一种高程相关的机载LiDAR点云配准方法

针对现有配准方法难以提取大范围机载LiDAR点云特征信息的问题,提出了一种基于2片待配准机载LiDAR点云高程数据相关的点云自动配准方法。首先,将待配准点一定范围内的点云拟合局部曲面;然后,在另一点云片中确定搜索区域,利用拟合结果求解搜索区域内的点云在拟合曲面上的高程;最后,通过计算拟合高程与实际高程的相关系数,选择搜索区域内相关系数最大位置作为配准的关键点参与点云配准,反复迭代直到完成配准。文章用实际采集的机载LiDAR数据进行了实验分析,并与传统的ICP算法进行了对比。实验结果表明,该方法在配准精度上能达到较高的水准,能够满足机载LiDAR点云配准的要求。     

动态环境中多帧点云融合算法及三维目标检测算法研究

低线束激光雷达扫描的点云数据较为稀疏,导致无人驾驶环境感知系统中三维目标检测效果欠佳,通过多帧点云配准可实现稀疏点云稠密化,但动态环境中的行人与移动车辆会降低激光雷达的定位精度,也会造成融合帧中运动目标上的点云偏移较大。针对上述问题,提出了一种动态环境中多帧点云融合算法,利用该算法在园区道路实况下进行三维目标检测,提高了低线束激光雷达的三维目标检测精度。利用16线和40线激光雷达采集的行驶路况数据进行实验,结果表明该算法能够增强稀疏点云密度,改善低成本激光雷达的环境感知能力。     

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。     

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.     

Efficient and automatic plane detection approach for 3-D rock mass point clouds

The detection of planar regions from three-dimensional (3-D) laser scanning point clouds has become more and more significant in many scientific fields, including 3-D reconstruction, augmented reality and analysis of discontinuities. In rock engineering, planes extracted from rock mass point clouds are the foundational step to build 3-D numerical models of rock mass, which is significant in analysis of rock stability. In the past, several approaches have been proposed for detecting planes from TLS point clouds. However, these methods have difficulties in processing rock points because of the uniqueness of rock. This paper introduces a novel and efficient method for plane detection from 3-D rock mass point clouds. Firstly, after filtering the raw point clouds of rock mass acquired through laser scanning, the point cloud is split into some small voxels according to the specified resolution. Then, for the purpose of acquisition of high-quality growth units, an accurate coplanarity test process is used in each voxel. Meanwhile, the accurate neighborhood information can be built according to the result of coplanarity test. Finally, small voxels are clustered into a completed plane by region growing and the procedure of postprecessing. The performance of this method was tested in one icosahedron point cloud and three rock mass point clouds. Compared with the existing methods, the results demonstrate superior performance of our method in the field of plane detection.

     

Delineation of individual deciduous trees in plantations with low-density LiDAR data

Delineation of individual deciduous trees with Light Detection and Ranging (LiDAR) data has long been sought for accurate forest inventory in temperate forests. Previous attempts mainly focused on high-density LiDAR data to obtain reliable delineation results, which may have limited applications due to the high cost and low availability of such data. Here, the feasibility of individual deciduous tree delineation with low-density LiDAR data was examined using a point-density-based algorithm. First a high-resolution point density model (PDM) was developed from low-density LiDAR point cloud to locate individual trees through the horizontal spatial distribution of LiDAR points. Then, individual tree crowns and associated attributes were delineated with a 2D marker-controlled watershed segmentation. Additionally, the PDM-based approach was compared with a conventional canopy height model (CHM) based delineation. The results demonstrated that the PDM-based approach produced an 89% detection accuracy to identify deciduous trees in our study area. The tree attributes derived from the PDM-based algorithm explained 81% and 83% of tree height and crown width variations of forest stands, respectively. The conventional CHM-based tree attributes, on the other hand, could explain only 71% and 66% of tree height and crown width, respectively. Our results suggest that the application of the PDM-based individual tree identification in deciduous forests with low-density LiDAR data is feasible and has relatively high accuracy to predict tree height and crown width, which are highly desired in large-scale forest inventory and analysis.     

