基于机载LiDAR系统的电力线点云提取方法研究

针对野外地形高度起伏大、走向复杂、杆塔形式多样且点云密度不均匀等造成电力线点云提取精度低的问题，文章提出一种自动化精度高的新型电力线点云提取方法。根据电力线走向对整体点云进行分块处理；使用迭代高程阈值法计算得到最佳高程分割阈值，将地面点、地物点与电力线点进行分割；采用DBSCAN密度聚类法聚类出杆塔点并进行剔除，对于误分到杆塔点的部分电力线点结合点云高程搜索进一步提取出来；使用欧式聚类法对单根电力线点进行精提取。实际输电线路点云数据实验表明，该方法电力线总提取精度为99%,实现了电力线点云的自动、高效提取，可满足实际电力巡检生产需求。     

一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染方法

目前,三维激光扫描仪已经可以方便且快速地获取大范围建筑物的高分辨率三维点云数据。然而,尽管高分辨的建筑物点云数据可以精确且直观的描述真实的建筑物场景,但是由于点云具有离散化的特点,传统直接展示原始三维点云数据的方法缺乏良好的视觉效果。针对高分辨率激光扫描点云的渲染问题,本文提出了一种面向高分辨率激光扫描点云的三维建筑物的风格化渲染的方法。该方法首先提出远距离点采样方法,在简化点云数据的同时保留其三维结构化信息,然后引入基于神经网络的风格渲染方法高效渲染三维建筑物网格数据,最后提出了基于KDTree的网格数据与点云数据的融合方法生成渲染点云。实验表明,该框架可有效地将给定二维图像的风格转化为三维建筑物风格,在保证良好视觉效果的同时,保留了建筑物的精确三维几何信息。     

基于倾斜影像颜色信息的建筑物点云提取

针对建筑物点云提取不完整问题,笔者采用一种组合方法从影像密集匹配获得的多视图像(MVS)点云中提取建筑物点云.首先运用布料模拟滤波(CSF)算法进行地面点滤波,去除MVS点云中的地面点;然后根据MVS点云的颜色信息,利用过绿指数(EXG)和植被密集成块特性将植被点云剔除;最后使用密度聚类从剩余的点云中分割出建筑物点云....     

装配式建筑平面激光点云数据线性特征提取方法

提取建筑物线性特征时，由于未对采集到的建筑物点云数据预处理，导致最终提取的建筑物线性特征存在完整度差、提取正确率低的问题，对此，提出装配式建筑平面激光点云数据线性特征提取方法。通过内设激光测距系统获取建筑物在三维向量的有效数据，采用非接触式几何支撑系统建立基于有效数据的空间向量模型，将该模型输入三维激光扫描仪的目标物体表面校正系统中，获取到建筑物的整体点云数据。利用Otsu目标检测法对获取的整体点云数据进行优化处理，采用改进IFFT算法建立基于优化数据的物像空间位姿表征模型，利用连续投影算法提取网格内部特征点并连接成线，完成建筑物点云数据线性特征的提取。实验结果表明，所提方法的装配式建筑平面激光点云数据线性特征提取清晰度高、完整度好，且建筑物线性特征的提取正确率最高可达100%，说明该方法具有实用性。     

基于ISS特征点的快速CPD建筑物点云配准算法

针对大规模建筑物点云数据采用CPD（coherent point drift）算法进行配准时,计算复杂度增大的问题,提出了一种基于建筑物点云特征点简化数据的快速配准ISS-CPD算法。该配准算法采用ISS(intrinsic shape signature)算法求得建筑物点云的特征点,可减少建筑物点云的数据量规模,再对所提取的不同视角下建筑物点云的特征点用CPD算法进行配准。实验结果表明,改进的配准算法提高了建筑物点云的配准效率。     

一种三维点云聚类算法的研究

在重构曲面之前,需要对点云数据进行聚类处理,以保证后续3D重建工作准确、高效地进行。基于采用传统的聚类方法处理立体视觉形成的海量数据所存在的计算与存储瓶颈问题,提出一种新型的聚类算法,即基于包围盒的密度聚类算法。它首先利用包围盒算法对给定的海量点云进行过分聚类,然后对每个过分簇求中心,用中心点代替过分簇,最后在过分簇的级别上进行基于密度的聚类来完成对整体的聚类。结果显示该方法能够有效地实现海量点云的聚类,突破计算瓶颈。它实现了原始点云的大量删减,简化率高达96.75%,并最终在过分簇的级别上将原始点云分为5类。     

