林区机载LiDAR点云的多分辨率层次布料模拟滤波

针对现有机载LiDAR(light detection and ranging)点云滤波方法在地形起伏剧烈的林区适用性不足的问题,提出一种多分辨率层次布料模拟滤波方法。首先,通过多尺度形态学开运算选择大量种子地面点;然后,基于种子地面点,使用布料模拟法由低至高逐层构建参考地形,以快速获取高分辨率参考地形;最后,基于点至参考地形的高差区分地面点和非地面点。利用国际摄影测量和遥感学会提供的数据集和参考方法,评估该方法性能。利用在中国、美国多个代表性林区的点云数据,评估该方法的可推广性。结果表明,该方法的Kappa系数和运行时间是83.72%和34.11 s,精度和效率较经典布料模拟滤波方法提高10.49%和52.17%。相比8种参考方法,该方法能够获得更高精度,并且具有稳定的可推广性。

人眼模型及其运动控制

描述了一种人眼建模及其运动控制的方法 .人眼采用三维网格模型 ,并结合纹理匹配 ,获得了较逼真的人眼模型 .人眼眼皮上下边界用抛物线近似 ,其运动通过眼皮上的特征点控制 ,并在模型中考虑了眼皮皮肤运动的关联作用 ,达到了较好的动态效果 .该方法已在微型计算机上进行了模拟 ,人眼模型逼真 ,通过帧间时间的非线性分配 ,可较为形象的模拟出人眼不同的眨眼动作 .

基于一维插值的人头像三维表面重建

描述了一种基于一维插值的人头像三维表面的重建方法。该方法从几个不同侧面的人体头部条形图获得人头像的三维条形图，经过型值点的提取，一维三次样条插值，三维重建，进而得到任意分辨率的人体头部三维曲面的数字表示及三角形、四边形网格图等表示形式。一维插值与传统的三维曲面重建的二维插值方法相比较，算法简单，三维曲面重建所需的时间也较少。该方法已在PIII 800PC机上进行了验证，获得了较好的效果。

从2D条形图重建3D曲面模型

本文给出了一种从多角度2D条形图重建三维曲面模型的方法。该方法从不同侧面曲面物体的2D条形图出发,经过条形线段匹配,三维空间坐标计算,获得三维条形图,再经过一维插值,重建出三维曲面模型。该方法已在PIII 800的PC机上进行了验证,成功的重建了一人头石膏像的3D表面模型。

基于车载激光点云的数学形态学滤波方法改进

针对车载激光点云数据空洞插值误差大及利用多尺度数学形态学滤波方法耗时高的问题,提出一种改进的数学形态学滤波方法,该方法按照点云空间分布形态格网化,以控制开运算方向。腐蚀运算过程中,根据格网腐蚀前后高程的变化情况,更新格网高程,以达到空洞精确填充及各格网均含地面点的目的。利用5组点云数据进行了实验,结果表明:该方法能有效提取地面点,运算效率明显优于多尺度数学形态学滤波方法,具有一定的实用性。

矿区机载激光点云数学形态学滤波及DEM构建算法

机载激光测量系统能够快速、精确地获取大面积区域的三维空间信息,是矿山地表沉陷调查的重要手段。以某矿区为例,采用国际摄影测量与遥感协会提供的参考数据,利用渐进式多尺度数学形态学滤波算法,从点云数据中提取出分布于地面上的点云,并构建了数字高程模型(Digital elevation model,DEM)。试验表明:该算法可有效提取复杂区域的地面点云数据,并可构建满足精度要求的DEM。

基于Kanade-Lucas-Tomasi算法的人脸特征点跟踪方法

与传统的在人面部画上标识点的特征点跟踪方法不同 ,KLT(Kanade Lucas Tomasi)算法可以从未加标识点的正面人像视频系列中通过特征纹理信息直接获取面部某些特征点的位移 在KLT算法中加入了基于人脸统计信息的经验约束 。

人脸肌肉模型的单视频驱动

描述了一种肌肉人脸模型单视频驱动的方法。与传统的通过多视频来驱动人脸模型的方法不同,该方法通过跟踪特定的人脸控制点的位移,来求取人脸肌肉的运动参数,进而求得肌肉模型中所有节点的位移,从而实现以单视频驱动基于肌肉原理的人脸模型。采用此方法我们得到了逼真的表情和口型模拟动画。

根据地形坡度旋转的车载激光点云形态学滤波

针对传统的基于开运算的形态学滤波方法在坡度连续变化较大的区域无法有效滤除非地面点的问题,提出了一种可适应斜坡地形的滤波新方法。首先对全区域进行分块,构建地面不规则三角网确定各分块区域的地形坡度和方向;然后根据地形坡度和方向对各分块区域内的数据进行旋转,使地形坡度接近于水平,从而更适用于基于开运算的形态学滤波方法;最后对点云数据执行多尺度形态学开运算确定地面点。分别选择平坦地形和斜坡地形的车载激光点云数据进行了实验,两类点云数据均包含植被、建筑、裸地等,结果表明,提出的方法能够有效滤除各种类型地物,并且对斜坡地形具有较好的滤波效果。

地基LiDAR林木点云估算枝干材积

材积是森林清查工作的一个重要参数,基于地基激光雷达点云的树木定量结构模型(QSM)重建方法能够实现林木材积的非破坏性获取,解决了传统森林原位调查方式耗时耗力的问题。但由于伐木材积真值的获取较难实现,使得量化结构模型方法的材积获取能力在树干及各级树枝水平上尚未开展研究,且仅应用于单木尺度地基激光雷达点云中,缺乏基于样方尺度扫描点云进行材积获取的探究。因此本文分别在单木及样方尺度完成QSM重建方法在树干及各级枝材积估算结果评估。实验结果表明,基于单木及样方尺度地基激光雷达点云均能有效地获取树干和一级枝的材积,而次级枝的材积估算存在明显的偏差:样方扫描尺度点云的树干及全树材积估算精度与单木尺度相当,估算偏差均为5%及10%左右,而一级枝材积估算偏差略大,其中单木尺度一级枝估算偏差在10%左右,样方尺度一级枝材积估算偏差在15%左右;此外,林分密度与样方尺度枝干材积估算精度呈负相关关系,在较低林分密度(425株/ha、625株/ha和925株/ha)的样方中树干材积估算误差均在5%以内,一级枝材积估算误差在15%左右,另外受树干及一级枝材积低估与各次级枝材积高估的部分中和效应影响,样方内总蓄积量估算偏差均在10%左右,因此在较低林分密度的森林中,样方尺度扫描数据能够很好地估算树干、一级枝及全树材积。