结合TIN约束与密度聚类的机载LiDAR道路点云提取

针对机载LiDAR道路点云提取过程中自动化提取困难,停车场、水泥地以及与道路相连的地面点难以去除等问题,提出一种三角网约束与密度聚类相结合的机载LiDAR道路点云提取方法。在已有滤波结果的基础上,该方法首先根据道路点云样本的强度信息提取初始道路点,建立Delaunay三角网,运用三角网边长约束精化初始道路点;然后,通过密度聚类算法提取连通性较好且密度较大的独立三角网;最后,采用数学形态学算法优化道路边缘,确定最终道路点。实验选取国际摄影测量与遥感协会提供的两组城市机载LiDAR点云数据进行道路点云提取,结果表明:本文算法可以较好地进行道路点云的自动提取,且对不同类型的道路具有良好的自适应性,验证了算法的可靠性。

基于反射强度偏度平衡的道路点云提取算法

反射强度信息是机载激光雷达(Li DAR)系统所获取数据的重要组成部分,利用反射强度信息提取道路点云的主要难点在于道路点云通常包含在地面点云中,而区分道路点云与非道路点云的反射强度阈值较难获取。针对该问题,提出了基于偏度平衡的道路点云提取算法,该算法可以自动、准确、无参地确定反射强度阈值,进而获取纯净的道路点云。分别采取位于我国山西省某地和德国某城市的两组Li DAR点云数据来检验该算法在不同地理环境下的有效性。实验结果表明所提算法简单有效,并且能够得到良好的道路点云提取结果。

车载点云数据高速公路路面提取方法

利用车载激光扫描数据提取高速公路的道路边界时,不能以路沿作为边界。针对此问题,提出了一种车载点云数据高速公路路面提取方法。根据车载激光扫描数据的特点,设计了逐步提取到精细优化的处理流程。首先,利用改进的RANSAC算法,在条件约束下进行分区自适应阈值粗提取;然后,通过结合RANSAC阈值的形态学滤波和基于点云密度和强度的滤波,进一步进行道路精细提取;最后,利用边缘检测算法对道路边界进行优化,从而提取完整道路点云。利用实际点云数据进行实验,结果表明,该方法提取的道路点云的准确度、完整度、提取质量均超过90%。

计算机视觉在道路成像和坑洞检测中的应用研究综述

针对道路坑洞的自动检测和道路状况的客观评估问题,对计算机视觉技术在道路坑洞检测中的应用研究成果进行了全面综述。通常采用摄像机和各类深度传感器获取二维、三维道路数据实现道路成像,并基于计算机视觉技术开展坑洞检测,主要检测算法包括经典二维图像处理、三维点云建模与分割、深度学习及其混合方法,其中混合方法利用各类算法的优势,可大幅提高检测的准确性。然而,现有算法在坑洞检测领域取得良好效果的同时依然面临道路几何重建鲁棒性有待提升、算法复杂度高、模型效果高度依赖大规模良好标注数据集等诸多挑战,故未来应更多关注无监督的立体匹配算法及少样本的深度学习算法。

基于车载LiDAR点云的道路提取方法

针对提取道路点云聚类方法存在欠分割、过分割的问题,提出了一种基于坡度滤波算法和改进欧式距离的区域生长算法相结合的道路点云提取方法。原始点云数据量大且繁杂,采用统计分析进行预处理,去除一定数量悬空的噪声,减少数据量;为防止点云数据精度损失,对预处理后的点云按照格网进行划分,结合坡度滤波算法,去除非地面点干扰,获取地面点云;以法向量夹角和欧氏距离为约束条件,采用改进的区域生长算法提取路面点云。使用两组不同场景下的车载点云数据进行试验,证明了该方法的有效性。

道路全息测绘智能化提取方法研究

针对国内道路全息测绘制图软件的智能化提取程度低和准确性差、要素属性难以扩展等问题,本文提出了利用TOPODOT对道路点云进行数据处理,制作满足生产要求的全息测绘成果的方法。通过工程实例证明了TOPODOT在智能提取、要素属性自定义等方面的可行性;通过对5种地物要素的点位精度分析,验证了TOPODOT在点要素、线要素、面要素智能化提取结果中的准确性。

Road Surface Modeling and Representation from Point Cloud Based on Fuzzy Clustering

为从吵闹的点云当模特儿的自动道路表面的一个计划被介绍。点云的正常向量被本地飞机的距离加权的适合估计。然后，从噪音的道路表面的自动识别基于正常向量，平均值与是计算的模糊聚类被执行，点云的投射飞机被创造因此获得几何模型。基于归因各指的紧张的模糊聚类，道路表面上的不同目标为代表丰富的外观被分配不同颜色。这个无指导的方法在重建并且显示更好的道路表面在实验和表演伟人有效性被表明。

基于形态学滤波与轨迹探测的城市道路提取

车载激光扫描由于快速、高精度、高密度等优点,被广泛应用于城市三维数据的采集。由于城市场景点云数据量庞大、目标繁多,难以准确高效地提取城市道路点云。基于渐进式形态学滤波算法,提出了一种利用格网近似值代替三维空间点运算并自适应计算滤波参数的算法;在此基础上,根据城市道路的空间分布特征,利用扫描车的行驶轨迹信息,通过法向量聚类、距离约束、连续性分布约束的方法提取道路边界点,并经结果聚类、拟合生成精确的道路边界,达到了快速、准确提取道路点云的目的。实验结果表明,所提算法提取的道路边界的准确度、完整度和总体质量均大于90%,边界位置与检测值的差异小于3 cm。

车载激光扫描数据的高速道路自动提取方法

针对车载激光扫描技术存在数据量大、点云散乱、目标复杂以及地物相互遮挡等问题,该文提出一种从车载激光扫描数据中高速道路自动提取方法。①对激光点云进行基于扫描线的自适应滤波,剔除路面点。②对于滤波后激光点云数据,使用平滑度约束下的欧式聚类算法进行聚类。③对道路边界进行优化追踪,提取出完整的道路边界和道路面。实验结果表明,本文方法能够快速准确地提取高速公路道路边界和路面点云,提取结果的准确率、完整率和检测质量分别为97.52%、94.23%和92.69%。