一种基于LiDAR点云栅格化的海岸线提取方法

针对当前从三维激光点云中提取海岸线方法的不足,提出了一种基于点云栅格化的海岸线提取方法。首先对点云进行去噪等数据预处理,然后直接将其栅格化生成更为平滑的海岸地形,最后采用中国近海海域潮汐精密模型,从栅格海岸地形中提取基于平均大潮高潮面MHWS(Mean High Water Springs)海岸线。实验表明:此处所提出的点云栅格化方法较当前方法提取的海岸线更可靠、合理,提取效率更高,同时也可用于其他辅助岸线的提取。

图像辅助激光点云的相似材料模型破裂边界提取

针对现有的相似材料实验观测方法获取破裂区域信息效率低以及数据处理复杂的缺点,根据模型点云呈面分布的特征,提出一种图像辅助激光点云的相似材料模型破裂边界提取方法.将模型点云栅格化生成合成图像,并建立点云与图像像素的映射关系,对合成图像进行灰度二值化处理,利用Canny算子提取二值化后图像的边缘,最后根据点云与像素的映射关系获取点云的破裂边界.研究结果表明:该算法可较好的提取出破裂区域的边界,提取的结果可以用于开采沉陷研究当中.

车载激光雷达点云快速栅格化算法研究及应用

针对车载激光雷达点云数据量大、密度高且存在分层错位和噪点等情况,提出了一种具实时性激光点云快速栅格化算法,该算法根据雷达扫描精度预设栅格单元大小,可在不丢失对象形状特征的情况下,能快速完成点云数据平滑及降采样处理,并将数据量缩小为处理前的60%。将该栅格算法处理后的点云数据应用于深度学习,作为pointnet++神经网络的训练集及测试集,完成语义分割模型训练与测试。实验结果表明,该算法可在1 s内完成上百万量级的点云栅格处理,并且经该算法处理后的点云数据能有效缩短训练时长、提升网络测试精度。

融合栅格与表面特征编码的轻量级点云分类网络

点云携带着丰富的三维特征,其分类问题一直是深度学习领域的热点。现有点云分类网络的精度已经较为理想,但参数量与计算量过于庞大,不利于实际场景下的部署。针对该问题,提出一种轻量级点云分类网络GridPoint。首先设计点云栅格化模块Gridding,根据点的坐标位置进行栅格区域划分;然后扩展坐标的高次项函数,对原始点云进行表面特征编码,增强对轮廓特征的表达;最后使用两次全局池化完成局部特征的提取与全局特征的聚合。使用经典点云数据集ModelNet40、ShapeNetCore与真实数据集ScanObjectNN进行分类与消融实验。实验结果表明,GridPoint的分类精度接近PointNet++等主流网络,差距在0.3%~2.3%之间;网络参数量与计算量分别为0.11 M与0.05 G,相较主流网络分别减少了81.7%和88.9%以上,在轻量化方面优势显著,具有良好的实用价值。