基于径向梯度的车载LiDAR点云路面点提取

针对大规模车载LiDAR点云数据量庞大,以及因障碍物遮挡或道路起伏导致提取结果准确度欠佳且存在噪声等问题,本文采用一种基于径向梯度的车载LiDAR点云路面点提取方法。首先对点云数据进行预处理,包括直通滤波和体素滤波降采样;然后根据车载激光雷达的设备参数,将极坐标系下的点云投影至扇形格网内;最后以扇形格网为基础,提取基于移动窗口的径向梯度路面点,并利用最小二乘法对提取的路面进行平面拟合,优化提取结果。试验选取KITTI数据集用于提取路面点,结果表明,相较于其他路面点提取方法,本文方法稳健性强、准确度高,其中,路面点提取的平均准确度可达91.85%,平均完整度可达80.63%,平均精度可达75.25%。

基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法

道路标线的准确提取在高级辅助驾驶系统和高精度地图的开发中具有重要意义。针对现有的基于阈值的车载激光点云道路标线提取方法在反射强度与点密度分布不均、道路标线与路面对比度低时提取效果较差的问题,本文提出了基于多损失融合和混洗注意力的车载LiDAR点云道路标线提取方法。选取典型高速公路试验样区进行道路标线提取试验,并与常规方法进行了精度对比分析。试验表明,本文方法在道路标线提取精度方面优于其他方法,有望更好地服务于自动驾驶的高精度地图开发应用。

一种车载LiDAR点云道路提取深度神经网络模型

PointNet++在车载LiDAR点云道路提取中表现出优于传统方法的性能,但对于道路边缘的提取仍存在过分割或欠分割的现象。针对该问题,本文提出了一种改进的邻域增强编码网络——E-PointNet++,通过在特征提取前引入一个邻域增强编码模块,建立局部邻域内点与点之间的联系,以提高网络的道路边缘分割能力。在两个数据集上进行对比试验,E-PointNet++表现出明显优于其他方法的性能,准确性、完整性和检测质量均高于97%。该方法对于不同数据集和场景表现稳健。

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点。本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云。通过对两种典型路段进行试验分析表明,该方法用于提取城市道路边界点云效果较好,精确性与稳健性高,对今后道路边界线的提取起到借鉴作用。

基于车载LiDAR点云的建筑物三维建模

车载激光扫描技术作为一种新的数据采集方式,能够快速获取道路两侧建筑物和其他地物的位置、相关属性。实测点云数据丰富,信息量大,可应用于目前数字化城市的更新建设。本文将车载LiDAR点云数据作为研究的基础,将不同地物特征作为建筑物自动提取算法的依据,来完成对建筑物点云的自动提取;本文以某校区部分地物为例,提取其建筑物点云,将VsurMap和3D Max组合,对建筑物进行三维建模。

车载LiDAR点云中的建筑物特征提取

针对车载LiDAR点云数据处理复杂、时间长的问题,本文以地物不同特征值作为建筑物自动提取算法的依据,通过点云数据预处理、聚类分析等一系列流程最终实现一般建筑物点云的自动提取。通过两个实验区点云数据的提取与相应的实际地物进行精度分析对比,结果表明本文算法对实例测区环境下的不同建筑物点云提取具有较好的有效性,满足数字城市三维建模的精度要求。

基于车载LiDAR点云的建筑物三维建模及精度分析

车载激光扫描技术,作为一种较新的数据获取方式,可以快速获取道路两侧建筑物及地表物体的位置和相关属性,获取的点云数据丰富。传统的三维建模,数据获取时间长而且精度低,满足不了现代数字城市三维建模的快速更新,而建筑物是城市地物中主要的要素之一,其三维模型更是构成数字城市建设中三维模型库的基础。因此,本文以车载Li DAR点云为研究对象,提出一种基于车载Li DAR点云的建筑物自动提取算法,实现了一般建筑物点云的自动提取;然后根据提取的建筑物点云,结合3D Max进行建筑物的三维建模。

扫描线局部特征约束的车载LiDAR点云城市道路边界提取方法

城市环境下的车载LiDAR点云在道路边界提取时容易受到路边车辆、行人遮挡等影响,而造成伪边界点的生成和边界线的不连续。本文发现利用高程标准差约束能够有效的处理该类问题。本文首先进行数据预处理,包括点云分段及地面点滤波、基于相邻点间距离将地面点整合成扫描线存储;其次基于扫描线建立连续双窗口,采用扫描线双向移动窗口法,构造双窗口之间高差、夹角值、高程标准差3种约束条件获取候选路坎点,并根据道路边界的连续性采用密度聚类中的DBSCAN算法聚类去噪,生成较为连续且精确的路坎边界点;最后对边界断点区域计算累计曲率值和距离来判断该位置是否为路口,若边界线断点为路口不进行连接,反之,视为车辆或行人遮挡导致的断点,采用二次多项式曲线填补拟合,获得边界的数学参数模型。实验结果表明,在存在较多遮挡的城市环境下道路边界提取精度能够达到80%以上。

基于车载激光扫描点云的铁路隧道横断面提取

针对三维激光扫描技术在铁路隧道限界分析和收敛分析等应用中的关键的点云横断面的快速提取问题,提出了适应马蹄形铁路隧道的断面快速提取方法。该方法利用铁路钢轨来确定隧道横断面的方向,并利用RANSAC方法完成隧道断面点云的分类,完成铁路隧道边墙断面的提取。通过实际铁路隧道的车载Lidar点云对提出的方法进行试验。实验结果表明:该方法能够快速完成铁路隧道横断面快速提取,并验证了所提取的断面在隧道限界分析和收敛分析中的实用性。

基于LiDAR点云的铁路隧道横断面提取

针对三维激光扫描技术在铁路隧道限界分析和收敛分析等应用中关键的点云横断面的快速提取问题,本文提出了适应马蹄形铁路隧道的断面快速提取方法。该方法利用铁路钢轨来确定隧道横断面的方向,并利用RANSAC方法完成隧道断面点云的分类,并完成铁路隧道边墙断面的提取。通过实际铁路隧道的Lidar点云对提出的方法进行试验。实验结果表明,该方法能够快速完成铁路隧道横断面提取,并验证了所提取的断面在隧道限界分析和收敛分析中的实用性。

基于自投影注意力的城市道路点云智能识别

针对大规模城市道路点云环境中,道路典型地物识别效率不高的问题,提出了一种基于自投影注意力的三维点云模型U-RandLA,通过点云投影算法获取道路点云信息自投影图,采用二维图像卷积网络分支U-Proj提取该自投影图特征,生成注意力分布图,强化模型对典型地物的识别能力,提升了现有点云识别算法的重点区域感知能力;融合点云原始信息和具有大感受野的注意力分布图的特征,扩增模型初始感受野,解决现有算法感受野狭窄问题,提升对大尺度典型地物的信息提取能力。实验结果表明,U-RandLA模型对典型地物的平均识别准确率达到97.7%,物体平均交并比达到64.4%。帮助提升了实际项目的生产效率,已成功应用于浙江省、上海市、山东省、重庆市等城市道路部件的智能提取。

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。