大场景内建筑物点云提取及平面分割算法

提出一种从地面激光点云数据中提取建筑目标并进行分割的新方法,该方法利用半径渐变的主成分分析法确定各点局部几何特征(最佳半径,法向量、维度特征);根据几何特征将地面点从原始点云中剔除,将非地面点按距离聚类形成点云簇,并对点云簇进行整体特征分析,识别建筑物目标;依据点的局部特征设置区域增长法生长准则对建筑物目标进行平面分割并对分割结果进行优化。实验结果表明,该方法不仅能快速有效提取大场景中的建筑物目标进行分割,并且解决了传统区域增长法不稳定的问题,提高了建筑物点云平面分割的精确性和可靠性。     

基于深度图的道路场景三维点云分割优化方法

点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率，提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图，建立三维点云与深度图之间的投影关系，利用相邻激光雷达扫描线的角度阈值进行地物分割，再对分割后的地上物体进行分割，去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化，较好地克服了过分割问题，提高了点云分割的准确率。实验结果表明，该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。     

合并分割块的点云语义分割方法

随着激光雷达等三维点云获取工具的快速发展,点云的语义信息在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域更具重要意义。针对基于分割块特征匹配的点云语义分割方法无法处理过分割和欠分割点云块、行道树和杆状物的语义分割精度低等问题,提出了一种基于分割块合并策略的行道树和杆状物点云语义分割方法,该方法可对聚类分割后感兴趣的分割块进行合并,通过计算其多维几何特征实现对合并后的物体分类,并使用插值优化算法对分割结果进行优化,最终实现城市道路环境下行道树和杆状物的语义分割。实验结果表明,所提方法可将城市道路环境下的行道树、杆状物等点云数据的召回率和语义分割精度平均提升至89.9%以上。基于分割块合并的语义分割方法,可以很好地解决城市道路下行道树和杆状物语义分割精度低等问题,该方法对于三维场景感知等问题的研究具有重要意义。     

基于三维激光雷达的无人船障碍物自适应栅格表达方法

针对无人船(USV)海上近距离实时性避碰检测的需求,提出一种基于三维激光雷达的USV障碍物自适应栅格表达方法。根据USV周边环境障碍物的激光雷达点云分布,建立障碍物密集度和障碍物表达时间与栅格地图分辨率之间的函数关系,自适应确定适中的地图分辨率,构建栅格地图;对三维激光雷达点云数据进行降维处理,将三维激光雷达点云投影到栅格地图,减小数据量,提高障碍物检测效率。利用三维激光雷达开展方法验证性实验,获取了三种不同障碍物场景的激光雷达点云数据。处理结果显示:环境中障碍物数量越多,获得的期望栅格地图分辨率越高,障碍物表达更精细;反之,障碍物数量越少,获得的期望栅格地图分辨率越低,障碍物表达更快速,可实现障碍物自适应栅格表达。所建立的方法可为后续USV局部避碰路径规划研究提供支撑。     

区域回波比率与拓扑识别模型结合的城区激光雷达点云分类方法

针对城区激光雷达点云提出一种全自动分类方法。采用具备一定抗过分割能力的拓扑启发式分割算法对栅格高程图像进行面向对象分割;依据迭代最大类间方差(Otsu)聚类方法及两种拓扑模型实现地面图斑对象与非地面图斑对象初步分离,并合并邻接非地面对象;在地物对象中引入多次回波比率检测树木对象,采用区域面积、建筑物高度等条件区分建筑物及其他两类地物,并依据栅格索引分类。选择具有丰富地物类型的典型城区点云数据进行实验,结果表明,该算法具有良好分类精度及较强实用价值。     

基于深度图的三维激光雷达点云目标分割方法

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。     

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题，提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先，基于密度聚类对场景点云进行分割得到点云簇，并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取；然后利用随机森林算法对聚合后的点云簇的局部特征进行分类，完成点云实例分割；之后对于场景中每一个分割后的实例，采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配，得到实例分割后的点在对应类别模型上的匹配点，利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿；最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明，相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计，所提算法能够有效提升局部特征匹配阶段的内点概率，从而提升复杂场景下位姿估计的鲁棒性和准确率，尤其适用于场景中具有多个实例的位姿估计应用。     

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。     

基于切片采样和质心距直方图特征的室外大场景三维点云分类

三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景,提出了一种兼顾快速性与准确性的三维点云分类算法,该算法首先对原始点云进行离群点去除,并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点;然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割,同时针对点云的过分割问题采用了就近融合的策略;再提取出不同物体点云的全局特征,包括垂直方向切片采样直方图和质心距直方图,以及点云的二维投影图像方向梯度直方图(HOG)特征;最后,通过支持向量机(SVM)分类器分类,得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体,并且具有较高的精确率以及召回率;相较于其他算法,所提算法的效率有了较大提高。     

基于激光雷达的室内玻璃三维重建算法

针对激光雷达在室内地图重建过程中,扫描不到透明玻璃的问题,文章提出了一种玻璃检测三维重建算法,实现了三维地图中玻璃的重建。该方法将三维激光雷达扫描的点云经过点云滤波、分割、聚类以及运动匹配,提取出感兴趣的透明玻璃上的点云,从而识别出室内场景中的透明玻璃。实验结果显示,该算法能有效地使用激光雷达数据检测玻璃并进行三维地图重建。     

