基于向量角度差和拟合曲线融合的建筑物点云提取方法

为了提升城市建筑物提取完整度并消除植物的影响,提出一种向量角度差和拟合曲线融合的建筑物提取方法。该方法以扫描线为研究对象,通过计算相邻方向向量角度差提取平面屋顶;利用曲线拟合计算同一扫描线内数据点的残差值,基于多数抽样样本建立残差阈值进而提取曲面屋顶;最后,通过细化后处理完成建筑物提取。选取典型城市实验区数据集,并与成熟的不规则三角网法(triangulated irregular network,TIN)进行对照实验。结果表明:所提方法能够更有效地提取曲面建筑以及抑制植物的影响,测区总体精度和kappa系数分别为98.96%和0.9148,优于TIN算法。该方法具有运算简单,稳定性高等特点,为有效解决曲率复杂和具有高差突变性的建筑物屋顶提取问题提供了思路。

基于法向量区域聚类分割的检测坑点云提取

利用三维激光扫描技术获取堆石坝检测坑表面点云,可以快速计算检测坑体积和堆石坝压实质量,但此技术的关键是从扫描点云数据中准确分割出目标检测坑。提出了一种基于法向量区域聚类分割的检测坑表面点云提取方法:首先通过局部密度法检测得到碾压面外部点P,剩余点则为内部点Q;然后以最小二乘法拟合外部点平面,得到拟合平面法向量与内部点法向量的夹角θ;最后以外部点P作为种子点,逐步扩大搜索区域,直至区域内存在θ大于阈值θ′,即可确定碾压面和检测坑表面的交界,精确提取出检测坑表面点云。利用MATLAB编程实现了检测坑表面点云数据的快速提取,并通过采集3类坝料的检测坑点云数据开展试验,验证了此方法的可行性。研究成果可为类似形状目标点云提取和堆石坝压实质量快速检测提供参考。

基于改进区域生长法的洞室支护锚杆点云提取方法研究

针对施工期抽水蓄能电站地下厂房支护锚杆点云影响数据处理精度的问题,提出了一种基于反射强度改进区域生长算法提取锚杆点云的方法。通过分析锚杆表面曲率及反射强度特征,推导平滑及曲率阈值对提取结果的影响关系,确定基于反射强度的自适应阈值区域生长的改进方法,并通过采集洞室点云及提取支护锚杆点云分析该算法的提取结果。试验表明,该算法效率高,稳定性好,其提取点云簇准确率达98.09%,各簇锚杆的平均点云误提取率仅为2.61%。

基于掩膜投影和双参数CFAR的圆周扫描GBSAR三维点云提取方法

圆周扫描地基合成孔径雷达(Ground based Synthetic Aperture Radar,GBSAR)通过在竖直面做圆周旋转扫描,具备三维成像的重要优势。但是其圆周观测几何会产生强旁瓣,造成目标点云提取困难。目前未见圆周扫描GBSAR三维点云提取方法的相关研究,经典的双参数恒虚警率(Constant False Alarm Rate,CFAR)算法虽然能够提取三维点云,但需要对三维像不同高度逐层进行检测,由于强旁瓣的影响,无法准确提取三维点云。针对上述问题,本文提出基于掩膜投影和双参数CFAR的圆周扫描GBSAR三维点云提取方法,该方法利用掩膜投影和两次双参数CFAR实现强旁瓣影响下的点云精确提取。该方法首先对SAR三维图像应用最大值投影获取三视图,然后对三视图进行第一次双参数CFAR获取三视图掩膜;然后利用三视图掩膜投影,通过SAR三维像取交集去掉空间位置旁瓣,得到潜在目标区域数据;最后对潜在目标区域的数据应用第二次双参数CFAR实现点云提取。该方法利用实际数据进行实验,结果表明,所提方法与经典的双参数CFAR逐层检测算法相比,可更准确地提取出三维SAR图像目标点云。

