基于机载LiDAR的铁路工务设备及周边环境形变分析

提出一种基于机载LiDAR(Light Detection And Ranging)点云的铁路工务设备及周边环境形变分析方法,通过无人机机载LiDAR巡线系统获取铁路场景三维点云,对点云进行裁剪、去噪及配准;结合点云-点云比较方法与多尺度点云模型比较方法分别对工务设备及周边环境的形变进行定性与定量判断,并应用于邯长线(邯郸—长治)K130+874—K135+292区段。结果表明:该方法能够有效利用机载LiDAR铁路巡检数据,通过定性与定量的形变分析及时发现隐患。

机载LiDAR海岸地形测量技术及其应用

机载LiDAR测量技术发展迅速,应用日益广泛。概括了机载LiDAR测量技术发展、工作原理和应用现状,结合海洋测绘需求,论述了机载LiDAR技术应用的可行性、方法和精度,分析了海岸地形测绘应用的前景,为提高作业部门新技术的理论基础,推进机载LiDAR测量技术在海洋测绘领域的应用提供支持。

数字正射影像结合LiDAR数据在山区测绘中的应用

随着信息化社会的到来,现代水利测绘已经由传统测绘向信息化测绘发展,无人机技术应用于测绘行业推进了信息化测绘进程。本文探讨了如何有效利用无人机技术解决测绘领域在山区遇到的问题。固定翼无人机能及时获取地面数字正射影像数据,捕获裸露地面的平面和高程,但是无法获取植被覆盖下的地表高程信息,因此,本文通过机载激光雷达获取植被覆盖下的Li DAR点云数据;将二者数据相结合,再通过EPS软件生成三维地表模型,可以快速获取任何测区地物和地形数据,不仅提高了工作效率,还降低了外业劳动强度。

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R^2=0.78,RMSE=2.51m,模型验证的adj.R^2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R^2=0.64,RMSE=0.13,模型验证的adj.R^2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R^2=0.62,RMSE=10.88 t/hm^2,模型验证的adj.R^2=0.60,RMSE=11.52 t/hm^2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R^2=0.62,RMSE=11.11 t/hm^2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。

国产机载LiDAR数据采集与处理的质量控制方法研究

近年来机载Li DAR系统在国内不断发展,其测绘市场和应用领域不断扩大,提高并保证测绘精度在所难免,但是机载Li DAR系统是由多个子系统集成,各个子系统都会不同程度地引入误差,数据采集与处理的各个环节都会对最终结果产生影响。本文通过具体试验对国产机载Li DAR数据采集与处理过程中的质量控制方法进行了研究。

基于改进ICP算法的路侧双激光雷达数据融合

路侧感知是车路协同的重要组成部分,由于单一的路侧激光雷达存在垂直盲区、探测范围小、感知精度低、难以处理遮挡等问题,通常需要部署多个激光雷达。数据融合对多激光雷达来说是提高感知范围和精度、减少目标遮挡的重要方法。本文提出了一种改进的迭代最近点(Iterative Closest Point,ICP)算法来实现双激光雷达数据层的融合。该算法通过法向量关键点选取和错误点对的剔除来增加点云配准的精度,采用体素化网格下采样和KD-tree(K-dimension tree)加速对应点匹配来提高点云的配准速度。实验结果表明,改进的ICP算法与经典ICP和GICP(Generalized ICP)算法相比具有更高的配准精度和更快的配准速度。

结合LiDAR与RGB数据构建稠密深度图的多阶段指导网络

目的使用单幅RGB图像引导稀疏激光雷达(light detection and ranging,LiDAR)点云构建稠密深度图已逐渐成为研究热点,然而现有方法在构建场景深度信息时,目标边缘处的深度依然存在模糊的问题,影响3维重建与摄影测量的准确性。为此,本文提出一种基于多阶段指导网络的稠密深度图构建方法。方法多阶段指导网络由指导信息引导路径和RGB信息引导路径构成。在指导信息引导路径上,通过ERF(efficient residual factorized)网络融合稀疏激光雷达点云和RGB数据提取前期指导信息,采用指导信息处理模块融合稀疏深度和前期指导信息,并将融合后的信息通过双线性插值的方式构建出表面法线,将多模态信息融合指导模块提取的中期指导信息和表面法线信息输入到ERF网络中,提取可用于引导稀疏深度稠密化的后期指导信息,以此构建该路径上的稠密深度图;在RGB信息引导路径上,通过前期指导信息引导融合稀疏深度与RGB信息,通过多模态信息融合指导模块获得该路径上的稠密深度图,采用精细化模块减少该稠密深度图中的误差信息。融合上述两条路径得到的结果,获得最终稠密深度图。结果通过KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)深度估计数据集训练多阶段指导网络,将测试数据结果提交到KITTI官方评估服务器,评估指标中,均方根误差值和反演深度的均方根误差分别为768.35和2.40,均低于对比方法,且本文方法在物体边缘和细节处的构建精度更高。结论本文给出的多阶段指导网络可以更好地提高稠密深度图构建准确率,弥补激光雷达点云稀疏的缺陷,实验结果验证了本文方法的有效性。

旋翼无人机载激光雷达在农村不动产权籍调查中的应用

我国越来越重视农村的发展,目前各地都在积极开展农村不动产权籍调查工作,该工作时间紧迫,对数据精度要求较高。在农村不动产权籍调查中,本文针对传统外业全野外调绘所带来的低效率问题,提出了利用旋翼无人机载激光雷达进行调绘的方法,并且通过实例验证了该方法相较于传统测绘方式能够提高测绘的效率且测绘精度符合最终要求。