利用车载激光点云的分车带识别及单木分割方法

提出了一种基于车载激光点云数据的城区分车带识别及单木点云分割方法,首先通过布料模拟算法进行点云滤波去除地面点,然后利用基于八叉树连通性分析对非地面点进行聚类并构建聚类单元的最小包围矩形,基于先验知识和高差约束进行分车带识别,最后根据单木的空间几何特征,引入基于局部最高点的区域生长算法实现分车带内点云单木分割。选取北京市某道路的车载激光点云数据进行实验,结果表明:该方法能够从车载激光点云中快速识别出分车带点云并完成单木分割,能达到较好的识别和分割效果,具有抗噪性强和提取精度高的特点。     

基于车载激光点云的城市道路标线提取方法

针对车载激光点云道路标线反射强度特性,提出了一种基于车载激光点云的城市道路标线提取方法。具体而言,首先提出一种联合布料模拟滤波和高差偏度平衡的地面滤波方法,利用偏度平衡滤波的自适应性,剔除布料滤波后残留的低矮植被的问题;随后利用基于法向量密度聚类以提取路面点云,并通过反距离加权插值将路面点云转为强度特征图;为了缓解标线提取出的锯齿状现象,引入快速引导滤波来平滑道路标线的边缘信息;最后采用最大熵阈值分割和形态学比值滤波对道路标线进行精化处理。实验表明,该方法能够有效地提取出道路标线点云,提取的平均召回率为80.98%,平均准确率为96.89%,平均综合评定指标为88.19%,能够利用道路标线点云强度信息较为完整地提取出道路标线点云。     

DBSCAN聚类改进算法与支持向量机结合的道路路锥识别研究

基于激光雷达传感器,提出了一种道路路锥识别方法。首先,在传统DBSCAN聚类算法的基础上改进算法搜寻核心点的方式,对雷达所采集的数据进行快速地分割、聚类。接着,分析类簇,对每帧数据的类簇进行特征采样并赋予标签值。最后,通过支持向量机(SVM)训练样本数据,利用网格化搜索与交叉验证法优化SVM参数,得到类簇分类模型,用于识别路锥。实验结果表明,改进后的DBSCAN算法计算效率有了显著提升,并且对点云的聚类更具有针对性。经过多次随机数据集检测,分类模型的准确率保持在93以上,实现了对路锥的有效识别。     

道路三维点云多特征卷积神经网络语义分割方法

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。     

基于激光雷达的道路不平度及可行驶区域检测

为了提高室外场景中车载激光雷达道路不平度信息检测的精度, 采用随机降采样和局部特征聚合的网络结构对道路环境信息进行提取分割。在分割过程中加入随机降采样的方法, 从而提高点云信息的计算效率, 为解决道路环境信息分割过程中关键特征丢失的问题, 加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。结果表明, 所提出的算法可以准确识别道路环境信息, 对于凸包、凹坑、道路可行驶区域的识别精度分别达到71.87%, 82.71%, 93.01%, 与传统卷积神经网络相比有显著提升。该研究可高效提取道路不平度及道路可行驶区域信息, 从而提高了车辆的主动安全性与平顺性。     

基于激光点云实现杆塔提取的轻量级网络

为了解决传统的杆塔点云提取算法对地面起伏较为敏感, 以及提取出的杆塔点云难以剔除地面点的问题, 提出了一种直接以原始点云数据为输入来实现杆塔提取的轻量级网络。将原始点云数据划分为若干大小相等的体素格, 利用特征学习网络及卷积网络提取体素格内的空间、结构特征; 并结合传统方法中的相对高度差以及点密度的特征, 从而判别该体素格为杆塔点云或非杆塔点云; 最后采用聚类算法剔除孤立的体素格以提高杆塔点云提取的准确率, 得到杆塔的激光点云数据。结果表明, 所提出的方法对于不同地形以及不同干扰因素情况下的杆塔, 提取精度能达到95%左右。该算法能有效地提取杆塔点云, 相对于格网法, 其稳定性及精确度有一定提升, 且对于高大树木、垂直遮挡等其它因素也有较好的抗干扰效果。     

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。     

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。     

一种基于激光三维成像雷达距离像的目标检测方法

为了提高激光三维成像雷达地面目标的检测效率,提出一种基于激光三维成像雷达距离像的目标检测方法。该方法首先采用基于邻域像素内检测距离反常算法对距离像进行噪声抑制预处理,然后采用基于形态学的地面估计和高程分割算法实现了距离像的地物分割,最后根据感兴趣目标的尺寸特征,采用最小外接矩形估计算法实现了感兴趣目标的快速检测。本文提出的方法充分利用了距离像的高程信息和目标已知的先验知识,不受二维图像中光照灰度变化对目标检测效果的影响以及处理三维海量点云数据对计算速率的影响。实验结果证明,本文提出的方法适用于复杂多变的战场环境下对地面目标进行快速检测,且满足了实时性要求。