MLMS-Net:多层次多尺度点云分类网络

针对传统点云分类网络提取特征较为单一,分类精度较低的问题,提出一种多层次多尺度点云分类网络MLMS-Net。首先使用预处理算法将原始点云分割为小样本,以得到批处理输入,提高训练效率;然后使用K近邻算法和边缘特征向量分别提取点云的低层次结构特征和边缘特征,通过设置不同邻域值,有效获取上下文信息,通过点内和点间多层次表达获得局部细粒度描述;接着对两种低层次特征分别构建卷积神经网络,随着网络层次的加深,特征抽象程度越来越高,区分程度也随之增加,从而有效提高准确性;最后利用后处理模块融合深层特征,完成点云分类任务。使用Vaihingen数据集对MLMS-Net网络进行测试,其分类精度相较单层次网络提高了0.6%～15.9%。     

点云数据多种滤波方式组合优化研究

LIDAR获取地物的三维点云数据已成当下的主要方式。针对不同尺度下三维点云数据的噪声滤波顺序问题,提出一种基于PCL不同尺度下最优顺序组合的点云滤波去噪方法,即在对获取的室外三维图书馆模型源数据和室内桌子实体模型源数据预处理的基础上,集成双边滤波、高斯滤波、几何滤波三种滤波方式的优势来实现两种不同类型数据的滤波处理。通过实验给出了两种不同数据类型下最优组合顺序滤波的参数。实验结果表明,本研究中的组合滤波方法具有较好的鲁棒性和保特征性,可为建筑三维点云数据的滤波提供一定的参考。     

散乱点云数据的曲率精简算法

针对海量散乱点云数据精简问题,提出了以平均曲率为判据的精简算法.采用八叉树结构对点云数据进行空间分割,由分割结果建立k邻域.在散乱数据点参数化的基础上,对k邻域内的散乱点进行二次曲面拟合,求出拟合曲面的平均曲率,进而得出邻域内所有数据点的平均曲率均值,以此为判据进行数据精简.构造曲率差函数,识别出边界数据点,对其进行数据保护.结果表明,该算法对具有曲率多样化特点的点云数据精简具有一定的理论意义和应用价值.通过实验验证了该算法的可靠性和准确性.     

离散点云数据的小波变换处理算法

将离散点云数据表示成适合用作小波变换的形式,提出了一种基于尺度的离散点云数据的特征识别算法,在此基础上给出了具体的基于尺度的二维和三维离散点云的小波分解算法,最后引入实例对二维离散点云的小波分解算法进行分析,实验结果表明算法达到了对点云数据的按尺度特征分解的目的.通过提出的算法,将离散点云数据按照尺度进行分解并提取出不同的特征成分,这样可以根据后期可视化显示的不同要求,将小波变换分解后的数据进行进一步的处理.     

融合物候及纹理特征的茉莉花种植区提取研究

为充分挖掘图像时序物候信息、几何空间、纹理特征在农作物监测提取研究上的优势，本研究通过构建物候参数与纹理特征的方法对广西横州市茉莉花（Jasminum sambac）种植区进行提取，该方法通过增强型时空自适应反射率融合模型（ESTARFM）融合年度内“高空间-低时间”“高时间-低空间”的遥感图像，重建生成年度中低尺度的卫星影像，获取研究区内不同植被的物候信息参数，并结合地物光谱信息提取地物纹理特征。选取物候参数、纹理特征作为茉莉花种植区分类提取信息，对不同的参数特征进行组合，开展分类对比和综合精度量化评价。结果表明，重建时序归一化植被指数（NDVI）数据结合物候参数及纹理特征的茉莉花种植区提取方法，总体分类精度达到88.36%，Kappa系数为0.863 3，在中低尺度多光谱影像遥感数据“时空信息”的缺失下对茉莉花种植区提取具有良好的效果。     

一种基于法向量夹角的点云配准方法

点云配准是逆向工程、机器人导航、计算机视觉等领域中进行三维重建的关键问题.针对4PCS配准算法对点云数据密度变化强烈的情况表现不稳定,以及为了保证效率海量点云数据必须进行下采样而导致对应点对无法得到保证的情况,本文提出了基于法向量和邻近点数目的特征点提取方法对算法进行改进.选取一个半径范围内的点作为邻域,并通过总体最小二乘法拟合局部平面求解法向量,之后利用法向量夹角和邻域大小进行特征点提取,最后在特征点集上进行4PCS算法.因为点集基数大幅度减少并且特征明显,有效提高了4PCS算法的速度和精度.     

