低空机载LiDAR水面点云自适应分类算法研究

水陆点云分类是DTM生成、河流岸线提取等低空机载LiDAR应用领域面临的新问题,然而在岸滩等复杂扫描场景中,水陆点云的准确分类是一个公认的难题。在分析目前点云分类存在的缺陷基础上,提出了一种多元特征统计的自适应水陆LiDAR点云分类算法,该算法通过分析低空机载LiDAR水面点云的特点,针对性地设计了点云坡度、密度特征描述子;引入贝叶斯定理,建立了高程、坡度、密度隶属度函数;通过水、陆独立样本的t检验,确定隶属度函数的自适应权重;最终得到一个多元特征统计的分类模型,并基于训练样本的概率密度统计,确定了模型的自适应分类阈值。典型应用实例表明,在存在岸滩、内陆平地等复杂地形条件下,新算法都能达到99%以上的水陆点云分类精度。

基于改进DBSCAN算法的激光雷达水面目标检测

激光雷达点云是一种目标近距离密度大、远距离密度小的不均匀点云.DBSCAN聚类算法有邻域值ε和密度阈值Minpts两个重要参数,参数的选取比较困难.传统的DBSCAN算法,采用固定的邻域值ε和密度阈值Minpts难以对全部数据实现良好聚类,对密度不均匀的激光雷达点云数据集会出现近距离的目标欠分割、远距离的目标漏检的情况.针对上述两个问题,提出了一种自适应参数的改进DBSCAN算法,对每一个不同的点云数据采用独立的ε进行聚类.确定激光雷达相邻两根扫描线距离,再乘以相应的点云距离作为每一个点云的邻域值ε.计算点云每一个点的包含在ε邻域内的点数,统计点数的期望作为Minpts.通过统计近距离出现过分割或视为噪声的目标点云,计算其邻域值ε的最大值获得邻域值下限,防止近距离点云邻域值过小导致过分割的情况.仿真结果表明:改进的DBSCAN算法,既能够区分出近距离的障碍物,也可以对远距离的目标进行聚类.