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。

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。

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。

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。

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%。

基于平面几何特征约束的城市机载LiDAR点云精确配准算法

针对目前城市机载LiDAR点云数据在配准过程中存在的自动化程度低、效率低、配准结果易陷入局部最优等问题,提出一种基于平面几何特征约束的点云配准算法。该算法首先基于渐进形态学滤波算法提取非地面点,并依据点云平面度与粗糙度特征提取建筑物点云,然后通过欧式聚类与RANSAC算法提取建筑物点云平面特征,接着通过计算重心KD树与Hausdorff距离构建平面特征的相似性系数矩阵,同时引入双向一致性约束规则与平面法向量余弦相似性测度进行平面特征匹配,最后依据平面几何特征约束条件构建点云四元数坐标转换模型,实现了点云数据的精确配准。实验结果表明,相对于传统的人工选取同名平面特征的方法,本文算法的匹配效率、准确率和配准精度均有显著提高。

移动窗口下的LiDAR点云区域生长滤波算法

LiDAR滤波的方法中最小二乘内插法能够较好地获取地形趋势面,但是算法中无法根据地形自适应设置参数,在地形起伏较大的地区提取结果精度低,无法剔除大型建筑物和大面积且穿透率较低的植被,可能存在接收负粗差点、计算时间长等问题,利用最小二乘内插法滤波方法难以获取较高精度的结果。因此,本文提出了一种基于移动窗口加权迭代最小二乘拟合的区域生长滤波,即移动窗口下的区域生长滤波对LiDAR数据进行滤波。

机载LiDAR点云数据的组合滤波算法研究

针对采用渐进式形态学滤波算法进行机载LiDAR点云滤波时存在的滤波效果不佳、地形特征保留不明显的问题,本文提出了一种改进不规则三角网的后处理滤波算法,构建组合式机载LiDAR点云滤波算法。该组合算法有效地结合了渐进式形态学滤波算法与改进TIN滤波算法的优势,首先采用渐进式形态学滤波算法对原始机载LiDAR点云数据进行处理,提取得到初始地面点;其次优化传统TIN滤波算法,以初始地面点及种子点构建TIN,通过连续迭代提取得到精细化地面点。为验证本文提出滤波算法的可靠性与优越性,选取宁波市某地2组机载LiDAR点云数据进行实验,结果表明,与较单一的渐进式形态学滤波算法、TIN滤波算法地面点提取结果相比较,本文改进滤波算法提取地面点的Ⅰ类误差、Ⅱ类误差及总误差均更低,且不受地形条件限制,具有较高的适应性,验证了本文提出改进滤波算法的可靠性与优越性。

基于LiDAR点云的中国传统园林视觉空间定量分析方法——以寄畅园为例

【目的】中国传统园林空间复杂多变,传统的分析方法难以深入探索传统园林复杂的三维视觉空间特征。三维激光雷达(light detection and ranging,LiDAR)点云技术在传统园林空间研究方面具有精度高、信息全等优势,借助LiDAR点云技术深入探索中国传统园林视觉空间特征,可为现代人居环境空间营造提供借鉴与参考。【方法】基于LiDAR点云技术提出一套适用于中国传统园林视觉空间分析的方法,并以三维可视性、视野舒展度及景物视野占比3项指标量化描述视觉空间。【结果】以寄畅园为例,构建了寄畅园LiDAR点云体素模型,利用提出的方法对锦汇漪西侧滨水步道11个视点的视觉空间进行了量化分析,解析了寄畅园的视觉空间特征,并探究了该步道的空间感知序列。【结论】证实了利用LiDAR点云技术展开传统园林视觉空间研究的可行性与准确性,提出的方法可应用于其他传统园林视觉空间的分析研究中。

无人机载LiDAR点云密度对DEM精度的影响分析

无人机载LiDAR点云数据是目前生产DEM的重要数据源。为进一步提升DEM构建效率,本文选取平地和山地两类地形作为试验区,利用基于不规则三角网的点云抽稀算法,对滤波处理后的地面点云数据分别按照80%、60%、40%等7种地面点保留率进行抽稀,并用平均误差(ME)、标准差(SD)、均方根误差(RMSE)3个指标,对不同抽稀比例下生产的DEM成果进行综合精度评定。结果表明:(1)平地地面点云密度达2点/m^(2),山地地面点云密度达9点/m^(2)时,生产的0.5 m格网间距的DEM精度优于0.05 m;(2)随着地面点云密度的增加,DEM精度水平逐渐趋于稳定,当地面点云密度抽稀到1点/m^(2)时,DEM精度快速下降。针对无人机载LiDAR点云数据进行大范围工程化DEM生产任务,该研究结论对降低数据获取成本、提升DEM生产效率具有一定的指导和借鉴意义。

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。

机载LiDAR点云数据滤波方法研究

为了改善地形复杂区域机载激光雷达点云滤波效果,本文提出了一种结合布料模拟滤波与改进不规则三角网的机载LiDAR点云滤波方法。该方法实现机载LiDAR点云滤波的主要步骤为:首先,使用KD树算法将原始点云数据中的粗差剔除;其次,使用CSF对粗差剔除后点云数据进行滤波,滤除建筑物等高大地物点得到初始地面点;最后,使用改进的TIN算法对初始地面点进行进一步精滤波,得到最终地面点结果。为了对本文提出方法的有效性与优越性进行检验,使用两组实验数据进行滤波实验,结果表明本文点云滤波方法可有效降低Ⅰ类、Ⅱ类误差,对不同地形条件进行点云滤波均有较高的准确性。

