基于移动最小二乘法法矢估计的建筑物点云特征提取

特征提取对建筑物精细建模的品质和精度起着重要作用。为清晰准确地提取建筑物的特征信息,本文针对采用传统的法矢估计方法受噪声影响大、存在误判的问题,提出了一种基于移动最小二乘法矢估计的建筑物点云特征提取方法。该方法首先采用移动最小二乘法进行法矢估计,然后将K邻域法矢夹角的均值作为点的显著性指标进行特征点判别,最后对提取出的特征点集进行下采样,进一步消除冗余信息。试验结果表明,采用移动最小二乘法进行点云法矢估计,其结果更加准确和稳健,从而有效提升了建筑物点云特征提取的精确性和可靠性,对特征点集的下采样能够删除大量冗余特征点,使提取的特征线更加简洁、清晰、完整。     

基于LiDAR点云的建筑物边界提取及规则化

在无需定义主方向及建筑物形状的前提下,提出了一种适合于各种类型建筑的边界提取算法。首先利用凸包算法进行建筑物边界点的提取及排序,接着利用分组的Douglas-Peucker(D-P)算法进行边界特征点的提取,最后实现建筑物边界弧段部分的拟合。     

一种用于建筑物立面边界特征点提取的凸包三角网算法

基于现存凸包算法较难提取建筑物立面点云中的边界特征点等问题,提出一种构建凸包三角网的建筑物立面边界特征点提取算法。首先利用k近邻搜索算法查找每个点的近邻点,并通过主成分分析方法估算各点的法向量。然后将各点的近邻点投影到局部拟合平面,使用罗德里格法进行旋转获得二维投影点。最后利用凸包算法在求解边界特征点的基础上构建凸包三角网,并获得各三角形中近邻点占地率并统计各三角形的顶角值,得到剩余边界特征点。采用模拟和实测点云数据进行试验,并与改进的凸包算法和基于点的算法进行对比,结果表明,该算法能够提高建筑立面边界特征点提取的准确性和完整性,具有较强的适用性。     

面向对象的车载激光扫描点云建筑物立面提取

本文利用面向对象的点云分析方法进行车载激光扫描点云数据中建筑物立面的识别。该方法对点云进行基于法向量和距离约束的点云分割,计算分割面片的倾角、面积、高程变化范围等特征,并依据建筑物立面垂直于水平面、面积比较大、高程变化范围较大等规则从点云数据中识别建筑物立面。实验表明该方法可以精确有效地进行MLS点云中建筑物立面提取。     

基于栅格划分和法向量估计的点云数据压缩

基于点云数据的栅格化和法向量估计提出一种新的点云压缩方法,数据处理由Matlab7.1编程实现。试验结果表明,使用该方法可以获得较好的压缩效果,由于该方法顾及了扫描点之间的法向量关系,所以能更好地保留点云特征,防止压缩过程中特征信息的丢失。     

建筑物LiDAR点云的屋顶边界提取

提出了一种建筑物LiDAR点云的屋顶边界提取方法.首先构建了离散的建筑物屋顶LiDAR点的TIN模型,在TIN模型中根据点的空间几何关系,过滤整个三角网的边界线,从而过滤出初始边界点.在初始边界点构成的边界中,过滤出边界斜率变化显著的点作为拐点.利用所有的屋顶LiDAR点将拐点扩展,得到边界的扩展点,由扩展点构成的屋顶边界为最终提取的建筑物屋顶边界.     

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。     

基于点云数据的山区建筑物屋顶轮廓线提取研究

山区建筑物由于地势起伏大、周边植被茂盛等特点使得传统屋顶轮廓线提取算法应用效果较差.根据研究区域的地理特征,对轮廓线提取算法进行了改进,即以点云数据的曲率值为影响因子来评价离散程度,对离散程度高的数据选取曲率的最小值为种子点,对离散程度低的数据选取曲率的平均值为种子点.该方法与传统轮廓线提取算法相比,提高了屋顶轮廓线提...     