基于激光扫描数据正交投影分析的建筑物提取研究

激光扫描点云数据可以利用特定直观程序进行投影,帮助理解理数据中的建筑物结构。这类程序已经被广泛应用到自动建筑物模型建模中。该方法从高度直方图面元的分析中导出建筑物方位,并利用该方位产生点云的正交二维投影,其中屋顶平面作为点云的线。通过线跟踪算法提取表示这些平面的线段。在随后的处理步骤中,对线段进行延伸刨平,并且平面被用于分析与矩形形状的偏差。将两个或更多相邻平面分组以生成三维建筑模型。现有二维GIS数据可以用于该过程中以提供机载激光扫描数据集的可靠分割并且支持生成实际建筑物建模的假设。

LiDAR点云中快速提取建筑物的方法研究

研究了从LiDAR点云数据中快速提取建筑物的方法路线。首先通过滤波去噪从点云数据中获取数字表面模型DSM,再通过地面点数据分类获取数字地面模型DTM,将DSM与DTM相减得出对应实体主要为建筑物和植被等地物的规则化nDSM。再利用激光扫描线方向X变量值与高度函数值Z的导数值来确定LiDAR点云是否为建筑物类型,基于此理论对建筑物提取参数进行设置,从而快速提取出建筑物信息。通过实验数据论证并进行成果分析,结果表明本文方法具有较高的效率和准确率。

基于机载激光雷达与Landsat 8 OLI数据的亚热带森林生物量估算

快速、定量、精确地估算区域森林生物量一直是森林生态功能评价以及碳储量研究的重要问题。该研究基于机载激光雷达(Li DAR)点云与Landsat 8 OLI多光谱数据,借助江苏省常熟市虞山地区55块调查样地数据,首先提取并分析了87个特征变量(53个OLI特征变量,34个LiDAR特征变量)与森林地上、地下生物量的Pearson’s相关系数以进行变量优选,然后利用多元逐步回归法建立森林生物量估算模型(OLI生物量估算模型和LiDAR生物量估算模型),并与基于两种数据建立的综合生物量估算模型的结果进行比较,讨论预测结果及其精确性。结果表明:3种模型(OLI模型、LiDAR模型和综合模型)在所有样地无区分分析时,地上和地下生物量的估算精度均达到0.4以上,基于不同森林类型(针叶林、阔叶林、混交林)分析时地上和地下生物量的估算精度均有明显提高,达到0.67及以上。利用分森林类型模型估算生物量,综合生物量估算模型精度(地上生物量:R2为0.88;地下生物量:R2为0.92)优于OLI生物量估算模型(地上生物量:R2为0.73;地下生物量:R2为0.81)和Li DAR生物量估算模型(地上生物量:R2为0.86;地下生物量:R2为0.83)。

一种用于机载激光雷达波形分解的小波变换与广义高斯模型组合法

针对小光斑全波形机载激光雷达波形数据中叠加波难以解析和实测波形数据通常表现出展宽或尖峰形态的问题,提出一种基于小波变换与广义高斯模型的组合法(WT-GGM)来分解机载激光雷达波形数据。小波变换方法具有多分辨率分析的特性,在非平稳信号、微弱信号、瞬态信号及奇异信号的检测中显示出独特的优越性。广义高斯模型作为波形分量建模模型,通过调整其形状参数能有效地处理展宽或尖峰形态的波形分量。为了验证算法的有效性,分别对实验数据使用WT-GGM算法、商业软件常用的COG算法、GIPM算法和RGD算法进行分析,对比结果表明小波变换可以有效地从叠加波中检测出目标,WT-GGM算法分解出的目标数与GIPM算法和RGD算法结果基本相同,是COG算法的2倍。

结合深度学习的高光谱与多源遥感数据融合分类

高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低。一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR(Light Detection and Ranging)数据。通过将高光谱数据与多源遥感数据进行融合,可以弥补高光谱数据空间分辨率相对较低,空间特征不够丰富的缺点。近年来,基于深度学习的方法已经在遥感数据分类研究中取得了一定的进展。然而,由于深度网络的特征提取过程是一个自主的过程,往往无法精确的获取最有利于遥感数据分类的特征;同时,深度学习方法具有复杂的网络结构和大量的参数,往往会在分类训练过程中造成参数拟合困难。以上这些因素会导致分类效果不佳。针对这些问题,本文提出了一种将卷积神经网络CNN(Convolutional Neural Network)和纹理特征相结合的多源遥感数据特征级融合分类框架。该方法共3个步骤,首先,对高光谱数据或多源遥感数据提取纹理特征;然后,构造CNN,分别将原始高光谱遥感数据、原始多源遥感数据和第一步中获得的纹理特征作为深度网络的输入进行深度特征提取;最后,将分别提取到的深度特征拼接,并利用Softmax分类器进行分类。为了验证本文提出方法的分类效果,本文在休斯顿和塞特福德矿地区公开数据集上进行实验,并将该分类框架与支持向量机分类方法、像素级融合分类方法和特征级融合分类方法进行对比。由此可以分析得出,本文提出的基于深度学习的融合分类方法可以获得较高的分类精度。