一种复杂地形场景点云的WOA-CSF自适应性滤波方法

为解决布料模拟滤波算法(CSF)自适应性不高的问题,提出了一种基于鲸鱼优化算法(WOA)和自适应参数调整的改进CSF算法(WOA-CSF)。本文首先构造以误分类点云误差率最小为标准的适应度评价函数,然后采用WOA算法对CSF算法的四个参数进行自适应寻优,构建了WOA-CSF滤波算法,最后开展了WOA-CSF算法与CSF算法滤波实验的对比研究。实验结果表明:WOA-CSF算法在城市、乡镇、村庄和山区等四种复杂环境下平均Kappa系数从68.33%提升到81.54%,平均总误差率从10.54%下降到6.62%,平均I类误差率从25.87%下降到6.77%,在复杂场景下较好地滤除非地面点的同时,又极大程度上保留了地形特征。

基于车载激光点云的城市道路标线提取方法

针对车载激光点云道路标线反射强度特性,提出了一种基于车载激光点云的城市道路标线提取方法。具体而言,首先提出一种联合布料模拟滤波和高差偏度平衡的地面滤波方法,利用偏度平衡滤波的自适应性,剔除布料滤波后残留的低矮植被的问题;随后利用基于法向量密度聚类以提取路面点云,并通过反距离加权插值将路面点云转为强度特征图;为了缓解标线提取出的锯齿状现象,引入快速引导滤波来平滑道路标线的边缘信息;最后采用最大熵阈值分割和形态学比值滤波对道路标线进行精化处理。实验表明,该方法能够有效地提取出道路标线点云,提取的平均召回率为80.98%,平均准确率为96.89%,平均综合评定指标为88.19%,能够利用道路标线点云强度信息较为完整地提取出道路标线点云。

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。

面向复杂山区微地貌的手持LiDAR点云滤波方法比较

本文以手持激光点云数据是否可用于进行复杂山地土壤侵蚀和地表剥蚀测量为典型实例,试验对比分析了渐进加密三角网滤波算法、坡度滤波算法及布料模拟滤波算法在地面激光雷达点云分类中的性能。具体分别采用了3种滤波对应的参数对试验数据集进行测试以获得最高性能,并对比分析而获得每种算法的最优滤波。试验结果表明:对于平缓裸露地貌的滤波处理,布料模拟滤波效果最好,渐进加密三角网滤波次之,坡度滤波算法效果最差;对于复杂山地地貌的滤波处理,渐进加密三角网滤波算法滤波效果最好,布料模拟滤波次之,坡度滤波算法效果最差。试验研究成果为优化滤波算法的参数以提高其检测微地形变化的性能提供了有价值的信息,并验证了渐进加密三角网滤波在复杂地区滤波效果的有效性。

基于车载激光雷达点云数据的预处理研究

随着人们对数字化城市的探索以及点云数据获取方式飞速的发展,点云已成为继二维栅格的影像数据和结构化的矢量地图数据后的第三类空间数据,具有最接近物理世界刻画的数据表征能力。点云数据的预处理包含点云下采样、点云去噪和点云滤波等,点云预处理是后续进行点云分割、三维重建等操作的关键步骤。以车载激光雷达点云数据为研究内容,提出布料模拟滤波算法对车载点云数据进行滤波操作,并与数字形态学滤波和坡度值滤波进行对比,结果表明布料模拟滤波算法的Ⅱ类误差在10%以内,要小于其余两种算法,且参数设置较为简单,更有利于点云归一化。

基于布料模拟滤波和点云泊松曲面重建技术的土方量计算方法研究

提出了一种基于布料模拟滤波和点云泊松曲面重建技术的土方量计算方法,该方法首先通过靶标将多站数据进行配准,获得测区的整体点云数据,然后采用布料模拟滤波算法(Cloth Simulation Filter, CSF)剔除植被等非地面点,获取地面点云,第三,采用泊松曲面重建的方法对地面点云进行三维重建,依据设计要求,通过设置格网宽度得到三维模型的体积,从而实现区域土方量计算。最后,通过选择多阶次拟合来分析格网尺寸对土方量计算精度的影响。

