一种城区LiDAR点云数据的抽稀算法

当城区LiDAR点云数据密度较大时,存在大量的数据冗余,造成了计算量大、效率低、显示不便等一系列问题,使得建筑物的三维可视化及三维重建等应用受到较大挑战。针对该问题,结合泊松碟采样在测地空间中的地形自适应特点,提出了适用于城区LiDAR点云数据的抽稀算法。泊松碟采样随机将与已有采样点的测地距离大于某一阈值的点加入采样点集,并不断重复这一过程直至没有新的采样点加入为止。在此基础上,依据LiDAR点云数据的特点,定义了一种新的与所选点与其邻域内其他点间高度差标准差相关的加权测地距离,改进了泊松碟采样算法。该方法能有效调整城区建筑物的采样率,从而尽可能地保持建筑物的原始特征,并保留良好的可视化效果。四组对比实验结果表明了该算法的适用性及高效性。     

一种城区LiDAR点云数据的抽稀算法

当城区LiDAR点云数据密度较大时，存在大量的数据冗余，造成了计算量大、效率低、显示不便等一系列问题，使得建筑物的三维可视化及三维重建等应用受到较大挑战。针对该问题，结合泊松碟采样在测地空间中的地形自适应特点，提出了适用于城区LiDAR点云数据的抽稀算法。泊松碟采样随机将与已有采样点的测地距离大于某一阈值的点加入采样点集，并不断重复这一过程直至没有新的采样点加入为止。在此基础上，依据LiDAR点云数据的特点，定义了一种新的与所选点与其邻域内其他点间高度差标准差相关的加权测地距离，改进了泊松碟采样算法。该方法能有效调整城区建筑物的采样率，从而尽可能地保持建筑物的原始特征，并保留良好的可视化效果。四组对比实验结果表明了该算法的适用性及高效性。     

机载LiDAR点云中精细建筑物顶面的渐进提取

由LiDAR点云数据准确提取建筑物顶面是实现三维建筑模型自动重建的关键步骤.在分析现有顶面提取方法的基础上,提出一种渐进地提取LiDAR点云数据中精细建筑物顶面的方法.先以法向阈值和曲率阈值为约束,借助区域生长算法对原始点云进行初步分割,并得到面积较大、边界特征较明显的初始顶面;再借助主元分析法估算每个初始顶面的平面方程,并以点到平面的距离为约束,利用基于距离的区域生长算法提取其对应的精确顶面;最后通过随机抽样一致性算法(RANSAC)迭代地提取剩余点云中的小顶面.实验表明,通过动态调整阈值和迭代步骤,能够从LiDAR数据中精确地提取出复杂建筑物的顶面.     

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。     

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。     

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。     

基于点云增强优化的泊松重建算法

为了提高大规模散乱点云的重建精度和效率,针对泊松算法在实际工程应用过程中产生的“数据空白”现象以及不能很好的捕捉重建表面局部细节的缺陷提出了改进。通过对采样点中的异常点进行详细分析,根据分析结果进行相应的降噪后处理,利用双三次样条插值方程拟合曲面,能够很好地修复孔洞,解决点云模型全局偏移的问题,形成新的采样点,采用最小二乘法精确计算并调整了点云数据法向量;实验解决了传统算法重建的面片质量的问题,使重建出的表面细节更加显著。实验结果表明该方法具有良好的适用性,具有较高的重建效率和精度。     

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。     

顾及回波次数信息的城区机载LiDAR点云滤波研究

针对城区地物复杂、地面点云被植被和建筑遮挡等问题,文章在渐进三角网滤波算法的基础上提出一种改进方法。该方法利用机载LiDAR点云具有多次回波特性对点云进行分类,提高地面点云占有率,再进行渐进三角网滤波。实验结果表明,该方法提高了地面点云种子点提取的正确率,为下一步城市点云精确分类做好了准备。     

Complete residential urban area reconstruction from dense aerial LiDAR point clouds

We present an automatic system to reconstruct 3D urban models for residential areas from aerial LiDAR scans. The key difference between downtown area modeling and residential area modeling is that the latter usually contains rich vegetation. Thus, we propose a robust classification algorithm that effectively classifies LiDAR points into trees, buildings, and ground. The classification algorithm adopts an energy minimization scheme based on the 2.5D characteristic of building structures: buildings are composed of opaque skyward roof surfaces and vertical walls, making the interior of building structures invisible to laser scans; in contrast, trees do not possess such characteristic and thus point samples can exist underneath tree crowns. Once the point cloud is successfully classified, our system reconstructs buildings and trees respectively, resulting in a hybrid model representing the 3D urban reality of residential areas.     