基于机载LiDAR点云数据的建筑物三维模型重建方法

以机载LiDAR点云数据为研究对象,提出一套建筑物三维模型重建方法。首先使用渐进三角网滤波算法分类地面点与非地面点,通过训练完成的随机森林模型完成建筑物点云提取;其次将方向作为约束条件,使用随机抽样一致(Random Sample Consensus,RANSAC)算法完成建筑物轮廓线提取并获取屋顶关键点信息;最后使用SharpGL工具包,以建筑物轮廓线与屋顶关键点信息为框架重建建筑物三维模型。以实测机载LiDAR点云数据为例进行实验,结果表明,本文方法能够提取得到完整的建筑物轮廓信息,并具有较高的建筑物模型重建精度。

基于无人机载LiDAR点云数据的电力线提取方法

机载激光雷达(LiDAR)点云电力线提取过程中存在杆塔形状复杂、噪声影响大等问题,导致电力线点云提取精度低,本文提出一种基于点云分块处理、格网划分的曲面拟合滤波、自适应密度聚类算法的电力线点云提取与重建方法。首先,根据电力线走向,对整体点云进行分块处理;其次,在曲面拟合算法的基础上,引入格网划分思想,提出一种改进曲面拟合滤波算法并进行点云滤波;最后,通过给出自适应密度聚类解决方案精确提取电力线点云。借助点云库(PCL)、libLAS库与Visual Studio 2017 C++开发环境实现本文算法,基于实测点云数据对本文方法进行测试与精度评定。结果表明:电力线提取精确率为97.82%、召回率为99.76%、F1值为98.78%,一次便可实现电力线的成功提取,在保证提取精度的同时提升了提取效率,本文研究能够为电力线智能巡检提供良好的工程应用价值。

基于机载LiDAR点云数据的道路标识线提取方法研究

为了提高基于机载LiDAR点云数据的道路标识线分类精度,提高机载LiDAR点云数据的利用率,本文提出了一种从机载LiDAR点云数据中自动提取道路标识线的新方法。该新方法实现道路标识线自动提取的步骤为:首先,对原始机载LiDAR点云数据进行滤波处理,消除地物点对道路标识线点云提取的影响;其次,对道路面点云数据进行二维投影,获取道路点云数据的强度特征图,并根据标识线连通分析得到标识线边缘信息;最后,通过指定约束识别规则实现道路标识线的精细化处理。使用两组机载LiDAR点数据进行实验,结果表明,本文提出的新方法能够很好地获取道路标识线边缘与标识线点云,提取道路标识线的平均完整率与平均正确率分别为0.94、0.98,均优于对比方法实验结果,具有实用性强、鲁棒性好的特点。

基于机载LiDAR点云数据的建筑物三维模型重建方法研究

根据建筑物点云的分布特征,提出一种机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云;其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化处理建筑物轮廓线,通过屋顶分割算法提取建筑物屋顶信息;最后,使用SharpGL工具进行建筑物三维模型重建。以某地级市某地区机载LiDAR点云数据为例进行实验,结果表明该方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

海量机载LiDAR点云改进滤波算法研究

为了提高机载LiDAR点云滤波算法在点云滤波中的精度与效率,本文在已有的多级移动曲面拟合滤波算法的基础上提出一种多级多窗口移动曲面拟合算法(WHMCFA)。该改进滤波算法能够有效解决HMCFA滤波算法中存在的曲面拟合精度低、粗差率高等问题。同时,为了提高LiDAR点云数据的滤波效率,在WHMCFA的基础上设计并实现PWHMCFA并行滤波算法。将本文改进滤波算法应用于机载LiDAR点云数据滤波处理中,结果表明,与传统滤波算法相比,本文提出改进滤波算法的滤波精度更高,滤波效果更好。

一种基于无人机LiDAR点云的电力线快速提取方法

为了改变传统人力巡检长距离电力线效率低下的问题,提高生产效率,满足电网智能化管理需求,本文基于机载激光雷达(LiDAR)点云数据,采用凝聚层次聚类算法,利用C语言编程,实现了对电力线点云的快速和精确提取,并通过实例进行验证。结果表明,凝聚层次聚类算法对电力线点云提取的准确率达99.99%,避雷线最小拟合残差为0.11 m,电力线最小拟合残差为0.19 m,最大拟合残差为0.21 m,平均拟合残差为0.20 m。该算法的自动化实现过程,可提高电力线的巡检效率,获取较好的测试效果。

基于改进的数学形态学算法的LiDAR点云数据滤波

数学形态学在数字图像处理中有广泛的应用。首先介绍传统数学形态学算法的特点,对这一理论用于LiDAR点云数据滤波的不足进行了分析。在此基础上,对相应的算法进行扩展和改进,提出针对不同地形特点的自适应滤波算法。在数学形态学"开"算子的基础上,提出增加一个"带宽"参数用于点云数据滤波的方法。最后利用三组实际点云数据进行试验,以验证这一算法的有效性。

Lidar点云数据中建筑物的快速提取

Lidar技术可快速获取地表的高精度三维点云数据,目前对此类数据的分类却是速度慢、精度低,尤其是城市区域建筑物和树木靠得较近时更是难以准确提取建筑物.介绍了一种基于点云数据生成距离影像,而后引入对比度纹理辅助的点云数据建筑物快速提取方法.结果证明,该方法不需要其他辅助数据就能实现点云数据中建筑物的快速提取.