基于机载LiDAR技术植被茂密区小型滑坡识别与评价

山体滑坡会导致生命和财产损失,获取完整的滑坡空间分布图及对易发区域的准确判定有利于指导生产、生活和生态空间优化。在滑坡调查过程中,茂密的植被覆盖使滑坡调查难度加大,机载激光雷达(light detection and ranging,LiDAR)技术的穿透能力使真实地形特征得以呈现,从而实现植被茂密区滑坡识别。该文通过仿地飞行获取研究区LiDAR点云数据,基于点云数据得到数字高程模型(digital elevation model,DEM),在山体阴影分析、彩色增强显示及三维场景模拟基础上,识别出区域内已有滑坡的位置与规模,经野外核实,滑坡解译精度为86.4%。针对滑坡易发区评价问题,以现有滑坡为样本,首次采用遥感分类思维开展滑坡易发区划定,采用小区域内与滑坡发育有关的高程、坡度和地表起伏度组合成影像,以支持向量机为分类方法,判定出滑坡易发区域,经滑坡检验样本分析,滑坡识别精度为81.91%。研究表明:基于高精度的LiDAR数据及其视觉增强后的图像能识别小型滑坡,采用支持向量机分类法可以准确确定滑坡易发区,为下一步三生空间规划与优化提供依据。

基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法

断裂带与地震、滑坡等自然灾害的发生有着密切关系,精准提取断裂带不仅可为地震断层的定量化研究提供指导,还可为地震灾害风险评估及防震减灾决策的制定提供科学依据。针对现有方法中LiDAR点云断裂带提取不完整、连续性差及错误率高等问题,文中提出了一种基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法,以便更好地解决复杂地形区域的断裂带自动提取问题。该方法首先构建不同空间尺度的邻域点集,从而更全面地考察点云的局部几何结构特征。考虑到RS-Conv算子能够很好地表征中心点与邻域点的空间关系,文中以RS-Conv算子作为卷积模块构建了多尺度神经网络模型,以提取出LiDAR点云不同尺度的深层次特征,对其进行堆叠并输入到全连接层,以完成对断裂带点的提取。最后,在ISPRS点云数据集、川滇点云数据集和鲜水河数据集上对文中所述方法与张量分解方法和Deep Neural Networks(DNN)方法进行了对比实验,结果表明,文中方法的分类精度最高,分类总误差最低仅为0.3%,较其他方法降低了0.91%~2.79%,证实了该方法在点云断裂带提取方面的优越性。

智航无人机载LiDAR系统在轨道交通建设中的应用分析

为了减少轨道交通建设外业勘测的工作量,提高制图的效率和精度,本文首先基于实际项目,选用智航SF1650六旋翼无人机载LiDAR系统对济南新东站片区进行航摄,利用获取的LiDAR点云和影像数据制作DEM、DOM,然后再进行大比例尺地形图和片区断面图的制作。通过外业勘测核实,DEM和DOM精度完全满足轨道交通建设工程制作大比例尺地形图的要求,且相较于传统立体航测,精度和数据利用率得到很大的提升,极大减少了外业勘测工作量,验证了智航SF1650无人机载LiDAR系统的可行性,为今后的工程应用提供了参考方案。

基于IMU-LiDAR紧耦合的煤矿防冲钻孔机器人定位导航方法

防冲钻孔机器人是冲击地压矿井卸压的关键设备,其在复杂卸压巷道的精确地图构建和的稳定导航是实现钻孔作业智能化的基础和前提。在分析激光雷达点云畸变成因和同步定位与地图构建(SLAM)算法缺陷的基础上,设计了基于惯性测量单元(IMU)连续时间轨迹的点云畸变矫正方法,建立了激光雷达和IMU的数据融合模型,提出了基于IMU-LiDAR紧耦合的防冲钻孔机器人定位建图方法。根据煤矿卸压巷道特点建立了密闭坡道模型,开展了建图效果仿真分析,结果表明,所提算法在定位精度、轨迹误差方面均优于现有常用算法。在此基础上,设计了基于改进人工势场法和快速扩展随机树的动态路径规划方法,建立了适用于防冲钻孔机器人的路径规划与导航融合方案,并设计了2种仿真运动场景,结果表明,所提路径规划方法在全局路径规划和动态路径规划的平均路径长度、平均运行时间、平均生成节点数等方面均具有较好的综合性能。为了进一步验证防冲钻孔机器人定位导航方法的实用性,在校内模拟巷道、地面实验基地和井下卸压巷道等场景下开展了多组对比实验,结果表明:将IMU数据与LiDAR数据紧耦合后,所提方法的定位建图精度明显提高,在特征退化场景中具有优越的定位建图性能,且规划路径的运算效率和路径代价方面均具有良好的表现,验证了所提定位导航方法在多种场景中的可行性和优越性。