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。     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

A fast registration algorithm of rock point cloud based on spherical projection and feature extraction

Point cloud registration is an essential step in the process of 3D reconstruction. In this paper, a fast registration algorithm of rock mass point cloud is proposed based on the improved iterative closest point (ICP) algorithm. In our proposed algorithm, the point cloud data of single station scanner is transformed into digital images by spherical polar coordinates, then image features are extracted and edge points are removed, the features used in this algorithm is scale-invariant feature transform (SIFT). By analyzing the corresponding relationship between digital images and 3D points, the 3D feature points are extracted, from which we can search for the two-way correspondence as candidates. After the false matches are eliminated by the exhaustive search method based on random sampling, the transformation is computed via the Levenberg-Marquardt-Iterative Closest Point (LM-ICP) algorithm. Experiments on real data of rock mass show that the proposed algorithm has the similar accuracy and better registration efficiency compared with the ICP algorithm and other algorithms.     

基于数据特征的多传感器融合实时目标检测

为了进一步降低目标检测出现的误检率,提出了一种基于传感器数据特征的融合目标检测算法。首先,为了减少部分离群噪声点对点云表达准确性的影响,采用统计滤波器对激光雷达原始点云进行滤波处理;其次,为了解决点云地面分割在坡度变化时,固定阈值会导致分割不理想的问题,提出了自适应坡度阈值的地面分割算法;然后,建立KD（k-dimensional）树索引,加速DBSCAN（density-based spatial clustering of applications with noise）点云聚类,基于Andrew最小凸包算法,拟合最小边界矩形,生成目标三维边界框,完成聚类后的目标点云位姿估计;最后,将激光雷达检测到的三维目标点云投影到图像上,投影边界框与图像检测的目标边界框通过IoU关联匹配,提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明,提出的点云聚类平均耗时降低至173 ms,相比传统的欧氏距离聚类,准确性提升6%。搭建硬件实验平台,基于实测数据的实验结果表明,提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。     

基于样本加权PointNet++的输电通道点云分类研究

输电通道内地物要素复杂,机载LiDAR获取的电力线、杆塔、植被等地物点云密度差异大、空间分布不规则,实际应用中"所见即所得"的应用需求对点云的高效自动化分类带来挑战.将深度学习中的PointNet++算法用于输电通道机载点云自动分类研究,分析样本加权对不同密度点云数据分类精度的影响,利用两组实验数据验证算法的精度和效率...     

结合超体素和区域增长的植物器官点云分割

点云分割是点云识别与建模的基础。为提高点云分割准确率和效率，提出一种结合超体素和区域增长的自适应分割算法。根据三维点云的空间位置和法向量信息，利用八叉树对点云进行初始分割得到超体素。选取超体素的中心体素组成一个新的重采样后的密度均匀点云，降低原始点云数据处理量，从而减少运算时间。建立重采样后点云数据的K-D树索引，根据其局部特征得到点云簇。最后将聚类结果返回到原始点云空间。分别选取植物三个物候期的激光扫描点云，对该方法的有效性进行验证。实验结果表明，该方法分割后点云与手工分割平均拟合度达到93.38%，高于其他同类方法，且算法效率得到明显提升。     

基于激光雷达的大兴安岭典型森林生物量制图技术研究

森林生物量作为森林生态系统基本的数量表征,表明了森林的经营水平和开发利用价值,并能反映其与环境在物质循环和能量流动方面的复杂关系。同时,森林生物量也是林业问题和生态问题研究的基础。以内蒙古大兴安岭国家野外生态站为研究区域,通过对机载激光雷达(LiDAR)点云数据的预处理,利用计算机编程提取LiDAR点云数据的结构参数,以植被分位数高度变量与密度变量为自变量,结合地面调查数据,建立生物量与LiDAR结构参数的回归模型(决定系数为0.69,均方根误差为0.34)。运用IDL编程对LiDAR点云块数据进行运算并生成分辨率为20m×20m的栅格图像,拼接后得到整个区域的地上生物量分布图,对生成的地上生物量分布图进行验证的R2为0.78,RMSE为23.09t/hm2,平均估测精度达83%。     