基于曲率图的三维点云数据配准

以曲率图作为三维点云数据的特征描述函数,并运用曲率图实现了三维点云数据的配准.对于含有噪声的点云数据,先根据每个点的邻域特性估算其曲率值,然后根据每个点及其周围邻域点的曲率值构造该点的曲率图.通过在多比例空间下曲率图的特征保持分析,可提取到最能反映该点云数据特征的特征点集.对于两两配准,这些特征点集被用于三维点云数据的粗略配准算法中,该算法利用点云内部空间点相对位置在刚性变换下的不变特性实现了特征点对的匹配,由匹配的特征点对进行坐标变换求解,完成了两三维点云的粗略配准,然后运用迭代最近点算法进行精确配准.最后将整个配准算法应用于真实的三维点云数据,结果表明该算法能有效抑制点云采样密度及噪声的影响,能够快速实现点云数据的精确配准.     

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。     

基于特征恢复的离群点移除算法的研究

点云预处理是点云处理很重要的一个环节,在移除稀疏离群点的过程中,点云密度不均会造成有用信息的过度删除。针对这个问题,提出了一种基于特征恢复的离群点移除算法。首先使用传统基于统计的k邻域稀疏离群点移除算法移除稀疏离群点,然后针对过度删除的情况采用RANSAC算法对点云特征进行恢复。实验结果表明,经过恢复的点云数据,相对于单纯依靠传统离群点移除算法处理后的点云数据,过度删除现象有明显改善。由此得出,基于特征恢复的离群点移除算法可以有效删除稀疏离群点,减小对噪声阈值的依赖,同时有效抑制了由于密度不均匀导致的点云数据的过度删除。     

一种推扫式光子计数激光雷达点云滤波算法及其验证

提出一种用于推扫式光子计数激光雷达点云滤波方法。定义了一种线性径向基函数,利用这种基函数可以计算密度点密度值;基于此实现了一种粗滤波和精去噪结合的点云滤波算法,经过两个步骤的滤波之后能够对诸如植被等分层地物进行精细滤波。使用NASA的机载激光雷达MABEL的实际飞行数据对这种滤波算法进行了验证,并与中值滤波算法的效果进行了对比。结果表明算法能有效滤除与地面非常接近的噪声点,适合低密度地物目标点云的滤波处理,能够很好保留细节,其中植被滤波精度90.26%,地面点滤波精度96.11%。     

多尺度下车载激光点云数据中电力线的提取

电力巡线工作是输电线路安全的保障,传统人工巡线的方式费时、费力.激光雷达技术可以快速获取电力线的真三维点云信息,可以通过提取电力线点云数据,最终服务于电力巡线工作.本研究首先使用Kdtree分析点云邻域内的点集合,并使用多个递增尺度分析电力线点云数据的几何结构特征并提取出各尺度下呈线分布特征的点云数据,最终叠加各尺度提取结果,比较单个尺度同合并各个尺度后的电力线点云数据提取结果的完整度,实验结果说明叠加多个尺度的提取结果完整度比各个尺度的提取完整度都高.     

基于点云片段法提取道路边界线

车载激光扫描技术作为一种新的数据获取手段,因其可快速获取地物表面的高精度三维信息等特点而逐渐应用于测绘技术中。使用车载激光扫描仪获取的点云数据,采用点云片段法对车载点云数据中的道路边界线提取进行研究。根据高程投影,确定道路边界点所在的大致位置,提取该位置上的点云数据(即点云片段);然后对点云片段上每个点云数据进行斜率计算,根据斜率阀值初步提取道路边界点;最后再对初步提取到的道路边界点进行优化拟合形成道路边界线。点云片段法可通过减少计算过程中的数据量来提高计算效率,可快速而又精确的提取道路边界线,研究结果证明该方法具有可行性。     

数据简化中的边界提取方法

针对三维点云数据简化过程中边界特征容易丢失问题,研究了一种点云边界特征提取方法.首先,对点的k近邻进行查找,并进行点的球拟合计算,得到拟合球的半径、点的曲率、点到球心距离.其次,通过数据点周围点的分布均匀性、自适应调节参数公式中的阈值,可以达到检测边界特征的目的.由不同模型的实验数据表明,该算法提取的边界满足了后期数据简化所需.     

