基于地面LiDAR点云的北川县城震害建筑物提取研究

北川县城在汶川地震后变成一片废墟,本文以北川县城扫描获取的地面激光雷达数据为实验数据,在介绍地面LiDAR点云基本特征、面向对象方法思路的基础上,将面向对象方法引入到地面LiDAR点云建筑物提取中,从而实现了震害建筑物的自动提取。通过对比分析插值生成的特征的不同,构建适合于LiDAR点云震害建筑物提取的特征规则集,基于面向对象方法对北川地震遗址地面LiDAR数据进行震害建筑物识别,对结果进行分析,震害建筑物提取总体精度达92.3%,Kappa系数为0.873,提取精度满足地震遥感应急评估的需求,为震害评估增添新的可用遥感数据源。     

基于有限集统计学理论的多扩展目标跟踪研究综述

机载激光雷达(LiDAR)数据是离散的三维点云,同一个建筑面的三维激光脚点具有随机分布的特性,并且由于建筑本身形状的多样性和复杂性,以及建筑物周围环境的复杂性,导致从LiDAR数据提取建筑物轮廓线变得更加困难。提取建筑物的轮廓线,最关键的就是提取LiDAR数据中建筑物的边缘点。文中提出一种改进的提取LiDAR点云数据边缘点方法:设定具体的半径和阈值,把LiDAR点云数据中存储的每个点作为圆心建立包裹圆,求得点云数据中其他点到该点的距离,并统计落在包裹圆内点的个数,通过每个包裹圆内点的个数跟设定的阈值进行比较,从而确定该点是否为边缘点。通过仿真发现,文中算法与alpha shape算法相比,在保持边缘点提取效果的基础上,极大减少了运行时间,总体效率有了显著地提高。     

基于地面激光雷达技术点云的北川县城震害建筑物提取研究

北川县城在汶川地震后变成一片废墟。以北川县城扫描获取的地面激光雷达数据为实验数据,在介绍地面LiDAR点云基本特征、面向对象方法思路的基础上,将面向对象方法引入到地面LiDAR点云建筑物提取中,从而实现了震害建筑物的自动提取。按照LiDAR点云数据建筑物的属性进行特征插值分解,通过分析震害建筑物在不同特征上的表现,构建适合于LiDAR点云震害建筑物提取的特征规则集。基于地面LiDAR数据提取北川地震遗址震害建筑物信息。结果表明:震害建筑物提取总体精度达92.3%,Kappa系数为0.873,提取精度满足地震遥感应急评估的需求,为遥感震害评估增添新的可用数据源。     

综合不规则三角网和区域生长的建筑物提取方法

应用激光雷达探测技术(LiDAR)进行建筑物提取其效率一直是工程应用的关键,针对现有先滤波后提取建筑物一类方法效率低下的问题,提出一种综合不规则三角网和区域生长的从原始机载激光雷达数据中直接提取建筑物的方法。首先利用原始点云数据建立不规则三角网,利用三角网中突起物边缘点所在三角形的法向量、边长及高程特征,提取突起物边缘点;然后以提取出的边缘点为种子点,根据三角网连接关系进行区域生长,提取突起物点集合;最后删除集合中点数量较少的非建筑物点集,得到建筑物点集。该方法可直接从原始点云数据中提取出不同建筑物的点集,无需经过滤波操作。通过仿真实验证明该方法在保证建筑物提取准确度的情况下效率有明显提高并且具有一定的适用性。     

基于多尺度网格的点云自适应坡度滤波算法

文章针对基于坡度滤波算法在地形复杂地区中难以合理设置滤波阈值的问题,提出了一种基于多尺度网格的点云自适应坡度滤波的算法。首先在构建的多尺度的虚拟网格内选取最优点作为初始地面种子点,计算网格的点云空间占比并划分网格语义属性,然后利用地形计算因子求得每个网格的坡度分类阈值,再按网格尺度由大到小的方式对整体点云进行坡度滤波,得出真实的地面点云数据。文中采用了多种地形的光探测和测距(Light Detection and Ranging,LiDAR)(简称"激光雷达")数据来验证该算法,结果表明,该算法能够有效去除地面上的植被、建筑物等地物点,保留真实的地面点云数据。该算法重点解决了在伴随地形变化时坡度滤波阈值的计算和自适应设置问题,以及在地形变化剧烈的边缘地带过度滤波的问题。     

基于倾斜影像点云的建筑物提取算法研究

多视倾斜影像密集匹配后能够生成海量点云数据,但数据本身缺乏有效的建筑物分类信息.针对此问题,提出一种基于倾斜影像点云的建筑物提取算法.首先对三维点云进行去噪处理和植被的剔除,将点云进行空间格网分区后降维到二维平面,通过赋予二维平面格网内每个点一定的权值,进而对格网进行特征值重采样.然后对二维平面进行图像形态学处理,利用骨架提取算法找到建筑物的轮廓,将该轮廓和三维点云进行融合后重新整饰建筑物边缘,提取出最终的建筑物点云.两组实验结果表明,该方法提取的建筑物点云轮廓清晰,建筑物立面提取较好,该算法具有较好的稳健性.     

