机载三维激光点云数据分类数学模型

传统机载三维激光点云数据分类方法效率低、计算开销大,对算法自身要求较高,容易受到多种因素影响,导致结果偏差较大.为此提出机载三维激光点云数据分类数学模型方法.首先采集机载三维激光点云数据,利用概率法与直线滑动平均法分别做去噪和平滑处理;其次分析数据空间分布结构,获取特征数据的有限集合,通过平面拟合、残差拟合等步骤提取点...     

机载LiDAR点云分块插值滤波

现有机载激光雷达（LiDAR）点云滤波算法在简单地形下取得了较好的滤波效果,但普遍对陡坡地形适应性较差。为提高在不同地形下的滤波性能,提出了基于分块的多尺度表面插值滤波算法。该算法首先通过改进的区域增长分块算法将原始点云分为点云块集和散点集,然后通过构建的多尺度表面插值算法同时对点云块和散点进行分类。利用国际摄影测量与遥感学会(ISPRS)提供的基准数据验证表明,该方法在15个样本中有11个样本滤波效果优于现有滤波方法,对各类地形均有较强适应性,且该方法平均总误差最小。对三种不同地形特征的高密度数据滤波实验,也验证了该方法的良好性能。     

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...     

整合图卷积与PointNet的机载激光雷达点云分类

针对三维深度学习网络PointNet中缺少点局部特征描述而导致的分类精度较低的问题,提出了一种整合图卷积模型与PointNet的机载激光雷达点云分类方法。该方法首先通过最小香农熵准则确定点的最优邻域,计算出点云的浅层特征;然后将点云的浅层特征输入深度学习网络中,通过图卷积提取点云局部特征,并将该特征与PointNet提取的点特征、全局特征组合得到特征向量;最后,将上述特征向量输入设计的多层感知机实现点云的准确分类。利用国际摄影测量与遥感协会提供的Vaihingen点云数据集进行了验证,实验结果表明,所提方法相较于PointNet点云分类方法精度提高了9.58个百分点。     

增强特征融合的动态图卷积的机载LiDAR点云分类

针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性,提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN,并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块,对原始三维点云进行分类。首先,基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征;然后,将全局特征集成于各层的局部特征得到增强局部特征,据此凸显点云不同特征的重要性,使网络更加关注有利于分类的特征;最后,对不同增强局部特征进行特征融合得到深层次特征,从而实现点云的分类。为验证所提模型的分类性能,在GML＿DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN,所提EFF-DGCNN模型具有更好的分类能力,能更好地区分结构相似的点云。     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

基于点云数据分类的机载雷达地形坡度勘测

为提高变电站的三维设计效果,需勘测变电站地形坡度.提出基于点云数据分类的机载雷达地形坡度勘测方法.采用机载雷达回波扫描技术采集地形坡度勘测数据.结合像素点跟踪识别法,重构地形坡度勘测过程中三维图像.采用三维光学检测技术采样机载雷达地形坡度勘测点云数据,结合中值滤波法和平均值滤波方法,增强地形坡度点云信息分类结果,获取地...     

改进高斯混合模型的激光点云数据分类

激光点云数据的无序性会影响激光场景识别和三维重建,导致激光点云数据分类误差大,精度低等问题,为此提出基于改进高斯混合模型的激光点云数据分类方法。首先采集激光点云数据,利用邻域密度算法对数据中的噪声进行分析和去除,然后采用改进高斯混合模型获取数据点间距,将点云数据分类相应类别中,实现激光点云数据分类。实验结果证明,本方法可以有效去除激光点云数据中的孤立点,提高了激光点云数据分类精度,激光点云数据分类结果可满足激光三维重建要求。     

机载LIDAR 点云定位误差分析

在机载LIDAR 点云定位方程的基础上建立其定位误差方程,依据定位误差方程,将点云的误差分类为系统误差、任务误差和随机误差3类。详细分析了平地、下坡面、上坡面3种情形下地形坡度和扫描角对测距误差和点云定位误差的影响大小,探讨了扫描角误差、安置角误差、姿态角误差以及扫描角对点云定位误差的影响。除了分析系统误差外,还着重分析了时间偏差、GPS定位误差、偏心分量误差以及随机误差对点云定位误差的影响大小。研究发现:航高和扫描角是点云定位误差的重要误差源,下坡面地形和瞬时扫描角误差对点云定位误差的影响较大,安置角误差可以通过检校来消除,姿态角误差取决于IMU自身的硬件精度。     

结合物理与几何特性的机载LiDAR数据分类方法EI北大核心CSCD

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。     

网络化激光雷达的多源数据融合点云分类算法研究

针对当前多源数据融合点云分类算法的激光雷达点云数据分类精度较低,分类时间较长的问题,提出网络化激光雷达的多源数据融合点云分类算法.利用加权航迹关联法,计算各激光雷达目标航迹号,并打散已关联航迹,通过泰勒级数将非线性问题转化成近似线性问题,求解线性状态,融合多源数据.使用主成分分析法,求解点云法线与曲率,分割段协方差矩阵...     

机载LiDAR技术在滩涂地形图生产中的应用

采用机载激光雷达技术进行海岸带滩涂地理信息采集,较好地解决了滩涂地形测量难以布设控制的问题,可以快速、精确地获取滩涂地形图地理信息。本文结合浙江滩涂地形测量实际,论述了机载LiDAR点云成果的利用和滩涂地形图的数据采集与编辑关键技术。