车载激光点云组合滤波算法

为了解决传统车载点云滤波算法无法有效剔除地形坡度较大区域非地面点的问题,本文结合布料模拟滤波(CSF)算法与传统不规则三角网(TIN)的特点,提出一种基于CSF算法的改进TIN滤波算法。首先,使用CSF算法对原始点云进行滤波处理,获取初始地面点;其次,使用改进TIN滤波算法对CSF算法滤波结果进行进一步滤波,通过邻域卷积和选取种子点与构造虚拟种子点,根据滤波次数改变格网大小进行迭代滤波。使用两组地形条件不同的城市道路点云进行试验,对比不同滤波算法的滤波结果。结果表明,本文提出的组合滤波算法能够有效弥补单一滤波算法的不足,能够较好地适应城区情况。

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。

基于车载激光点云数据的城市道路面提取方法研究

随着智慧城市建设的不断发展以及城市交通管理难度的日益增加,准确获取道路信息的研究已成为热点。本文针对城市结构化道路的空间特征,提出了一种基于车载激光扫描点云数据的道路面提取方法。该方法实现道路面提取的有效步骤为:首先对原始车载点云数据进行抽稀、降噪等预处理,使用一种布料模拟滤波(Cloth Simulation Filter, CSF)算法对预处理后点云数据进行滤波,去除非地面点对后续算法的影响;其次,使用主成分分析法估算得到各地面点局部法向量与曲率值;最后,使用改进的区域生长算法,结合各参数设置实现道路面点云的精确提取。通过两段实测数据对本文提出方法进行检验,实验结果的完整性r、准确性p以及检测质量q均在94%以上,表明在不同点云场景下,使用本文方法均能得到良好的提取结果,具有较高的适应性。

基于道路扫描点云数据的城市道路标线提取

提出了一种基于车载激光扫描点云的道路标线提取方法。该方法实现道路标线提取的流程为:首先,为尽可能减少无用点云数据对道路标线提取的影响,使用布料模拟滤波(Cloth Simulation Filter,CSF)算法提取地面点,滤除非地面点,并利用基于法向量的区域生长算法提取得到路面点;其次,将路面点投影为强度特征图,根据标线几何特征提取标线边缘;最后,根据道路标线边缘信息实现标线候选点提取,并利用高斯混合模型(Gaussian Mixture Model,GMM)将噪声点剔除。使用两段道路点云数据对本文方法进行验证,结果表明本文方法提取道路标线点结果的精度指标均优于对比算法提取结果,能够提取较为完整的道路标线。

车载激光扫描点云数据的道路标线自动提取方法

随着无人驾驶、智慧城市建设技术的发展,能够高效、准确地提取城市道路标线尤为必要,本文根据道路标线在车载激光扫描点云空间场景中的强度特征以及几何形态,提出了一种联合布料模拟滤波(CSF)算法、强度特征图像以及边缘检测的道路标线提取新方法。首先利用CSF算法从原始车载点云数据中提取出地面点;其次将地面点转换生成强度特征图像,基于强度特征特性图像进行图像边缘检测以及连通分析提取的标线边缘;最后引入高斯混合模型(Gaussian mixed model)对标线候选点进行分类,剔除地面噪声点。为检验本文提出算法的效果,使用两种不同类型道路点云数据进行实验,结果表明,本文提出算法道路标线提取结果的平均完整率、准确率以及综合提取质量分别为92.5%、85.9%、89.0%,均优于对比模型,验证了本文提出算法的可靠性与优越性。