地形图辅助的建筑物地面和机载点云特征配准

机载和地面激光扫描数据配准的实质是坐标转换问题.以建筑物的立面为研究对象,基于地形图的建筑物线性特征,提出建筑物线-面特征约束的地面和机载点云数据配准方法,实现机载和地面点云数据的配准及其向地形图坐标系的转换.采用拟合方法,获取地面与机载点云、地形图的建筑物线性特征参数.依据特征之间的空间关系,建立特征参数与坐标转换模型的关系,分别实现地面与机载点云向地形图坐标系的水平转换.垂直转换则通过建筑物水平屋顶边缘的高程相对配准以及控制点处的高程绝对配准计算.以上海海洋水族馆点云为例进行实验验证,结果表明该方法可以实现地面和机载点云数据配准.     

基于LiDAR点云的建筑物检测方法研究

提出了一种基于三角面元的LiDAR数据建筑物检测方法.首先对点云数据构建不规则三角网,然后根据三角面元的特征信息对其进行分类,接着利用面元之间的邻接关系对其进行聚类,最后对聚类点云进行跟踪得到建筑物的轮廓.以国际摄影测量与遥感学会(ISPRS)提供的城区LiDAR点云为实验数据进行建筑物检测试验.与以点云或分割块为处理基元的检测方法相比,该方法能够更加准确地提取建筑物轮廓,正确率可达96%,完整率可达85%.     

针对广西地形激光LiDAR点云滤波处理的研究及应用

机载LiDAR能够快速获取精确的高分辨率数字地面模型以及地面物体的三维坐标,是一种DEM数据快速生产的重要手段,在地球空间信息科学等领域具有广阔的发展前景和应用需求。然而在中国广西地区,由于地形地貌存在大量陡峭石山,地形破碎,以及部分地区植被十分茂密等特点,导致LiDAR数据的常规滤波算法将丢失大量地面点,增加人工编辑工作量,最终造成DEM生产质量不高。本文所提出的三个LiDAR点云数据精细化处理改进算法能够较好地识别这些特殊地形,采取一定的调整算法和处理,对陡石山进行重分类;对水体、断壁边界添加断裂线;对茂密植被区重新模拟地面,基本能大致修复丢失的地表,具有较强的实用性,也较大程度地提高了作业效率,尤其适合广西植被覆盖高、地形破碎、山地占比高的地区。     

适用于林区机载LiDAR点云的多分辨率层次插值滤波方法

针对现有机载激光雷达点云滤波算法在林区适用性不强的问题,提出一种基于多分辨率层次插值的林区LiDAR滤波方法。该方法首先借助形态学迭代开运算和稳健z-score方法获取大量地面种子点;然后从低层到高层滤波过程中,通过薄板样条函数构造地面参考面,并借助自适应坡度阈值选择地面点;最后将分类出的地面点更新地面参考面,层层迭代直至滤波结果收敛。以ISPRS提供的6组山区基准数据为研究对象,将新方法滤波结果与近5年提出的10种滤波算法比较表明:新方法滤波结果精度最高,平均总误差和Kappa系数分别为1.89%和87.88%。在实例分析中,以6个不同林区点云数据为研究对象,将新方法与形态滤波算法(MF)和渐近不规则三角网加密滤波算法(PTD)比较表明:新方法平均总误差为6.82%,而MF和PTD平均总误差分别为9.21%和8.49%;且前者获取的DEM精度优于后两种方法。     

基于曲率统计的LiDAR点云二次滤波方法

针对传统偏度平衡方法滤波结果中存在低矮植被、建筑物侧面墙脚等非地面点云问题,在传统偏度平衡方法的点云一次滤波算法的基础上,提出一种基于曲率统计的点云二次滤波方法。对该方法进行试验,并将试验结果与传统偏度平衡方法滤波结果进行对比分析。结果表明:基于曲率统计的点云二次滤波方法比传统偏度平衡法能够多滤除83%的植被点云、5%的建筑物点云,能够有效地滤除传统偏度平衡方法滤波结果中的低矮植被、建筑物侧面墙脚等非地面点云。     

基于无人机点云数据的露天采场矿车提取方法

针对在基于无人机点云数据进行露天采场验收测量过程中,由于矿车点集的存在导致验收精度降低的关键问题,提出了一种露天采场矿车点集自动提取方法.以哑巴岭露天采场无人机点云为数据源,首先利用渐进式形态学滤波算法分割出地面点与非地面点,然后通过改进的欧氏聚类算法对非地面点中的矿车点集进行聚类提取,最后基于国际摄影测量和遥感学会(ISPRS)提出的误差评判标准对矿车提取结果进行评估分析.分析结果表明,该方法可以有效提取露天采场中的矿车点集,为实现露天采场快速高效验收提供了重要的技术支持.     

