基于八叉树的点云数据的组织与可视化

三维激光扫描获取了大量的点云数据,数据的组织直接影响点云数据的操作速度.采用数据库管理点云数据,对点云数据采用八叉树数据模型进行组织,建立空间索引,对点云数据进行分块提取,实现点云数据的检索以及可视化.     

三维航摄及激光雷达技术在权籍调查中的应用

为提高农村房地一体不动产权籍调查作业效率,以多个村庄为测试数据分析试验区,采用机载倾斜三维航摄及激光雷达两种技术对农村房地一体不动产权籍建模测量,对两种技术效率性进行了分析,并与传统方法进行了综合对比,找出各自方式的优缺点.结果表明:机载倾斜三维航摄具有三维模型的可视化效果较好的优点,而激光雷达技术具有获取目标物的三维点云数据几何精度高的优点,两种方法各有优点、效率高、精度好,对于应用于高效农村房地一体不动产权籍调查有着广阔的应用前景.     

基于机载激光雷达和遥感影像融合的地物探测方法研究

机载激光雷达（LIDAR）技术可以快速的获取地表的高精度三维点云数据,在三维城市模型（3DCM）的构建等许多领域有着极其广泛的应用.目前对机载激光雷达数据的处理主要体现在对数据的滤波和分类,仅靠单一的LIDAR数据难以实现很好的效果.本文利用常熟市的激光雷达数据及其遥感影像作为基本数据源,提出将两者加以融合的思想对地物进行滤波和分类,达到了良好的效果.     

基于外存八叉树的三维激光点云实时渲染技术

为了解决海量点云数据的实时渲染问题,采用基于外存储器构建细节层次八叉树索引结构的方法用于三维点云数据实时渲染,并用8G内存的普通计算机对天津师范大学教学区10.2GB的扫描点云数据进行实验验证.结果表明:实时渲染时的帧率在16 f/s上下浮动,且无明显延迟,表明该方法支持超过内存容量的三维激光扫描点云数据的实时渲染.     

基于单线激光雷达的廊道环境数字重构技术

针对廊道环境的数字重构问题,设计了一种基于单线激光雷达的数字重构系统.该系统利用移动机器人搭载单线激光雷达传感器,构建三维雷达扫描系统,实现廊道环境的自动扫描和实时重构.首先进行系统的硬件搭建,其次详细介绍了系统的数字重构过程,主要包括移动机器人控制模块设计、坐标转换、数据融合等.为了解决移动机器人运动偏离的问题,在控制系统中加入模糊PID(porportion integral differential)控制算法,保证了系统数据采集的准确性.对于2D点云到3D点云的转换的问题,提出了一种里程计数据和激光雷达传感器数据融合的方法.最后进行实验测试.结果 表明:该系统可以实现对一般复杂的廊道场景进行自动化采集和实时重构,不仅精度高而且重构特征明显.     

基于激光雷达的数据处理系统设计

激光雷达针对自动驾驶、环境建模和三维成像等有着重要的应用,设计了基于激光雷达的数据处理系统,该系统包含了对激光雷达数据的高速采集与传输、解析、存储和显示等.系统采用Visual C++2015平台基于MFC库实现了数据的高速采集与传输、解析、存储,并结合OpenGL库实现了点云数据的显示.激光雷达对环境扫描的数据量较大...     

基于无人机巡线数据的电力走廊可视化研究

随着三维空间数据采集手段和数据处理方法不断提高,为电力巡线数据采集和分析带来了极大便利。介绍了机载三维激光雷达技术的系统组成及工作原理,以四川简阳某地高压线无人机巡检项目为例,通过作业流程与数据处理,分析了机载雷达在电力巡线中的综合应用。机载LIDAR系统的三维激光点云数据较为密集,每平方米均可达到百个以上,数据采集精度可达0. 1 m。     

激光内雕三维模型表面点云生成方法研究

研究了一种把三维模型生成激光内雕用的点云数据的方法,介绍了三维模型几何构成原理,利用规则填充法得到基本的填充点云数据,然后利用混合同余法算法产生平均分布的随机数对规则点云进行坐标扰动,受工艺限制,点云数据在空间的竖直方向进行分层处理后,然后利用层内动态四叉树进行存储与过滤,最终得到加工点云。     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

基于26KNN的机载点云去噪方法

机载扫描系统(ALS)点云数据中含有数量巨大的噪声点,影响数据处理精度,同时也占用了大量的内存.因此在处理点云数据前必须对超大点云进行去噪.根据传统的KNN算法,结合分块读取、存贮技术,提出基于26KNN的机载点云去噪方法,成功实现了超大点云的预处理.