附加主方向判定的PCA点云数据初始配准算法

针对标准主成分分析(principal component analysis,PCA)算法配准未顾及不同点云数据集的主方向一致性造成的配准失真问题,基于空间向量理论提出一种附加主方向判定和调整的改进主成分分析点云数据初始配准算法,给出了该算法原理,在标准PCA算法基础上附加了主方向一致性判定条件,对不同点云数据集的方向采用向量积进行判定和调整,以保证点云初始配准的正确性.模拟实验结果表明:标准PCA配准算法未顾及不同点云数据的方向,致使配准结果出现错误,而附加主方向判定的PCA配准算法顾及了不同点云数据的方向而得到了正确的配准结果,可为后期点云数据的精确配准提供良好的初始位置.     

基于点云的建筑物立面图快速绘制

随着三维激光扫描技术的成熟,借助点云数据获取建筑物信息已成重要方法。建筑物立面测量是城市规划中的重要工程,传统测量方式有着种种问题。本文引入三维激光扫描仪,通过分析现有点云数据,研究了建筑物立面图绘制过程。借助多软件平台联合作业,提出了一种快速绘制建筑物立面图的方法。并借助实验数据验证其可行性,同时借助该方法获取的建筑物立面图后续可应用于城市规划、三维数字城市建设。     

基于体元的机载LiDAR点云数据建筑物提取算法

针对目前机载LiDAR点云数据存在的数据组织效率低下以及不利于查询等问题,本文提出了一种基于体元的建筑物提取算法。首先,构建体元模型实现机载LiDAR数据的真三维描述;然后,计算局部邻域曲面拟合残差,将残差最小的体元视作种子体元;最后,根据局部邻域法向量夹角准则来实现种子体元的区域增长,从而获得建筑物点。本文选取ISPRS公开的点云滤波测试数据中的8种复杂场景进行实验,实验结果表明:本文算法不仅原理简单、容易实现,而且具有较好的鲁棒性,不会受地形以及建筑物类型和尺寸的限制,Kappa系数达到80%以上,实现了复杂场景下建筑物的提取。     

从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法

本文基于边缘与局部信息提出了一种处理多波段图像的活动轮廓模型,并将其应用于LiDAR数据的建筑物边界提取。本文首先将分类得到的屋顶点云数据转换为栅格数据,并作为模型的输入图像,进而采用变分水平集方法解求模型能量函数的最小解,得到建筑物的边界。该模型消除了其他活动轮廓模型对初始曲线和所处理图像类型的限制,适于任意形状的建筑物边界的自动提取;水平集规则项的添加,减小了模型的计算时间。实验结果表明：与IAC模型、GACcolor模型相比,本文模型在建筑物边界提取的应用中可以达到更高的匹配度、形状相似度以及位置精度。     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

标记点过程用于点云建筑物提取

目的 提出了利用标记点过程从机载激光扫描数据中直接提取建筑物的方法。该方法首先根据建筑物在点云中的几何特征建立Gibbs能量模型,通过目标的一致性建立模型的数据项,通过目标的拓扑性质等空间特性建立模型的先验项;然后,利用可逆跳转马尔科夫蒙特卡洛算法(RJMCMC)和模拟退火算法优化求解;最后,利用精细处理移除错误提取的地面点、噪声点和树木点,合并相邻的目标,实现建筑物目标的精确提取。利用3组ISPRS机载激光扫描点云进行实验,结果表明,该方法能够准确、有效地提取建筑物,具有较强的稳健性。     

基于共面条件的点云配准旋转角参数求解方法

针对目前LiDAR获取的点云数据配准中ICP算法迭代计算效率较低和使用标靶配准时精扫标靶费时费力等问题,提出利用扫描地物所包含的平面特征及点云数据的离散特性,通过拟合平面得到平面的单位法向量进行旋转角的求解.由于点云数据中含有误差,使用拟合平面的法向量不仅避免了对标靶的精细扫描,而且也消弱了点云误差对转换参数的影响.最后通过实例验证了本文方法的可行性与严密性.