机载三维激光成像系统点云数据滤波与地面点提取算法研究

使用原始的las标准格式的雷达数据,首先根据激光的回波次数和反射强度信息进行滤波,经过初步滤波之后根据角度限制法则和窗口移动法进行地面点提取工作,使用Delphi编程语言实现了该算法,并使用不同的阈值对不同的数据进行了结果的对比。

优化EMD的卫星激光测高数据地面点直接提取算法

ICESat-2卫星是全球首颗光子计数激光雷达卫星,其探测性能达到了一个全新的高度。探测数据的处理是决定其最终产品质量的关键因素,而地面点提取是其中的一项重要工作。目前ATLAS激光测高光子数据普遍采用先滤波再分类的方法进行地面点提取,存在着受全局阈值影响大、提取地面点数量少的问题,提出一种基于优化EMD的地面点直接提取算法。该算法通过最大类间方差法对EMD算法进行了优化,并结合潜在地面点缓冲区和百分位数法从原始光子数据中直接提取出精确的初始地面点,在此基础上利用渐进加密法实现了其它地面点的准确提取。针对登封地区4轨ATLAS数据的实验结果得出,本文算法较改进的椭圆邻域密度法显著提高了正确地面点的提取数量,减小了信号点损失,并得到了与实际地面更加吻合的地表曲线,可为后续地形和植被分析提供更加准确的分类数据。

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。

采用延伸顶点的地面点云实时提取算法

针对室外环境下无人驾驶车辆的地面提取实时性差的问题,提出了一种利用三维激光雷达快速提取地面的方法。首先利用车载IMU和里程计对雷达点云进行校正,然后构建柱状极坐标网格地图,根据网格中点云分布的垂直连续性提取每个网格中的延伸顶点,根据延伸顶点的高度属性以及地面平滑一致性准则提取出所有的地面点。试验中使用Velodyne HDL-32E采集不同场景下的数据作为测试集,结果表明,该方法同现有的地面分割算法相比能够降低车辆自身运动造成的提取误差,避免出现过分割和欠分割,分割准确率约为98.2%,每帧处理时间能够稳定控制在33 ms左右。

基于渐进三角网的线路巡检点云地面点快速提取方法

[目的]在利用激光点云数据进行线路巡检过程中,获取的点云数据需要进行分类和提取才能进行更进一步的应用。其中地面点是线路巡检过程中一类重要数据,现有的基于渐进三角网的地面点提取方法能够准确的提取地面点数据,然而基于渐进三角网的地面点提取算法效率较低,无法对数据进行快速高效处理。[方法]针对此问题,提出了基于改进渐进伪三角网的线路巡检激光点云地面点快速提取方法。该在分析渐进三角网特征的基础上认为相比于待判断点所在三角网,与待判断点最近邻的三个点组成的平面与待判断点具有更强的相似性特征,因此采用K近邻算法计算与待判断点最近的三个点组成的平面,通过kd-tree的数据组织形式提高了搜索和插入效率。[结果]与基于渐进三角网的方法相比文章提出的方法的在保证提取精度的条件下极大的提高了地面点提取效率。[结论]实验证明:改进后的方法极大提高了地面点提取效率,能够满足电力巡检过程中海量数据快速处理的需求。

基于无人机载激光雷达数据的建筑物自动提取算法

针对机载LiDAR散乱点云数据量大、目标分类困难的问题,提出一种实现LiDAR点云数据中地面点云、植被点云和建筑物点云的全自动分类算法,并根据提取的建筑物点云数据自动提取建筑物轮廓和中心点坐标。具体理论算法为:首先基于渐进三角网的点云数据滤波算法分离出地面点云数据,然后根据植被点云法向量的各向异性采用模糊C均值聚类(FCM)方法分离植被点云和建筑物点云。对于分类后的建筑物点云,利用拓扑聚类的方法,对每个建筑物进行识别并提取轮廓和中心点。将该算法应用于栾川协心小流域的山洪灾害调查评价居民户建筑物位置和高程自动提取。应用案例表明:该方法提取速度快,提取精度较高,且适用于山丘区机载雷达数据建筑物提取和植被分类。

复杂环境下机器人多传感器融合定位方法

为了解决在斜坡、特征退化以及GNSS信号丢失等复杂环境下连续精确的定位问题,提出了基于地面约束的多传感器融合方案,用于提高SLAM算法的整体性能。首先提出了不同系统状态下的关键帧选取策略。通过在起始位置增加关键帧的数量,避免了因子图优化后产生的定位跳变,从而得到连续准确的位姿输出。同时,针对误差累积所导致回环检测失效,利用该关键帧策略,有效地增大当前帧的子关键帧集合,提高了回环检测算法的鲁棒性。其次,针对IMU在长时间运行后高度方向上漂移过大的问题,本文根据提取的地面点构建地面约束,并引入因子图中进行优化。最后,利用搭建的移动机器人实验平台,完成了校园不同场景的数据采集,验证本文算法的有效性,并在KITTI数据集与LIO-SAM算法进行了对比测试,通过误差分析表明本文算法具有更优的定位精度。