布模拟算法在机载雷达点云滤波中的研究

点云就是用物体表面大量的点将现实三维世界的物体离散化表示,所谓的点云滤波,就是指要区分开哪些点云属于地面(称为地面点),哪些点云属于高出地面的地物(如建筑物、树木、车辆等),点云滤波是后续点云数据处理的关键步骤。文章将介绍布模拟滤波(Filtering Method Based on Cloth Simulation)算法原理,基于美国国际摄影测量与遥感协会提供的数据来做滤波,实验表明在大多数地形下,相比传统的点云滤波算法,布模拟算法滤波效果比较好。     

顾及地物邻域特征的LiDAR点云布料模拟滤波优化

布料模拟滤波算法在LiDAR点云的地物分离中起到重要作用。但是,此方法得到的地面点云中往往含有残留的非地面点云,导致滤波分类结果不彻底、不准确。本文提出一种顾及地物邻域特征的布料模拟LiDAR点云滤波自动优化算法,可以快速精准地解决这一问题。首先,对LiDAR点云进行布料模拟滤波处理,在其分类结果的基础上对非地面点云进行组件分割,得到具有缓冲区域的一系列点云子集;其次,拟合子集所在地面点云得到主平面,对地面点云进行高程归一化处理;最后,利用第三势差算法对每块地面点云进行滤波优化处理。选取三组有代表性的实验数据进行测试,结果表明：相较于布料模拟滤波算法,本文方法整体精度得到提升,尤其是在布料模拟滤波算法的Ⅱ类误差上有着明显优化效果,Ⅱ类精度平均提升12.3%,可有效解决布料模拟滤波算法分类结果中存在残留的问题。     

不同地形激光雷达数据点云的信息提取方法

针对不同地形点云数据采用不同的滤波和格网插值方法提取地面信息,得到了良好的滤波插值效果,为后续地表下沉盆地获取等工作提供了优质的基础数据。对于不同的点云数据,文中分别进行了针对性的处理。对地表平坦且植被稀少的点云数据,采取高程最低点采样并替代格网高程值的方法;对地物和植被杂乱的点云数据,采用基于先验高程信息滤波与Kriging格网插值相结合的方法;而对于地形起伏较大的点云数据则采用渐点加密TIN滤波与Kriging格网插值相结合的方法,最终得到高质量的基础数据并应用于工程实际。     

末敏弹线阵列激光雷达的距离像分割方法

为了增强末敏弹在不同场景下对地面装甲目标的探测识别性能,充分考虑末敏弹弹载线阵激光雷达的应用背景,提出了综合交叉扫描线法和梯度连通域的地物距离像点云分割算法,用以提高对地面和目标的分割效果。首先,将激光雷达扫描得到的原始距离信息转换为距离水平地面高度值,通过交叉扫描线法将空间斜面转化至水平面,增强不同地形上的适应性;然后,采用地面点云连通域算法提取地面点云和形态学梯度阈值法分割得到目标点云;最后计算了地物分割效果的几何相似度。实验结果表明:该算法对于正斜坡、侧斜坡等多种地形都有较好的适用性,在不同高度、地形、坡度都能够准确、有效地分割地物点云,进而提高末敏弹对装甲目标的识别性能。     

使用显著性划分的机载激光雷达点云滤波

点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好，而对于复杂或混合地形滤波效果不理想的现状，提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上，使用扫描线高程分割的方式，计算各网格单元的地面显著性指标，依据地面显著性值对网格内的点云进行地形类别划分，对不同类别的网格单元，使用不同的滤波处理手段。该方法与其他经典方法相比，避免了迭代加密过程，在起伏区域使用曲面而非平面来代替局部地形，在不显著增加计算量的情况下，对于复杂和混合地形具有更好的适应性，能够生成可靠性较高的地面点集合。     

方向自适应的光子计数激光雷达滤波方法

提出一种自适应滤波方向的光子计数激光雷达点云滤波方法,定义了一种可调节主滤波方向的滤波核,通过遍历得到最佳滤波方向的密度值并剔除远离地物的噪声点,根据密度值与邻域内其它点的密度值差值剔除接近地物的噪声点。通过实验数据对算法进行了验证,结果表明算法能有效剔除与地面非常接近的噪声点,适用于低密度地物点云的滤波处理,其中植被滤波精度91.86%,地面点滤波精度97.89%。     

基于多约束连通图分割的机载LiDAR点云滤波方法

点云滤波是机载LiDAR点云后处理应用的必要环节.现有的大多数点云滤波方法往往在地形平坦的区域滤波效果比较好,而在地形起伏较大区域滤波效果较差.为进一步提升点云滤波方法的精度及对复杂环境的适应能力,提出一种基于多约束连通图分割的滤波方法.通过设定垂直性、高差、距离三个约束条件构建点云连通图,实现点云分割,并基于地面覆盖...     

基于机载激光点云的电力线自动提取方法

为了解决地形、走向复杂、点云密度不均匀的输电线路的电力线提取精度低的问题,提出了一种高效的电力线自动提取和重建方法.首先通过空间分割和点云密度分析方法改进高程滤波算法实现电力线粗提取;采用基于点云间倾斜角度平均值的滤波算法精提取电力线;使用统计滤波算法完成电力线整体点云提取;通过基于随机采样一致性算法的电力线分条提取算...     