长江中下游河道岸滩低空机载LiDAR点云地形滤波算法

探索新兴的低空机载Li DAR技术,解决长江中下游植被高覆盖、高遮挡区岸滩地形测绘难题。提出一种针对多层次、高密度植被覆盖区的低空机载Li DAR点云植被滤波算法,该算法通过多回波分析对点云进行粗滤波后,采用数学形态学运算获取地面种子点,对地形局部进行趋势面拟合,再通过随机采样一致性检测,剔除植被点,保留地面点,从而获取测区的数字高程模型(DEM)。典型测区试验表明,该滤波算法能解决长江中下游河道岸滩地区地形起伏较大、植被高覆盖区域植被点云智能化剥离难题。根据测区实际情况,设计针对性的滤波算法,即使是植被与地面点云高度混淆、激光穿透率低于15%的复杂情形,仍能有效分离出地面和非地面点。     

车载激光点云数据精度的提高方法

车载LiDAR系统是继机载LiDAR系统后的又一新型测绘方式,在数据采集和处理中有着自身独特的方法。以StreetMapper360系统采集的一段厦门环岛路数据为例,分析了车载LiDAR系统的主要误差来源,随后从激光点云的数据采集、GPS/IMU数据后处理、安装误差角检校与地面控制点调整4个方面讲述了改善车载激光点云数据精度的方法,最后用地面检查点验证了点云成果数据的精度。     

基于目标检测的激光雷达道路边缘检测算法

道路边缘检测是自动驾驶车辆环境感知的重要组成部分,有效地从点云数据中提取道路边缘信息,有利于进行目标检测以及可行驶区域检测。针对点云道路边缘检测问题,提出了一种考虑车辆等道路参与者对道路边缘检测带来干扰的解决方案。首先,采用地面点云分割算法,将原始点云分割成地面点云和非地面点云;其次,根据车辆等道路参与者的固有特性,采用点云聚类算法对点云进行聚类,并将符合车辆等道路参与者特性的非地面点云进行滤除;再次,根据道路边缘点云在二维平面内,能够有效地遮挡激光发射中心点与非道路边缘点之间的连线,从而提取道路边缘点云;最后,采用随机抽样一致性(random sample consensus, RANSAC)算法对道路边缘点云进行多项式拟合,并使用扩展卡尔曼滤波器对道路边缘进行跟踪。实验结果表明,所提点云道路边缘检测算法能够消除车辆等道路参与则对点云道路边缘检测的影响,且算法满足实车实时性和鲁棒性要求。     

Segments-based progressive TIN densification filter for DTM generation from airborne LIDAR data

Airborne light detection and ranging (LIDAR) has revolutionized conventional methods for digital terrain models (DTMs) acquisition.Ground filtering for airborne LIDAR is one of the core steps taken to obtain a high quality DTM.This paper presents a segments-based progressive TIN (triangulated irregular network) densification (SPTD) filter that can automatically separate ground points from non-ground points.The SPTD method is composed of two key steps:point cloud segmentation and clustering by iterative judgement.The clustering method uses the dual distance to obtain a set of seed points as a coarse spatial clustering process.Then the rest of the valid point clouds are classified iteratively.Finally,the datasets provided by ISPRS are utilized to test the filtering performance.In comparison with the commercial software TerraSolid,the experimental results show that the SPTD method in this paper can avoid single threshold restrictions.The expected accuracy of ground point determination is capable of producing reliable DTMs in the discontinuous areas.     

窗口迭代的克里金法过滤机载LiDAR点云

 机载LiDAR点云处理的首要一步是过滤非地面点云而保留地面点云。根据LiDAR点云的高程值在空间分布的不规则性,一种窗口迭代的克里金法被用来过滤掉地物对象点。首先,通过点云的高程直方图滤除低位和高位的粗差点云。然后,以点云的平均点间距作为初始窗口大小,根据周围8邻域格网的高程值,使用克里金内插法拟合出中心格网的高程值;当拟合值与中心格网原始高程值之差大于设定的高差阈值时,中心格网内的点云就被归类为地物点,剩余未分类的点重新被内插成新的格网,窗口大小变为原来的2倍。随着窗口的不断增大,剩余的点被继续分类直到窗口达到最大为止。选取国际摄影测量与遥感协会(ISPRS)提供的15个样本数据测试这种算法,并与其他8种算法进行比对,结果发现窗口迭代的克里金法的I类误差和总误差较小,说明本算法在滤波方面具有一定的参考价值。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。