基于布模拟滤波和支持向量机的隧道三维点云提取算法

针对传统隧道点云提取方法存在先验条件要求较高、参数依赖性较强、通用性较差的问题,提出基于布模拟滤波和支持向量机的隧道三维点云提取算法。介绍隧道三维点云提取算法流程,分析点云数据获取与下采样算法、基于布模拟滤波算法的地面滤波,以及基于支持向量机的隧道点云提取算法,并开展现场验证试验。试验结果表明,基于布模拟滤波和支持向量机的隧道三维点云提取算法,可准确剔除与隧道点云特征不一致的非隧道点云,隧道点云提取具有处理速度快、准确率高、通用性强的特点。但如果隧道中出现大量距离隧道非常接近的物体,且体积较小,该算法会出现较多误判。减少误判是该隧道三维点云提取算法今后的研究方向。

基于语义信息的机载LiDAR建筑物点云提取

本文研究了机载LiDAR数据中建筑物点云提取的算法。首先,分析典型地物点云的分布特征及规律,形成语义信息;利用TIN的数据组织形式,以三角形边长、面积、坡度、相邻三角形坡向等语义信息作为限制条件将植物点剔除;再利用高程分布直方图确定阈值,剔除地面点,进而得到建筑物点集。选取机载LiDAR数据进行实例验证,并将本文算法与其他两种算法进行了对比。结果表明,本文算法能较好地提取建筑物屋顶点集,精度高于内插类算法,提取效果优于未考虑语义信息的算法。

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。

基于姿态标准化的线特征点云提取方法

从零件三维点云中提取棱边等线特征所对应的点云是零件模型重构的关键,也是点云数据处理的基本操作.基于曲率的线特征点云提取方法易受点云初始姿态以及曲率估计方法的影响,曲面拟合及曲率估计误差较大.提出了一种基于点云姿态标准化的线特征点云提取方法:首先计算点云主方向并将其同z轴对准实现点云姿态的标准化,然后进行曲面拟合并以最大主曲率绝对值作为曲率估计值,最后对曲率值取阈值提取出线特征点云.用不同类型的点云数据进行了实验,结果表明所提方法有较高的提取效率和良好的适用性.

基于密度噪声应用空间聚类算法的机载激光雷达建筑物点云提取与单体化

针对机载激光雷达建筑物点云提取过程中自动化提取困难,以及提取后的建筑物单体化过程烦琐等问题,提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法的机载雷达建筑物点云提取与单体化的方法。该方法对预处理后的点云数据基于DBSCAN算法进行去噪与初步的提取,通过三维密度聚类,将建筑物的点云进行提取与自动单体化。根据建筑物点云密度的特点,进行二维的密度聚类,结合数字正射影像图(digital orthophoto map,DOM)进行点云分割。最后将处理后的点云数据进行优化处理,并将建筑物单体化簇类进行提取,得到单体化建筑物点云。结果表明:提取的建筑物点云数量正确率为97.36%,轮廓边长的中误差为0.077,可以有效地提取出建筑物点云并将其单体化。

城市结构化道路路面点云提取方法研究

为了有效提取城市结构化道路车载点云场景中道路面,本文提出了一种基于点云法向量分布特征的道路面提取方法。首先,通过一种基于布料模拟的滤波算法(CSF)对原始车载点云进行滤波处理,去除非地面点云干扰;其次,使用主成分分析法对滤波后得到的地面点进行计算,得到各激光点的局部法向量与曲率值;最后,使用改进区域生长算法,以路面点云的法向量相似度为约束条件分割得到路面点云。使用两段不同场景车载点云数据作为试验数据对本文提出方法的有效性进行验证。结果表明,路段1提取道路面点云的检测质量q为95.16%,完整性r为95.82%,准确性p为97.75%;路段2提取道路面点云的检测质量q为94.38%,完整性r为95.63%,准确性p为96.42%,提取结果受道路宽度、形状的影响较小,因此本文提出方法的适用性较强。