结合CSF和TIN的机载LiDAR点云滤波算法

为了提高传统的不规则三角网(triangular irregular network,TIN)中初始种子点的选取效率问题,文章提出一种布料模拟滤波(cloth simulation filtering,CSF)与TIN结合的机载激光雷达(light detection and ranging,LiDAR)点云滤波算法。首先去除机载LiDAR点云中的粗差点,对去除粗差点后的点云使用CSF算法以获取初始地面点,然后对初始地面点通过改进的TIN算法构建三角网,同时连续迭代进而获取最终地面点。实验选取国际摄影测量与遥感学会网站的3组测试数据进行滤波,结果表明该算法能够在坡度较大的区域降低Ⅰ类误差,并将Ⅱ类误差控制在一定范围内,验证了该算法的可靠性。

基于多波束点云空间变换的布料模拟滤波算法

为解决传统布料模拟滤波算法在陡坡处存在过度滤波的问题,基于多波束点云的特点提出了结合空间变换的布料模拟滤波算法。该算法通过空间变换对点云高程进行等比例压缩,使各类地形变得平坦后再进行布料模拟滤波。结果表明,该算法与传统布料模拟滤波算法相比,在多种水下地形中滤波效果均更好,Ⅰ类误差下降至0.98%,总体误差仅1.78%,生产出的DEM产品与实际高程接近,能满足多波束水下地形测绘的生产需要。

单体建筑物点云数据的CSF净化处理

从场景整体点云数据中提取单体建筑物的点云是建筑物单体三维建模的基础。然而,现有点云提取方法在提取建筑物点云数据时往往包含部分植被、地面等非建筑数据点,不利于建筑物对象建模。针对该问题,本文提出使用CSF方法对初步提取的建筑物点云数据进行净化处理。该方法首先将场景点云数据投影生成点云图像,根据图像特征初步提取单体建筑物点云数据;然后对获得的单体建筑物点云数据采用CSF方法进行净化处理,可以获得较为纯净的单体建筑物点云数据。本文以南京师范大学仙林校区部分区域为研究对象对该方法进行了验证。结果表明,该方法可以较好地对建筑物点云数据进行净化,得到较为纯净的单体建筑物点云数据,为基于点云数据的建筑物单体模型构建打下了良好的基础。

一种基于CSF-WOA-LSSVM的匹配点云土石方量计算方法

土石方量的获取在各工程项目中占据着重要地位,为了提高无人机倾斜摄影测量技术在土石方量计算中的工作效率、成果精度,提出一种基于CSF-WOA-LSSVM的匹配点云土石方量计算方法。该方法首先通过布料模拟滤波(cloth simulation filtering,CSF)对匹配点云进行地面点提取,可有效剔除噪声点和非地面点;然后利用最小二乘支持向量机(least squares support vector machine,LSSVM)对滤波后的地面点空洞进行插值修复,并引入鲸鱼优化算法(whale optimization algorithm,WOA)对LSSVM插值模型中的正则化参数和核函数参数进行优化;最后将插值修复完成的地面点导入南方CASS软件进行土石方量计算。应用该方法与CSF-LSSVM法、CSF-Kriging法以及RTK土石方量实测数据进行对比分析,结果表明,该方法的准确性优于其他2种滤波插值方法,相较于RTK土石方量实测结果,差值比为1.38%,完全符合土石方量计算的规范要求,并提高了工作效率。

基于CSF的无人机影像数据点云滤波算法实现与应用

基于无人机影像匹配点云数据技术,提出利用布料模拟滤波算法(Cloth Simnlation Filter,CSF)进行点云滤波计算,结果表明:布料模拟滤波算法在点云滤波匹配过程中,仅需要对六个参数进行简单设定就可以达到预期的地面点和非地面点的滤波匹配效果,地面点的匹配误差率为4. 9%,非地面点的误差匹配率为8. 4%,总体误差匹配率为6. 49%,表明布料模拟滤波算法匹配效果较好,匹配操作过程简单,具有较强的可操作性和可行性。