一种DEM辅助下的LiDAR点云PTD滤波改进算法

针对传统渐进加密不规则三角网(PTD)滤波算法在复杂地形环境下需要反复调试地面点判断参数才能获得较好结果的局限性,以往期DEM数据提取的地形高程和地形梯度为辅助,改进PTD中初始地面种子点的选取方法,优化地面点判断参数,并对往期DEM数据和现势LiDAR点云数据之间的地形变化进行检测和处理,适用于不同坡度地形条件的复杂地形,滤波效果较好。对比分析实验数据精度可知,该算法能有效降低I类与II类误差,且样本分类精度均在90%以上,说明DEM辅助可切实提高PTD滤波算法的精度。

改进的密度聚类精确自适应提取LiDAR电力线点云方法

原有邻域半径r_(Eps)与密度阈值p_(MinPts)两个参数的初始赋值导致电力线点云的提取结果存在不确定性,在密度聚类的基础上增添了点云簇类自适应判别方法,该方法避免人员重复测试初始参数的繁琐过程,采用C++语言完成了对该算法电力线精确提取及电力线拟合程序的开发与测试。结果表明:改进后的密度聚类法在电力线点云提取的损失率仅0.02%,三维重建残差为0.213 m;该方法大幅提高了电力线点云提取的准确性与便捷性,适用于高压电力走廊的电力巡检与三维重建等工作。

基于车载LiDAR的交通标线自动提取方法研究

针对自动驾驶技术对高精度道路信息实时存储分析的需求日渐增大、道路点云数据冗余离散的问题,本文提出了一种从车载LiDAR点云数据中自动提取道路面、分类并矢量化交通标线的有效方法。首先,将点云数据中的非地面点滤除;其次,基于载体车辆的行车轨迹线生成伪扫描线实现道路面的提取;然后,构建一系列二维点云参考影像,利用点云强度等特征信息检测交通标线边界像素点及坐标,并去除离群值对交通标线进行分类细化;最后,对本文方法提取与传统方法提取的交通要素进行对比,实验结果表明,本文提取方法的准确度及效率都有了一定的提升。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。

LiDar点云指导下特征分布趋同与语义关联的3D目标检测

针对现有基于伪点云的3D目标检测算法精度远低于基于真实激光雷达(Light Detection and ranging,LiDar)点云的3D目标检测,本文研究伪点云重构,并提出适合伪点云的3D目标检测网络.考虑到由图像深度转换得到的伪点云稠密且随深度增大逐渐稀疏,本文提出深度相关伪点云稀疏化方法,在减少后续计算量的同时保留中远距离更多的有效伪点云,实现伪点云重构.本文提出LiDar点云指导下特征分布趋同与语义关联的3D目标检测网络,在网络训练时引入LiDar点云分支来指导伪点云目标特征的生成,使生成的伪点云特征分布趋同于LiDar点云特征分布,从而降低数据源不一致造成的检测性能损失;针对RPN(Region Proposal Network)网络获取的3D候选框内的伪点云间语义关联不足的问题,设计注意力感知模块,在伪点云特征表示中通过注意力机制嵌入点间的语义关联关系,提升3D目标检测精度.在KITTI 3D目标检测数据集上的实验结果表明:现有的3D目标检测网络采用重构后的伪点云,检测精度提升了2.61%;提出的特征分布趋同与语义关联的3D目标检测网络,将基于伪点云的3D目标检测精度再提升0.57%,相比其他优秀的3D目标检测方法在检测精度上也有提升.

机载LiDAR点云数据的建筑屋顶面提取算法

针对机载LiDAR点云数据的屋顶面提取过程中因受植被影响导致提取精度低的问题,提出了一种基于区域生长的屋顶面点云提取算法。进行滤波处理得到非地面点云,利用屋顶面点云邻域特征信息提取屋顶面种子点,引入植被指数和RGB差值信息作为生长约束条件对屋顶面点云进行生长分割,利用屋顶面的高程与面积值对提取结果进行过滤优化,得到屋顶面点云。选取了农村、城市、工厂三组不同场景的测试数据进行实验,结果表明:Kappa系数分别达到了97.29%、97.82%、97.13%,算法可实现较好的建筑屋顶面提取效果,且针对不同建筑场景具有良好的适应性。

基于MLS LiDAR点云提取桃树结构参数

为构建数字化果园并提高智能化管理水平,探索基于MLS LiDAR提取桃树结构参数的方法。使用背包搭载多平台激光雷达采集展叶期桃园点云数据,采用改进K-Means聚类算法分割单棵桃树点云;对部分存在空洞的枝条点云上采样,得到较高密度枝条点云数据;使用不同直径的圆柱拟合重建桃树定量结构模型(QSM),提取桃树5项结构参数。结果表明:该方法能实现桃树精准三维模型重建,重建后提取的冠幅值、株高、主干直径、一二级枝条长度与实测值决定系数分别为0.779、0.939、0.978、0.965、0.986,均方根误差分别为0.280 m、0.076 m、0.003 m、0.066 m、0.068 m;平均相对误差为8.6%、2.5%、3.2%、2.6%、8.4%。研究结果可为桃园智能化管理提供数据支撑。