基于电子直线加速器工业CT的叶片点云提取

针对航空发动机涡轮叶片复杂三维结构以及点云提取的无损检测需求,开发了一种用于大尺寸叶片无损检测的电子直线加速器工业CT成像装置,提出了一种将工业CT图像直接转换为三维点云模型的方法。该方法利用加速器CT扫描和三维重建软件,重构叶片的三维模型,选取不同的表面提取方式提取叶片的点云模型,并对点云模型进行了优化,最后与叶片的CAD模型进行自动最佳拟合对齐。结果表明,该方法很好地实现了叶片点云模型的提取,满足了实际生产的要求。

布料模拟法无人机倾斜摄影建筑点云提取

依托于布料模拟法的优势作用,本文提出一种基于无人机倾斜摄影建筑点云提取的新方式。该方式通过对布料下落的过程进行模拟,分析了对应密集匹配点云和布料之间的作用,从而为建筑顶面进行初步识别,之后在通过密度聚类算法来区分不同的建筑物,从而实现对建筑顶面的单体化提取。

堆石坝检测坑点云切片分割提取方法

堆石坝压实质量的检测是大坝工程安全稳定运行的重要保障措施之一。传统的灌水法中检测坑体积的测量耗时耗力,利用三维激光扫描技术可以快速计算检测坑体积,提高压实质量检测效率,而从扫描点云数据精确提取出检测坑点云数据是确保该方法计算精度的关键环节。本文提出了一种基于点云切片分割的堆石坝检测坑点云提取方法:首先对点云数据进行切片处理,然后采用单向搜索排序方法对每个切片点集进行点排序,最后采用一种基于切片点集排序序号的聚类分割方法分割每个点云切片,从而精确提取出检测坑表面点云。利用MATLAB编程实现了基于点云切片分割的堆石坝检测坑点云的快速提取,并通过堆石坝检测坑点云数据开展试验,验证了该方法的有效性。

基于三维激光点云的地面提取

实现汽车无人驾驶技术的关键在于精准地提取地面信息,现阶段主要采用启发式算法和点云分割手段来实现地面提取。为提升地面识别精度以及评估各类机器学习算法运用效率,本文使用了KNN、决策树以及支持向量机3种常见的机器学习分类方法对三维激光点云数据中的地面和非地面点进行识别分类。实验采用包含多重地物特征标记的城市场景3D点云数据集VMR-Oakland-v2进行模型训练,并使用训练后的模型对实采三维点云数据进行分类验证,结果表明,KNN和决策树模型取得了较好的提取效果,从模型大小和训练时间上来看决策树模型占用空间较大,效率较低也取得了较好的分类精度。

基于斜率的点云线段提取算法

在激光雷达(LiDAR)同步定位与建图(SLAM)中,特征点的提取是否准确决定整个系统中建图和定位精度高低。使用基于曲率的特征点配准存在无法对位姿充分约束的问题。针对这一问题,提出了一种基于斜率的点云预处理算法,可以快速提取点云中的线段(水平和竖直线段)。首先,对点云在水平方向通过角度,在竖直方向通过激光通道号进行序列化点云,并通过分区方差去除无效分区;然后,在水平和竖直方向提取直线段,并判断直线类别;最后,输出水平线段和竖直线段。实验数据分析结果表明:与之前的Fast算法、Efficient算法相比,处理速度达到150 Hz,配准效果要比直接使用原始点云效果更好。

基于车载LiDAR点云的道路提取方法

针对提取道路点云聚类方法存在欠分割、过分割的问题,提出了一种基于坡度滤波算法和改进欧式距离的区域生长算法相结合的道路点云提取方法。原始点云数据量大且繁杂,采用统计分析进行预处理,去除一定数量悬空的噪声,减少数据量;为防止点云数据精度损失,对预处理后的点云按照格网进行划分,结合坡度滤波算法,去除非地面点干扰,获取地面点云;以法向量夹角和欧氏距离为约束条件,采用改进的区域生长算法提取路面点云。使用两组不同场景下的车载点云数据进行试验,证明了该方法的有效性。

