基于RANSAC模型的机载LiDAR数据中建筑轮廓提取算法

使用正交多项式分带滤波方法对机载LiDAR点云数据进行滤波处理,通过迭代不断剔除非地面高点数据,最终得到由贴近地面的数据拟合而成的正交多项式.通过设定高程阈值将数据分成地面部分与非地面部分.提出了一种基于随机抽样一致性(RANSAC)算法模型的建筑物面片识别和轮廓提取算法,实现在包含噪声的点云数据中快速准确地识别和提取建筑物轮廓.在实验中对长春市的机载LiDAR数据进行了滤波、建筑屋顶面及其轮廓的提取,验证了本文算法的较高效率和精度.     

基于多结构快速生成算法的建筑物平面提取

针对RANSAC算法在多结构数据集中提取平面点时存在的不足,提出了基于多结构快速生成算法的点云平面提取的新算法.该算法在随机产生一组平面模型之后,通过每个点相对于模型的残差排序信息,计算条件内点概率分布,然后利用得到的内点先验分布概率指导模型采样.实验结果表明,该算法能准确地检测出点云数据中的平面,相比RANSAC算法具有更好的采样效率.     

基于力场的点云树木骨架提取方法

树木骨架是树木仿真及建模的基础,笔者根据树木的拓扑原理,直接利用地面激光雷达扫描获得的单木点云数据,提出了一种基于物理学中力场概念的点云数据树木骨架提取方法:首先对点云树木模型运用空间层次剖分的方法进行分层,根据点云的邻域关系建立基于树木特征点的简化表示,然后根据计算点的测地距离对树木特征点进行连接,再运用力场将位于树木表面的骨架连线压缩至树木内部,最后根据骨架夹角阈值对骨架进行顺滑得到最终的树木骨架。研究显示,将该方法分别应用在含笑树和樱花树的骨架提取中效果较好,相比同类算法效率较高。     

基于点密度采样的建筑物点云立面分割方法

由于地面激光扫描仪扫描时常存在死角,导致点云缺失、密度不均匀等问题,使得建筑物立面难以完整分割,为点云后续三维重建带来了很大的困难。提出了一种基于点密度的指导采样方式,并对提取的模型进行再优化的分割算法,即GSMOSAC(global sample and model optimize sampling and consensus)算法。该算法改进了最小采样集的选取方式,并对采样模型进行优化处理,以提高所提取模型的可靠性。针对三种不同类型的激光雷达点云数据的实验结果表明,该算法的分割效果比传统的RANSAC算法和多结构(Multi-GS)算法都更好。     

基于深度图像与分水岭的平面点云分割方法

根据目前点云数据分割的研究现状以及分水岭算法在图像处理中的应用,提出一种基于深度图像和分水岭算法的建筑物平面点云分割方法.该方法首先将平面点云数据生成深度图像并给像素赋予灰度值,再使用双边滤波算法进行滤波去噪,然后使用分水岭算法进行图像分割,得到分割结果后索引回原始点云数据,得到点云分割结果.为验证方法的可靠性与准确性,利用区域增长法、RANSAC算法以及欧式聚类法进行对比实验.通过对实验结果的对比分析,能有效地将不同点云面片分割出来,并且具有良好的准确度和完整度,分割结果质量较高,为点云的分割提供了新的思路与方法.     

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(Light Detection And Ranging, LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致（random sample consensus,RANSAC ）方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确率为91.31%,高于传统的机器学习分类方法7%左右。算法得到的橡胶树一级枝干直径与实测值比对为：决定系数（coefficient of determination, R2）=0.92, 均方根误差（root mean square error, RMSE）=0.64cm, 相对均方根误差（relative root mean square error, rRMSE）=6.39% ;相应的一级枝干与主枝干的分枝角与实测值比对为：R2=0.91, RMSE=3.32°, rRMSE=7.81%。本研究设计了深度学习网络与计算机图形学的算法快速精准从地基点云中重建树木的骨架模型,精度吻合实际测量值,具有一定推广价值。     

面向智慧交通的移动激光点云树木分割

单树分割有利于提取交通标志牌,减少对交通标志的遮挡影响.针对有效采集到的道路两旁树木的点云数据,提出了一种改进的分水岭车载激光扫描的树木分割方法.该方法包含5个步骤:1)利用RANSAC(random sample consensus)自动检测和剔除地面点;2)压缩所有地面点到图像网格并保留三维信息;3)简化和去除不合格网格;4)利用启发式搜索方法查找树峰;5)应用改进分水岭方法划分单树树冠.通过对福建省厦门市环岛路进行实地采集的点云数据进行实验,验证了所提出的分割模型对于车载林木点云数据具有较好的分割结果.     

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TLS数据的杨树削度方程建立及材积估算

【目的】削度方程可以很好地描述树干直径随树高变化的情况,基于地基激光雷达(terrestrial laser scanner, TLS)的高精度三维点云数据建立准确的削度方程并进行立木材积估算,对活立木尺度的材积估计具有重要意义。【方法】以江苏省黄海海滨国家森林公园杨树人工林为研究对象,获取4块样地的TLS点云数据,通过MATLAB 2020a软件计算点云平坦度和法向量以提取单木主干,采用圆拟合方法进行不同高度处的直径拟合,利用32株样木的数据,选取6种削度模型进行建模,得到杨树树干削度方程最优拟合模型,并进行材积估算。【结果】利用TLS数据提取的胸径能替代实测胸径,其平均误差小于0.90 cm。通过对6种模型的拟合优度检验,Schumacher and Hall模型为该地区杨树削度方程最优拟合模型,模型的决定系数R²=0.984,均方根误差为1.00 cm,相对百分误差为2.79%,平均预估误差为0.271%。利用Schumacher and Hall 削度方程最优拟合模型进行活立木材积的估算,经与二元材积方程估计结果进行对比,其相对差异为3.34%,二者在统计上无显著差异。【结论】该方法可以减少地面调查对树木造成的永久性破坏,为人工林的蓄积量调查提供有效的技术支持。     

改进的布料模拟算法在多波束点云粗差剔除中的应用

针对目前多波束滤波需要人工剔除的现状,在布料模拟滤波算法（cloth simulation filtering,CSF）基础上,提出了一种基于点云分割和自适应参数调整改进的CSF算法。先对多波束点云数据进行分割,然后根据点云数据的面积和标准差调整每块CSF算法的参数,再构建布料滤波模型剔除粗差点,最终将分割后的点云拼接生成水下地形点云数据。结果表明,本文算法与CSF算法相比,克服了过度滤波现象,而且对于不同地区与人工方法粗差点剔除比分别从1.03下降到1.01和从1.46下降到1.19;与人工剔除粗差相比,避免了遗漏粗差点,人工干预很少。