施工场地无人机精细化三维模型构建及土方测量

利用无人机倾斜摄影测量技术,获取工程施工场地多视图影像序列,利用基于运动恢复结构算法(Structure from Motion,SfM)和多视图立体匹配算法(Multi View Stereo,MVS)的多视影像密集匹配形成超高密度点云,采用布料模拟滤波(Cloth Simulation Filter,CSF)算法剔除植被及废弃建筑物点云,获取真实地面点云,基于基底设计模型计算出两期点云之间土方量,实现复杂土方工程智能化测量.采用上述无人机方法,对长沙岳麓山脚两块建设用地进行土方快速测量及精度评估,得到5.3846亿点/公顷的点云密度,土方计算结果相对于RTKGNSS测量结果误差为2.8%,满足土方测量误差小于5%的要求,具有较好的应用前景及工程实用价值.

基于地形认知的布料模拟滤波算法

数字高程模型(Digital Elevation Model,DEM)可以反映一个地区的地形特征,具有广泛的科研应用。对激光雷达点云数据进行点云滤波以提取地面点,并对地面点进行插值是构建DEM的常用步骤,其中在点云滤波过程中使用的滤波算法直接影响到最终构建的DEM的精度。布料模拟滤波(Cloth Simulation Filtering,CSF)算法作为一种点云滤波算法,具有模型简单、滤波效率高等优点,其针对平坦地区的滤波精度较高,但在处理复杂地形时会因布料模型的内部弹力以及重力惯性等因素,导致滤波结果的精度较差。为了提升CSF算法在处理复杂地形时的滤波精度和地形适应性,提高其构建DEM的精度,提出了基于地形认知的布料模拟滤波算法(Cloth Simulation Filtering Algorithm with Topography Cognition,CSFTC)。该算法提出了地形认知模型,基于点云数据点的局部分布特征构建认知模型,并将其扩展为粗精度数字高程模型(Rough Digital Elevation Mo-del,R-DEM);通过点云地形归一化实现宏观地形趋势与微观地形细节的分离;最终使用经典CSF算法结合R-DEM实现了点云滤波。文中设计了CSFTC算法与经典CSF算法的对比实验,CSFTC算法的平均总误差率从9.30%下降到5.10%,平均Ⅱ类误差率从30.02%下降到8.46%。实验结果表明,与经典CSF算法相比,CSFTC算法在平坦地区的滤波精度小幅上升,对复杂地形的滤波精度明显上升,提升了算法的地形适应性;Ⅱ类误差显著下降有助于提高构建的DEM的精度。

复杂密林地区植被点云组合滤波方法研究

为提高密林地形激光雷达测量(Light Detection and Ranging,LiDAR)点云数据植被点和地面点精准分类精度,采用5大传统滤波方法对林区点云进行滤波精度评定,借助布料仿真滤波算法实施相应的初始滤波处理,经准确处理后得到地形特征相对完备的初始地表点,再对具有突出植被点的初始地表点实施迭代开运算,由此得出新的地表点。并借助Ⅰ类误差、Ⅱ类误差等一系列的指标获得科学的评估精确度。布料仿真算法与简单形态学算法组合滤波较传统滤波算法Ⅱ类、总误差均明显下降,Kappa系数呈增长趋势。结果表明,该方法适用于林区点云分类,可以获得较好的滤波效果。

基于车载激光雷达的点云道路标线提取方法

车载激光雷达扫描技术对道路信息提取具有重要的现实作用,而道路标线作为道路的重要组成部分,是自动驾驶、全息城市建模不可或缺的信息之一。从车载扫描点云数据中自动、快速、准确地提取出道路标线是当前研究的一个难点,通过布料模拟算法从车载点云数据中提取出地面点云,将点云格网化,用反距离加权插值方法计算格网内点云强度值得到强度值矩阵,对该矩阵进行均值池化计算,设定阈值将矩阵二值化并反投影出标线点云,对标线点云进行高斯滤波得到精化的道路标线点云。实验表明,该算法提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,能够完整且准确地提取出标线点云。