基于区域结构特征的城区LiDAR数据快速分类

机载激光雷达能够及时准确地获取大量具有精确三维位置信息的三维点云数据,在数字城市、森林防火、智能交通等领域有着广泛的应用。城市中心区域的三维点云数据往往会因为高大树木或植被的遮挡,造成建筑物等人造目标识别特别困难。本文通过直接的二次多项式拟合方式提取高大树木等植被与建筑物目标典型局部区域的区域信息,构建区域目标敏感的结构特征,进而,通过模糊逻辑即可完成三维点云数据的建筑物目标敏感的分类任务。实验结果表明,该方法能够快速有效地实现较大尺度范围内LiDAR点云数据的分类,具有较好的应用前景和推广能力。     

Dart Throwing on Surfaces

In this paper we present dart throwing algorithms to generate maximal Poisson disk point sets directly on 3D surfaces. We optimize dart throwing by efficiently excluding areas of the domain that are already covered by existing darts. In the case of triangle meshes, our algorithm shows dramatic speed improvement over comparable sampling methods. The simplicity of our basic algorithm naturally extends to the sampling of other surface types, including spheres, NURBS, subdivision surfaces, and implicits. We further extend the method to handle variable density points, and the placement of arbitrary ellipsoids without overlap. Finally, we demonstrate how to adapt our algorithm to work with geodesic instead of Euclidean distance. Applications for our method include fur modeling, the placement of mosaic tiles and polygon remeshing.     

Estimation of planes of a rock mass in a gallery wall from point cloud data based on MD PSO

LiDAR (laser imaging detection and ranging) has been developed to measure the distance of the mesh of points on an object with a high level of accuracy. It provides high-resolution point cloud data as a result of distance measurement. Detailed 3D shapes of objects can be estimated from point cloud data. LiDAR has been used to identify discontinuities in a rock mass of a tunnel gallery wall. To identify discontinuities, it is necessary to approximate the rock mass surface with small planes. Normal vectors of the planes are important to identify discontinuities. We developed an algorithm for estimation of planes based on multi-dimensional particle swarm optimization (MD PSO) from point cloud data. Point cloud data were segmented into bounding boxes and grouped into clusters by MD PSO. Planes were estimated using the least squares method for point cloud data in the respective clusters. The newly developed algorithm based on MD PSO was evaluated using point cloud data obtained from a gallery wall. Evaluation was carried out in comparison with the previous developed variable-box segmentation (VBS) algorithm. The MD PSO-based algorithm showed a 7% higher accuracy than that of the VBS algorithm.     

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。     

Efficient Computation of Blue Noise Point Sets through Importance Sampling

Dart‐throwing can generate ideal Poisson‐disk distributions with excellent blue noise properties, but is very computationally expensive if a maximal point set is desired. In this paper, we observe that the Poisson‐disk sampling problem can be posed in terms of importance sampling by representing the available space to be sampled as a probability density function (pdf). This allows us to develop an efficient algorithm for the generation of maximal Poisson‐disk distributions with quality similar to naïve dart‐throwing but without rejection of samples. In our algorithm, we first position samples in one dimension based on its marginal cumulative distribution function (cdf). We then throw samples in the other dimension only in the regions which are available for sampling. After each 2D sample is placed, we update the cdf and data structures to keep track of the available regions. In addition to uniform sampling, our method is able to perform variable‐density sampling with small modifications. Finally, we also propose a new min‐conflict metric for variable‐density sampling which results in better adaptation of samples to the underlying importance field.     

基于局部指纹曲面片的点云三维物体识别

提出一种新的基于局部描述符的点云物体识别算法。算法根据点云的位置信息提取出邻域以及曲率信息,进而得到形状索引信息。根据形状索引提取到特征点,在每个特征点根据样条拟合原理得到测地距离和矢量夹角分割曲面得到曲面片集。每个曲面片的等距测地线构成了曲面片指纹,通过矢量和半径的变化描述,可以把每个模型物体得到的曲面片集描述存入数据库。对于给定的一个物体,根据上面步骤同样得到其曲面片集描述,通过和数据库中模型物体曲面片集的比对,得到初始识别结果。对每对初始识别结果进行对应滤波后,通过最近点迭代方法得到最终的识别结果。最后通过具体的实验说明了算法的有效性和高效性。     

Urban building reconstruction from raw LiDAR point data

We present a method for automatic reconstruction of the volumetric structures of urban buildings, directly from raw LiDAR point clouds. Given the large-scale LiDAR data from a group of urban buildings, we take advantage of the “divide-and-conquer” strategy to decompose the entire point clouds into a number of subsets, each of which corresponds to an individual building. For each urban building, we determine its upward direction and partition the corresponding point data into a series of consecutive blocks, achieved by investigating the distributions of feature points of the building along the upward direction. Next, we propose a novel algorithm, Spectral Residual Clustering (SRC), to extract the primitive elements within the contours of blocks from the sectional point set, which is formed by registering the series of consecutive slicing points. Subsequently, we detect the geometric constraints among primitive elements through individual fitting, and perform constrained fitting over all primitive elements to obtain the accurate contour. On this basis, we execute 3D modeling operations, like extrusion, lofting or sweeping, to generate the 3D models of blocks. The final accurate 3D models are generated by applying the union Boolean operations over the block models. We evaluate our reconstruction method on a variety of raw LiDAR scans to verify its robustness and effectiveness.     

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。