基于Otsu算法与改进区域生长算法的道路点云提取

针对车载激光扫描获取的道路点云数据分类问题多的难点,本文提出了一种基于最大类间方差(Otsu)算法与改进区域生长算法的道路面提取方法。原始点云中非地面点滤除依靠Otsu算法自适应计算出分割阈值;随后分别计算点云的法向量与曲率;最终将法向量相似度作为约束条件,使用改进区域生长算法进行道路面精确提取。通过两段典型的城市道路点云数据为例,试验结果表明,本文方法提取道路面结果的准确度(C_R)、完整度(C_P)以及提取质量(Q)均大于94%,充分证明了该方法的有效性。     

一种改进布料模拟滤波的地面点云提取方法

针对传统布料模拟滤波应用在城市竣工测绘中地面点云提取准确性较差的问题，提出了一种基于法线微分的布料模拟滤波算法。该方法先对输入的稠密点云进行预处理，以实现点云降采样和去噪；利用布料模拟滤波对预处理后的点云进行初步的地面提取；最后通过引入法线微分算子，过滤限定阈值外的向量域以分割出目标尺度对应的地面点与非地面点，从而实现地面点云的精确提取。实验结果表明：与渐进形态学滤波和传统的布料模拟滤波相比，该方法能够有效地将地面点与非地面点区分开，实现在大范围复杂城市竣工测绘场景下地面点云的精确提取。     

基于车载点云数据的道路交通指示标志检测方法

测绘技术硬件、软件技术的发展为三维地理空间数据的高效获取提供了有效便捷,随着测绘新技术的发展与成熟,为实景三维中国、新型基础设施建设等提供重要支撑。基于此,本文基于移动车载激光扫描点云数据,研究并提出一种道路交通指示标志检测方法,提升道路交通指示标志检测效果,探索智能化测绘的实际应用。首先,按照车载激光扫描系统采集车载点云数据时,存储的扫描点反射角度,构造双向扫描线索引,按照扫描线上车载点云数据的空间分布特征,通过移动动态窗口分类交通指示标志与其余地物车载点云数据;其次,通过Canny边缘检测算法,在交通指示标志车载点云数据内,提取交通指示标志边缘信息;最后,在双线性卷积神经网络内输入交通指示标志边缘信息,提取交通指示标志特征,结合支持向量机,输出交通指示标志检测结果。实验证明：该方法可有效采集道路交通环境的车载点云数据;可有效分类交通指示标志与其余物体车载点云数据,并完整提取交通指示标志边缘信息,完成道路交通指示标志检测;在不同光照条件下,该方法的道路交通指示标志检测的一个用来评价二分类模型优劣的常用指标AUC值均接近1,检测精度较高。     

一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。     

八叉树索引的三维点云数据压缩算法

针对现有的三维点云简化算法普遍存在运行效率较低、内存消耗大、处理时间过长等问题,该文利用八叉树索引的速度优势和点云数据空间分割的逻辑结构,并结合三维点云网格简化算法高效的优势,提出一种基于八叉树索引的三维点云简化算法。该算法基本满足点云简化的理想标准,计算快速、运行时间短。利用实测大雁塔数据对各种三维点云压缩算法进行比较,结果表明该文提出的新算法对点云数据的压缩简化效率和压缩率较现有算法均有较大提高。     

一种联合瓦片索引的车载海量点云数据管理方法

为了高效支持大范围车载移动激光扫描海量点云数据的可视化及后续处理,提出了一种联合全球统一划分瓦片索引的车载海量点云管理与调度方法。在分析车载点云空间分布特性基础上,有机联合瓦片索引及随机采样八叉树等空间索引结构,建立了一套面向海量车载移动扫描点云的高效管理及调度机制。试验证明,该方法能够高效支持大范围海量车载点云数据的调度、交互及动态更新等过程,并能够有效地支撑分割、分类等后处理过程。     

基于散乱点云特征提取算法研究

三维激光扫描测量技术是当前测绘领域研究的热点。点云各个要素特征提取在三维建模中是非常重要的一个环节,也逐渐成为三维点云数据处理中的一个研究重点。目前对点云数据特征提取仍然存在一些问题,大多数算法的研究是针对栅格点云数据进行的,存在容易受到噪声数据的影响以及适应性不强等问题。本文在研究了现有的点云数据特征提取的方法的基础上,将法线差分算法应用到场景内地物提取中,从而实现场景中地物的特征提取。     

基于车载激光点云的高精地图矢量化成图

针对车载激光点云中对各特征物提取结果后矢量化成图时的自动化问题,本文基于双方向积分法实现了边缘检测及矢量化成图,旨在保证特征物基本特征的同时,也保证点云的绝对精度。将输入的特征点云进行离群点过滤,以保证外包框算法特征点云的准确度;将三维点云按照外包框算法投影至最优平面,为后续沿各方向积分提供输入;利用八邻域KD-tree算法求出样本特征点云的均值邻域半径,依据邻域半径对各方向积分提供积分域中的微分元;根据提供的微分元沿各方向进行积分,在该积分元内找到距平面最值的最优解;按照积分结果构建点云索引,并根据点云特征构建模型,最终得到高精地图的矢量化点云。试验证明了该方法在处理实际问题时的可行性。     