复杂背景下提出的改进卷积神经网络云检测方法

对遥感影像云检测面临的下垫面复杂、厚云与雪的光谱特征相似导致同谱异物等复杂问题导致的传统的单类地物提取方法在云提取上效果不佳,提出了一种复杂背景下的改进卷积神经网络的遥感云检测方法MSANet。通过在浅层加入膨胀卷积以扩大首次感知野范围,同时关注整体结构特征传递,在解码部分加入包含多头“软”注意力的空间信息建模模块,增强了网络对全局信息的感知能力。使用ZY-3、38-cloud、GF1_WHU数据集上进行验证实验,实验结果表明该方法在复杂背景下云雪混淆的遥感影像上表现优秀,模型能够更好地应对复杂背景下的云检测任务,有效的提高了模型的精度。

基于坡度滤波的无人机测绘点云特征提取与滤波分类研究

为提高无人机测绘点云数据的质量与利用率,利用坡度滤波技术优化设计无人机测绘点云特征提取与滤波分类方法;利用硬件设备获取无人机测绘点云数据,通过粗配准和精准配准两个步骤,实现对初始点云数据的配准工作;通过对无人机测绘点云数据的滤波处理,降低初始数据中的干扰项;利用坡度滤波技术提取无人机测绘点云数据的地形、纹理、形状等特征,根据特征相似度的计算结果,完成测绘点云的滤波分类。通过性能测试实验得出结论:与传统方法相比,优化设计方法得出点云数据的信噪比提高41.22,特征提取占比所有提升、冗余度得到明显降低,分类查全率和查准率分别提高了1.25%和2.1%。

基于非完整点云法线滤波补偿的散货船舶舱口识别算法

自动装船系统是智能化港口建设的重要组成部分,能够大幅降低港口作业成本,提高经济效益。舱口识别作为自动装船任务的首要环节,成功率和识别精度是后续任务顺利进行的重要保障。由于港口激光雷达的数目和角度等问题,采集所得船舶点云数据时常出现缺失;此外船舶舱口附近经常有大量物料堆积,会使采集到的点云数据无法准确表达舱口的几何信息。由于上述港口实际装船作业中时常出现的问题,显著降低了现有算法的识别成功率,对自动装船作业造成了不良影响,因此迫切需要提升在船舶点云中存在物料干扰或舱口数据缺失的情况下的舱口识别成功率。基于船舶结构特征与自动装船过程中采集的点云数据分析,提出了基于非完整点云法线滤波补偿的散货船舶舱口识别算法。在使用港口实际采集点云所制作的数据集上进行了实验验证,识别成功率和识别精度较Miao和Li的舱口识别算法相比均有提升。实验结果表明,所提算法既能对舱口内物料噪声进行滤除,又能对数据缺失部分进行补偿,能够有效提升舱口识别效果。

改进的区域生长算法在三维激光点云识别岩体结构面中的应用

交错分布的结构面构成了岩体中的薄弱部位,准确高效的岩体结构面识别和特征信息提取可为岩体稳定性评价提供重要依据。三维激光扫描技术可以极大地提高结构面勘测效率和精度,但目前主流的点云分析算法存在结构面边缘识别模糊、点云分割准确性不能满足结构面特征信息提取精度等问题。因此,考虑岩体结构面点云位置与其邻域的空间关系,利用KD-tree数据结构进行最邻近搜索的体素下采样,在稳健随机Hough变换的基础上改进了区域生长算法,通过多特征值对区域生长分割参数进行修正,依据点云法向量差值和特征终值进行结构面分割,实现了结构面产状、间距、延展度信息的提取。研究结果表明:与传统的主成分分析法和随机抽样一致法相比,在室内块体模型组成的24个结构面中,该方法在相同区域具有更高的识别率和准确率,既能在复杂变化的平面区域保证数据的完整识别,也能在平面的尖锐位置较好地分割边缘点云。利用该方法可以将24个结构面分为6组,并在识别数据中获取对应的结构面特征信息,与实际测量结果相比,角度信息误差约为1°,距离信息误差1cm以内。利用该方法在长江干流蟒蛇寨斜坡岩体中成功识别出3组结构面同时计算各组结构面间距与延展度信息,并采用赤平投影图分析不同结构面组对斜坡稳定性的影响。所提出的方法在室内模型及现场斜坡验证效果良好,可以为岩体结构面识别分割提供稳定且有效的技术支撑。