筑角点.实验结果表明,本文方法能够有效从地面LiDAR数据中提取建筑轮廓和角点,正确性、完整性和定位精度较高.     

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。     

Contour curve reconstruction from cloud data for rapid prototyping

In this study, a method for generation of sectional contour curves directly from cloud point data is given. This method computes contour curves for rapid prototyping model generation via adaptive slicing, data points reducing and B-spline curve fitting. In this approach, first a cloud point data set is segmented along the component building direction to a number of layers. The points are projected to the mid-plane of the layer to form a 2-dimensional (2D) band of scattered points. These points are then utilized to construct a boundary curve. A number of points are picked up along the band and a B-spline curve is fitted. Then points are selected on the B-spline curve based on its discrete curvature. These are the points used as centers for generation of circles with a user-define radius to capture a piece of the scattered band. The geometric center of the points lying within these circles is treated as a control point for a B-spline curve fitting that represents a boundary contour curve. The advantage of this method is simplicity and insensitivity to common small inaccuracies. Two experimental results are included to demonstrate the effectiveness and applicability of the proposed method.     

基于车载激光雷达的隧道内障碍物检测

采用激光雷达对隧道环境中的障碍物进行检测时,海量的隧道点云容易造成虚警.对此,文章提出了一种基于车载激光雷达的隧道内障碍物检测方法.其首先设计了背景点云的滤除策略,根据三维点云生成二维栅格图,并标记隧道边界栅格和地面栅格;对隧道边界栅格点云进行欧几里得聚类和边界曲线估计,根据估计曲线滤除隧道边界点云;对地面栅格点云进行...     

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,...     

一种融合密度聚类与区域生长算法的快速障碍物检测方法

针对智能车在城市环境下采集的3维激光雷达点云中相邻障碍物难以区分、远距离检测易分裂以及小障碍物易漏检的问题,将密度聚类算法与区域生长算法融合,提出了一种鲁棒的障碍物快速检测方法.该方法首先利用区域生长算法对点云栅格完成第1次聚类并标记出可能含有更小障碍物的栅格,然后利用参数自适应的DBSCAN(density-based spatial clustering of applications with noise)对体积较大、可能包含多目标的障碍物检测结果进行细化,最后对已标记的栅格进行第2次区域生长聚类,完成小障碍物的检测.实验结果表明,本方法在城市环境下能够准确区分和检测出障碍物,检测准确率平均可达97%,平均耗时为13 ms.     

基于LiDAR点云数据的等值线绘制方法

随着新型传感器激光雷达（LiDAR）步入市场,自20世纪80年代起逐渐应用于建筑规划、植被水利等行业.而在测绘行业,采用三维激光雷达扫描技术以取代传统的测量技术才刚开始起步,因其自动化程度高,更新周期短且获取到的数据精度高,信息全而逐渐被现代测绘业逐渐认可.用激光雷达采集到的点云数据为源数据,探究了三维离散点间接综合等值线的方法,并尝试改进三维道格拉斯算法,实现点子重要性排序以用于不同比例尺下地形图的综合.借助二次开发技术实现点数据栅格化,绘制等值线,同时在此过程中对比分析选用不同数量的点集合以及不同分辨率分别对等值线绘制的影响.结果表明先对点数据进行综合继而回放等高线既保留了原始地形的特征,且缩短了数据处理时间,同时也可根据实际比例尺的缩小程度,多尺度地输出、显示等值线.