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.

基于改进α-shapes算法的坡屋顶轮廓提取

针对坡屋顶轮廓自动提取困难,本文提出了一种结合随机抽样一致(RANSAC)算法和α-shapes算法提取坡屋顶轮廓的方法。该方法首先使用Ransac算法将坡屋顶的几个坡面提取出来,后使用改进的α-shapes算法分别提取这几个坡面的轮廓,进而形成完整的屋顶轮廓。

利用机载LiDAR点云数据提取城区道路

提出一种从机载LiDAR点云中提取城区道路的方法。首先,利用机载LiDAR点云的高程和强度属性,对末次回波点云进行去噪、滤波和分类后获取初始道路点云;然后使用基于边长和面积阈值的约束Delaunay不规则三角网方法精化初始道路点云;最后采用α-Shapes方法从精化后的道路点集中提取道路轮廓,并用数学形态学细化方法提取道路中心线。试验结果表明,该方法提取的城区道路正确率和完整性较高。

一种基于轨迹特征划分的交通轨迹数据分析方法

当前大多交通轨迹数据的划分方法并未考虑空间分布的任意性,划分点较单一,从而导致分析效果并不理想。针对此问题,本文提出了多特征轨迹数据点结合数据空间划分方法,对提取采集到的海量交通轨迹的记录点,利用α-Shapes算法进行预处理并去噪,计算轨迹特征点,对这些特征点按空间接近度进行分组,之后按照位置关系进行Voronoi划分。该方法克服了轨迹数据划分时因空间分布任意性导致的划分效果不明显的缺点,有效地提高了轨迹数据分析效果。采用山东省淄博市出租车数据对本方法进行验证,结果证明该方法较传统数据划分方法在效果上优势明显,在轨迹数据去噪方面也做出了贡献。

机载激光点云单一屋顶边缘自动提取算法研究

提出了一种改进的α-shapes边缘检测算法。该方法先使用主成分分析变换将屋顶面点云变换到主平面,再采用格网法提取出屋顶概略边缘,在此基础上,使用改进的α-shapes算法进行精化。算法参数选取不依赖于输入的数据,能实现无人工干预的边缘提取,效果优于传统的α-shapes算法和基于三角网边缘提取算法。