基于区域增长的城区机载激光雷达数据的分类算法研究

机载LIDAR从城区点云数据中获取建筑物脚点并进行建筑物重建是当前的一个研究热点与难点。目前点云数据的分类算法在城市区域建筑物和树木靠得很近时,则会将建筑物和树木错误的融合到一个类别中,从而难以准确地提取建筑物。本文综合考虑建筑物和植被点云的高程纹理信息和多重回波信息的不同特性,提出一种直接针对原始离散LIDAR点云数据的建筑物和植被区分的分类算法。试验结果表明,本文提出的算法能正确识别建筑物和植被且不受建筑物的形状、大小、结构影响,也不受植被的分布密集度和分布形态的影响。     

自适应α-shapes平面点云边界提取方法

针对基于微切面的点云边界提取方法在LiDAR点云边界提取中效率低,难以保证边界提取的精细度和完整性问题,提出了一种可调节滚动圆半径的α-shapes平面点云边界提取算法。该算法首先将点云数据栅格化,排除非边界点,并通过计算P点的K个邻近点平均距离和增设调节因子,设置滚动圆半径α,最后采用α-shapes算法提取点云边界。对近邻K值、点云形状和点云密度等分析,证明近邻K值与调节因子ω之间具有函数关系,及调节因子与点云密度和点云形状无关的结论。结果证明:该算法在准确提取点云边界情况下,能够快速提取完整点云边界,提高后续点云重建速度与效率,该算法具有良好的稳健性。     

基于逐条线区域生长的点云平面提取

三维激光扫描点云中的平面特征提取是3D建模的重要组成部分,是一个重要的研究领域。在建筑物平面提取的过程中,针对传统的单点式区域生长方法在生长时会使拟合得到的平面与真实点云平面存在偏差,导致面块间的粘连的问题,提出一种逐条线区域生长方法,考虑到建筑物的平面都具有规则的形状,而平面是由一条条直线组成的,因此在生长的过程中加入了平面的形状这个先验条件。实验结果表明,该方法能够消除面块间的粘连,有效改善平面提取的精度。     

一种基于车载激光扫描点云数据的单株行道树信息提取方法

提出了一种基于分层网格点密度的单株树信息提取方法,从车载激光扫描点云数据中提取出组成单株行道树的激光点,并计算树高、冠幅等特征信息.该方法由建立规则网格,基于高程的点云分层,逐层计算网格点密度,逐层提取激光点,提取单株行道树和计算特征等步骤构成.通过实例证明,提取结果较好地保留了组成单株行道树的激光点,并能较准确地计算特征信息.该方法拓展了车载激光扫描系统的应用领域,并可为城市绿化管理提供新的技术方法.     

基于HDBSCAN算法的岩体结构面产状识别及分组方法

精准获取岩体结构面的产状信息是进行岩体稳定性分析工作的首要和关键步骤.针对基本DBSCAN算法在处理点云数据时存在聚类判据不足、参数敏感性较强等问题,提出了基于点云附加属性扩展聚类判据的HDBSCAN算法,旨在提高算法聚类的准确性及鲁棒性.同时,基于点云的颜色及密度属性实现了对自然状态下非全裸露岩体研究区域的分割和提取,减少非岩体结构面点云对结构面产状识别和分组的影响.将该方法应用于大石洞灰岩矿某一典型覆土岩坡,结果表明:该方法能够有效地剔除非目标点云数据,同时结构面产状提取和优势分组结果令人满意.与人工测量结构面产状方法相比,最大相对误差小于0.59%,具有一定的工程实用价值.     

二维距离图分割的激光雷达点云无损压缩方法

激光雷达动态获取点云压缩是智能驾驶的关键技术之一。针对动态获取点云场景范围大,分布稀疏,本文将点云几何信息映射到二维距离图(range image),提出一种基于距离图分割的激光雷达点云无损压缩方法。由于动态获取点云的稀疏性,以及噪声和离群点等的影响,目前的距离图分割算法分割后类别过多,导致对分割区域编码时,边缘信息消耗较大的比特数。对此本文提出孤立区域精细处理的方法,有效地改善了过度分割的问题,提高了分割区域的压缩性能。为了保持残差、地面区域点云等数据原有的相关性,我们利用两种无损的数据压缩技术进行编码。实验结果表明,本文设计的基于距离图分割的激光雷达点云无损压缩方法具有较高的压缩性能。     

