机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

建筑物作为城市中最主要的人工地物,其三维模型是智慧地球建设的重要数据支撑,实现精准自动化三维重建至关重要。机载激光雷达(Light Detection and Ranging, LiDAR)技术因具有环境约束小、操作成本低、采集速度快、数据精度高、可全天候获取地物空间信息等优势,已成为自动提取建筑屋顶轮廓线辅助建筑三维重建的主要数据源。首先对建筑屋顶轮廓线提取技术的发展历程进行简要回顾,再根据以往研究内容总结出一套较为通用的技术流程;该技术流程4个关键步骤为点云滤波、建筑物提取、屋顶轮廓线提取和轮廓线规则化;对每一步骤的实现方法、常用算法、发展现状以及面临问题进行详细阐述和对比分析。最后,对本技术面临的挑战和未来发展趋势进行讨论。     

基于改进RANSAC算法的复杂建筑物屋顶点云分割

屋顶模型重建影响到建筑物完整模型重建质量,屋顶面点云分割质量对屋顶模型重建具有重要意义.针对传统RANSAC算法在屋顶点云面片分割时易产生错分割、过分割等问题,本文顾及点云位置信息,提出一种对点云重新分配的改进RANSAC点云分割算法.算法暂时剔除非平面内点,选取平面内点集中3个点作为初始样本,平面拟合判定邻域是否有效...     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。     

一种基于机载点云的DEM生成方法研究

DEM即数字高程模型,是通过有限的地形高程数据实现对地面地形的数字化模拟。DEM具有许多生产方式,作为直接获取对象表面点三维坐标的现代对地观测技术,机载激光扫描在DEM构建方面具有很大优势。因此,本文研究了一种基于机载激光点云数据的DEM生成方法,该方法的关键在于机载点云的地面滤波处理。本文提出了一种改进的渐进三角网滤波方法,通过计算各点坡度以及邻域范围内的高差最大值,进行直方图统计分析,实现高度及角度阈值的自适应估计。将本文结果与人工滤波及布料滤波方法进行对比分析。实验结果表明,本文方法的结果更加贴近人工滤波处理效果,可有效提高DEM生成的精度。     

一种基于点特征的高精度图像配准方法

提出了一种基于点特征的多源图像高精度配准方法。通过在遥感影像上提取密集特征点,利用多种方法结合进行严格匹配获得同名点对。通过构建不规则三角网分割影像,再利用仿射变换模型实现每个三角形的配准。实验证明了该方法的有效性和较高的适用性。     

一种基于多级Kalman滤波的高精度距离估计方法

慢速运动目标距离估计精度不高,很难用于高精度距离测量的场合中,而滤波时精度过高会导致对目标距离变化的反应时间变慢,从而不能及时对位置变化做出判断。提出利用二级Kalman滤波对距离估计的目标参数进行处理,建立对慢速目标的滤波模型,并对滤波参数的选取进行讨论。以naono LOC模块为例,通过对测量数据进行仿真实验,证实该方法距离估计精度达到0.5 m,得到有效提高,并且反应时间控制在有效范围内。     

一种基于点云提取微地形对象的方法

在分析微地形特点以及现有网格DEM在表述微地形中存在的不足的基础上,提出了面向对象的数字高程模型,给出了该模型的形式化描述和以点云为数据源构建面向对象数字高程模型过程中采用的对象边界的识别、特征保持的点云疏化、基于属性近似的网格约化及对象识别等关键步骤的方法.并以实例证明了此过程的可行性.     

一种基于面阵摆扫式航空影像的特征匹配方法

特征匹配是面阵摆扫式航空影像处理的关键步骤,针对传统特征匹配方法在面阵摆扫式航空影像匹配时存在匹配点数量少,分布不匀均的问题,本文提出一种基于自适应亮度空间的特征匹配方法。首先根据影像POS（Postion Oriental System）信息求解待匹配影像间变换关系进行影像校正,在校正后的影像上构建自适应亮度空间,使用ORB算子和BEBLID算法在亮度空间上获取特征点和二进制特征描述符,然后基于汉明距离获取初始匹配点,使用RANSAC算法剔除粗差,最后将匹配点变换到原始影像上得到最终匹配结果。本文选取6组具有视角差异及亮度变化的面阵摆扫式航空影像进行实验,将本文算法与SIFT、SURF、ORB、ORB+BEBLID、ASIFT等匹配方法进行比较,结果表明：本文算法通过建立影像间变换关系,构建自适应亮度空间,使得算法提取的特征点数量增加1.5倍,获取匹配点数量是其他算法的3倍以上,且匹配点分布更加均匀,匹配效率高于其他算法,验证了本文算法在具有亮度变化及视角差异的面阵摆扫式航空影像上匹配的有效性。     

回波强度约束下的无人机LiDAR点云K-means聚类滤波

针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到 0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明：对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。该方法能够较好地保持地形轮廓并降低地面点云的数据量,从而为后期快速建立高精度DEM奠定基础。     

基于多源激光点云融合的建筑物BIM建模

墙体、窗户等单元构件是建筑物重要组成部分,精细提取其几何参数及位置信息对于完整表达建筑物整体模型具有重要意义.针对单一点云数据源无法获取建筑物单元构件相关参数并完整表达室内外模型重建问题,本文提出一整套融合室内外多源点云数据的BIM模型重建技术.为验证方法的有效性,选取河南理工大学测绘与国土信息工程学院教学楼为实验区域...     

