LiDAR点云自适应坡度邻域体系研究

邻域体系的定义对LiDAR点云分割至关重要,研究通过分析现有邻域定义方法及局限性,并在已有研究基础上引出Filin等人提出的自适应坡度的邻域体系,利用新的邻域体系计算LiDAR点的法向量,与TIN邻域的计算结果进行比较,实验结果表明新的邻域体定义方法可以有效提高特征参数的计算可靠性和精度,有利于LiDAR的后续处理和应用.

城区LiDAR点云自适应坡度的滤波算法

针对机载LiDAR系统所获取的离散点云中地面点与非地面点有效分离的问题,提出了一种适合城区分类的自适应坡度滤波算法。首先,充分考虑点云数据组织形式以及地表形态,借鉴基于坡度滤波的基本原理,实现坡度值的自适应更新。其次,该算法也是一个迭代更新的过程,在该过程中不仅可以更新坡度值,同时可以更新DTM,能够很好地顾及大尺度数据整体的地形起伏和局部细节。最后,采用3组不同类型的数据对算法进行定性或定量方面的分析,以验证该算法性能的可行性。

一种坡度自适应球型支座的力学性能研究

为解决桥梁桥墩偏位、支座滑移问题,根据桥梁设计上对支座的性能需求,研发了ZSY-QZ系列坡度自适应球型支座。与传统支座相比,坡度自适应球型支座通过改变结构形式、使用新型滑板材料、加大支座转角、调整限位方式来提高支座力学性能和转动性能。该种坡度自适应球型支座已在辽宁省高速公路高墩纠偏应急处理项目中得到应用,应用效果良好,验证了其功能,作用明显。

坡度自适应球型支座在桥梁高墩纠偏中应用效果研究

从理论上阐述了高墩、大纵坡T梁桥墩顶纵向偏移问题产生的机理,提出了坡度自适应球型支座设计理念。通过跟踪测量与分析,该球型支座可有效释放支座安装不水平导致的墩顶水平推力,进而减小桥墩竖直度偏差,改善桥墩受力状态,为该项技术的改进与推广应用提供科学依据。

分布式驱动电动汽车纵向车速非线性自适应估计

基于分布式驱动电动汽车,提出了一种纵向车速非线性自适应估计算法.该算法使用车辆加速度传感器信息和各车轮滑移率反馈值对车辆纵向车速进行估计.从理论上证明了纵向速度估计误差收敛.根据各车轮滑移率的大小确定各轮速估计误差在估计算法中的反馈修正比例.使用带遗忘因子的递推最小二乘算法在坡道路面对路面坡度进行了在线实时估计,进而使用坡度估计值修正纵向加速度传感器信息,实现了坡度自适应纵向车速估计.该方法具有计算量小、估计精度高的优点.通过多工况的实车试验验证了算法的有效性.

基于坡度自适应的机载LiDAR分割算法

本文提出了一种适用于离散LiDAR数据的区域生长算法:将离散点云数据重采样为规则格网,通过坡度自适应区域生长法分割规则格网,获得不同的面片;建立各个分割面片之间的拓扑关系,将分割面片划分为粗差、植被、建筑物和地面;检测原始激光脚点到DTM的距离,判断是否为地面点。文中采用ISPRS提供的测试数据验证了算法分割的有效性。

多源DEM融合的高差拟合神经网络方法

本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏,进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法,尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先,根据ICESat GLAS的相关参数及与DEM数据的高程差值,结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波,剔除异常数据点。然后,以ICESat GLAS数据为控制点,利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬度坐标作为网络输入,ICESat GLAS和ASTER GDEM v2的高程差值作为目标输出,训练得到预测高差,将其与ASTER GDEM v2高程值相加即可获得校正结果。最后,引入TIN差分曲面的方法,利用校正后的ASTER GDEM v2高程值对SRTM1的数据空洞进行填充,融合生成空间无缝DEM。本文通过随机选取数据进行真实试验,对模型进行了精度验证,并给出了处理结果的定量评价和目视效果。结果表明,不论是空洞还是整体区域,本文方法相比其他DEM数据集和其他方法的处理结果都能够在RMSE上表现出优势,同时,本文提出的方法能够有效克服ASTER GDEM中异常值的影响,得到空间无缝DEM。

LiDAR点云数据分割的自适应回波比率算法研究

回波比率描述了地物表面的激光点云在垂直方向分布的离散程度和穿透力,可用于分割建筑物和植被脚点。针对传统的回波比率计算方法受实体表面坡度的影响较大,通常随着地物表面倾角的增大,其计算值呈下降趋势,该文在B.Hfle自适应坡度回波比率算法基础上,通过对邻域体系分析发现3D与2D邻域的垂直方向参数尺度不一致才是造成倾斜表面回波比率减小的真实原因。采用不同的空间邻域进行回波比率计算,并在此基础上提出了改进的自适应坡度回波比率计算方法。较B.Hfle算法,改进后的方法无须计算局部表面坡度,仅调整3D邻域的垂直方向参数尺度就可适用于不同坡度倾斜屋顶表面。通过实测LiDAR点云进行试验验证,新算法的正确率和效率较原有算法都有较大的提高。

基于点的多尺度形态学重建滤波方法

针对现有机载激光雷达(LiDAR)点云滤波算法难以准确分离复杂地形中地面点与地物点问题,提出了一种基于点的多尺度形态学重建滤波方法 PMMF (Point-based Multi-scale Morphological reconstruction Filter)。在初始尺度层次下,PMMF通过构建一种基于点的形态学重建对原始点云滤波,即先在掩膜点云约束下借助k邻域结构元素和高程缓冲区反复膨胀标记点云,获取潜在地面点;然后通过自适应坡度方法剔除潜在地面点中的非地面点,其中,坡度阈值随地形复杂度自适应变化。在上层滤波结果基础上,PMMF通过提升种子点选择的网格尺度重复上层滤波过程,直至结果收敛。以国际摄影测量与遥感学会(ISPRS)发布的15组基准数据为研究对象,将PMMF滤波结果与近5年(2016年—2020年)提出的15种滤波算法比较表明,PMMF有8组数据滤波效果占优,15组数据平均总误差和Kappa系数分别为2.71%和91.08%。使用4种不同地形特征的高密度机载LiDAR点云数据进一步验证PMMF的滤波效果,并将计算结果与简单形态学滤波(SMRF)、布料模拟滤波(CSF)、渐进加密三角网滤波(PTD)和多分辨率层次滤波(MHF)比较。结果表明,PMMF滤波性能最优,平均总误差为3.24%,较其他4种滤波方法分别减小了12.0%、59.1%、70.1%和53.2%。