利用kd_tree索引实现曲率自适应点云简化算法

本文首先简要分析了现有点云简化算法的优缺点,接着设计了一种基于kd_tree数据索引与曲率采样结合的高效简化策略,充分利用曲率采样的精度优势与kd_tree索引的速度优势,实现了基于kd_tree索引的曲率自适应点云简化算法。试验表明,该算法在减少点云数据量的同时,能够较好地保证模型中的特征点,在速度与效果上都达到了较为理想的结果。     

基于PointCNN的车载行道树点云分割方法

利用点云卷积网络(PointCNN)为语义分割算法基础处理无序点云来提取行道树点云，经过模型建立、样本训练、点云分割等步骤从地物点云中精确分割出行道树点云，并对三个数据集的应用结果作精度评定，其最终结果的误差在有效范围内，并对PointCNN中的参数进行分析，完善算法的应用以适应于道路环境下行道树点云的提取。本次研究中考虑到训练各类型行道树类型，且受非行道树点云目标干扰小，在复杂道路环境下的数据分割工作有很好的效果。     

面向室内场景点云的对象重建

针对当前逆向工程中对象提取及模型重建效率较低的问题,提出了一种面向室内场景点云的对象重建方法。首先构建直通滤波器,采用改进的RANSAC算法剔除非对象点云,然后根据欧氏聚类提取算法分割出各个对象点云,最后基于α-shape理论批量重建出对象模型。试验结果表明,该方法能够从散乱的室内场景点云中快速、自动地重建出代表真实对象的三维模型,具有较高的实用价值。     

一种基于空间网格的地物要素点云提取方法

LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。     

基于3D格网与哈希表的车载LiDAR点云八叉树索引

针对车载LiDAR数据海量化趋势,以及高效的点云索引构建和邻域搜索算法的至关重要性,本文结合3D规则格网和线性八叉树算法优势,以及哈希表检索的高效性,提出了基于3D格网和哈希表的八叉树索引算法。通过对车载LiDAR所获取的点云数据进行相关试验,试验结果表明该方法应用于海量点云索引构建和邻域查找具有高效性。     

基于点云的室内房间要素及拓扑关系提取

房间要素是室内导航地图的关键要素之一。针对从点云中提取房间要素不仅需要精确提取房间多边形而且需要构建房间构成要素之间的拓扑关系问题，本文提出一种自上而下分割点云并自动记录房间-墙线拓扑关系的房间要素快速提取方法。首先利用点云Z值投影的高度直方图提取天花板点云；其次将天花板点云向XOY面投影，通过欧式聚类分离出每一间房间点云，以房间为单位采用α-shape算法进行房间边界点提取；然后利用随机抽样一致算法(RANSAC)结合欧式聚类方法分割房间边界点得到墙线及其参数信息，并利用墙线中点对无序墙线进行排序后计算相邻墙线的交点作为房间角点；最后，生成房间、墙和角点之间的拓扑关系。实验结果表明，该方法不仅适用于包含平面墙体的建筑点云数据，也适用于包含曲面墙体的情况，具有良好的适应性和有效性。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

三维点云的分割及骨架提取研究

针对在三维点云环境下分离目标物体所出现的过度分割问题,提出一种结合随机抽样一致性和颜色差值区域聚类的分割方法。首先利用RANSAC算法去除场景中大部分平面,使得目标物体和连成片的点云脱离,然后结合点云的距离阈值和目标颜色差值,得到目标点云数据。针对L1中值算法对曲率较大模型的骨架提取存在的不足,进行了改进。通过L1中值算法对点云模型进行骨架提取,得到点云的骨架点,然后沿端点方向向外进行最大内切球的球心提取,最后连接多个球心及骨架末端点,得到符合人类视觉效果的骨架。改进的算法提高了L1中值对曲率较大点云骨架提取的准确性。     

塔式起重机垂直度激光雷达无损检测算法

针对传统的经纬仪测量法存在的诸多弊端,本文提出一种新的塔式起重机垂直度激光雷达无损检测算法。利用激光雷达获取塔式起重机点云数据,经点云配准、拼接及去噪去冗等预处理,获得塔身标准节有效点云数据;设计塔身标准节点云横截面切片分割方案,利用Marching Square算法提取切片多边形轮廓线,并确定轮廓线顶点及其对应的中心点坐标;利用最小二乘参数估计法拟合中心点空间直线,确定塔身轴心线方向向量,并与站心空间坐标系的z轴和x轴分别作向量运算,求解塔身轴心线的倾斜角、倾斜方位角及垂直度参数。试验结果表明,基于本文算法设计的两种方案获得的塔式起重机垂直度参数分别为2.04‰和2.49‰,均小于传统的经纬仪测量法的3.02‰。本文算法行之有效,为塔式起重机垂直度高精度监测提供了一种无损检测算法。     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点.本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云.通过对...