基于地基LiDAR点云数据插值方法的对比研究

以冷龙岭断裂上一处典型地貌点云数据为例,采用最邻近法、距离反比法、不规则三角网法、样条函数法、克里金法等5种插值方法进行遗漏点云插值填充,研究并探讨最合适的插值算法。结果表明,不规则三角网插值法不仅可以很好地填充点云遗漏数据,还可以按照实际地形变化精确表示其高程数据并还原野外的真实场景,为后期的研究提供数据保证。     

基于点面关系构建的线基元点云配准算法

针对传统的点特征点云配准算法不能解决缺失同名点的配准问题,从点在平面上的几何关系出发,利用具有较强几何约束能力的直线特征,推导出基于单位四元数表征的无需同名直线端点完全对应的点云配准模型。结果表明,该模型不仅能够同步求解配准参数,还适用于大旋转角的配准问题,同时降低了配准模型对参数初值的要求,增强了配准模型的稳定性和实用性。     

基于机载LiDAR点云的约束BSP模型重建方法

针对现有基于机载激光点云的建筑物重建方法自动化程度较低且建筑物外轮廓精度无法保证的问题,提出一种融合已有的高精度建筑物外轮廓测绘数据成果与机载雷达数据的建筑物重建方法。以及方法从建筑物点云数据获取、屋顶面分割、结构线检测、几何拓扑重建和模型生成的建筑物三维重建过程中的关键步骤。最后,通过实验验证各个步骤的有效性与可用性。     

车载激光扫描数据中建筑物立面快速提取

本文提出一种结合多种投影影像从车载激光扫描数据中提取建筑物的方法。该方法首先将点云数据投影到XOY平面,生成多种投影影像;然后结合建筑物几何语义特征,对已获取的投影影像进行几何约束与形态学运算,得到建筑物种子区域;在此基础上,通过设置高差阈值,在最高高程影像上进行建筑物种子区域的八邻域区域生长,得到建筑物区域;最后将影像上的建筑物区域反投影到三维空间,提取出建筑物目标。实验结果表明,该方法能有效提取点云数据中的建筑物立面,取得较高的正确率和完整率,且大大提高了计算效率。     

融合LiDAR数据与高分影像特征信息的建筑物提取方法

建筑物是城市环境中的主要地物类型,从高分影像等数据中自动提取建筑物对于提升土地利用变化检测、城市规划与土地执法等业务的质量与效率具有重要意义。本文针对现有建筑物提取方法存在的边界提取不精确的问题以及采用手工特征表达图像信息的局限性,融合LiDAR数据与高分影像两种数据源的特征信息,提出一种基于SegNet语义模型的建筑物提取新方法。首先,对LiDAR数据预处理得到数字表面模型（DSM）、数字地形模型（DTM）、归一化数字表面模型（nDSM）,利用高分影像NDVI值去除nDSM中部分树木点,得到结果影像nDSM_en;其次,分别获取LiDAR数据回波强度、表面曲率以及高分影像NDVI值 3个特征构建特征图像训练SegNet语义模型,利用训练得到的模型完成建筑物初始提取;最后,采用阈值法分割nDSM_en得到影像对象,利用影像对象约束建筑物初始提取结果,完成建筑物精提取。在以ISPRS 官方提供的标准数据集（数据采集的地理区域为德国Vaihingen,采集时间2008年7—8月）为样本的实验中,本文方法在像素层次的平均查全率、平均查准率和提取质量分别为96.4%、94.8%和91.7%;针对面积大于50 m ²的建筑物对象,上述3个指标均为100%。实验结果表明：本文提出与实现的建筑物提取方法更好地利用了反映建筑物与非建筑物本质差异的特征信息,有效地实现了2种数据源的相对优势互补,提高了建筑物的检测与提取精度。     

基于车载激光点云的街景立面自动提取

街道景观图是城市规划设计和城市管理的重要参考依据,车载点云数据能够提供沿街建筑的三维点信息,精度高,覆盖范围广泛,为街景立面整治提供了新的解决方案。为此,本文提出一种适用于车载点云的街景立面的自动提取方法,提取立面点云的具体步骤为：对原始数据去噪滤波;选取非地面点构建规则格网并二值化,依据语义特征筛选出建筑物点云;用POS数据拟合直线段帮助选取参考向量与参考平面;计算点云到参考面的距离,按距离分类点云数据,并对前述步骤中未分类点另行提取,合并面点集得到以沿街建筑物立面为主的街景立面点云。为了验证这一方法的可行性和有效性,采用点云数据进行实验,实验结果表明本方法在一定程度上提高了数据处理效率,能得到较理想的结果。