基于机载LiDAR 技术的典型水库水量变化估算

针对传统外业测量水库库容估算方法易受地形、气象条件影响,存在危险性高、效率低等问题,以仑山水库为研究对象,采用机载 LiDAR 技术估算水库面积及水量变化。通过实地数据采集,利用 KD- 树算法剔除点云中的粗差点,并采用渐进加密不规则三角网(PTIND)滤波分离出地面点,完成 LiDAR 点云数据的预处理;根据点云数据建立精细化数字高程模型(DEM),提取不同水位的水库水面面积;最终利用积分和传统棱台体积估算方法对比分析不同水位水量差值变化。结果表明：与高程实测值相比,DEM 高程反演值满足高程精度要求,基于机载 LiDAR 的水量估算受库底坡度变化的影响,估算值低于传统估算方法的估算值,估算结果更为精确,可为监测水库水量变化提供科学依据。     

基于IMU和动态目标检测的多帧点云融合算法

针对16线激光雷达点云数据稀疏,而导致环境感知效果不佳的问题,提出了一种基于惯性测量单元和动态目标检测相结合的多帧点云数据融合算法.该算法利用惯性测量单元提供的位姿信息进行点云中静态物体部分的融合,利用动态目标检测完成运动物体部分的融合,既可以增快点云融合的速度,又可以缓解融合时运动物体点云偏移过大的问题,在节约成本的同时,达到有效地增大点云密度的目的.实验结果表明,该算法进行点云融合时具有良好的效果,在无人驾驶环境感知方面具有较高的应用价值.     

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...     

融合稀疏注意力和实例增强的雷达点云分割

目的 雷达点云语义分割是3维环境感知的重要环节,准确分割雷达点云对象对无人驾驶汽车和自主移动机器人等应用具有重要意义。由于雷达点云数据具有非结构化特征,为提取有效的语义信息,通常将不规则的点云数据投影成结构化的2维图像,但会造成点云数据中几何信息丢失,不能得到高精度分割效果。此外,真实数据集中存在数据分布不均匀问题,导致小样本物体分割效果较差。为解决这些问题,本文提出一种基于稀疏注意力和实例增强的雷达点云分割方法,有效提高了激光雷达点云语义分割精度。方法 针对数据集中数据分布不平衡问题,采用实例注入方式增强点云数据。首先,通过提取数据集中的点云实例数据,并在训练中将实例数据注入到每一帧点云中,实现实例增强的效果。由于稀疏卷积网络不能获得较大的感受野,提出Transformer模块扩大网络的感受野。为了提取特征图的关键信息,使用基于稀疏卷积的空间注意力机制,显著提高了网络性能。另外,对不同类别点云对象的边缘,提出新的TVloss用于增强网络的监督能力。结果 本文提出的模型在SemanticKITTI和nuScenes数据集上进行测试。在SemanticKITTI数据集上,本文方法在线单帧...     

Multidimensional particle swarm optimization-based unsupervised planar segmentation algorithm of unorganized point clouds

This paper presents an unsupervised planar segmentation algorithm of unorganized point clouds based on multidimensional (MD) particle swarm optimization (PSO). A robust objective function of the unsupervised planar segmentation is established according to clustering distances of PSO clustering algorithm and inliers of random sample consensus (RANSAC) method. After that, MD PSO algorithm is adopted to optimize the objective function, where the optimal number and positions of the segmented planar patches are sought simultaneously. In order not to get trapped in local optima, a modification strategy of the global best (GB) position of swarm in each dimension is added to the MD PSO algorithm. Thus the unsupervised planar segmentation of point clouds is realized. Experimental results demonstrate the high planar segmentation accuracy of the proposed algorithm.     

基于全向声呐的引水隧洞点云模型去噪方法研究

三维重建技术逐渐成为引水隧洞运营期安全检测的关键手段。而受隧洞特殊水文环境噪声、数据采集设备噪声以及载体运动噪声等影响,采集的点云数据不可避免的会遭受到噪声干扰,导致有用信息缺乏,不利于三维重建的进行。因此,该文提出了基于声呐数据特征点的点云去噪算法,实现隧洞点云数据的去噪。首先,该文依据引水隧洞声呐点云数据的特点,定义视觉距离和视角向量特征参数;其次,通过耦合视角向量与点云法向量估计点云漂移向量,并使用核函数方法估计视角距离参数的概率密度分布从而计算漂移距离;最后,采用漂移算法在保持点云模型特征的同时实现噪声的滤波。实验结果表明,该文提出的算法在去除隧洞点云模型数据噪声的同时能很好的保持引水隧洞模型的细节特征,为后续隧洞病害的检测提供高精度点云数据模型。