GNSS/IMU/LiDAR融合定位研究

为提升低成本卫星接收机和惯性测量单元(inertial measurement unit,IMU)条件下传统组合导航定位的抗干扰性和定位精度,本文通过融合GNSS、IMU、激光雷达(laser radar,LiDAR)来提高定位的鲁棒性及定位精度.在高楼遮挡等复杂环境下由于卫星信号丢失导致卫星定位结果降低,可通过GNSS与IMU的组合来提升导航定位的鲁棒性及其精度.如果卫星信号缺失时间过长,那么低成本条件下的GNSS/IMU组合定位精度仍不理想,本文提出利用LiDAR里程计输出的位置信息与传统组合导航通过扩展卡尔曼滤波(extended Kalman filter,EKF)进行融合定位.实验得出:在无遮挡的环境下融合定位标准差(standard deviation,STD)精度较之卫星定位提升53.7%,均方根误差(root mean square error,RMSE)精度提升56%,较之GNSS/IMU组合定位STD精度提升37.9%,RMSE精度提升38.6%.在有遮挡的环境下融合定位STD精度较之卫星定位提升59.4%,RMSE精度提升71.3%,较之GNSS/IMU组合定位STD精度提升26.3%,RMSE精度提升33.7%.

协同随机森林方法和无人机LiDAR空谱数据的盐沼植被“精灵圈”识别

“精灵圈”作为一种典型的空间自组织结构,对盐沼植被生态系统及其功能有重要影响。获取“精灵圈”的空间格局及时空变化,可为厘清其生态演化机理提供重要科学支撑。本文基于随机森林机器学习方法,结合无人机激光雷达(LiDAR)点云的空间信息与光谱信息,对盐沼植被“精灵圈”进行智能识别与提取。首先,利用激光雷达方程和Phong模型,消除距离、入射角以及镜面反射效应对强度数据的影响,并且通过校正后强度数据滤波分离植被点云与地面点云。然后,构造系列空间特征及几何变量,利用随机森林算法,对植被点云中的正常植被和“精灵圈”进行分类。结果表明:该方法无需人工经验设置参数,能够精确地从无人机LiDAR三维点云数据中快速自动识别“精灵圈”,总体精度为83.9%。本文为“精灵圈”时空分布反演提供了一种高精度的方法,也为基于机器学习的三维点云数据处理提供了技术借鉴。

林区机载LiDAR点云的多分辨率层次布料模拟滤波

针对现有机载LiDAR(light detection and ranging)点云滤波方法在地形起伏剧烈的林区适用性不足的问题,提出一种多分辨率层次布料模拟滤波方法。首先,通过多尺度形态学开运算选择大量种子地面点;然后,基于种子地面点,使用布料模拟法由低至高逐层构建参考地形,以快速获取高分辨率参考地形;最后,基于点至参考地形的高差区分地面点和非地面点。利用国际摄影测量和遥感学会提供的数据集和参考方法,评估该方法性能。利用在中国、美国多个代表性林区的点云数据,评估该方法的可推广性。结果表明,该方法的Kappa系数和运行时间是83.72%和34.11 s,精度和效率较经典布料模拟滤波方法提高10.49%和52.17%。相比8种参考方法,该方法能够获得更高精度,并且具有稳定的可推广性。

基于LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。

一种改进的机载LiDAR数据构建DEM地面种子点选取方法

针对机载激光雷达(LiDAR)数据使用传统方法获取的地面种子点密度低,种子点之间空白区域的地形信息缺失,不利于后续提取地面点和构建高质量数字高程模型(DEM)的问题,本文提出了一种基于新的网格遍历规则的地面种子点选取方法。与传统方法中的起始网格在X和Y方向上每次移动1个规则网格宽度不同,该方法每次移动1/2个网格宽度,增加规则网格数量,获取的地面种子点个数相较于传统方法提高约200%,可补充种子点之间空白区域的地形信息,有利于提高后续点云数据处理的精度和相关产品的可靠性。

基于倾斜影像和机载LiDAR点云的城市级实景三维模型生产技术

随着实景三维中国建设的推进,目前城市级的实景三维模型重建已成为研究重点。城市级的倾斜摄影测量建模,存在数据处理量大、涉及地形复杂多样和由于视线遮挡导致模型变形等问题。针对这些问题,本文总结了融合倾斜影像和机载LiDAR点云数据进行城市级实景三维模型重建的全技术流程,并以中山市为例进行了验证。结果表明,本文提出的全技术流程可以有效提高城市级实景三维模型的重建效率和质量。

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%。

基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%~40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。