基于网格单元的点云降维处理算法

针对激光雷达采集数据时,由于会受到外界的干扰因素、扫描精度等负面影响,会使采集到的点云数据空间密度相差较大、存在着很大的噪声和孔洞,使得分析结果不能直接描绘实际物体的模型的问题,本文研究设计了一种基于二进制占网格的点云数据处理算法。首先将分割完成后的点云采用二进制网格的方式聚类进行降维处理,再将点云映射到网格单元中实现不同物体点云的快速聚集。最后,基于寻找出的点云主方向旋转点云从而.建立紧致随动的障碍物包围盒。通过实验验证,该方法能够在保证聚类精度的同时提高运算速度,其建立包围盒能够准确地反映障碍物的尺寸,具有良好的实时性与随动性,对移动机械臂自主避障提供了可靠的信息。     

毫米波雷达目标点云稳健自适应聚类方法

针对毫米波调频连续波多输入多输出(frequency modulated continuous wave multiple-input multiple-output, FMCW MIMO)雷达点云目标远疏近密的密度不一问题,提出了一种基于密度聚类的稳健自适应三维点云聚类方法。首先,从原始数据中提取目标的距离、方位角以及俯仰角信息;其次,结合雷达的距离分辨率和角度分辨率将提取得到的三维信息以体素形式进行表示,并计算每个体素相应的局部度量值;再次,根据局部度量值计算各个体素的聚类搜索区域;最后,结合遗传算法(genetic algorithm, GA)自适应寻找聚类过程中所需的最佳参数并实现聚类。实验结果表明,该方法能够实现毫米波雷达三维点云的有效聚类。     

复杂地形电力线机载激光雷达点云自动提取方法

针对传统电力线自动提取方法提取复杂地形下电力线效果较差的不足,从输电走廊机载激光雷达点云数据特征出发,在分析复杂地形下传统方法提取电力线问题的基础上,提出了一种电力线自动提取的新方法,并应用实际线路点云数据进行了可行性验证.所提方法首先通过空间划分将长距离、复杂地形转换为多个小距离尺度空间组合,基于子空间特征的差异化高程阈值分割算法实现地物点分离,解决了传统单一高程阈值分割法不能有效识别电力线与地物点高程重叠的不足,然后利用高程密度分割算法实现杆塔定位与电力线提取,并提高算法效率.案例试验结果表明,所提出的方法能实现复杂地形下和平坦地形下的电力线准确自动提取,且提取的正确率高,算法效率较好,提出的算法可用于工程.     

基于关键点特征匹配的点云配准方法

针对ICP配准算法对点云的初始位置要求高、处理低重叠率的点云配准能力低的问题,提出了一种基于关键点特征匹配的点云配准方法.设计一种多尺度加权法向投影均值差的关键点提取算法,结合SHOT描述子对关键点进行特征描述,融合几何一致性以及RANSAC算法去除匹配过程中的误匹配点对,优化关键点之间的对应关系,通过奇异值分解计算刚体变换矩阵,完成点云粗配准,使用ICP进行精确配准.实验表明,本文提出的关键点提取算法能有效提取点云表面特征变化明显的点,使用SHOT特征对关键点进行描述,能够快速、精确地完成点云数据配准,并且对于较低重叠率的点云,也具有较好的配准效果.     

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。     

基于卫星云图的DBSCAN聚类云团分类方法

针对云分类问题提出一种新的云团分类方法.该方法先利用风云二号静止气象卫星实时云图图像资料建立多种云和地表类型的样本库,提取分析已知样本的光谱特征和纹理特征;再使用中值滤波器对云图进行预处理,并采用具有噪声的基于密度的聚类算法对云区聚类;最后对聚类得到的云团光谱特征和纹理特征进行匹配,确定云团所属的云类别.实验结果表明,该方法以云团为单位进行划分,易实现云团分类自动化.     

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.     

密集匹配点云下的矿石块度提取

在矿山爆破作业中,评判矿山爆破质量的重要指标是爆破后矿石块度的大小。矿石块度的大小直接影响着后期的生产作业。针对露天矿施工过程中矿石块度测定问题,提出了一种基于密集匹配点云数据的矿石块度测定方法。首先通过寻找矿石堆中最高点与最低点计算不同矿石堆的坡度;然后依据计算得到的矿石堆坡度信息以及点云灰度信息、邻域特征等,采用粗提取与精提取相结合的方式对矿石点云边界线进行提取;依据提取出的边界线实现不同矿石点云的有效分割;最后利用分割得到的单个矿石点云进行块度估算以及矿石分布规律研究。试验表明本文方法可以有效的分割出单个矿石点云,且分割效果较好,研究区内矿石块度大多介于0.5-1.0m。