采用车载激光雷达的带状地物矢量化与结构特征提取

针对车载激光点云带状地物形状多样、难以用规则语义信息矢量化,以及结构语义信息提取研究较少的问题,提出一种基于Ribbon Snake模型的车载激光雷达带状地物(道路边界、实线型标线、铁轨)矢量化与结构特征提取方法.首先,通过格网剖分构建点云特征图,利用Ribbon Snake模型提取带状地物矢量化数据;然后,分析不同道路和铁路场景的结构特征,生成具有准确几何和拓扑结构信息的三维矢量数据和属性数据.实验表明:该方法能够准确地提取带状地物矢量化与结构信息,实现不同场景下带状地物的有效完整描述.     

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。     

面向三维残缺点云图像的数据精简方法

为解决残缺点云模型数据精简时边界特征容易失真的问题,以汽车覆盖件中的薄壁类零件为研究对象。提出一种保留残缺点云边界特征的数据精简方法。借助KD-tree建立数据索引结构,获取数据点最近邻,并通过邻域点拟合出微切平面的方法,计算出点云数据的法向量。利用法向量夹角大小关系,选取边界以及孔洞特征点的初始种子点。再根据欧氏距离实现初始种子点的邻域搜索,从而完成边界以及孔洞邻域特征点的提取。根据曲率精简的方法,对非特征点进行数据精简,最后,合并特征点云与非特征点云,实现对残缺点云模型的数据精简。将随机精简法、曲率精简法分别用于点云模型精简处理,结果表明：相比于其他两种方法,所提方法更好地保留了模型边界以及孔洞邻域特征数据点,其标准偏差、曲面表面积变化率优于其他两种方法且变化相对稳定。     

基于激光点云数据的活立木林学参数挖掘

借助于地面激光扫描仪,获取单株活立木空间的点云数据;并运用计算机相关理论算法得到重要的林学参数。首先针对扫描获取点云数据量大的特点,采用球邻域结合均匀栅格法以获取邻域拓扑关系。其次针对复杂结构的树木点云模型,设计了采用Hough变换提取连续的主枝干圆中心计算材积的方法,从而摒弃由于分枝树叶产生的干扰。再次,通过计算复杂点云中的特征量,如特征向量、法矢量、曲率、弯曲度等,以自动定位二级分枝。最后,通过和人工手动测量的真实数据进行比较,证明方法的有效性。     

高斯函数约束下的多判别参数散乱点云边缘检测

设计一种散乱点云数据边缘检测算法,从而快速、精确地提取边缘特征.该算法以点云的局部特征为基础,通过分析点云数据各点的法向特性,构建各点k近邻法向夹角特征、曲率特征、距离特征,并在高斯函数的约束下完成点云边缘特征的检测.利用公共数据进行多组实验,对比不同算法下的检测效果.结果表明:该算法提取点云边缘特征的速度更快、效果更好.     

高密度机载LiDAR数据中确定树冠覆盖方法

针对混交林植被参数提取相对纯林植被参数提取传统方法的局限性,提出一种从单棵树木的三维形状特征出发来确定树冠覆盖轮廓的方法.提出单棵树冠三维形状的模型假设,利用模型生成模拟点云数据进行试验,模拟结果直观展示出所提出方法的有效性;使用机载扫描的高密度混交林Li DAR点云数据进行实验.研究结果表明:该方法能对树冠覆盖范围有较准确的确定,为今后精细化的森林测绘和环境评估提供了技术上的参考.     

基于地面三维激光扫描技术的公路路线设计参数提取

将三维激光扫描仪应用于公路测量,通过控制点云采集的参数来优化点云密度分布,采用基于四元数的ICP算法进行配准,提高配准精度。运用局部点离群算法完成点云去噪,得到高质量的公路路面点云,为后续设计参数的提取工作提供了可靠的数据源。最后运用点云边界点识别算法准确提取了公路边界线,并进一步生成了公路中心线及各项路线设计参数。实验表明结果完全满足后续施工设计的需要。