一种基于机载LiDAR数据的山区道路提取方法

为了解决基于机载激光雷达(LiDAR)点云提取道路时多重特征阈值设定难、普适性低的问题, 采用了随机森林分类模型提取道路点云进而获得道路中心线的方法。首先使用渐进加密三角网滤波获取地面点云, 根据山区道路特性, 计算地面点云各点在邻域范围的坡度、粗糙度、高差方差、点密度及反射强度, 组成点的分类特征; 随后手动采集正负样本训练点云随机森林分类模型, 将地面点云通过模型分类得到初始道路点云; 再通过基于密度的噪声应用空间聚类算法去除噪声点精化道路点云; 最后矢量化道路点云获取道路中心线。结果表明, 以Entiat River地区山区LiDAR点云数据进行实验验证, 道路点云提取的正确率达到95.29%, 完整率达到92.96%, 提取质量达到88.88%。该方法能解决多重阈值难以确定的问题, 能较高精度地提取到山区道路点云, 进而获取有效道路中心线, 对山区道路信息的研究有一定的参考价值。     

基于改进PMVS算法的多视遥感地形影像密集匹配

基于面元的多视立体(PMVS)算法应用于遥感多视地形影像三维场景重建时,影像中的弱纹理、灰度值变化不明显区域使得重建出的三维地形点云存在整体分布密度低和局部孔洞现象.结合遥感地形影像的特点,提出了基于影像块的并发SIFT算子和地面高程范围约束的改进PMVS算法,首先在特征提取阶段得到分布密集、均匀的特征点,进而通过地面高程范围约束的匹配传播过程高效地得到种子面元,再通过迭代种子面元扩充、面元过滤过程得到地形影像的三维点云数据.实验结果表明,相比原PMVS算法,改进的PMVS算法可在幅宽大、存在弱纹理区域的多视遥感地形影像上重建出稠密点云,有效修复了地形点云场景中的孔洞,并提高了重建时间效率.     

基于LiDAR数据的布料模拟滤波算法的适用性分析

为了解决现有点云滤波算法设置参量多、滤波效果不理想、难以操作等问题,采用最新的布料模拟滤波算法,根据简单的物理过程构建虚拟格网模拟地形表面,并针对复杂地形的点云数据进行定性和定量滤波验证。结果表明,其Ⅰ类误差在5.7%、Ⅱ类误差在3.4%以内,但针对部分混合有平坦和陡坡的局部区域滤波效果并非理想;在满足滤波精度的同时,可在30s内完成数百万个点的滤波,甚至在数秒内完成数十万个点的滤波。该算法所需参量很少、效率非常高,能满足绝大多数复杂地形数据的滤波要求。     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。     

高斯混合聚类对移动曲面拟合滤波分类的应用

为了提高激光雷达点云滤波算法的精度和自适应性,对移动曲面滤波算法进行改进。采用格网边界点构建曲面约束条件,检验格网内是否全部为建筑物点。利用区域拟合求解地形的起伏,引入机器学习中高斯混合模型(GMM)对地形起伏进行滤波分类,将移动曲面中的种子点作为聚类算法中的靶向点参与分类学习。实验数据为雷达飞行的自测区,对于自测区采用随机抽样的方式,检验判断滤波效果。同时为检验GMM算法的准确性,在三类误差检验方式的基础上,增加了Kappa系数作为检验方式。通过与谱系聚类分类算法对比,证明所提算法能取得较好的滤波效果。     

基于多特征自适应的单光子点云去噪算法

新型星载光子计数雷达可获取地面及地面目标的高精度三维信息,但是其测量精度受噪声影响较大。针对在背景噪声不一致及坡度较大区域自动化提取单光子激光数据信号较为困难的难题,文中提出基于多特征自适应的单光子点云去噪算法,有别于传统圆形或椭圆形滤波核,选择更加符合单光子点云数据特征的平行四边形滤波核,分别通过坡度、空间密度、噪声率等多特征自适应识别信号。选择位于青藏高原冰川区域坡度较大且地形破碎的ICESat-2单光子点云数据,开展点云去噪试验和验证,通过与ATL03、ATL08官方去噪结果对比,文中算法在背景噪声水平不一致和大坡度区域具有更优的性能。     

基于TIN的LIDAR点云过滤算法

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,对其获取的不规则分布的三维点云数据过滤处理是目前的研究前沿,也是机载激光雷达应用的关键技术.本文在分析典型地物激光雷达点云空间分布基本规律的基础上,重点研究了典型地物表面及其边缘的点云空间分布特征及基于TIN结构的邻近点云高程突变规律,并设计了相应的点云过滤算法.论文还对算法的参数选择及相应的误差进行了探讨,并进行了LIDAR数据DEM提取实验.     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

植被茂密地区点云双重滤波方法研究

为了解决目前机载激光雷达点云滤波算法中特征单一、运算效率低、植被覆盖区效果较差等问题,提出一种植被茂密地区的点云自适应双重滤波方法.首先利用回波分离方法,分别提取点云的单次回波和末次回波进行粗滤波处理;然后利用偏度平衡理论进行单次回波的强度阈值确定,同时利用最大类间方差法对首次回波和末次回波的高程差进行高差运算,实现末...     

基于点云配准的多固态激光雷达标定算法

针对多个固态激光雷达协同工作时,需要准确地进行外参标定的实际需求,提出一种基于点云配准的多固态激光雷达自动标定算法。该标定算法由标定物分割、初始配准和精确配准三个阶段构成。在标定物分割阶段,首先通过叠加多帧非重复扫描数据制作标定点云,再使用半径滤波和体素下采样滤波分割出纹理特征明显的目标点云。在初始配准阶段,使用3D-HARRIS算法提取关键点,并使用方向直方图(SHOT)特征描述子进行特征描述,然后匹配对应点并使用采样一致算法完成初始配准;在精配准阶段使用迭代最近邻(ICP)算法进行精确配准,从而获得精确的外参标定效果。在Bunny兔数据集和现场获得的数据上进行实验,结果表明,当保证配准平均误差小于1 mm的前提下,所提出算法的性能优于多种现有算法。